LLM & Inférence

Fournisseurs LLM et inference : Anthropic, OpenAI, Hugging Face, agents conversationnels.

55 skills

# Skill Source Description Δ
1 open-source browser-use/browser-use Automatiser la navigation web en Python avec des agents IA configurables. 108 838 858
2 arize-instrumentation github/awesome-copilot Instrumenter une application avec le tracing Arize AX via une analyse guidée. 37 704 222
3 phoenix-evals github/awesome-copilot Construire et valider des évaluateurs LLM pour applications IA en production. 37 704 222
4 phoenix-tracing github/awesome-copilot Instrumenter des applications LLM avec Phoenix via le tracing OpenInference. 37 704 222
5 agentic-eval github/awesome-copilot Implémenter des boucles d'évaluation itératives pour affiner et améliorer les sorties d'agents IA. 37 704 222
6 eval-driven-dev github/awesome-copilot Construire un pipeline d'évaluation automatisé end-to-end pour applications Python utilisant un LLM. 37 704 222
7 langchain-architecture wshobson/agents Construire des agents IA sophistiqués avec LangChain, LangGraph et gestion d'état. 38 723 207
8 llm-evaluation wshobson/agents Évaluer les performances des LLM via métriques automatisées, jugement humain et A/B testing. 38 723 207
9 notebooklm teng-lin/notebooklm-py Automatiser Google NotebookLM pour créer, enrichir et interroger des notebooks par code. 18 638 156
10 rag-blueprint nvidia/skills Déployer, configurer et dépanner un pipeline RAG NVIDIA via des workflows automatisés. 2 858 60
11 rag-perf nvidia/skills Benchmarker les performances d'un serveur RAG via une CLI pilotée par YAML. 2 858 60
12 nemotron-speech nvidia/skills Déployer et configurer des pipelines ASR, TTS et NMT avec NVIDIA Riva NIM. 2 858 60
13 jetson-package nvidia/skills Sélectionner les conteneurs et wheels Python compatibles GPU pour appareils Jetson NVIDIA. 2 858 60
14 jetson-speculative-decoding nvidia/skills Accélérer la génération de tokens vLLM sur Jetson via le décodage spéculatif EAGLE-3. 2 858 60
15 nemo-relay-instrument-typed-wrappers nvidia/skills Convertir des types domaine en JSON et inversement via des codecs typés pour l'intégration LLM. 2 858 60
16 nemo-relay-plugin-adaptive-tuning nvidia/skills Optimiser latence, parallélisme et cache d'un agent via le plugin adaptatif NeMo Relay. 2 858 60
17 nemo-relay-get-started nvidia/skills Configurer et tester NeMo Relay via le chemin d'intégration le plus simple possible. 2 858 60
18 deployment nvidia/model-optimizer Déployer un checkpoint de modèle comme endpoint d'inférence compatible OpenAI. 3 426 39
19 launching-evals nvidia/model-optimizer Lancer, surveiller et analyser des évaluations de modèles IA via NeMo Evaluator. 3 426 39
20 langchain-dependencies langchain-ai/langchain-skills Configurer les dépendances LangChain selon les versions et cas d'usage requis. 1 127 27
21 langchain-fundamentals langchain-ai/langchain-skills Construire des agents IA production avec create_agent(), middleware et décorateur @tool. 1 127 27
22 langchain-middleware langchain-ai/langchain-skills Implémenter des middlewares HITL pour approuver, modifier ou rejeter les appels d'outils d'agents LangChain. 1 127 27
23 langchain-rag langchain-ai/langchain-skills Construire un pipeline RAG complet pour enrichir les réponses LLM avec des sources externes. 1 127 27
24 langgraph-fundamentals langchain-ai/langchain-skills Concevoir et gérer des graphes d'agents LangGraph avec état et reducers. 1 127 27
25 langgraph-human-in-the-loop langchain-ai/langchain-skills Implémenter des pauses interactives dans un graphe LangGraph pour valider des actions humaines. 1 127 27
26 langgraph-persistence langchain-ai/langchain-skills Gérer la persistance d'état par threads et checkpoints dans un graphe LangGraph. 1 127 27
27 deepagents-python-quickstart langchain-ai/langchain-skills Créer un agent de recherche Python avec Deep Agents, sans Tavily, en mode modèle-agnostique. 1 127 27
28 langchain-python-quickstart langchain-ai/langchain-skills Implémenter un agent météo LangChain model-agnostique via le quickstart officiel. 1 127 27
29 langgraph-python-quickstart langchain-ai/langchain-skills Implémenter un agent mathématique LangGraph avec le modèle IA choisi par l'utilisateur. 1 127 27
30 agent-framework-azure-ai-py microsoft/skills Créer des agents persistants sur Azure AI Foundry avec outils intégrés et gestion de conversation. 2 878 15
31 azure-ai-language-conversations-py microsoft/skills Implémenter l'analyse conversationnelle Azure AI avec le SDK Python dédié. 2 878 15
32 azure-ai-projects-py microsoft/skills Créer et déployer des agents IA sur Microsoft Azure Foundry via le SDK Python. 2 878 15
33 azure-ai-textanalytics-py microsoft/skills Analyser textes avec Azure AI : sentiment, entités, PII, langues et santé. 2 878 15
34 gemini-api-dev google-gemini/gemini-skills Intégrer et utiliser l'API Gemini avec les SDK officiels à jour. 3 896 15
35 gemini-live-api-dev google-gemini/gemini-skills Développer des interactions vocales et vidéo temps réel avec l'API Gemini Live. 3 896 15
36 hf-mcp huggingface/skills Connecter des assistants IA au Hub Hugging Face pour modèles, datasets et jobs GPU. 10 913 14
37 hf-cli huggingface/skills Gérer dépôts, fichiers et authentification sur le Hub Hugging Face via CLI. 10 913 14
38 huggingface-paper-publisher huggingface/skills Publier, gérer et lier des articles de recherche sur Hugging Face Hub. 10 913 14
39 hf-mem huggingface/skills Estimer la mémoire VRAM nécessaire pour inférer un modèle Hugging Face. 10 913 14
40 omnibus-instrument-llm-analytics posthog/skills Intégrer PostHog pour tracer et analyser les appels LLM dans n'importe quel projet IA. 59 1
41 redis-semantic-cache redis/agent-skills Mettre en cache sémantiquement les réponses LLM via Redis LangCache pour réduire coûts et latence. 95 1
42 guardrails-ai mkurman/zorai Valider et sécuriser les sorties de LLMs avec des contraintes structurées. 321 0
43 huggingface-tgi mkurman/zorai Déployer un serveur LLM optimisé via Hugging Face TGI avec API OpenAI-compatible. 321 0
44 hypogenic mkurman/zorai Générer et tester automatiquement des hypothèses scientifiques à partir de données et de littérature. 321 0
45 langgraph mkurman/zorai Orchestrer des workflows d'agents multi-étapes sous forme de graphes conditionnels persistants. 321 0
46 lighteval mkurman/zorai Évaluer des LLMs sur 1000+ tâches multilingues avec métriques personnalisables. 321 0
47 llama-cpp mkurman/zorai Exécuter des LLMs localement en CPU ou GPU via llama.cpp et llama-cpp-python. 321 0
48 lm-evaluation-harness mkurman/zorai Évaluer des LLMs sur 200+ benchmarks standardisés via une interface unifiée. 321 0
49 nvidia-nemo-guardrails mkurman/zorai Implémenter des garde-fous programmables pour modérer et contrôler les LLM avec NeMo. 321 0
50 ollama mkurman/zorai Exécuter des LLMs localement avec accélération GPU et API compatible OpenAI. 321 0

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.