LLM & Inférence

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

127 skills

# Skill Source Description Δ
1 claude-api anthropics/skills Construire des applications LLM avec Claude via le SDK officiel adapté au langage. 168 246 1779
2 open-source browser-use/browser-use Automatiser la navigation web en Python avec des agents IA configurables. 108 853 873
3 openai-docs openai/skills Consulter la documentation officielle OpenAI pour guider développeurs, migrations et sélection de modèles. 24 828 277
4 openai-docs openai/skills Consulter la documentation officielle OpenAI pour guider le développement et l'intégration d'API. 24 828 277
5 arize-ai-provider-integration github/awesome-copilot Gérer les intégrations LLM dans Arize AI via des commandes CLI dédiées. 37 709 227
6 arize-evaluator github/awesome-copilot Concevoir et exécuter des évaluateurs LLM-as-judge sur la plateforme Arize. 37 709 227
7 arize-instrumentation github/awesome-copilot Instrumenter une application avec le tracing Arize AX via une analyse guidée. 37 709 227
8 arize-link github/awesome-copilot Générer des liens profonds vers l'interface Arize pour traces, spans, datasets et évaluateurs. 37 709 227
9 arize-prompt-optimization github/awesome-copilot Optimiser les prompts LLM en analysant les traces et signaux de performance Arize. 37 709 227
10 arize-trace github/awesome-copilot Exporter et analyser des traces de spans depuis Arize via CLI. 37 709 227
11 doublecheck github/awesome-copilot Vérifier automatiquement les affirmations d'une réponse IA avec sourçage détaillé. 37 709 227
12 phoenix-cli github/awesome-copilot Inspecter traces, spans, sessions et datasets d'agents IA via une CLI Phoenix. 37 709 227
13 phoenix-evals github/awesome-copilot Construire et valider des évaluateurs LLM pour applications IA en production. 37 709 227
14 phoenix-tracing github/awesome-copilot Instrumenter des applications LLM avec Phoenix via le tracing OpenInference. 37 709 227
15 ai-prompt-engineering-safety-review github/awesome-copilot Auditer et améliorer des prompts IA pour la sécurité, les biais et l'efficacité. 37 709 227
16 agentic-eval github/awesome-copilot Implémenter des boucles d'évaluation itératives pour affiner et améliorer les sorties d'agents IA. 37 709 227
17 create-llms github/awesome-copilot Générer un fichier llms.txt conforme aux spécifications depuis la structure d'un dépôt. 37 709 227
18 eval-driven-dev github/awesome-copilot Construire un pipeline d'évaluation automatisé end-to-end pour applications Python utilisant un LLM. 37 709 227
19 microsoft-agent-framework github/awesome-copilot Développer, migrer et orchestrer des agents avec Microsoft Agent Framework. 37 709 227
20 semantic-kernel github/awesome-copilot Développer des intégrations IA robustes avec le framework Semantic Kernel. 37 709 227
21 update-llms github/awesome-copilot Mettre à jour le fichier llms.txt pour refléter la structure actuelle du dépôt. 37 709 227
22 prompt-optimizer github/awesome-copilot Transformer n'importe quelle ébauche en prompt optimisé prêt à l'emploi pour LLM. 37 709 227
23 langchain-architecture wshobson/agents Construire des agents IA sophistiqués avec LangChain, LangGraph et gestion d'état. 38 724 208
24 llm-evaluation wshobson/agents Évaluer les performances des LLM via métriques automatisées, jugement humain et A/B testing. 38 724 208
25 prompt-engineering-patterns wshobson/agents Concevoir et optimiser des prompts avancés pour maximiser les performances des LLMs. 38 724 208
26 notebooklm teng-lin/notebooklm-py Automatiser Google NotebookLM pour créer, enrichir et interroger des notebooks par code. 18 642 160
27 add-function-examples vercel/ai Générer des exemples de fonctions IA illustrant les nouvelles fonctionnalités du projet. 26 138 102
28 add-provider-package vercel/ai Créer et intégrer un nouveau package provider dans l'AI SDK Vercel. 26 138 102
29 develop-ai-functions-example vercel/ai Tester et valider des fonctions SDK IA multi-providers avec des exemples structurés. 26 138 102
30 update-provider-models vercel/ai Mettre à jour les identifiants de modèles IA en ajoutant ou supprimant des références dans une codebase. 26 138 102
31 ai-sdk vercel/ai Intégrer et utiliser correctement l'AI SDK Vercel avec APIs et modèles à jour. 26 138 102
32 tool-calling-tutor wenyuchiou/awesome-agentic-ai-zh Diagnostiquer et corriger les erreurs d'appel d'outils dans un agent IA. 5 166 89
33 rag-blueprint nvidia/skills Déployer, configurer et dépanner un pipeline RAG NVIDIA via des workflows automatisés. 2 860 62
34 rag-perf nvidia/skills Benchmarker les performances d'un serveur RAG via une CLI pilotée par YAML. 2 860 62
35 vss-ask-video nvidia/skills Interroger un agent VLM pour analyser visuellement le contenu d'un clip vidéo. 2 860 62
36 nemotron-speech nvidia/skills Déployer et configurer des pipelines ASR, TTS et NMT avec NVIDIA Riva NIM. 2 860 62
37 nemotron-policy-generator nvidia/skills Générer des politiques de sécurité structurées pour les modèles Nemotron Content Safety de NVIDIA. 2 860 62
38 jetson-llm-serve nvidia/skills Déployer un LLM ou VLM sur Jetson avec vLLM ou SGLang via Docker. 2 860 62
39 jetson-package nvidia/skills Sélectionner les conteneurs et wheels Python compatibles GPU pour appareils Jetson NVIDIA. 2 860 62
40 jetson-speculative-decoding nvidia/skills Accélérer la génération de tokens vLLM sur Jetson via le décodage spéculatif EAGLE-3. 2 860 62
41 nemoclaw-user-guide nvidia/skills Consulter la documentation NemoClaw en temps réel via MCP pour configurer et dépanner ses agents IA. 2 860 62
42 nemo-relay-instrument-typed-wrappers nvidia/skills Convertir des types domaine en JSON et inversement via des codecs typés pour l'intégration LLM. 2 860 62
43 nemo-relay-plugin-adaptive-tuning nvidia/skills Optimiser latence, parallélisme et cache d'un agent via le plugin adaptatif NeMo Relay. 2 860 62
44 nemo-relay-get-started nvidia/skills Configurer et tester NeMo Relay via le chemin d'intégration le plus simple possible. 2 860 62
45 deployment nvidia/model-optimizer Déployer un checkpoint de modèle comme endpoint d'inférence compatible OpenAI. 3 426 39
46 launching-evals nvidia/model-optimizer Lancer, surveiller et analyser des évaluations de modèles IA via NeMo Evaluator. 3 426 39
47 serenity-skill muxuuu/serenity-skill Identifier les maillons rares d'une chaîne d'approvisionnement pour prioriser des opportunités d'investissement. 3 730 30
48 langchain-dependencies langchain-ai/langchain-skills Configurer les dépendances LangChain selon les versions et cas d'usage requis. 1 127 27
49 langchain-fundamentals langchain-ai/langchain-skills Construire des agents IA production avec create_agent(), middleware et décorateur @tool. 1 127 27
50 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

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.