Data & IA
Skills pour LLM, bases vectorielles, training de modeles et scraping web.
| # | Skill | Source | Description | Maj | |
|---|---|---|---|---|---|
| 1 | redis-semantic-cache | redis/agent-skills | Mettre en cache sémantiquement les réponses LLM via Redis LangCache pour réduire coûts et latence. | 95 | 14h |
| 2 | redis-search | redis/agent-skills | Indexer, interroger et optimiser des recherches Redis lexicales, vectorielles et hybrides. | 95 | 14h |
| 3 | redis-clustering | redis/agent-skills | Concevoir des clés Redis Cluster et router les lectures pour éviter erreurs CROSSSLOT et surcharge. | 95 | 14h |
| 4 | iris-development | redis/agent-skills | Intégrer une mémoire persistante de session et long terme pour agents IA avec Redis. | 95 | 14h |
| 5 | qdrant-sizing | qdrant/skills | Dimensionner précisément RAM, disque, CPU et nœuds pour un déploiement Qdrant optimal. | 220 | 15h |
| 6 | nemo-mbridge-recipe-recommender | nvidia/skills | Indexer les recettes d'entraînement et recommander la configuration optimale pour LLM. | 2 859 | 21h |
| 7 | nemo-mbridge-perf-sequence-packing | nvidia/skills | Configurer le packing de séquences pour le fine-tuning LLM et VLM avec Megatron. | 2 859 | 21h |
| 8 | nemo-mbridge-perf-moe-optimization-workflow | nvidia/skills | Optimiser l'entraînement de modèles MoE en gérant mémoire, communication et calcul. | 2 859 | 21h |
| 9 | nemo-mbridge-perf-moe-hardware-configs | nvidia/skills | Configurer les hyperparamètres matériels optimaux pour entraîner des modèles MoE sur GPU. | 2 859 | 21h |
| 10 | nemo-mbridge-perf-moe-comm-overlap | nvidia/skills | Activer le chevauchement des communications MoE pour optimiser le débit en entraînement distribué. | 2 859 | 21h |
| 11 | nemo-mbridge-perf-expert-parallel-overlap | nvidia/skills | Masquer la latence de communication all-to-all dans les modèles MoE via le chevauchement calcul/dispatch. | 2 859 | 21h |
| 12 | pinecone-n8n | pinecone-io/skills | Construire des workflows n8n avec les nœuds Pinecone selon les bonnes pratiques. | 14 | 1j |
| 13 | pinecone-help | pinecone-io/skills | Explorer et utiliser Pinecone pour la recherche vectorielle, les index et les assistants IA. | 14 | 1j |
| 14 | pinecone-quickstart | pinecone-io/skills | Effectuer une recherche sémantique vectorielle avec Pinecone via un agent IA guidé. | 14 | 1j |
| 15 | pinecone-query | pinecone-io/skills | Interroger un index Pinecone intégré via requête texte avec le serveur MCP. | 14 | 1j |
| 16 | pinecone-assistant | pinecone-io/skills | Créer, alimenter et interroger un assistant RAG Pinecone via des scripts. | 14 | 1j |
| 17 | pinecone-full-text-search | pinecone-io/skills | Créer et interroger un index full-text-search Pinecone avec l'API preview. | 14 | 1j |
| 18 | omni-to-databricks-metric-view | exploreomni/omni-agent-skills | Convertir un topic Omni en Databricks Metric View via CLI et YAML. | 30 | 1j |
| 19 | cuopt-numerical-optimization-api | nvidia/skills | Modéliser et résoudre des problèmes LP, MILP et QP via l'API GPU NVIDIA cuOpt. | 2 859 | 4j |
| 20 | cuopt-numerical-optimization-formulation | nvidia/skills | Formuler des problèmes d'optimisation numérique LP, MILP et QP avec rigueur. | 2 859 | 4j |
| 21 | cuopt-multi-objective-exploration | nvidia/skills | Tracer une frontière de Pareto multi-objectifs via des solves cuOpt successifs. | 2 859 | 4j |
| 22 | claude-api | anthropics/skills | Construire des applications LLM avec Claude via le SDK officiel adapté au langage. | 168 174 | 4j |
| 23 | finetuning | microsoft/azure-skills | Affiner des modèles sur Azure AI Foundry via SFT, DPO ou RFT de bout en bout. | 1 369 | 4j |
| 24 | finetuning | microsoft/azure-skills | Affiner des modèles sur Azure AI Foundry via SFT, DPO ou RFT de bout en bout. | 1 369 | 4j |
| 25 | wayback-machine-raw-content-id-modifier | divinevideo/divine-mobile | Récupérer le contenu brut d'archives Wayback Machine via le modificateur id_. | 262 | 4j |
| 26 | wayback-indirect-asset-recovery | divinevideo/divine-mobile | Récupérer des assets introuvables via l'extraction indirecte depuis Wayback Machine. | 262 | 4j |
| 27 | wayback-cdx-wildcard-pagination | divinevideo/divine-mobile | Paginer l'API CDX Wayback Machine avec des requêtes wildcard via showResumeKey. | 262 | 4j |
| 28 | wayback-api-archive-recovery | divinevideo/divine-mobile | Récupérer des données archivées d'APIs défuntes via la Wayback Machine. | 262 | 4j |
| 29 | ollama-model-safety-guardrails | divinevideo/divine-mobile | Sélectionner le bon modèle Ollama pour traiter du contenu sensible légal sans refus. | 262 | 4j |
| 30 | montecarlo-subgroup-prediction | divinevideo/divine-mobile | Modéliser des sous-groupes de projet avec des simulations Monte Carlo précises et différenciées. | 262 | 4j |
| 31 | clickhouse-nip33-addressable-dedup | divinevideo/divine-mobile | Dédupliquer les événements Nostr NIP-33 dans ClickHouse via LIMIT 1 BY. | 262 | 4j |
| 32 | clickhouse-aggregatingmergetree-state-merge | divinevideo/divine-mobile | Interroger correctement les colonnes ClickHouse AggregatingMergeTree avec les fonctions Merge. | 262 | 4j |
| 33 | hf-cli | huggingface/skills | Gérer dépôts, fichiers et authentification sur le Hub Hugging Face via CLI. | 10 913 | 4j |
| 34 | mini-context-graph | github/awesome-copilot | Construire et interroger un graphe de connaissances persistant combinant wiki, entités et sources brutes. | 37 704 | 5j |
| 35 | phoenix-tracing | github/awesome-copilot | Instrumenter des applications LLM avec Phoenix via le tracing OpenInference. | 37 704 | 5j |
| 36 | phoenix-evals | github/awesome-copilot | Construire et valider des évaluateurs LLM pour applications IA en production. | 37 704 | 5j |
| 37 | agents | elevenlabs/skills | Créer et déployer des agents IA vocaux conversationnels via ElevenLabs. | 415 | 5j |
| 38 | firebase-ai-logic-basics | firebase/agent-skills | Intégrer l'IA générative Gemini dans des apps mobiles et web via Firebase. | 404 | 5j |
| 39 | physicsnemo-shard-tensor | nvidia/skills | Distribuer les tenseurs spatiaux sur plusieurs GPU avec sharding inégal pour la physique. | 2 859 | 5j |
| 40 | nemo-evaluator-plugin | nvidia/skills | Exécuter et soumettre des évaluations de métriques via le plugin NeMo Evaluator. | 2 859 | 5j |
| 41 | neon-ai-gateway | neondatabase/agent-skills | Accéder à plusieurs LLMs via un unique endpoint Neon, sans gérer les providers individuellement. | 83 | 5j |
| 42 | neon-ai-gateway | neondatabase/agent-skills | Accéder à plusieurs LLMs via une seule API unifiée intégrée à Neon. | 83 | 5j |
| 43 | qdrant-version-upgrade | qdrant/skills | Gérer les mises à niveau de version Qdrant en garantissant compatibilité et continuité de service. | 220 | 5j |
| 44 | rp-source-csv | wix/skills | Gérer l'adaptation de fichiers CSV comme source de données pour pipelines de migration. | 26 | 5j |
| 45 | rp-execute-import | wix/skills | Exécuter un pipeline de migration et capturer les résultats d'importation vers Wix. | 26 | 5j |
| 46 | browser-automation | elophanto/elophanto | Automatiser la navigation web, les formulaires et l'extraction de données via 47 outils. | 116 | 5j |
| 47 | eval-engineering | langchain-ai/langchain-skills | Concevoir et construire des évaluations itératives pour agents IA avec Harbor. | 1 127 | 5j |
| 48 | upgrading-dbt-core | dbt-labs/dbt-agent-skills | Migrer un projet dbt-core v1 vers la version 1.12 en appliquant automatiquement les correctifs adaptés. | 656 | 6j |
| 49 | airflow-state-store | astronomer/agents | Gérer l'état des tâches Airflow 3.3 avec des stores clé/valeur crash-safe. | 419 | 6j |
| 50 | quotient | bankrbot/skills | Accéder à l'intelligence de marché Quotient via des flux de paiement x402 sécurisés. | 1 176 | 7j |
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.