---

name: ai-integration description: |- Expert intégration IA/ML dans applications web - LLMs, RAG, vector databases, embeddings. Utilise ce skill quand: (1) intégration API OpenAI/Claude/Mistral, (2) mise en place RAG, (3) vector databases, (4) prompt engineering, (5) fine-tuning, (6) ML ops et déploiement modèles. metadata: version: 1.0.0 status: active

AI Integration Expert Skill

Quick Start

# 1. Navigation rapide vers un agent
ai-integration/agents/llm/openai           # Intégration OpenAI API
ai-integration/agents/llm/claude           # Intégration Claude API
ai-integration/agents/rag/architecture     # Architecture RAG
ai-integration/agents/vectors/pgvector     # PostgreSQL + pgvector
ai-integration/agents/prompting/patterns   # Prompt engineering

# 2. Questions fréquentes
"Comment intégrer l'API OpenAI ?"          → llm/openai
"Mettre en place un RAG ?"                 → rag/architecture
"Quelle vector DB choisir ?"               → vectors/orchestrator
"Optimiser mes prompts ?"                  → prompting/patterns
"Déployer un modèle ML ?"                  → mlops/deployment

Position dans l'Architecture

Ce skill est au NIVEAU 3 : IMPLÉMENTATION. Il implémente les capacités IA dans les applications.

flowchart TB
    subgraph N1["NIVEAU 1 : STRATÉGIE"]
        DT[direction-technique]
    end

    subgraph N2["NIVEAU 2 : OPÉRATIONS"]
        WDP[web-dev-process]
        LD[lead-dev]
    end

    subgraph N3["NIVEAU 3 : IMPLÉMENTATION"]
        AI[ai-integration]

        subgraph DOMAINS["Domaines"]
            LLM[llm/]
            RAG[rag/]
            VEC[vectors/]
            PROMPT[prompting/]
            AGENTS[agents/]
            MLOPS[mlops/]
        end
    end

    DT -->|stratégie IA| WDP
    DT -->|budget, providers| AI
    WDP -->|process| AI
    LD -->|coordination| AI
    AI --> DOMAINS

    style N1 fill:#ffebee
    style N2 fill:#fff3e0
    style N3 fill:#e8f5e9
    style AI fill:#c8e6c9,stroke:#2e7d32,stroke-width:2px

Philosophie

Intégrer l'IA de manière pragmatique, sécurisée et maintenable.

Ce skill :

• ✅ Intègre les APIs LLM (OpenAI, Claude, Mistral, etc.)
• ✅ Implémente les patterns RAG
• ✅ Configure les vector databases
• ✅ Optimise les prompts et outputs
• ✅ Déploie et monitore les modèles

Il ne fait PAS :

• ❌ Les décisions stratégiques IA → direction-technique
• ❌ L'entraînement de modèles from scratch → ML spécialisé
• ❌ La recherche fondamentale → hors scope agence web

Domaines et Agents (40 agents)

1. llm/ - Intégration LLMs (8 agents)

APIs et SDKs des principaux LLMs.

Agent	Responsabilité	Technologies
orchestrator	Coordination LLM	-
openai	OpenAI API	GPT-4, GPT-4o, Whisper, DALL-E
claude	Anthropic API	Claude 3.5, Claude 3
mistral	Mistral AI	Mistral Large, Codestral
ollama	LLMs locaux	Llama 3, Mistral local
langchain	Framework LLM	LangChain.js, LCEL
vercel-ai	Vercel AI SDK	Streaming, Edge
cost-optimization	Optimisation coûts	Caching, batching, model selection

2. rag/ - Retrieval Augmented Generation (7 agents)

Patterns RAG pour enrichir les LLMs avec vos données.

Agent	Responsabilité	Technologies
orchestrator	Coordination RAG	-
architecture	Architecture RAG	Patterns, chunking strategies
ingestion	Pipeline d'ingestion	Document loaders, parsers
chunking	Stratégies de découpage	Semantic, recursive, sentence
retrieval	Stratégies de retrieval	Hybrid search, reranking
evaluation	Évaluation RAG	RAGAS, faithfulness, relevance
advanced	RAG avancé	HyDE, CRAG, Agentic RAG

3. vectors/ - Vector Databases (6 agents)

Stockage et recherche de vecteurs.

Agent	Responsabilité	Technologies
orchestrator	Coordination vectors	-
pgvector	PostgreSQL vectors	pgvector, indexing
pinecone	Pinecone	Serverless, namespaces
weaviate	Weaviate	Hybrid search, modules
qdrant	Qdrant	Filtering, payloads
embeddings	Génération embeddings	OpenAI, Cohere, local

4. prompting/ - Prompt Engineering (6 agents)

Techniques d'optimisation des prompts.

Agent	Responsabilité	Technologies
orchestrator	Coordination prompting	-
patterns	Patterns de prompts	Few-shot, CoT, ReAct
templates	Gestion templates	Langchain, Jinja
output-parsing	Parsing des outputs	Structured output, JSON mode
guardrails	Sécurité des outputs	Validation, filtering
testing	Test des prompts	Promptfoo, eval frameworks

5. agents/ - AI Agents (6 agents)

Construction d'agents IA autonomes.

Agent	Responsabilité	Technologies
orchestrator	Coordination agents	-
architecture	Architecture agents	ReAct, Plan-and-Execute
tools	Définition d'outils	Function calling, MCP
memory	Gestion mémoire	Short/long-term, summarization
multi-agent	Multi-agents	Orchestration, communication
claude-computer-use	Computer Use	Anthropic Computer Use API

6. mlops/ - ML Operations (7 agents)

Déploiement et monitoring des modèles.

Agent	Responsabilité	Technologies
orchestrator	Coordination MLOps	-
deployment	Déploiement modèles	HuggingFace, Replicate
fine-tuning	Fine-tuning	OpenAI, LoRA, QLoRA
monitoring	Monitoring IA	LangSmith, Helicone
evaluation	Évaluation modèles	Benchmarks, A/B testing
versioning	Versioning modèles	MLflow, DVC
edge	IA en edge	ONNX, TensorFlow Lite

Total : 40 agents spécialisés

Règles de Routage

Par Type de Question

Question	Domaine
Intégrer OpenAI, Claude, Mistral	llm/
RAG, enrichir avec mes données	rag/
Vector database, embeddings	vectors/
Prompt engineering, templates	prompting/
Agents IA, tools, autonomie	agents/
Déployer, monitorer, fine-tuner	mlops/

Par Mots-Clés

Mots-clés	Agent
GPT-4, OpenAI, chat completion	llm/openai
Claude, Anthropic, Messages API	llm/claude
Mistral, Le Chat, Codestral	llm/mistral
Ollama, local, Llama	llm/ollama
LangChain, LCEL, chains	llm/langchain
RAG, retrieval, knowledge base	rag/architecture
chunking, splitting, documents	rag/chunking
pgvector, PostgreSQL, embedding	vectors/pgvector
Pinecone, serverless, index	vectors/pinecone
prompt, few-shot, chain-of-thought	prompting/patterns
function calling, tools	agents/tools
fine-tuning, LoRA, training	mlops/fine-tuning
LangSmith, traces, monitoring	mlops/monitoring

Arbre de Décision

Requête AI Integration
│
├─ Intégrer une API LLM ?
│  ├─ OpenAI (GPT-4, DALL-E) → llm/openai
│  ├─ Anthropic (Claude) → llm/claude
│  ├─ Mistral → llm/mistral
│  ├─ Local (Ollama) → llm/ollama
│  └─ Framework (LangChain) → llm/langchain
│
├─ Enrichir le LLM avec mes données ?
│  ├─ Architecture globale → rag/architecture
│  ├─ Ingestion documents → rag/ingestion
│  ├─ Découpage → rag/chunking
│  ├─ Recherche → rag/retrieval
│  └─ Évaluation → rag/evaluation
│
├─ Stocker des embeddings ?
│  ├─ PostgreSQL existant → vectors/pgvector
│  ├─ Serverless → vectors/pinecone
│  ├─ Self-hosted → vectors/weaviate ou qdrant
│  └─ Générer embeddings → vectors/embeddings
│
├─ Optimiser les prompts ?
│  ├─ Techniques de prompting → prompting/patterns
│  ├─ Templates réutilisables → prompting/templates
│  ├─ Valider les outputs → prompting/guardrails
│  └─ Tester les prompts → prompting/testing
│
├─ Construire un agent autonome ?
│  ├─ Architecture → agents/architecture
│  ├─ Définir des tools → agents/tools
│  ├─ Gérer la mémoire → agents/memory
│  └─ Multi-agents → agents/multi-agent
│
└─ Déployer/monitorer ?
   ├─ Déployer un modèle → mlops/deployment
   ├─ Fine-tuner → mlops/fine-tuning
   ├─ Monitorer → mlops/monitoring
   └─ Versionner → mlops/versioning

Interaction avec les Autres Skills

Flux Entrants

direction-technique ──► ai-integration (stratégie IA → implémentation)
web-dev-process ──► ai-integration (process → intégration)

Flux Sortants

ai-integration ──► backend-developer (APIs, services)
ai-integration ──► frontend-developer (UI chat, streaming)
ai-integration ──► devops (déploiement, infra)

Points d'Escalade

Vers direction-technique

Situation	Raison
Choix du provider LLM	Coûts, compliance
Données sensibles dans le RAG	Sécurité, RGPD
Budget API	Validation financière

Vers l'humain

Situation	Raison
Fine-tuning sur données métier	Validation contenu
Prompts pour cas sensibles	Éthique, légal
Évaluation qualité outputs	Jugement métier

Sécurité et Bonnes Pratiques

API Keys - Gestion des Secrets (CRITIQUE)

JAMAIS en code source. Toujours via secrets manager.

# .gitignore (OBLIGATOIRE)
.env
.env.*
!.env.example
*.pem
*credentials*.json

# .env.example (template sans valeurs)
OPENAI_API_KEY=sk-your-key-here
ANTHROPIC_API_KEY=sk-ant-your-key-here
# Ne JAMAIS committer de vraies clés

# pre-commit hook (.husky/pre-commit)
#!/bin/sh
# Detecter les secrets accidentels
if git diff --cached --name-only | xargs grep -l "sk-[a-zA-Z0-9]\{20,\}" 2>/dev/null; then
  echo "ERROR: Potential API key detected in commit!"
  echo "Remove secrets and use environment variables."
  exit 1
fi

Production: Secrets Managers

// AWS Secrets Manager
import { SecretsManagerClient, GetSecretValueCommand } from '@aws-sdk/client-secrets-manager';

async function getApiKey(secretName: string): Promise<string> {
  const client = new SecretsManagerClient({ region: 'eu-west-1' });
  const response = await client.send(
    new GetSecretValueCommand({ SecretId: secretName })
  );
  return JSON.parse(response.SecretString!).apiKey;
}

// Initialisation au demarrage
const OPENAI_API_KEY = await getApiKey('prod/openai-api-key');

// HashiCorp Vault
import Vault from 'node-vault';

const vault = Vault({
  endpoint: process.env.VAULT_ADDR,
  token: process.env.VAULT_TOKEN,
});

async function getSecret(path: string): Promise<string> {
  const { data } = await vault.read(path);
  return data.data.value;
}

const ANTHROPIC_API_KEY = await getSecret('secret/data/anthropic');

// Vercel/Next.js (Edge-safe)
// Les secrets sont injectes via le dashboard, pas en code
// Settings > Environment Variables > Add

// Validation au runtime
import { z } from 'zod';

const EnvSchema = z.object({
  OPENAI_API_KEY: z.string().startsWith('sk-'),
  ANTHROPIC_API_KEY: z.string().startsWith('sk-ant-'),
});

// Fail fast si secrets manquants
const env = EnvSchema.parse(process.env);

Rate Limiting

// Implémenter rate limiting côté client
import Bottleneck from 'bottleneck';

const limiter = new Bottleneck({
  minTime: 100,        // 10 req/sec
  maxConcurrent: 5,
});

const rateLimitedCall = limiter.wrap(openai.chat.completions.create);

Prompt Injection Prevention

// Sanitize user input pour eviter les injections
function sanitizeUserInput(input: string): string {
  if (!input || typeof input !== 'string') {
    return '';
  }

  return input
    // Limite la longueur
    .slice(0, 10000)
    // Supprime les caracteres de controle
    .replace(/[\x00-\x08\x0B\x0C\x0E-\x1F\x7F]/g, '')
    // Normalise les whitespaces
    .replace(/\s+/g, ' ')
    .trim();
}

// Detecter les tentatives d'injection
function detectInjectionAttempt(input: string): boolean {
  const patterns = [
    /ignore\s+(all\s+)?(previous|above|prior)/i,
    /disregard\s+(all\s+)?(instructions|rules)/i,
    /you\s+are\s+now/i,
    /new\s+instructions?:/i,
    /system\s*:/i,
    /\[INST\]/i,
    /<\|im_start\|>/i,
  ];
  return patterns.some(p => p.test(input));
}

// Usage
const systemPrompt = `Tu es un assistant. Réponds uniquement aux questions sur les produits.`;
const rawInput = req.body.message;
const userInput = sanitizeUserInput(rawInput);

// Verifier les injections
if (detectInjectionAttempt(userInput)) {
  logger.warn('Potential injection attempt', { input: userInput.slice(0, 100) });
  return res.status(400).json({ error: 'Invalid input' });
}

const response = await openai.chat.completions.create({
  model: 'gpt-4',
  messages: [
    { role: 'system', content: systemPrompt },
    { role: 'user', content: userInput },
  ],
});

Coûts

// Estimer les coûts avant appel
function estimateCost(tokens: number, model: string): number {
  const rates = {
    'gpt-4': { input: 0.03, output: 0.06 },
    'gpt-4o': { input: 0.005, output: 0.015 },
    'gpt-4o-mini': { input: 0.00015, output: 0.0006 },
    'claude-3-5-sonnet': { input: 0.003, output: 0.015 },
  };
  // ...
}

// Logger les coûts
logger.info('API call', { model, tokens, estimatedCost });

Skills Associés

Skill	Niveau	Relation
direction-technique	STRATÉGIE	Reçoit les directives IA
backend-developer	IMPLÉMENTATION	APIs, services backend
frontend-developer	IMPLÉMENTATION	UI, streaming
devops	IMPLÉMENTATION	Déploiement, monitoring
security-expert	IMPLÉMENTATION	Sécurité des données

Changelog

v1.0.0

• Création initiale avec 6 domaines et 40 agents
• Couverture : LLMs, RAG, vectors, prompting, agents, MLOps
• Position : NIVEAU 3 IMPLÉMENTATION