Data & IA

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

792 skills

#	Skill	Source	Description
1	claude-api	anthropics/skills	Construire des applications LLM avec Claude via le SDK officiel adapté au langage.	165 473
2	browser-use	browser-use/browser-use	Contrôler un navigateur Chrome via CDP pour automatiser des tâches web.	107 424
3	open-source	browser-use/browser-use	Automatiser la navigation web en Python avec des agents IA configurables.	107 424
4	aoti-debug	pytorch/pytorch	Diagnostiquer et corriger les erreurs courantes d'AOTInductor avec méthode.	102 091
5	metal-kernel	pytorch/pytorch	Implémenter des kernels Metal natifs pour opérateurs PyTorch sur Apple Silicon.	102 091
6	pt2-bug-basher	pytorch/pytorch	Déboguer les erreurs de compilation PyTorch 2 via Dynamo, Inductor et AOTAutograd.	102 091
7	defuddle	kepano/obsidian-skills	Extraire le contenu lisible et épuré de pages web via Defuddle CLI.	43 791
8	airflow-dag-patterns	wshobson/agents	Orchestrer des pipelines de données Apache Airflow avec patterns, opérateurs et déploiement.	38 405
9	backtesting-frameworks	wshobson/agents	Construire des systèmes de backtesting robustes pour évaluer fiablement des stratégies de trading.	38 405
10	checkpoint-promotion	wshobson/agents	Évaluer et promouvoir un checkpoint via un processus de validation en quatre étapes.	38 405
11	data-quality-frameworks	wshobson/agents	Implémenter des frameworks de qualité de données avec Great Expectations, dbt et contrats.	38 405
12	dataset-curation	wshobson/agents	Préparer, formater et valider un dataset JSONL pour fine-tuner un LLM.	38 405
13	dbt-transformation-patterns	wshobson/agents	Structurer et optimiser des pipelines de transformation dbt en couches analytiques.	38 405
14	embedding-strategies	wshobson/agents	Choisir et optimiser les modèles d'embedding pour la recherche vectorielle.	38 405
15	eval-harness-first	wshobson/agents	Construire un harnais d'évaluation rigoureux avant tout fine-tuning de modèle.	38 405
16	finetuning-method-selection	wshobson/agents	Choisir la bonne méthode de fine-tuning ou rediriger vers RAG/prompt engineering.	38 405
17	grpo-rlvr-training	wshobson/agents	Configurer et lancer un entraînement GRPO/RLVR avec récompenses vérifiables.	38 405
18	hybrid-search-implementation	wshobson/agents	Combiner recherche vectorielle et par mots-clés pour améliorer le rappel RAG.	38 405
19	langchain-architecture	wshobson/agents	Construire des agents IA sophistiqués avec LangChain, LangGraph et gestion d'état.	38 405
20	llm-evaluation	wshobson/agents	Évaluer les performances des LLM via métriques automatisées, jugement humain et A/B testing.	38 405
21	lora-qlora-recipes	wshobson/agents	Configurer des adaptateurs LoRA et QLoRA optimaux pour le fine-tuning SFT supervisé.	38 405
22	ml-pipeline-workflow	wshobson/agents	Orchestrer un pipeline MLOps complet de l'ingestion des données au déploiement en production.	38 405
23	preference-optimization	wshobson/agents	Sélectionner et configurer la méthode optimale d'alignement par préférences (DPO, ORPO, KTO, SimPO).	38 405
24	prompt-engineering-patterns	wshobson/agents	Concevoir et optimiser des prompts avancés pour maximiser les performances des LLMs.	38 405
25	quantized-export	wshobson/agents	Exporter un checkpoint promu au bon format quantifié selon la cible matérielle.	38 405
26	rag-implementation	wshobson/agents	Implémenter la RAG pour construire des applications LLM avec réponses factuelles et sourcées.	38 405
27	recsys-pipeline-architect	wshobson/agents	Concevoir et scaffolder des pipelines de recommandation en six étapes pour tout système top-K.	38 405
28	risk-metrics-calculation	wshobson/agents	Calculer la VaR, CVaR et métriques de risque pour la gestion de portefeuille.	38 405
29	similarity-search-patterns	wshobson/agents	Implémenter une recherche vectorielle sémantique efficace et scalable en production.	38 405
30	spark-environment-setup	wshobson/agents	Configurer et déboguer un environnement ML sur DGX Spark avec CUDA 13.	38 405
31	spark-optimization	wshobson/agents	Optimiser les jobs Apache Spark avec partitionnement, mémoire et gestion des shuffles.	38 405
32	spark-training-gotchas	wshobson/agents	Diagnostiquer et corriger les dix pannes récurrentes d'entraînement sur DGX Spark GB10.	38 405
33	trace-to-training-data	wshobson/agents	Convertir des traces d'évaluation notées en données d'entraînement SFT ou DPO prêtes à l'emploi.	38 405
34	vector-index-tuning	wshobson/agents	Optimiser les index vectoriels HNSW pour maximiser rappel, vitesse et mémoire.	38 405
35	vision-sft	wshobson/agents	Configurer et affiner un modèle vision-langage avec LoRA/QLoRA de façon optimale.	38 405
36	agentic-eval	github/awesome-copilot	Implémenter des boucles d'évaluation itératives pour affiner et améliorer les sorties d'agents IA.	37 311
37	ai-prompt-engineering-safety-review	github/awesome-copilot	Auditer et améliorer des prompts IA pour la sécurité, les biais et l'efficacité.	37 311
38	arize-ai-provider-integration	github/awesome-copilot	Gérer les intégrations LLM dans Arize AI via des commandes CLI dédiées.	37 311
39	arize-annotation	github/awesome-copilot	Créer et gérer des configs d'annotation pour labelliser des spans IA via Arize.	37 311
40	arize-dataset	github/awesome-copilot	Gérer et exporter des datasets versionnés dans l'espace Arize via CLI.	37 311
41	arize-evaluator	github/awesome-copilot	Concevoir et exécuter des évaluateurs LLM-as-judge sur la plateforme Arize.	37 311
42	arize-experiment	github/awesome-copilot	Gérer et exporter des expériences d'évaluation de modèles IA via Arize.	37 311
43	arize-instrumentation	github/awesome-copilot	Instrumenter une application avec le tracing Arize AX via une analyse guidée.	37 311
44	arize-link	github/awesome-copilot	Générer des liens profonds vers l'interface Arize pour traces, spans, datasets et évaluateurs.	37 311
45	arize-prompt-optimization	github/awesome-copilot	Optimiser les prompts LLM en analysant les traces et signaux de performance Arize.	37 311
46	arize-trace	github/awesome-copilot	Exporter et analyser des traces de spans depuis Arize via CLI.	37 311
47	bigquery-pipeline-audit	github/awesome-copilot	Auditer un pipeline BigQuery pour coûts, sécurité et fiabilité en production.	37 311
48	create-llms	github/awesome-copilot	Générer un fichier llms.txt conforme aux spécifications depuis la structure d'un dépôt.	37 311
49	datanalysis-credit-risk	github/awesome-copilot	Nettoyer et sélectionner des variables pour modélisation de risque crédit.	37 311
50	doublecheck	github/awesome-copilot	Vérifier automatiquement les affirmations d'une réponse IA avec sourçage détaillé.	37 311

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.