LLM & Inférence

Fournisseurs LLM et inference : Anthropic, OpenAI, Hugging Face, agents conversationnels.

55 skills

#	Skill	Source	Description
1	open-source	browser-use/browser-use	Automatiser la navigation web en Python avec des agents IA configurables.	111 268
2	langchain-architecture	wshobson/agents	Construire des agents IA sophistiqués avec LangChain, LangGraph et gestion d'état.	39 177
3	llm-evaluation	wshobson/agents	Évaluer les performances des LLM via métriques automatisées, jugement humain et A/B testing.	39 177
4	agentic-eval	github/awesome-copilot	Implémenter des boucles d'évaluation itératives pour affiner et améliorer les sorties d'agents IA.	38 295
5	arize-instrumentation	github/awesome-copilot	Instrumenter une application avec le tracing Arize AX via une analyse guidée.	38 295
6	eval-driven-dev	github/awesome-copilot	Construire un pipeline d'évaluation automatisé end-to-end pour applications Python utilisant un LLM.	38 295
7	phoenix-evals	github/awesome-copilot	Construire et valider des évaluateurs LLM pour applications IA en production.	38 295
8	phoenix-tracing	github/awesome-copilot	Instrumenter des applications LLM avec Phoenix via le tracing OpenInference.	38 295
9	notebooklm	teng-lin/notebooklm-py	Automatiser Google NotebookLM pour créer, enrichir et interroger des notebooks par code.	18 956
10	hf-cli	huggingface/skills	Gérer dépôts, fichiers et authentification sur le Hub Hugging Face via CLI.	10 965
11	hf-mcp	huggingface/skills	Connecter des assistants IA au Hub Hugging Face pour modèles, datasets et jobs GPU.	10 965
12	hf-mem	huggingface/skills	Estimer la mémoire VRAM nécessaire pour inférer un modèle Hugging Face.	10 965
13	huggingface-paper-publisher	huggingface/skills	Publier, gérer et lier des articles de recherche sur Hugging Face Hub.	10 965
14	gemini-api-dev	google-gemini/gemini-skills	Intégrer et utiliser l'API Gemini avec les SDK officiels à jour.	3 943
15	gemini-live-api-dev	google-gemini/gemini-skills	Développer des interactions vocales et vidéo temps réel avec l'API Gemini Live.	3 943
16	deployment	nvidia/model-optimizer	Déployer un checkpoint de modèle comme endpoint d'inférence compatible OpenAI.	3 494
17	launching-evals	nvidia/model-optimizer	Lancer, surveiller et analyser des évaluations de modèles IA via NeMo Evaluator.	3 494
18	jetson-package	nvidia/skills	Sélectionner les conteneurs et wheels Python compatibles GPU pour appareils Jetson NVIDIA.	3 114
19	jetson-speculative-decoding	nvidia/skills	Accélérer la génération de tokens vLLM sur Jetson via le décodage spéculatif EAGLE-3.	3 114
20	nemo-fabric-integrate	nvidia/skills	Intégrer NeMo Fabric dans une application Python via son SDK typé et sécurisé.	3 114
21	nemo-relay-get-started	nvidia/skills	Configurer et tester NeMo Relay via le chemin d'intégration le plus simple possible.	3 114
22	nemo-relay-instrument-typed-wrappers	nvidia/skills	Convertir des types domaine en JSON et inversement via des codecs typés pour l'intégration LLM.	3 114
23	nemo-relay-plugin-adaptive-tuning	nvidia/skills	Optimiser latence, parallélisme et cache d'un agent via le plugin adaptatif NeMo Relay.	3 114
24	nemotron-speech	nvidia/skills	Déployer et configurer des pipelines ASR, TTS et NMT avec NVIDIA Riva NIM.	3 114
25	rag-blueprint	nvidia/skills	Déployer, configurer et dépanner un pipeline RAG NVIDIA via des workflows automatisés.	3 114
26	rag-perf	nvidia/skills	Benchmarker les performances d'un serveur RAG via une CLI pilotée par YAML.	3 114
27	agent-framework-azure-ai-py	microsoft/skills	Créer des agents persistants sur Azure AI Foundry avec outils intégrés et gestion de conversation.	2 958
28	azure-ai-language-conversations-py	microsoft/skills	Implémenter l'analyse conversationnelle Azure AI avec le SDK Python dédié.	2 958
29	azure-ai-projects-py	microsoft/skills	Créer et déployer des agents IA sur Microsoft Azure Foundry via le SDK Python.	2 958
30	azure-ai-textanalytics-py	microsoft/skills	Analyser textes avec Azure AI : sentiment, entités, PII, langues et santé.	2 958
31	deepagents-python-quickstart	langchain-ai/langchain-skills	Créer un agent de recherche Python avec Deep Agents, sans Tavily, en mode modèle-agnostique.	1 178
32	langchain-dependencies	langchain-ai/langchain-skills	Configurer les dépendances LangChain selon les versions et cas d'usage requis.	1 178
33	langchain-fundamentals	langchain-ai/langchain-skills	Construire des agents IA production avec create_agent(), middleware et décorateur @tool.	1 178
34	langchain-middleware	langchain-ai/langchain-skills	Implémenter des middlewares HITL pour approuver, modifier ou rejeter les appels d'outils d'agents LangChain.	1 178
35	langchain-python-quickstart	langchain-ai/langchain-skills	Implémenter un agent météo LangChain model-agnostique via le quickstart officiel.	1 178
36	langchain-rag	langchain-ai/langchain-skills	Construire un pipeline RAG complet pour enrichir les réponses LLM avec des sources externes.	1 178
37	langgraph-fundamentals	langchain-ai/langchain-skills	Concevoir et gérer des graphes d'agents LangGraph avec état et reducers.	1 178
38	langgraph-human-in-the-loop	langchain-ai/langchain-skills	Implémenter des pauses interactives dans un graphe LangGraph pour valider des actions humaines.	1 178
39	langgraph-persistence	langchain-ai/langchain-skills	Gérer la persistance d'état par threads et checkpoints dans un graphe LangGraph.	1 178
40	langgraph-python-quickstart	langchain-ai/langchain-skills	Implémenter un agent mathématique LangGraph avec le modèle IA choisi par l'utilisateur.	1 178
41	guardrails-ai	mkurman/zorai	Valider et sécuriser les sorties de LLMs avec des contraintes structurées.	320
42	huggingface-tgi	mkurman/zorai	Déployer un serveur LLM optimisé via Hugging Face TGI avec API OpenAI-compatible.	320
43	hypogenic	mkurman/zorai	Générer et tester automatiquement des hypothèses scientifiques à partir de données et de littérature.	320
44	langgraph	mkurman/zorai	Orchestrer des workflows d'agents multi-étapes sous forme de graphes conditionnels persistants.	320
45	lighteval	mkurman/zorai	Évaluer des LLMs sur 1000+ tâches multilingues avec métriques personnalisables.	320
46	llama-cpp	mkurman/zorai	Exécuter des LLMs localement en CPU ou GPU via llama.cpp et llama-cpp-python.	320
47	lm-evaluation-harness	mkurman/zorai	Évaluer des LLMs sur 200+ benchmarks standardisés via une interface unifiée.	320
48	nvidia-nemo-guardrails	mkurman/zorai	Implémenter des garde-fous programmables pour modérer et contrôler les LLM avec NeMo.	320
49	ollama	mkurman/zorai	Exécuter des LLMs localement avec accélération GPU et API compatible OpenAI.	320
50	openai-evals	mkurman/zorai	Évaluer systématiquement la qualité des LLMs via un framework de tests et régression.	320

À propos de cette sélection

L'outillage autour des modèles de langage a mûri vite, mais de façon inégale : certaines briques sont solides, d'autres restent expérimentales ou peu documentées hors des cas standards. Les **skills llm & inférence** de cette section ciblent les devs qui passent de l'expérimentation à la mise en production réelle. Concrètement, ça parle au dev backend Python qui orchestre des appels à Claude ou à des modèles Hugging Face avec gestion fine des tokens et des coûts, et au fullstack TypeScript qui branche un agent conversationnel sur une UI existante. Les contraintes d'inférence, de latence et de traçabilité divergent vite entre ces deux profils. Les skills couvrent aussi l'évaluation de prompts et le monitoring de traces, deux angles souvent négligés dans les tutos d'entrée de gamme.