Agent Skills

Les compétences d’agent sont des ensembles réutilisables d’instructions, de métadonnées, de ressources de référence et de scripts facultatifs qui confèrent à un agent d’IA une expertise spécialisée pour une tâche donnée. Au lieu de placer chaque procédure dans un long prompt système, les développeurs peuvent regrouper une capacité ciblée — comme inspecter des produits, analyser des feuilles de calcul ou suivre la checklist de déploiement d’une organisation — et laisser l’agent la charger uniquement lorsqu’elle est pertinente.

Les compétences aident un agent d’IA polyvalent à se comporter davantage comme un spécialiste du domaine, tout en gardant les connaissances modulaires, faciles à maintenir et portables. Les « compétences Claude » constituent une implémentation produit de cette idée plus large ; le terme compétences d’agent peut également désigner le format interopérable décrit dans la présentation des compétences d’agent ouverte.

Fonctionnement des compétences d’agent#

Selon la spécification des compétences d’agent, une compétence est généralement un répertoire contenant un fichier SKILL.md obligatoire. Ce fichier commence par des métadonnées YAML, notamment un nom et une description expliquant ce que fait la compétence et quand l’agent doit l’activer. Son corps Markdown fournit des procédures, des exemples, des contraintes et des indications pour les cas particuliers. Des répertoires facultatifs peuvent contenir des scripts exécutables, des documents de référence, des schémas ou des modèles.

Les compétences utilisent la divulgation progressive, ce qui signifie que les informations entrent progressivement dans la fenêtre de contexte de l’agent :

1. L’agent voit d’abord les noms courts et les descriptions des compétences disponibles.
2. Lorsqu’une requête correspond à une description, il charge la SKILL.md pertinente.
3. Il lit les ressources complémentaires ou exécute les scripts inclus uniquement lorsque cela est nécessaire.

Cela réduit l’utilisation inutile de tokens et permet à un agent d’accéder à de nombreuses capacités spécialisées sans charger toutes les instructions au démarrage. La documentation sur les compétences des agents Claude et la documentation sur les compétences des agents Microsoft fournissent des exemples de ce modèle de chargement dans les plateformes d’agents.

Compétences d’agent et concepts connexes#

Les compétences d’agent organisent les connaissances et les procédures, mais elles ne remplacent ni l’agent, ni ses outils, ni le système qui coordonne ses actions.

• Outils et appels de fonction : Un outil effectue une opération individuelle, comme interroger une API ou exécuter une inférence. Une compétence explique quand et comment utiliser un ou plusieurs outils ensemble, notamment les règles de validation et le contexte du domaine.

• Workflows agentiques : Une compétence permet à l’agent d’interpréter les instructions de manière adaptative. Un workflow définit un parcours d’exécution plus explicite, ce qui le rend préférable pour les processus de longue durée, les points de contrôle, les approbations et les actions qui doivent être effectuées dans un ordre fixe.

• Protocole de contexte des modèles : MCP standardise la manière dont les agents découvrent et invoquent les ressources et outils externes. La spécification officielle des outils MCP définit les interfaces des outils, tandis qu’une compétence regroupe une expertise procédurale qui peut demander à un agent d’utiliser ces interfaces.

Un prompt est généralement écrit pour une seule conversation. Une compétence est conçue pour être réutilisée, versionnée, testée et partagée entre des environnements compatibles.

Applications en vision par ordinateur#

Les compétences d’agent sont particulièrement utiles lorsqu’il faut combiner la perception visuelle avec des règles métier et des actions de suivi.

Inspection industrielle : Une compétence de contrôle qualité peut demander à un agent de capturer une image, d’exécuter une détection d’objets, de comparer les détections aux critères d’acceptation, d’enregistrer les preuves et de demander une vérification humaine lorsque la confiance est faible. Le modèle de vision fournit les observations, tandis que la compétence fournit la procédure d’inspection propre à l’usine. Cela permet d’obtenir des workflows reproductibles de détection des défauts sans intégrer chaque règle dans le prompt de base de l’agent.

Audit des stocks dans le commerce de détail : Une compétence d’audit des rayons peut guider un agent pour traiter des images de magasins, compter les produits indiqués, comparer les résultats aux données d’inventaire et préparer une recommandation de réapprovisionnement. Les équipes peuvent utiliser Ultralytics Platform pour annoter les données des rayons, entraîner un modèle personnalisé, le déployer et surveiller l’outil visuel appelé par la compétence.

Dans les deux cas, les compétences relient la perception aux connaissances opérationnelles. Elles n’améliorent pas à elles seules la précision visuelle du modèle sous-jacent ; elles facilitent l’application cohérente de ses résultats.

Exemple de script de vision pour une compétence#

Une compétence peut inclure un script déterministe pour l’inspection visuelle. Le workflow documenté de prédiction Ultralytics YOLO suivant pourrait être stocké dans le répertoire scripts/ d’une compétence :

from pathlib import Path

from ultralytics import YOLO

image_url = "https://ultralytics.com/images/bus.jpg"
output_path = Path("inspection_result.jpg")

# Run the skill's visual perception step
model = YOLO("yolo26n.pt")
results = model(image_url)

result = results[0]
result.save(filename=str(output_path))

print(output_path)

Ici, YOLO26 fournit la capacité visuelle, tandis que SKILL.md expliquerait quand exécuter le script, comment interpréter son résultat et quelle action effectuer ensuite.

Considérations relatives à la conception et à la sécurité#

Les compétences efficaces doivent avoir des responsabilités ciblées, des descriptions d’activation claires, des instructions concises, des exemples réalistes et des dépendances documentées. Les bonnes pratiques officielles de création de compétences recommandent d’adapter le niveau de détail des instructions au risque de la tâche : des conseils flexibles peuvent convenir à une analyse ouverte, tandis que les opérations fragiles nécessitent des scripts précis et des contraintes plus strictes.

Les compétences tierces doivent être traitées comme des logiciels installés. Examine chaque instruction, script, dépendance, appel réseau et opération sur les fichiers avant d’accorder un accès. Applique le sandboxing, des autorisations selon le principe du moindre privilège, des limites de ressources, la journalisation et une approbation humaine pour les actions lourdes de conséquences. Ces contrôles contribuent à répondre aux risques décrits dans les recommandations de l’OWASP sur les injections de prompt et les recommandations de l’OWASP sur l’agentivité excessive. Les équipes peuvent également utiliser le Playbook du cadre de gestion des risques liés à l’IA du NIST pour intégrer l’évaluation, la surveillance et la gouvernance des compétences dans une gestion plus large des risques liés à l’IA.