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. 168 174 131
2 open-source browser-use/browser-use Automatiser la navigation web en Python avec des agents IA configurables. 108 838 28
3 langchain-architecture wshobson/agents Construire des agents IA sophistiqués avec LangChain, LangGraph et gestion d'état. 38 723 7
4 llm-evaluation wshobson/agents Évaluer les performances des LLM via métriques automatisées, jugement humain et A/B testing. 38 723 7
5 prompt-engineering-patterns wshobson/agents Concevoir et optimiser des prompts avancés pour maximiser les performances des LLMs. 38 723 7
6 notebooklm teng-lin/notebooklm-py Automatiser Google NotebookLM pour créer, enrichir et interroger des notebooks par code. 18 641 7
7 arize-ai-provider-integration github/awesome-copilot Gérer les intégrations LLM dans Arize AI via des commandes CLI dédiées. 37 704 6
8 arize-evaluator github/awesome-copilot Concevoir et exécuter des évaluateurs LLM-as-judge sur la plateforme Arize. 37 704 6
9 arize-instrumentation github/awesome-copilot Instrumenter une application avec le tracing Arize AX via une analyse guidée. 37 704 6
10 arize-link github/awesome-copilot Générer des liens profonds vers l'interface Arize pour traces, spans, datasets et évaluateurs. 37 704 6
11 arize-prompt-optimization github/awesome-copilot Optimiser les prompts LLM en analysant les traces et signaux de performance Arize. 37 704 6
12 arize-trace github/awesome-copilot Exporter et analyser des traces de spans depuis Arize via CLI. 37 704 6
13 doublecheck github/awesome-copilot Vérifier automatiquement les affirmations d'une réponse IA avec sourçage détaillé. 37 704 6
14 phoenix-cli github/awesome-copilot Inspecter traces, spans, sessions et datasets d'agents IA via une CLI Phoenix. 37 704 6
15 phoenix-evals github/awesome-copilot Construire et valider des évaluateurs LLM pour applications IA en production. 37 704 6
16 phoenix-tracing github/awesome-copilot Instrumenter des applications LLM avec Phoenix via le tracing OpenInference. 37 704 6
17 ai-prompt-engineering-safety-review github/awesome-copilot Auditer et améliorer des prompts IA pour la sécurité, les biais et l'efficacité. 37 704 6
18 agentic-eval github/awesome-copilot Implémenter des boucles d'évaluation itératives pour affiner et améliorer les sorties d'agents IA. 37 704 6
19 create-llms github/awesome-copilot Générer un fichier llms.txt conforme aux spécifications depuis la structure d'un dépôt. 37 704 6
20 eval-driven-dev github/awesome-copilot Construire un pipeline d'évaluation automatisé end-to-end pour applications Python utilisant un LLM. 37 704 6
21 microsoft-agent-framework github/awesome-copilot Développer, migrer et orchestrer des agents avec Microsoft Agent Framework. 37 704 6
22 semantic-kernel github/awesome-copilot Développer des intégrations IA robustes avec le framework Semantic Kernel. 37 704 6
23 update-llms github/awesome-copilot Mettre à jour le fichier llms.txt pour refléter la structure actuelle du dépôt. 37 704 6
24 prompt-optimizer github/awesome-copilot Transformer n'importe quelle ébauche en prompt optimisé prêt à l'emploi pour LLM. 37 704 6
25 rag-blueprint nvidia/skills Déployer, configurer et dépanner un pipeline RAG NVIDIA via des workflows automatisés. 2 859 5
26 rag-perf nvidia/skills Benchmarker les performances d'un serveur RAG via une CLI pilotée par YAML. 2 859 5
27 vss-ask-video nvidia/skills Interroger un agent VLM pour analyser visuellement le contenu d'un clip vidéo. 2 859 5
28 nemotron-speech nvidia/skills Déployer et configurer des pipelines ASR, TTS et NMT avec NVIDIA Riva NIM. 2 859 5
29 nemotron-policy-generator nvidia/skills Générer des politiques de sécurité structurées pour les modèles Nemotron Content Safety de NVIDIA. 2 859 5
30 jetson-llm-serve nvidia/skills Déployer un LLM ou VLM sur Jetson avec vLLM ou SGLang via Docker. 2 859 5
31 jetson-package nvidia/skills Sélectionner les conteneurs et wheels Python compatibles GPU pour appareils Jetson NVIDIA. 2 859 5
32 jetson-speculative-decoding nvidia/skills Accélérer la génération de tokens vLLM sur Jetson via le décodage spéculatif EAGLE-3. 2 859 5
33 nemoclaw-user-guide nvidia/skills Consulter la documentation NemoClaw en temps réel via MCP pour configurer et dépanner ses agents IA. 2 859 5
34 nemo-relay-instrument-typed-wrappers nvidia/skills Convertir des types domaine en JSON et inversement via des codecs typés pour l'intégration LLM. 2 859 5
35 nemo-relay-plugin-adaptive-tuning nvidia/skills Optimiser latence, parallélisme et cache d'un agent via le plugin adaptatif NeMo Relay. 2 859 5
36 nemo-relay-get-started nvidia/skills Configurer et tester NeMo Relay via le chemin d'intégration le plus simple possible. 2 859 5
37 openai-docs openai/skills Consulter la documentation officielle OpenAI pour guider développeurs, migrations et sélection de modèles. 24 823 4
38 openai-docs openai/skills Consulter la documentation officielle OpenAI pour guider le développement et l'intégration d'API. 24 823 4
39 tool-calling-tutor wenyuchiou/awesome-agentic-ai-zh Diagnostiquer et corriger les erreurs d'appel d'outils dans un agent IA. 5 166 3
40 add-function-examples vercel/ai Générer des exemples de fonctions IA illustrant les nouvelles fonctionnalités du projet. 26 136 2
41 add-provider-package vercel/ai Créer et intégrer un nouveau package provider dans l'AI SDK Vercel. 26 136 2
42 develop-ai-functions-example vercel/ai Tester et valider des fonctions SDK IA multi-providers avec des exemples structurés. 26 136 2
43 update-provider-models vercel/ai Mettre à jour les identifiants de modèles IA en ajoutant ou supprimant des références dans une codebase. 26 136 2
44 ai-sdk vercel/ai Intégrer et utiliser correctement l'AI SDK Vercel avec APIs et modèles à jour. 26 136 2
45 azure-ai-openai-dotnet microsoft/skills Intégrer les modèles Azure OpenAI (GPT-4, DALL-E, Whisper) dans des applications .NET. 2 878 1
46 azure-ai-voicelive-dotnet microsoft/skills Créer des assistants vocaux bidirectionnels en temps réel avec Azure AI. 2 878 1
47 azure-ai-agents-persistent-java microsoft/skills Créer et gérer des agents IA persistants Azure via un SDK Java bas niveau. 2 878 1
48 azure-ai-projects-java microsoft/skills Gérer connexions, datasets, index et évaluations Azure AI Foundry via SDK Java. 2 878 1
49 agent-framework-azure-ai-py microsoft/skills Créer des agents persistants sur Azure AI Foundry avec outils intégrés et gestion de conversation. 2 878 1
50 azure-ai-language-conversations-py microsoft/skills Implémenter l'analyse conversationnelle Azure AI avec le SDK Python dédié. 2 878 1

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.