Agent Skills

Les Agent Skills sont des packages réutilisables d'instructions, de métadonnées, de documents de référence et de scripts optionnels qui confèrent à un agent IA une expertise spécialisée pour une tâche particulière. Au lieu d'inclure chaque procédure dans un long prompt système, tu peux packager une capacité ciblée — comme l'inspection de produits, l'analyse de feuilles de calcul ou le suivi de la checklist de déploiement d'une organisation — et permettre à l'agent de la charger uniquement en cas de besoin.

Les compétences aident un AI agent polyvalent à se comporter davantage comme un spécialiste du domaine tout en gardant les connaissances modulaires, maintenables et portables. Les « Claude Skills » constituent une implémentation produit de cette idée plus large ; le terme Agent Skills peut également désigner le format interopérable décrit par l'open Agent Skills overview.

Fonctionnement des Agent Skills#

Selon la Agent Skills specification, une compétence est généralement un répertoire contenant un fichier requis SKILL.md. Ce fichier commence par des métadonnées YAML, incluant un nom et une description expliquant ce que fait la compétence et quand l'agent doit l'activer. Son corps en Markdown fournit des procédures, des exemples, des contraintes et des conseils pour les cas limites. Des répertoires optionnels peuvent contenir des scripts exécutables, des documents de référence, des schémas ou des modèles.

Les compétences utilisent la divulgation progressive, ce qui signifie que l'information entre dans le context window de l'agent par étapes :

1. L'agent voit initialement les noms courts et les descriptions des compétences disponibles.
2. Lorsqu'une requête correspond à une description, il charge le SKILL.md pertinent.
3. Il lit les ressources de support ou exécute les scripts fournis 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 chaque instruction au démarrage. La Claude Agent Skills documentation et la Microsoft Agent Skills documentation fournissent des exemples de ce modèle de chargement dans les plateformes d'agents.

Agent Skills par rapport aux concepts connexes#

Les Agent Skills organisent les connaissances et les procédures, mais elles ne remplacent pas l'agent, ses outils ou le système coordonnant ses actions.

• Tools and function calling : Un outil effectue une opération individuelle, telle que l'interrogation d'une API ou l'exécution d'une inférence. Une compétence explique quand et comment utiliser un ou plusieurs outils ensemble, incluant les règles de validation et le contexte du domaine.

• Agentic workflows : Une compétence permet à l'agent d'interpréter les instructions de manière adaptative. Un workflow définit un chemin 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 se produire dans un ordre fixe.

• Model Context Protocol : MCP standardise la manière dont les agents découvrent et invoquent des ressources et des outils externes. La MCP tools specification officielle définit les interfaces d'outils, tandis qu'une compétence package une expertise procédurale qui peut orienter un agent vers l'utilisation de ces interfaces.

Un prompt est généralement rédigé 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 Agent Skills sont particulièrement utiles lorsque la perception visuelle doit être combinée avec des règles métier et des actions de suivi.

Inspection de fabrication : Une compétence de contrôle qualité peut ordonner à un agent de capturer une image, d'exécuter une object detection, de comparer les détections avec les critères d'acceptation, de sauvegarder des preuves et de demander une révision humaine lorsque la confiance est faible. Le modèle de vision fournit les observations, tandis que la compétence fournit la procédure d'inspection spécifique à l'usine. Cela prend en charge des defect detection workflows reproductibles sans intégrer chaque politique dans le prompt de base de l'agent.

Audit des stocks de détail : Une compétence d'audit de rayon peut guider un agent pour traiter des images de magasins, compter des produits spécifiés, comparer les résultats avec les registres d'inventaire et préparer une recommandation de réapprovisionnement. Les équipes peuvent utiliser Ultralytics Platform pour annoter des données de 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 à la connaissance opérationnelle. Elles n'améliorent pas d'elles-mêmes la précision visuelle du modèle sous-jacent ; elles rendent ses sorties plus faciles à appliquer de manière cohérente.

Exemple de script de vision pour une compétence#

Une compétence peut regrouper un script déterministe pour l'inspection visuelle. Le Ultralytics YOLO prediction workflow documenté 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 sa sortie et quelle action doit suivre.

Considérations relatives à la conception et à la sécurité#

Les compétences efficaces doivent avoir des responsabilités étroites, des descriptions d'activation claires, des instructions concises, des exemples réalistes et des dépendances documentées. Les skill authoring best practices officielles recommandent d'adapter le niveau de détail des instructions au risque de la tâche : un guidage flexible peut convenir à une analyse ouverte, tandis que des opérations fragiles nécessitent des scripts exacts 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 fichier avant d'accorder l'accès. Applique le sandboxing, les autorisations de moindre privilège, les limites de ressources, la journalisation et l'approbation humaine pour les actions lourdes de conséquences. Ces contrôles aident à faire face aux risques décrits par les OWASP prompt injection guidance et OWASP excessive agency guidance. Les équipes peuvent également utiliser le NIST AI Risk Management Framework Playbook pour intégrer l'évaluation, la surveillance et la gouvernance des compétences dans une gestion plus globale des risques liés à l'IA.