LLM & Inférence
Fournisseurs LLM et inference : Anthropic, OpenAI, Hugging Face, agents conversationnels.
| # | Skill | Source | Description | Maj | |
|---|---|---|---|---|---|
| 1 | langchain-typescript-quickstart | langchain-ai/langchain-skills | Implémenter un agent météo LangChain TypeScript avec le modèle au choix de l'utilisateur. | 962 | 20h |
| 2 | langgraph-typescript-quickstart | langchain-ai/langchain-skills | Implémenter un agent de calcul LangGraph TypeScript avec le modèle au choix de l'utilisateur. | 962 | 20h |
| 3 | agents | elevenlabs/skills | Créer et déployer des agents IA vocaux conversationnels via ElevenLabs. | 389 | 1j |
| 4 | gemini-interactions-api | google-gemini/gemini-skills | Interagir avec les modèles Gemini via une API unifiée et conversationnelle. | 3 841 | 2j |
| 5 | langfuse | langfuse/skills | Instrumenter, déboguer et interroger Langfuse via CLI, docs et SDK à jour. | 215 | 2j |
| 6 | ai-agent | rivet-dev/skills | Construire des agents IA conversationnels persistants avec mémoire et streaming par acteur. | 17 | 3j |
| 7 | add-provider-package | vercel/ai | Créer et intégrer un nouveau package provider dans l'AI SDK Vercel. | 25 742 | 13j |
| 8 | update-provider-models | vercel/ai | Mettre à jour les identifiants de modèles IA en ajoutant ou supprimant des références dans une codebase. | 25 742 | 14j |
| 9 | ai-sdk | vercel/ai | Intégrer et utiliser correctement l'AI SDK Vercel avec APIs et modèles à jour. | 25 742 | 21j |
| 10 | firebase-ai-logic-basics | firebase/agent-skills | Intégrer l'IA générative Gemini dans des apps mobiles et web via Firebase. | 387 | 1mo |
| 11 | phoenix-cli | github/awesome-copilot | Inspecter traces, spans, sessions et datasets d'agents IA via une CLI Phoenix. | 36 959 | 2mo |
| 12 | azure-ai-projects-ts | microsoft/skills | Créer et gérer des agents IA Azure avec outils, évaluations et déploiements. | 2 799 | 3mo |
| 13 | add-function-examples | vercel/ai | Générer des exemples de fonctions IA illustrant les nouvelles fonctionnalités du projet. | 25 742 | 3mo |
| 14 | writing-evals | axiomhq/skills | Écrire des évaluations pour tester et valider les capacités des systèmes IA génératifs. | 12 | 4mo |
| 15 | copilot-sdk | microsoft/skills | Intégrer GitHub Copilot dans des applications via un SDK multilangage. | 2 799 | 5mo |
| 16 | trigger-agents | triggerdotdev/skills | Implémenter des patterns d'agents IA durables avec Trigger.dev en production. | 30 | 5mo |
| 17 | develop-ai-functions-example | vercel/ai | Tester et valider des fonctions SDK IA multi-providers avec des exemples structurés. | 25 742 | 5mo |
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.