LLM & Inférence
Fournisseurs LLM et inference : Anthropic, OpenAI, Hugging Face, agents conversationnels.
| # | Skill | Source | Description | ||
|---|---|---|---|---|---|
| 1 | claude-api | anthropics/skills | Construire des applications LLM avec Claude via le SDK officiel adapté au langage. | 176 307 | |
| 2 | open-source | browser-use/browser-use | Automatiser la navigation web en Python avec des agents IA configurables. | 114 617 | |
| 3 | langchain-architecture | wshobson/agents | Construire des agents IA sophistiqués avec LangChain, LangGraph et gestion d'état. | 39 652 | |
| 4 | llm-evaluation | wshobson/agents | Évaluer les performances des LLM via métriques automatisées, jugement humain et A/B testing. | 39 652 | |
| 5 | prompt-engineering-patterns | wshobson/agents | Concevoir et optimiser des prompts avancés pour maximiser les performances des LLMs. | 39 652 | |
| 6 | agentic-eval | github/awesome-copilot | Implémenter des boucles d'évaluation itératives pour affiner et améliorer les sorties d'agents IA. | 39 002 | |
| 7 | ai-prompt-engineering-safety-review | github/awesome-copilot | Auditer et améliorer des prompts IA pour la sécurité, les biais et l'efficacité. | 39 002 | |
| 8 | arize-ai-provider-integration | github/awesome-copilot | Gérer les intégrations LLM dans Arize AI via des commandes CLI dédiées. | 39 002 | |
| 9 | arize-evaluator | github/awesome-copilot | Concevoir et exécuter des évaluateurs LLM-as-judge sur la plateforme Arize. | 39 002 | |
| 10 | arize-instrumentation | github/awesome-copilot | Instrumenter une application avec le tracing Arize AX via une analyse guidée. | 39 002 | |
| 11 | arize-link | github/awesome-copilot | Générer des liens profonds vers l'interface Arize pour traces, spans, datasets et évaluateurs. | 39 002 | |
| 12 | arize-prompt-optimization | github/awesome-copilot | Optimiser les prompts LLM en analysant les traces et signaux de performance Arize. | 39 002 | |
| 13 | arize-trace | github/awesome-copilot | Exporter et analyser des traces de spans depuis Arize via CLI. | 39 002 | |
| 14 | create-llms | github/awesome-copilot | Générer un fichier llms.txt conforme aux spécifications depuis la structure d'un dépôt. | 39 002 | |
| 15 | doublecheck | github/awesome-copilot | Vérifier automatiquement les affirmations d'une réponse IA avec sourçage détaillé. | 39 002 | |
| 16 | eval-driven-dev | github/awesome-copilot | Construire un pipeline d'évaluation automatisé end-to-end pour applications Python utilisant un LLM. | 39 002 | |
| 17 | phoenix-cli | github/awesome-copilot | Inspecter traces, spans, sessions et datasets d'agents IA via une CLI Phoenix. | 39 002 | |
| 18 | phoenix-evals | github/awesome-copilot | Construire et valider des évaluateurs LLM pour applications IA en production. | 39 002 | |
| 19 | phoenix-tracing | github/awesome-copilot | Instrumenter des applications LLM avec Phoenix via le tracing OpenInference. | 39 002 | |
| 20 | prompt-optimizer | github/awesome-copilot | Transformer n'importe quelle ébauche en prompt optimisé prêt à l'emploi pour LLM. | 39 002 | |
| 21 | semantic-kernel | github/awesome-copilot | Développer des intégrations IA robustes avec le framework Semantic Kernel. | 39 002 | |
| 22 | update-llms | github/awesome-copilot | Mettre à jour le fichier llms.txt pour refléter la structure actuelle du dépôt. | 39 002 | |
| 23 | openai-docs | openai/skills | Consulter la documentation officielle OpenAI pour guider développeurs, migrations et sélection de modèles. | 27 186 | |
| 24 | openai-docs | openai/skills | Consulter la documentation officielle OpenAI pour guider le développement et l'intégration d'API. | 27 186 | |
| 25 | add-function-examples | vercel/ai | Générer des exemples de fonctions IA illustrant les nouvelles fonctionnalités du projet. | 26 738 | |
| 26 | add-provider-package | vercel/ai | Créer et intégrer un nouveau package provider dans l'AI SDK Vercel. | 26 738 | |
| 27 | ai-sdk | vercel/ai | Intégrer et utiliser correctement l'AI SDK Vercel avec APIs et modèles à jour. | 26 738 | |
| 28 | develop-ai-functions-example | vercel/ai | Tester et valider des fonctions SDK IA multi-providers avec des exemples structurés. | 26 738 | |
| 29 | update-provider-models | vercel/ai | Mettre à jour les identifiants de modèles IA en ajoutant ou supprimant des références dans une codebase. | 26 738 | |
| 30 | notebooklm | teng-lin/notebooklm-py | Automatiser Google NotebookLM pour créer, enrichir et interroger des notebooks par code. | 19 316 | |
| 31 | prompt-master | nidhinjs/prompt-master | Générer des prompts optimisés et prêts à l'emploi pour chaque outil IA cible. | 12 869 | |
| 32 | hf-cli | huggingface/skills | Gérer dépôts, fichiers et authentification sur le Hub Hugging Face via CLI. | 11 047 | |
| 33 | hf-mcp | huggingface/skills | Connecter des assistants IA au Hub Hugging Face pour modèles, datasets et jobs GPU. | 11 047 | |
| 34 | hf-mem | huggingface/skills | Estimer la mémoire VRAM nécessaire pour inférer un modèle Hugging Face. | 11 047 | |
| 35 | huggingface-best | huggingface/skills | Trouver et comparer les meilleurs modèles HuggingFace selon la tâche et le matériel disponible. | 11 047 | |
| 36 | huggingface-local-models | huggingface/skills | Rechercher et lancer des modèles GGUF localement via llama.cpp depuis Hugging Face. | 11 047 | |
| 37 | huggingface-paper-publisher | huggingface/skills | Publier, gérer et lier des articles de recherche sur Hugging Face Hub. | 11 047 | |
| 38 | huggingface-papers | huggingface/skills | Accéder et analyser des pages de papers IA depuis Hugging Face ou arXiv. | 11 047 | |
| 39 | tool-calling-tutor | wenyuchiou/awesome-agentic-ai-zh | Diagnostiquer et corriger les erreurs d'appel d'outils dans un agent IA. | 6 997 | |
| 40 | gemini-api-dev | google-gemini/gemini-skills | Intégrer et utiliser l'API Gemini avec les SDK officiels à jour. | 4 118 | |
| 41 | gemini-live-api-dev | google-gemini/gemini-skills | Développer des interactions vocales et vidéo temps réel avec l'API Gemini Live. | 4 118 | |
| 42 | serenity-skill | muxuuu/serenity-skill | Identifier les maillons rares d'une chaîne d'approvisionnement pour prioriser des opportunités d'investissement. | 3 987 | |
| 43 | deployment | nvidia/model-optimizer | Déployer un checkpoint de modèle comme endpoint d'inférence compatible OpenAI. | 3 804 | |
| 44 | launching-evals | nvidia/model-optimizer | Lancer, surveiller et analyser des évaluations de modèles IA via NeMo Evaluator. | 3 804 | |
| 45 | jetson-llm-serve | nvidia/skills | Déployer un LLM ou VLM sur Jetson avec vLLM ou SGLang via Docker. | 3 290 | |
| 46 | jetson-package | nvidia/skills | Sélectionner les conteneurs et wheels Python compatibles GPU pour appareils Jetson NVIDIA. | 3 290 | |
| 47 | jetson-speculative-decoding | nvidia/skills | Accélérer la génération de tokens vLLM sur Jetson via le décodage spéculatif EAGLE-3. | 3 290 | |
| 48 | nemo-fabric-integrate | nvidia/skills | Intégrer NeMo Fabric dans une application Python via son SDK typé et sécurisé. | 3 290 | |
| 49 | nemo-relay-get-started | nvidia/skills | Configurer et tester NeMo Relay via le chemin d'intégration le plus simple possible. | 3 290 | |
| 50 | nemo-relay-instrument-typed-wrappers | nvidia/skills | Convertir des types domaine en JSON et inversement via des codecs typés pour l'intégration LLM. | 3 290 |
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.