MCP App StoreMCP App StorePackages SKILL.md qui étendent Claude Code, Cursor, Copilot et autres agents IA.
Étiquettes
harbor
Échafauder, configurer et vérifier une tâche d'évaluation Harbor de bout en bout, y compris les prompts, l'environnement, la sélection du vérificateur et la solution Oracle.
ai-driven-development
Techniques et modèles pour concevoir des prompts précis et fiables et des instructions agentiques pour divers LLM.
awesome-copilot
Créer, exécuter et analyser des expériences Arize pour évaluer et comparer les performances des modèles à l'aide de l'interface CLI ax.
sgo
Optimisez un produit, un CV, un pitch ou un profil face à des populations d'évaluateurs simulées via un score LLM et des sondes contre-factuelles pour identifier les changements améliorant les résultats.
opendatalab
Exécutez, validez et analysez les évaluations de parsing de documents OmniDocBench avec des flux Docker/conda et l'analyse des résultats.
skill-creator-claw
Créez, testez et améliorez itérativement les compétences OpenClaw ; inclut des flux d'évaluation, des guides de cas de test et des outils d'empaquetage.
happycapy-skills
Exécute des requêtes parallèles sur plusieurs modèles et affiche les réponses côte à côte dans un tableau de bord en direct ; synthétise le consensus et gère le vote anonyme des modèles.
my_arxiv_daily
Guide la création, le test et l'amélioration itérative des Agent Skills (SKILL.md), y compris l'exécution d'évaluations, la génération de benchmarks et le packaging de bundles de compétences.
awesome-omni-skill
Flux de travail guidé pour la rédaction, le test et l'itération des Agent Skills : rédaction du SKILL.md, exécution d'évaluations, notation des résultats et optimisation des descriptions pour améliorer la précision du déclenchement.
claude-superskills
Créez, améliorez et évaluez des compétences d'agent avec un flux guidé : capture de l'intention, rédaction de SKILL.md, exécution d'évaluations et de benchmarks, et optimisation de la description de déclenchement.
brain-in-the-fish
Évalue des documents selon des critères via un scoring multi-agent fondé sur l'ontologie pour produire des rapports d'évaluation auditable et étayés par des preuves.
ai-rig
Exécute des benchmarks synthétiques et des tests de calibration pour les agents et les skills : mesure le rappel, la précision, la calibration de la confiance et les comparaisons A/B pour quantifier les performances.
DeepScientist
Cadrer des tâches de recherche ou d'ingénierie ambiguës : clarifier les objectifs, les métriques, les ensembles de données et établir une base de référence justifiée pour avancer avec confiance.
AutoPaperBot
Guide les agents IA dans la rédaction, la structuration et le polissage d'articles académiques pour les conférences de premier plan en IA/systèmes — de la construction de l'argumentation aux figures et évaluations.
claude-plugins
Cadre d'évaluation et outils pour mesurer systématiquement les performances des LLM à l'aide de métriques automatisées, du jugement humain et de tests A/B.
reprompter
Transforme des prompts désordonnés en prompts structurés et évaluables ou en plans multi-agents ; permet également de rétro-concevoir des résultats exceptionnels en prompts réutilisables.
tonone
Guide l'agent pour construire un pipeline ML reproductible : validation des données, pipeline de caractéristiques, entraînement, évaluation, service et surveillance.
ISC-Bench
Benchmark et pipeline pour évaluer la sécurité des modèles (Internal Safety Collapse) via le framework TVD ; construit des prompts, exécute des modèles et extrait le contenu nuisible.
code-abyss
Guide de référence pour la conception de systèmes LLM mono et multi-agents, pipelines RAG, durcissement de la sécurité et ingénierie de prompts pour agents de production.
my-cc-harness
Déploie un agent évaluateur indépendant pour noter les sorties de code sur la fonctionnalité, la qualité du code, l'originalité et l'utilisabilité/sécurité, produisant un rapport EVAL_REP structuré.
my-cc-harness
Évalue et score la santé globale d'un harnais Claude Code à travers l'architecture, la couverture des compétences, les hooks, les règles, les serveurs MCP, les pipelines d'évaluation et la configuration d'équipe.
skillattack
Extrait, importe et ajoute des résultats d'évaluation de modèles structurés aux fiches de modèles Hugging Face ; exécute ou importe des évaluations de benchmark et génère le YAML model-index.
Claude Code Skills
Fusionne et déduplique les résultats des travailleurs d'évaluation en un résumé de revue vérifié unique pour les coordinateurs, en appliquant une porte d'architecture et des contrôles de vérification.
opensearch-agent-skills
Guide les utilisateurs pour concevoir, construire et déployer des applications de recherche basées sur OpenSearch — de l'ingestion de données et la conception d'index jusqu'à la recherche sémantique/hybride et l'évaluation.
openjudge
Outils et modèles pour construire des pipelines d'évaluation automatisés pour les LLM : évaluateurs, exécuteurs, agrégateurs et utilitaires d'analyse pour comparer les sorties des modèles et les scores.
sage
Créer, itérer et évaluer des compétences d'agent : rédiger le SKILL.md, concevoir des cas de test, exécuter des benchmarks et améliorer le déclenchement et la performance.
claw-bench
Compétence de benchmarking qui guide un agent à travers une suite structurée de tests de capacité et d'étapes de reporting pour une soumission au classement.
langium-ai
CLI pour générer des descripteurs de langage, synthétiser des prompts système et exécuter des évaluations afin d'affiner itérativement l'outillage IA pour les projets Langium.
de-anthropocentric-research-engine
Pipeline d'évaluation multi-étapes qui score les idées selon leur nouveauté, évalue la faisabilité, les classe et sélectionne les meilleurs candidats pour un développement approfondi.
nemotron
Base de connaissances faisant autorité pour Nemotron 3 Nano : architecture, données d'entraînement, recettes SFT/RL, conseils d'évaluation et de déploiement.