LLM & Inférence

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

129 skills

# Skill Source Description Δ
1 open-source browser-use/browser-use Automatiser la navigation web en Python avec des agents IA configurables. 111 268 1395
2 claude-api anthropics/skills Construire des applications LLM avec Claude via le SDK officiel adapté au langage. 171 932 1267
3 prompt-master nidhinjs/prompt-master Générer des prompts optimisés et prêts à l'emploi pour chaque outil IA cible. 11 829 323
4 tool-calling-tutor wenyuchiou/awesome-agentic-ai-zh Diagnostiquer et corriger les erreurs d'appel d'outils dans un agent IA. 6 425 315
5 arize-ai-provider-integration github/awesome-copilot Gérer les intégrations LLM dans Arize AI via des commandes CLI dédiées. 38 295 222
6 arize-evaluator github/awesome-copilot Concevoir et exécuter des évaluateurs LLM-as-judge sur la plateforme Arize. 38 295 222
7 arize-instrumentation github/awesome-copilot Instrumenter une application avec le tracing Arize AX via une analyse guidée. 38 295 222
8 arize-link github/awesome-copilot Générer des liens profonds vers l'interface Arize pour traces, spans, datasets et évaluateurs. 38 295 222
9 arize-prompt-optimization github/awesome-copilot Optimiser les prompts LLM en analysant les traces et signaux de performance Arize. 38 295 222
10 arize-trace github/awesome-copilot Exporter et analyser des traces de spans depuis Arize via CLI. 38 295 222
11 doublecheck github/awesome-copilot Vérifier automatiquement les affirmations d'une réponse IA avec sourçage détaillé. 38 295 222
12 phoenix-cli github/awesome-copilot Inspecter traces, spans, sessions et datasets d'agents IA via une CLI Phoenix. 38 295 222
13 phoenix-evals github/awesome-copilot Construire et valider des évaluateurs LLM pour applications IA en production. 38 295 222
14 phoenix-tracing github/awesome-copilot Instrumenter des applications LLM avec Phoenix via le tracing OpenInference. 38 295 222
15 ai-prompt-engineering-safety-review github/awesome-copilot Auditer et améliorer des prompts IA pour la sécurité, les biais et l'efficacité. 38 295 222
16 agentic-eval github/awesome-copilot Implémenter des boucles d'évaluation itératives pour affiner et améliorer les sorties d'agents IA. 38 295 222
17 create-llms github/awesome-copilot Générer un fichier llms.txt conforme aux spécifications depuis la structure d'un dépôt. 38 295 222
18 eval-driven-dev github/awesome-copilot Construire un pipeline d'évaluation automatisé end-to-end pour applications Python utilisant un LLM. 38 295 222
19 microsoft-agent-framework github/awesome-copilot Développer, migrer et orchestrer des agents avec Microsoft Agent Framework. 38 295 222
20 semantic-kernel github/awesome-copilot Développer des intégrations IA robustes avec le framework Semantic Kernel. 38 295 222
21 update-llms github/awesome-copilot Mettre à jour le fichier llms.txt pour refléter la structure actuelle du dépôt. 38 295 222
22 prompt-optimizer github/awesome-copilot Transformer n'importe quelle ébauche en prompt optimisé prêt à l'emploi pour LLM. 38 295 222
23 langchain-architecture wshobson/agents Construire des agents IA sophistiqués avec LangChain, LangGraph et gestion d'état. 39 177 219
24 llm-evaluation wshobson/agents Évaluer les performances des LLM via métriques automatisées, jugement humain et A/B testing. 39 177 219
25 prompt-engineering-patterns wshobson/agents Concevoir et optimiser des prompts avancés pour maximiser les performances des LLMs. 39 177 219
26 openai-docs openai/skills Consulter la documentation officielle OpenAI pour guider développeurs, migrations et sélection de modèles. 25 217 155
27 openai-docs openai/skills Consulter la documentation officielle OpenAI pour guider le développement et l'intégration d'API. 25 217 155
28 notebooklm teng-lin/notebooklm-py Automatiser Google NotebookLM pour créer, enrichir et interroger des notebooks par code. 18 956 126
29 add-function-examples vercel/ai Générer des exemples de fonctions IA illustrant les nouvelles fonctionnalités du projet. 26 434 111
30 add-provider-package vercel/ai Créer et intégrer un nouveau package provider dans l'AI SDK Vercel. 26 434 111
31 develop-ai-functions-example vercel/ai Tester et valider des fonctions SDK IA multi-providers avec des exemples structurés. 26 434 111
32 update-provider-models vercel/ai Mettre à jour les identifiants de modèles IA en ajoutant ou supprimant des références dans une codebase. 26 434 111
33 ai-sdk vercel/ai Intégrer et utiliser correctement l'AI SDK Vercel avec APIs et modèles à jour. 26 434 111
34 serenity-skill muxuuu/serenity-skill Identifier les maillons rares d'une chaîne d'approvisionnement pour prioriser des opportunités d'investissement. 3 899 83
35 rag-blueprint nvidia/skills Déployer, configurer et dépanner un pipeline RAG NVIDIA via des workflows automatisés. 3 114 79
36 rag-perf nvidia/skills Benchmarker les performances d'un serveur RAG via une CLI pilotée par YAML. 3 114 79
37 vss-ask-video nvidia/skills Interroger un agent VLM pour analyser visuellement le contenu d'un clip vidéo. 3 114 79
38 nemotron-speech nvidia/skills Déployer et configurer des pipelines ASR, TTS et NMT avec NVIDIA Riva NIM. 3 114 79
39 nemotron-policy-generator nvidia/skills Générer des politiques de sécurité structurées pour les modèles Nemotron Content Safety de NVIDIA. 3 114 79
40 jetson-llm-serve nvidia/skills Déployer un LLM ou VLM sur Jetson avec vLLM ou SGLang via Docker. 3 114 79
41 jetson-package nvidia/skills Sélectionner les conteneurs et wheels Python compatibles GPU pour appareils Jetson NVIDIA. 3 114 79
42 jetson-speculative-decoding nvidia/skills Accélérer la génération de tokens vLLM sur Jetson via le décodage spéculatif EAGLE-3. 3 114 79
43 nemoclaw-user-guide nvidia/skills Consulter la documentation NemoClaw en temps réel via MCP pour configurer et dépanner ses agents IA. 3 114 79
44 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 79
45 nemo-relay-plugin-adaptive-tuning nvidia/skills Optimiser latence, parallélisme et cache d'un agent via le plugin adaptatif NeMo Relay. 3 114 79
46 nemo-relay-get-started nvidia/skills Configurer et tester NeMo Relay via le chemin d'intégration le plus simple possible. 3 114 79
47 rtvi-vlm-customize-model nvidia/skills Configurer et repointer les trois consommateurs VLM du blueprint VSS Alerts indépendamment. 3 114 79
48 nemo-fabric-integrate nvidia/skills Intégrer NeMo Fabric dans une application Python via son SDK typé et sécurisé. 3 114 79
49 deployment nvidia/model-optimizer Déployer un checkpoint de modèle comme endpoint d'inférence compatible OpenAI. 3 494 36
50 launching-evals nvidia/model-optimizer Lancer, surveiller et analyser des évaluations de modèles IA via NeMo Evaluator. 3 494 36

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.