83 skills en vigueur : 27 de Google, 27 de Microsoft, 21 de Hugging Face, 5 d’OpenAI, 1 de Firebase (Google), 1 d’Anthropic, 1 de Sentry. C’est quoi une skill (SKILL.md) ?
developing-genkit-dart
Genkit Dart est un SDK d’IA pour Dart et Flutter : génération, sorties structurées, outils, flux, agents, invites au format Dotprompt, et une interface générative (A2UI).
developing-genkit-go
Genkit pour Go unifie génération, sortie structurée, flux en continu, appel d’outils, invites et flux, quel que soit le fournisseur de modèle (le SKILL.md s’appuie notamment sur les paquets firebase/genkit.go et le greffon Google GenAI).
developing-genkit-js
Guide Genkit pour Node.js et TypeScript : flux, outils, invites Dotprompt, observabilité, intergiciels, et le dépannage d’erreurs, de validation ou de typage.
developing-genkit-python
Cette skill cible Genkit Python 0.13 : génération, sortie structurée, flux, outils, agents multi-tours et routes FastAPI, ainsi que la migration depuis 0.12 (imports et signatures cassés).
gemini-interactions-api
L’API Interactions, sur Gemini Enterprise Agent Platform, est l’interface recommandée pour des conversations à plusieurs tours, des tâches en arrière-plan, du flux, une sortie structurée et l’appel de fonctions, avec un état géré côté serveur.
pathways-workload
Débogage d’une charge Pathways on Cloud — entraînement ou inférence JAX sur TPU Cloud dans GKE, sous forme de JobSet, PathwaysJob ou LeaderWorkerSet — qui échoue, plante, redémarre ou ne progresse plus.
azure-ai
Cette skill oriente la construction et le dépannage d’applications Azure AI Search, Speech, OpenAI et Document Intelligence.
gemini-live-api
Cette skill génère, dans le langage choisi, une classe cliente pour l’API Live de Gemini Enterprise : connexion WebSocket à l’endpoint, session (établissement et reprise), rafraîchissement du jeton porteur via les identifiants d’application par défaut, et échange de messages ClientMessage / ServerMessage.
gemini-api
On l’utilise dès que la demande porte sur Gemini dans un cadre d’entreprise, ou mentionne explicitement Vertex AI, Google Cloud ou Agent Platform — ce dernier nom, Gemini Enterprise Agent Platform, remplace l’ancienne marque Vertex AI encore fréquente dans la documentation web.
agent-platform-architecture
Guide de conception et de validation d’une architecture Gemini d’entreprise : hiérarchie multi-projets (hôte, hub de gouvernance central, rayon d’exécution, rayon d’outils ou MCP), Agent Gateway, modèles de connectivité (tout le trafic ou seulement des plages privées), proxy web sécurisé avec routage par politique ou hub de sortie mTLS inter-clouds, autorité de certification privée et équilibreur interne, politiques d’accès unifiées (CEL) et gouvernance sémantique, échange de jetons d’un fournisseur d’identité tiers (Entra ID, Ping, Okta) ou gestion d’identité d’agent SPIFFE, garde-fous Model Armor, synchronisation de registre inter-projets, agents ADK sur le runtime, et opérations du jour 2.
foundry-iq
Porte sur les bases de connaissances Foundry IQ : rendre recherchables des documents locaux ou Blob, créer ou diagnostiquer une base, trier un connecteur non pris en charge ou une base multi-sources (même avec un vocabulaire de recherche « classique »), relier une base existante à des agents, créer ou réutiliser un service Search, et interroger une base avec citations.
agent-platform-troubleshooting
Runbook de diagnostic, pas de réparation automatique : l’utilisateur garde la main sur toute mutation.
agent-platform-deploy
On l’utilise pour déployer un modèle ouvert ou des poids personnalisés depuis Model Garden vers un endpoint d’Agent Platform, pour recopier et déployer un modèle first-party déjà affiné, pour lister le catalogue des modèles déployables, vérifier une configuration de déploiement, estimer un coût, suivre une opération en cours, dépanner une erreur (par exemple un quota), ou retirer un modèle et supprimer l’endpoint.
agent-platform-eval-flywheel
Cette skill mesure et améliore la qualité d’un modèle ou d’un agent sur Google Cloud, selon la méthode Eval Quality Flywheel.
agent-platform-tuning
Cette skill conduit un fine-tuning de modèles Gemini ou de modèles ouverts sur l’infrastructure d’Agent Platform, de la préparation de l’environnement jusqu’au suivi, en passant par le jeu de données et la configuration du job.
agent-platform-rag-engine-management
Cette skill pilote le moteur RAG d’Agent Platform : lister ou inspecter des corpus et des fichiers, récupérer des contextes, ou générer un contenu ancré dans un corpus, via le SDK Python `vertexai` (Google GenAI), et non par des appels REST bruts ou des outils MCP, parce que le code est destiné à des clients externes.
agent-platform-model-registry
Le registre d’Agent Platform conserve les modèles d’apprentissage et leurs versions.
agent-platform-endpoint-management
Un endpoint d’Agent Platform est un hôte de service logique, avec une URL stable pour les prédictions en ligne : il faut le créer avant d’y déployer un modèle.
agent-platform-prompt-management
Ici, on crée, liste, récupère, versionne ou supprime des prompts gérés dans Agent Platform, typiquement via le SDK et des extraits Python exécutés dans l’environnement, une fois l’opération approuvée.
agent-platform-inference
Cette skill sert à authentifier et à interroger des modèles d’Agent Platform : modèles Gemini first-party, modèles open de tierce partie (OpenMaaS : Llama, DeepSeek, Qwen, etc.), ou un endpoint personnalisé identifié par un numéro de ressource (modèle Gemini affiné, LLM déployé depuis Model Garden, modèle custom historique).
agent-platform-tuning-management
Contrairement à la skill qui lance un fine-tuning, celle-ci gère les jobs déjà existants via le SDK Python d’Agent Platform : lister les exécutions, en obtenir le détail, ou annuler un job qui tourne trop longtemps.
firebase-ai-logic-basics
Firebase AI Logic (anciennement Vertex AI in Firebase) permet d’appeler des modèles Gemini depuis le code client d’une app mobile ou web (Android, iOS, Web, Flutter) : génération de texte, entrée multimodale, chat, streaming, sortie structurée, inférence hybride sur l’appareil, protection App Check, et bascule de modèle via Remote Config.
hf-cli
Apprend à l’agent toutes les commandes de la CLI `hf` : télécharger et publier modèles, datasets et Spaces, gérer le cache, les buckets, les dépôts, les jobs, les articles, les webhooks et les Inference Endpoints.
microsoft-foundry
Couvre le cycle de vie complet des agents, modèles et ressources Microsoft Foundry : construction, déploiement, évaluation, optimisation, affinage et exploitation, y compris azd, les agents hébergés, les outils, les évaluations par lot ou continues, le CI/CD, l’optimiseur d’agent, le déploiement et l’affinage de modèles (SFT, DPO, RFT), le RBAC, les quotas, les régions et les index de connaissances.
apigee-agent-gateway-governance
Cette skill met en place un proxy Apigee qu’une Agent Gateway Google Cloud appelle en ext-proc (Service Extension), sur le trafic de modèle d’un agent.
agent-platform-migrate-from-ai-studio
Le passage se fait d’une application centrée sur l’API Gemini d’AI Studio (generativelanguage.googleapis.com) vers la plateforme d’agents d’entreprise sur Google Cloud (aiplatform.googleapis.com, anciennement dans l’orbite Vertex AI).
google-cloud-solution-guided-gke-ai-migration
Guide de migration d’une inférence IA déjà existante — Cloud Run, API Gemini, Gemini Enterprise Agent Platform, ou une VM custom — vers une inférence auto-hébergée sur GKE, avec gcloud et kubectl.
google-cloud-solution-rag-enterprise-search-gke-sqldb
Conception d’une recherche d’entreprise en génération augmentée par récupération (RAG), où le magasin et l’index des vecteurs sont une base SQL à capacité vectorielle (le skill vise notamment AlloyDB), le modèle et le cadre d’inférence sont ouverts, et tous les composants applicatifs tournent dans des conteneurs Kubernetes, typiquement sur GKE.
google-cloud-solution-agentic-ai-bidirectional-streaming
Découverte interactive de besoins pour un système multi-agents vivant, qui traite en continu des flux multimodaux, typiquement pour un guidage technique temps réel ou une supervision de sûreté.
gke-ai-troubleshooting-tpu-mxla-hang
Un entraînement TPU multi-slice qui ne progresse plus, écrit HANG_DETECTED, ou reste bloqué dans une opération collective, n’est pas la même chose qu’une simple baisse de débit.
gke-ai-troubleshooting-tpu-performance-degradation
Ici, les pods tournent encore, mais le débit d’entraînement chute et le temps par étape régresse : typiquement une baisse de 15 % ou plus du duty cycle TPU, éventuellement signalée par un événement PERFORMANCE_DEGRADATION.
gke-inference
Cette skill déploie et ajuste des charges d’inférence IA sur GKE, à l’aide de GPU, de TPU et de serveurs de modèles, en s’appuyant sur Google Inference Quickstart et les pratiques de service de LLM.
azure-search-nav
Cette skill porte sur la construction d’un lien profond vers une lame ou un menu du portail Azure, pour des ressources Microsoft.ContainerService, Microsoft.Kubernetes (y compris Arc) et Microsoft.Compute.
claude-api
Sert de référence à jour pour construire une application qui appelle l’API Claude ou un SDK Anthropic : identifiants de modèles, paramètres, streaming, appel d’outils, MCP, agents, cache, comptage de jetons et migration entre modèles.
trl-training
La skill post-entraîne des LLM avec TRL (Transformers Reinforcement Learning) : SFT, DPO, GRPO, KTO et entraînement de modèle de récompense, que ce soit par l’API Python ou la CLI trl.
preset
Déploie un modèle Azure OpenAI vers une région optimale, en analysant la capacité sur toutes les régions disponibles : la région courante est vérifiée en premier, puis des alternatives sont proposées si besoin.
deploy-model
Skill unifiée de déploiement de modèles Azure OpenAI, qui aiguille selon l’intention : déploiement rapide préréglé, déploiement entièrement personnalisé (version, SKU, capacité, politique RAI) ou découverte de capacité entre régions et projets.
hf-cloud-serving-image-selection
La skill choisit le bon conteneur de service pour un déploiement SageMaker et en trouve l’URI d’image à jour, dès que l’on va poser un point de terminaison et qu’une image doit être choisie (LLM, modèle Hugging Face, fine-tune, embeddings, reranker, sentence-transformers), ou avant de figer un URI dans le code.
hf-cloud-sagemaker-production-defaults
Dernière étape du flux de déploiement SageMaker : créer un point de terminaison (temps réel, temps réel scale-to-zero, ou asynchrone) avec, par défaut, l’autoscaling, des alarmes CloudWatch et des étiquettes.
train-sentence-transformers
La skill entraîne ou affine des modèles sentence-transformers : SentenceTransformer (bi-encodeur, dense ou statique, pour la recherche, la similarité, le clustering, la classification, la paraphrase, la déduplication, le multimodal), CrossEncoder (reranker, score de paires), SparseEncoder (SPLADE, plongements creux) et MultiVectorEncoder (ColBERT / interaction tardive, MaxSim).
capacity
Découvre la capacité disponible des modèles Azure OpenAI, entre régions et projets : analyse des limites de quota, comparaison de la disponibilité (y compris les TPM) et recommandation d’emplacements de déploiement.
finetuning
Guide l’affinage de modèles sur Microsoft Foundry, en SFT (supervisé), DPO (préférences) ou RFT (renforcement avec évaluateurs) : préparation du jeu de données, soumission du travail d’entraînement, déploiement et évaluation, y compris la distillation, le calibrage d’un évaluateur et le téléversement de fichiers volumineux.
customize
Propose un flux guidé, interactif, pour déployer un modèle Azure OpenAI avec un contrôle complet : version, SKU (GlobalStandard, Standard ou ProvisionedManaged), capacité, politique RAI (filtre de contenu) et options avancées (quota dynamique, priorité, spillover, débit provisionné).
huggingface-spaces
La skill construit, déploie et maintient une application sur Hugging Face Spaces : SDK Gradio, Docker ou statique, ZeroGPU ou matériel dédié, chargement de modèles, débogage, buckets, fournisseurs d’inférence, subventions communautaires.
hf-cloud-sagemaker-deployment-planner
Cette skill est le point d’entrée pour planifier et coordonner le déploiement d’un modèle sur Amazon SageMaker AI, même si la demande est vague (« fais-le tourner sur AWS »).
huggingface-best
La skill aide à trouver le meilleur modèle, ou une comparaison par scores de benchmark, pour une tâche donnée, y compris « quel modèle tourne sur mon portable ».
azure-ai-language-conversations-py
Cette skill guide l’intégration de Conversational Language Understanding (CLU) avec le SDK Python `azure-ai-language-conversations`.
azure-aigateway
Guide la configuration d’Azure API Management comme passerelle d’IA pour des modèles, des outils MCP et des agents : cache sémantique, limite de jetons, sécurité du contenu, répartition de charge, gouvernance des modèles, limitation de débit MCP, détection de jailbreak, ajout d’un backend Azure OpenAI ou d’un modèle Foundry, politiques de LLM, métriques et maîtrise des coûts, ou conversion d’une API en MCP (import OpenAPI).
azure-speech-to-text-rest-py
API REST Azure Speech to Text pour un audio court, en Python, destinée à une reconnaissance simple de fichiers d’au plus 60 secondes, sans le Speech SDK.
azure-ai-textanalytics-py
Cette skill guide le SDK Python Azure AI Text Analytics (`azure-ai-textanalytics`) et `TextAnalyticsClient`.
azure-ai-vision-imageanalysis-py
Cette skill porte sur le SDK Python Azure AI Vision Image Analysis (`azure-ai-vision-imageanalysis`) et le client `ImageAnalysisClient`.
azure-ai-voicelive-py
SDK Azure AI Voice Live pour Python (azure-ai-voicelive), destiné aux applications qui ont besoin d’une communication audio bidirectionnelle en temps réel avec Azure AI : assistants vocaux, chatbots vocaux, traduction parole vers parole en direct, avatars pilotés par la voix, ou tout flux audio WebSocket avec des modèles d’IA.
azure-ai-ml-py
Le SDK Azure Machine Learning v2 pour Python pilote les espaces de travail, les jobs, les modèles, les jeux de données, le calcul et les pipelines, principalement via MLClient.
azure-ai-transcription-py
Le SDK Azure AI Transcription pour Python convertit la parole en texte, en temps réel ou par lots, avec horodatage et diarisation, autour de TranscriptionClient.
huggingface-llm-trainer
Entraîne ou affine des modèles de langage et de vision avec TRL ou Unsloth sur l’infrastructure Hugging Face Jobs : SFT, DPO, GRPO, modèles de récompense, conversion GGUF, choix du matériel et estimation des coûts.
huggingface-trackio
Trackio suit et visualise des expériences d’entraînement : journalisation de métriques (API Python), alertes de diagnostic, et lecture ou analyse des métriques (CLI).
hf-mem
hf-mem est une CLI Hugging Face qui estime la mémoire nécessaire pour charger, en inférence, des poids Safetensors ou GGUF depuis le Hub.
huggingface-zerogpu
La skill encadre les démos et le calcul GPU sur ZeroGPU, dans Gradio Spaces et Hugging Face Spaces.
scribe
Sert lorsqu’on utilise Scribe, le service de transcription des services d’IA Zoom.
azure-search-documents-py
Le SDK Azure AI Search pour Python sert à la recherche vectorielle, hybride ou sémantique, à l’indexation et aux skillsets.
conversation-intelligence
Guide de développement de Twilio Conversation Intelligence.
twilio-voice-conversation-relay
Sert à construire des agents vocaux assistés par l’IA, avec Twilio ConversationRelay.
openai-api-troubleshooting
Sert à classer la cause probable d’une requête OpenAI déjà envoyée qui a échoué, à expliquer la prochaine étape et à renvoyer vers la skill adaptée.
ai-gateway
Guide d’expertise sur Vercel AI Gateway.
azure-ai-voicelive-dotnet
Cette skill porte sur le SDK .NET Azure AI Voice Live (`Azure.AI.VoiceLive`), pour des applications vocales en temps réel avec une communication WebSocket bidirectionnelle.
azure-search-documents-dotnet
Le texte source décrit le SDK .NET Azure AI Search (`Azure.Search.Documents`).
prompt-optimizer
Sert à créer, optimiser et affiner de façon itérative des prompts d’agent, de système, de développeur et des modèles réutilisables, y compris pour les porter entre OpenAI, Claude ou Gemini, ou pour construire des évaluations de prompts.
azure-mgmt-weightsandbiases-dotnet
Cette skill couvre le plan de contrôle Weights & Biases sur Azure, en .NET.
azure-ai-openai-dotnet
Cette skill couvre le SDK .NET Azure OpenAI (`Azure.AI.OpenAI`), bibliothèque cliente pour les services Azure OpenAI et OpenAI : complétions de chat, plongements, génération d’images, transcription audio, et assistants.
azure-ai-vision-imageanalysis-java
Le SDK Azure AI Vision Image Analysis pour Java construit des applications d’analyse d’image : légende, OCR, détection d’objets, étiquetage et recadrage intelligent.
azure-ai-anomalydetector-java
Le SDK Azure AI Anomaly Detector pour Java détecte des anomalies univariées ou multivariées, analyse des séries temporelles et alimente une supervision assistée.
azure-ai-voicelive-java
Le SDK Azure AI Voice Live pour Java mène une conversation vocale bidirectionnelle en temps réel avec un assistant, sur WebSocket, autour de VoiceLiveClient et d’un VoiceLiveSessionAsyncClient pour la session de streaming.
huggingface-local-models
La skill aide à choisir et à faire tourner un modèle en local avec llama.cpp et GGUF, sur CPU, Mac Metal, CUDA ou ROCm.
azure-ai-voicelive-ts
Cette skill porte sur le SDK JavaScript Azure AI Voice Live (`@azure/ai-voicelive` et `VoiceLiveClient`), pour des applications vocales en temps réel avec WebSocket bidirectionnel, côté Node.js ou navigateur.
azure-search-documents-ts
On recourt à cette skill pour le SDK JavaScript Azure AI Search (`@azure/search-documents`) : créer ou gérer des index, et mettre en place une recherche vectorielle ou hybride, côté TypeScript.
transformers-js
La skill utilise Transformers.js pour faire tourner des modèles d’apprentissage automatique directement en JavaScript ou TypeScript, dans le navigateur ou côté serveur (Node.js, Bun, Deno), via WebGPU ou WASM, à partir de modèles préentraînés du Hub.
huggingface-tool-builder
La skill construit un script réutilisable pour aller chercher, enrichir ou traiter des données via l’API Hugging Face, surtout lorsque plusieurs appels doivent être enchaînés ou qu’une tâche va se répéter.
huggingface-gradio
La skill aide à construire des interfaces et des démos Gradio en Python : applications, composants, écouteurs d’événements, mises en page et chatbots.
huggingface-vision-trainer
Entraîne et affine des modèles de vision (détection d’objets, classification d’images, segmentation SAM/SAM2) avec Transformers sur les GPU cloud des Jobs Hugging Face : préparation des données COCO, augmentation, évaluation.
huggingface-community-evals
La skill lance des évaluations de modèles du Hub avec inspect-ai et lighteval, sur du matériel local.
huggingface-papers
La skill cherche et lit les pages d’articles Hugging Face en Markdown, et interroge l’API papers pour des métadonnées structurées (auteurs, modèles, datasets, Spaces liés, dépôt GitHub, page projet).
huggingface-paper-publisher
La skill publie et gère des articles de recherche sur le Hugging Face Hub : pages d’article, liens vers des modèles ou des jeux de données, revendication d’autoria, et génération d’articles professionnels en Markdown.
hf-mcp
Sert à utiliser le Hub Hugging Face à travers les outils du serveur MCP : chercher des modèles, des jeux de données, des Spaces et des articles, consulter un dépôt ou de la documentation, lancer des tâches de calcul, et se servir de Spaces Gradio comme outils d’IA.
Skills du dépôt openai/skills, déprécié au profit de openai/plugins.
openai-docs
Répond aux questions sur la construction avec les produits et API d’OpenAI et sur Codex à partir de la documentation officielle, avec citations : choix du modèle le plus récent, migration de modèle et de prompts.