Data & IA
Skills pour LLM, bases vectorielles, training de modeles et scraping web.
| # | Skill | Source | Description | Δ | |
|---|---|---|---|---|---|
| 1 | transformers-js | huggingface/skills | Exécuter des modèles ML directement en JavaScript, côté client ou serveur, sans Python. | 10 981 | 4 |
| 2 | add-function-examples | vercel/ai | Générer des exemples de fonctions IA illustrant les nouvelles fonctionnalités du projet. | 26 474 | 2 |
| 3 | add-provider-package | vercel/ai | Créer et intégrer un nouveau package provider dans l'AI SDK Vercel. | 26 474 | 2 |
| 4 | develop-ai-functions-example | vercel/ai | Tester et valider des fonctions SDK IA multi-providers avec des exemples structurés. | 26 474 | 2 |
| 5 | update-provider-models | vercel/ai | Mettre à jour les identifiants de modèles IA en ajoutant ou supprimant des références dans une codebase. | 26 474 | 2 |
| 6 | ai-sdk | vercel/ai | Intégrer et utiliser correctement l'AI SDK Vercel avec APIs et modèles à jour. | 26 474 | 2 |
| 7 | defuddle | kepano/obsidian-skills | Extraire le contenu lisible et épuré de pages web via Defuddle CLI. | 47 443 | 2 |
| 8 | browser | browserbase/skills | Automatiser les interactions navigateur en local ou via Browserbase avec une CLI dédiée. | 3 702 | 1 |
| 9 | phoenix-cli | github/awesome-copilot | Inspecter traces, spans, sessions et datasets d'agents IA via une CLI Phoenix. | 38 382 | 1 |
| 10 | azure-ai-projects-ts | microsoft/skills | Créer et gérer des agents IA Azure avec outils, évaluations et déploiements. | 2 967 | 0 |
| 11 | azure-search-documents-ts | microsoft/skills | Implémenter la recherche vectorielle, hybride et sémantique avec Azure AI Search en TypeScript. | 2 967 | 0 |
| 12 | copilot-sdk | microsoft/skills | Intégrer GitHub Copilot dans des applications via un SDK multilangage. | 2 967 | 0 |
| 13 | firebase-ai-logic-basics | firebase/agent-skills | Intégrer l'IA générative Gemini dans des apps mobiles et web via Firebase. | 427 | 0 |
| 14 | apify-sdk-integration | apify/agent-skills | Intégrer des Actors Apify dans une application via SDK JS, Python ou REST API. | 2 362 | 0 |
| 15 | writing-evals | axiomhq/skills | Écrire des évaluations pour tester et valider les capacités des systèmes IA génératifs. | 15 | 0 |
| 16 | agents | elevenlabs/skills | Créer et déployer des agents IA vocaux conversationnels via ElevenLabs. | 425 | 0 |
| 17 | gemini-interactions-api | google-gemini/gemini-skills | Interagir avec les modèles Gemini via une API unifiée et conversationnelle. | 3 949 | 0 |
| 18 | langchain-typescript-quickstart | langchain-ai/langchain-skills | Implémenter un agent météo LangChain TypeScript avec le modèle au choix de l'utilisateur. | 1 182 | 0 |
| 19 | langgraph-typescript-quickstart | langchain-ai/langchain-skills | Implémenter un agent de calcul LangGraph TypeScript avec le modèle au choix de l'utilisateur. | 1 182 | 0 |
| 20 | langfuse | langfuse/skills | Instrumenter, déboguer et interroger Langfuse via CLI, docs et SDK à jour. | 262 | 0 |
| 21 | tinybird-typescript-sdk-guidelines | tinybirdco/tinybird-agent-skills | Définir et déployer des ressources Tinybird typées en TypeScript avec inférence complète. | 20 | 0 |
| 22 | rp-execute-import | wix/skills | Exécuter un pipeline de migration et capturer les résultats d'importation vers Wix. | 27 | 0 |
| 23 | chroma-cloud | chroma-core/agent-skills | Configurer et interroger des collections Chroma Cloud en TypeScript avec recherche dense ou hybride. | 21 | 0 |
| 24 | chroma-cloud | chroma-core/agent-skills | Intégrer et interroger des collections Chroma Cloud via TypeScript ou Python. | 21 | 0 |
| 25 | quotient | bankrbot/skills | Accéder à l'intelligence de marché Quotient via des flux de paiement x402 sécurisés. | 1 190 | 0 |
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.