Data & IA

Skills pour LLM, bases vectorielles, training de modeles et scraping web.

408 skills

# Skill Source Description Δ
1 claude-api anthropics/skills Construire des applications LLM avec Claude via le SDK officiel adapté au langage. 134 575 370
2 defuddle kepano/obsidian-skills Extraire le contenu lisible et épuré de pages web via Defuddle CLI. 31 388 101
3 open-source browser-use/browser-use Automatiser la navigation web en Python avec des agents IA configurables. 94 027 100
4 arize-ai-provider-integration github/awesome-copilot Gérer les intégrations LLM dans Arize AI via des commandes CLI dédiées. 33 028 48
5 arize-annotation github/awesome-copilot Créer et gérer des configs d'annotation pour labelliser des spans IA via Arize. 33 028 48
6 arize-dataset github/awesome-copilot Gérer et exporter des datasets versionnés dans l'espace Arize via CLI. 33 028 48
7 arize-evaluator github/awesome-copilot Concevoir et exécuter des évaluateurs LLM-as-judge sur la plateforme Arize. 33 028 48
8 arize-experiment github/awesome-copilot Gérer et exporter des expériences d'évaluation de modèles IA via Arize. 33 028 48
9 arize-link github/awesome-copilot Générer des liens profonds vers l'interface Arize pour traces, spans, datasets et évaluateurs. 33 028 48
10 arize-prompt-optimization github/awesome-copilot Optimiser les prompts LLM en analysant les traces et signaux de performance Arize. 33 028 48
11 arize-trace github/awesome-copilot Exporter et analyser des traces de spans depuis Arize via CLI. 33 028 48
12 copilot-sdk github/awesome-copilot Intégrer les workflows agentiques de GitHub Copilot dans n'importe quelle application. 33 028 48
13 dataverse-python-advanced-patterns github/awesome-copilot Générer du code Python production-ready pour interagir avec l'API Dataverse via son SDK. 33 028 48
14 dataverse-python-production-code github/awesome-copilot Générer du code Python production-ready pour interagir avec l'API Dataverse. 33 028 48
15 doublecheck github/awesome-copilot Vérifier automatiquement les affirmations d'une réponse IA avec sourçage détaillé. 33 028 48
16 geofeed-tuner github/awesome-copilot Créer et optimiser des feeds de géolocalisation IP au format CSV selon RFC 8805. 33 028 48
17 phoenix-cli github/awesome-copilot Inspecter traces, spans, sessions et datasets d'agents IA via une CLI Phoenix. 33 028 48
18 phoenix-evals github/awesome-copilot Construire et valider des évaluateurs LLM pour applications IA en production. 33 028 48
19 phoenix-tracing github/awesome-copilot Instrumenter des applications LLM avec Phoenix via le tracing OpenInference. 33 028 48
20 power-bi-dax-optimization github/awesome-copilot Analyser et optimiser des formules DAX Power BI pour de meilleures performances. 33 028 48
21 power-bi-model-design-review github/awesome-copilot Auditer et optimiser la conception d'un modèle de données Power BI. 33 028 48
22 python-mcp-server-generator github/awesome-copilot Générer un serveur MCP Python complet, production-ready, avec outils typés et gestion d'erreurs. 33 028 48
23 ai-prompt-engineering-safety-review github/awesome-copilot Auditer et améliorer des prompts IA pour la sécurité, les biais et l'efficacité. 33 028 48
24 agent-governance github/awesome-copilot Appliquer des règles de sécurité et de conformité aux actions d'un agent IA. 33 028 48
25 agentic-eval github/awesome-copilot Implémenter des boucles d'évaluation itératives pour affiner et améliorer les sorties d'agents IA. 33 028 48
26 autoresearch github/awesome-copilot Automatiser des expérimentations itératives sur du code jusqu'à atteindre un objectif mesurable. 33 028 48
27 bigquery-pipeline-audit github/awesome-copilot Auditer un pipeline BigQuery pour coûts, sécurité et fiabilité en production. 33 028 48
28 create-llms github/awesome-copilot Générer un fichier llms.txt conforme aux spécifications depuis la structure d'un dépôt. 33 028 48
29 microsoft-agent-framework github/awesome-copilot Développer, migrer et orchestrer des agents avec Microsoft Agent Framework. 33 028 48
30 model-recommendation github/awesome-copilot Recommander le modèle IA optimal pour un fichier .agent.md ou .prompt.md Copilot. 33 028 48
31 datanalysis-credit-risk github/awesome-copilot Nettoyer et sélectionner des variables pour modélisation de risque crédit. 33 028 48
32 eval-driven-dev github/awesome-copilot Construire un pipeline d'évaluation automatisé end-to-end pour applications Python utilisant un LLM. 33 028 48
33 powerbi-modeling github/awesome-copilot Concevoir et optimiser des modèles sémantiques Power BI selon les bonnes pratiques Microsoft. 33 028 48
34 qdrant-clients-sdk github/awesome-copilot Rechercher des exemples de code pour interagir avec l'API Qdrant via ses SDKs officiels. 33 028 48
35 qdrant-model-migration github/awesome-copilot Migrer une collection Qdrant lors d'un changement de modèle d'embedding sans interruption. 33 028 48
36 qdrant-performance-optimization github/awesome-copilot Optimiser les performances Qdrant : vitesse, indexation et mémoire. 33 028 48
37 qdrant-scaling github/awesome-copilot Choisir et appliquer la bonne stratégie de scaling Qdrant selon l'objectif visé. 33 028 48
38 qdrant-minimize-latency github/awesome-copilot Optimiser la latence des requêtes Qdrant via RAM, CPU et configuration HNSW. 33 028 48
39 qdrant-sliding-time-window github/awesome-copilot Gérer une fenêtre temporelle glissante dans Qdrant avec rotation de shards ou collections. 33 028 48
40 qdrant-tenant-scaling github/awesome-copilot Partitionner efficacement Qdrant multi-tenant selon le volume et les contraintes d'isolation. 33 028 48
41 qdrant-indexing-performance-optimization github/awesome-copilot Diagnostiquer et résoudre les problèmes de lenteur d'indexation dans Qdrant. 33 028 48
42 qdrant-search-speed-optimization github/awesome-copilot Diagnostiquer et résoudre les problèmes de performance de recherche vectorielle. 33 028 48
43 qdrant-vertical-scaling github/awesome-copilot Dimensionner verticalement un cluster Qdrant en augmentant CPU, RAM ou disque. 33 028 48
44 qdrant-scaling-qps github/awesome-copilot Optimiser le débit de requêtes Qdrant via segmentation, quantification et réplication horizontale. 33 028 48
45 qdrant-scaling-query-volume github/awesome-copilot Optimiser les requêtes multi-shards via sous-échantillonnage statistique de Poisson. 33 028 48
46 qdrant-search-quality github/awesome-copilot Diagnostiquer et optimiser la qualité de recherche vectorielle dans Qdrant. 33 028 48
47 qdrant-search-quality-diagnosis github/awesome-copilot Diagnostiquer et corriger la qualité de recherche vectorielle dans Qdrant. 33 028 48
48 qdrant-version-upgrade github/awesome-copilot Gérer les mises à niveau de version Qdrant en garantissant compatibilité et continuité de service. 33 028 48
49 semantic-kernel github/awesome-copilot Développer des intégrations IA robustes avec le framework Semantic Kernel. 33 028 48
50 update-llms github/awesome-copilot Mettre à jour le fichier llms.txt pour refléter la structure actuelle du dépôt. 33 028 48

À propos de cette sélection

L'outillage autour de l'IA générative a mûri vite, mais de façon inégale. Les abstractions haut niveau prolifèrent pendant que le bas niveau (embeddings, kernels GPU, pipelines de fine-tuning) reste souvent sous-documenté et morcelé. Les skills data & IA réunis ici couvrent précisément cette zone. Un ingénieur ML qui veut déboguer un kernel Metal ou optimiser un graphe PyTorch trouvera des ressources issues directement des équipes PyTorch. Un dev backend qui bascule vers du RAG trouvera de quoi brancher Qdrant, construire ses pipelines de vecteurs et interroger des modèles via l'API Claude d'Anthropic. Python domine largement le corpus, ce qui reflète l'état réel de l'écosystème. Les profils data engineers habitués à Astronomer ont aussi leur place, avec des skills couvrant l'orchestration de workflows au plus près de la prod.