LLM & Inférence
Fournisseurs LLM et inference : Anthropic, OpenAI, Hugging Face, agents conversationnels.
| # | Skill | Source | Description | Δ | |
|---|---|---|---|---|---|
| 1 | claude-api | anthropics/skills | Construire des applications LLM avec Claude via le SDK officiel adapté au langage. | 181 860 | 1370 |
| 2 | open-source | browser-use/browser-use | Automatiser la navigation web en Python avec des agents IA configurables. | 118 372 | 710 |
| 3 | langchain-architecture | wshobson/agents | Construire des agents IA sophistiqués avec LangChain, LangGraph et gestion d'état. | 40 989 | 587 |
| 4 | llm-evaluation | wshobson/agents | Évaluer les performances des LLM via métriques automatisées, jugement humain et A/B testing. | 40 989 | 587 |
| 5 | prompt-engineering-patterns | wshobson/agents | Concevoir et optimiser des prompts avancés pour maximiser les performances des LLMs. | 40 989 | 587 |
| 6 | prompt-master | nidhinjs/prompt-master | Générer des prompts optimisés et prêts à l'emploi pour chaque outil IA cible. | 14 568 | 256 |
| 7 | arize-ai-provider-integration | github/awesome-copilot | Gérer les intégrations LLM dans Arize AI via des commandes CLI dédiées. | 40 143 | 221 |
| 8 | arize-evaluator | github/awesome-copilot | Concevoir et exécuter des évaluateurs LLM-as-judge sur la plateforme Arize. | 40 143 | 221 |
| 9 | arize-instrumentation | github/awesome-copilot | Instrumenter une application avec le tracing Arize AX via une analyse guidée. | 40 143 | 221 |
| 10 | arize-link | github/awesome-copilot | Générer des liens profonds vers l'interface Arize pour traces, spans, datasets et évaluateurs. | 40 143 | 221 |
| 11 | arize-prompt-optimization | github/awesome-copilot | Optimiser les prompts LLM en analysant les traces et signaux de performance Arize. | 40 143 | 221 |
| 12 | arize-trace | github/awesome-copilot | Exporter et analyser des traces de spans depuis Arize via CLI. | 40 143 | 221 |
| 13 | doublecheck | github/awesome-copilot | Vérifier automatiquement les affirmations d'une réponse IA avec sourçage détaillé. | 40 143 | 221 |
| 14 | phoenix-cli | github/awesome-copilot | Inspecter traces, spans, sessions et datasets d'agents IA via une CLI Phoenix. | 40 143 | 221 |
| 15 | phoenix-evals | github/awesome-copilot | Construire et valider des évaluateurs LLM pour applications IA en production. | 40 143 | 221 |
| 16 | phoenix-tracing | github/awesome-copilot | Instrumenter des applications LLM avec Phoenix via le tracing OpenInference. | 40 143 | 221 |
| 17 | ai-prompt-engineering-safety-review | github/awesome-copilot | Auditer et améliorer des prompts IA pour la sécurité, les biais et l'efficacité. | 40 143 | 221 |
| 18 | agentic-eval | github/awesome-copilot | Implémenter des boucles d'évaluation itératives pour affiner et améliorer les sorties d'agents IA. | 40 143 | 221 |
| 19 | create-llms | github/awesome-copilot | Générer un fichier llms.txt conforme aux spécifications depuis la structure d'un dépôt. | 40 143 | 221 |
| 20 | eval-driven-dev | github/awesome-copilot | Construire un pipeline d'évaluation automatisé end-to-end pour applications Python utilisant un LLM. | 40 143 | 221 |
| 21 | semantic-kernel | github/awesome-copilot | Développer des intégrations IA robustes avec le framework Semantic Kernel. | 40 143 | 221 |
| 22 | update-llms | github/awesome-copilot | Mettre à jour le fichier llms.txt pour refléter la structure actuelle du dépôt. | 40 143 | 221 |
| 23 | prompt-optimizer | github/awesome-copilot | Transformer n'importe quelle ébauche en prompt optimisé prêt à l'emploi pour LLM. | 40 143 | 221 |
| 24 | tool-calling-tutor | wenyuchiou/awesome-agentic-ai-zh | Diagnostiquer et corriger les erreurs d'appel d'outils dans un agent IA. | 7 723 | 201 |
| 25 | openai-docs | openai/skills | Consulter la documentation officielle OpenAI pour guider développeurs, migrations et sélection de modèles. | 28 137 | 136 |
| 26 | openai-docs | openai/skills | Consulter la documentation officielle OpenAI pour guider le développement et l'intégration d'API. | 28 137 | 136 |
| 27 | add-function-examples | vercel/ai | Générer des exemples de fonctions IA illustrant les nouvelles fonctionnalités du projet. | 27 374 | 127 |
| 28 | add-provider-package | vercel/ai | Créer et intégrer un nouveau package provider dans l'AI SDK Vercel. | 27 374 | 127 |
| 29 | develop-ai-functions-example | vercel/ai | Tester et valider des fonctions SDK IA multi-providers avec des exemples structurés. | 27 374 | 127 |
| 30 | update-provider-models | vercel/ai | Mettre à jour les identifiants de modèles IA en ajoutant ou supprimant des références dans une codebase. | 27 374 | 127 |
| 31 | ai-sdk | vercel/ai | Intégrer et utiliser correctement l'AI SDK Vercel avec APIs et modèles à jour. | 27 374 | 127 |
| 32 | deployment | nvidia/model-optimizer | Déployer un checkpoint de modèle comme endpoint d'inférence compatible OpenAI. | 5 353 | 82 |
| 33 | launching-evals | nvidia/model-optimizer | Lancer, surveiller et analyser des évaluations de modèles IA via NeMo Evaluator. | 5 353 | 82 |
| 34 | notebooklm | teng-lin/notebooklm-py | Automatiser Google NotebookLM pour créer, enrichir et interroger des notebooks par code. | 19 776 | 78 |
| 35 | rag-blueprint | nvidia/skills | Déployer, configurer et dépanner un pipeline RAG NVIDIA via des workflows automatisés. | 3 634 | 74 |
| 36 | rag-perf | nvidia/skills | Benchmarker les performances d'un serveur RAG via une CLI pilotée par YAML. | 3 634 | 74 |
| 37 | vss-ask-video | nvidia/skills | Interroger un agent VLM pour analyser visuellement le contenu d'un clip vidéo. | 3 634 | 74 |
| 38 | nemotron-speech | nvidia/skills | Déployer et configurer des pipelines ASR, TTS et NMT avec NVIDIA Riva NIM. | 3 634 | 74 |
| 39 | nemotron-policy-generator | nvidia/skills | Générer des politiques de sécurité structurées pour les modèles Nemotron Content Safety de NVIDIA. | 3 634 | 74 |
| 40 | jetson-llm-serve | nvidia/skills | Déployer un LLM ou VLM sur Jetson avec vLLM ou SGLang via Docker. | 3 634 | 74 |
| 41 | jetson-package | nvidia/skills | Sélectionner les conteneurs et wheels Python compatibles GPU pour appareils Jetson NVIDIA. | 3 634 | 74 |
| 42 | jetson-speculative-decoding | nvidia/skills | Accélérer la génération de tokens vLLM sur Jetson via le décodage spéculatif EAGLE-3. | 3 634 | 74 |
| 43 | nemoclaw-user-guide | nvidia/skills | Consulter la documentation NemoClaw en temps réel via MCP pour configurer et dépanner ses agents IA. | 3 634 | 74 |
| 44 | nemo-relay-instrument-typed-wrappers | nvidia/skills | Convertir des types domaine en JSON et inversement via des codecs typés pour l'intégration LLM. | 3 634 | 74 |
| 45 | nemo-relay-plugin-adaptive-tuning | nvidia/skills | Optimiser latence, parallélisme et cache d'un agent via le plugin adaptatif NeMo Relay. | 3 634 | 74 |
| 46 | nemo-relay-get-started | nvidia/skills | Configurer et tester NeMo Relay via le chemin d'intégration le plus simple possible. | 3 634 | 74 |
| 47 | rtvi-vlm-customize-model | nvidia/skills | Configurer et repointer les trois consommateurs VLM du blueprint VSS Alerts indépendamment. | 3 634 | 74 |
| 48 | nemo-fabric-integrate | nvidia/skills | Intégrer NeMo Fabric dans une application Python via son SDK typé et sécurisé. | 3 634 | 74 |
| 49 | nemotron-voice-agent-builder | nvidia/skills | Créer ou mettre à jour un agent vocal NVIDIA temps réel avec pipeline audio complet. | 3 634 | 74 |
| 50 | ambient-healthcare-agent-with-nemotron-voice-agent | nvidia/skills | Personnaliser un agent vocal Nemotron pour des workflows de santé ambiants avec Pipecat. | 3 634 | 74 |
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.