Agent Skills

Les compétences d’agent sont des dossiers regroupant des instructions, des scripts et des fichiers de référence qui donnent à un agent d’IA une expertise dans un type de tâche précis. Leur format permet à l’agent de ne les charger que lorsqu’une tâche le nécessite. Chaque compétence s’articule autour d’un fichier SKILL.md dont la brève description indique à l’agent quand l’utiliser et dont le corps explique comment procéder. Anthropic a présenté les compétences d’agent pour Claude en octobre 2025 et publié le format comme norme ouverte sur agentskills.io en décembre 2025. Claude Code, OpenAI Codex, Gemini CLI, Cursor, GitHub Copilot, VS Code et des dizaines d’autres agents lisent maintenant les mêmes dossiers. Une seule compétence fonctionne donc dans tous ces outils.

Fonctionnement des compétences d’agent#

Une compétence est un répertoire portant le nom de la compétence, qui contient un SKILL.md obligatoire ainsi que les dossiers facultatifs scripts/, references/ et assets/. Le fichier SKILL.md commence par un bloc de métadonnées YAML contenant deux champs obligatoires : un name de 64 lettres minuscules, chiffres et traits d’union au maximum, qui correspond au nom du répertoire, et un description de 1 024 caractères au maximum, qui indique ce que fait la compétence et quand l’utiliser. Le corps Markdown qui suit contient la procédure, des exemples et des cas limites.

Les agents chargent les compétences par divulgation progressive, ce qui permet d’utiliser une vaste bibliothèque de compétences à peu de frais. Au démarrage, l’agent lit uniquement le nom et la description de chaque compétence, soit environ 100 jetons par compétence. Lorsqu’une requête correspond à une description, il charge le fichier SKILL.md complet dans sa fenêtre de contexte. La spécification recommande de limiter son corps à 500 lignes et 5 000 jetons. Les scripts et les fichiers de référence ne sont chargés que lorsque les instructions y renvoient. De plus, si l’agent exécute simplement un script et en lit la sortie, le code du script n’entre jamais dans son contexte.

Anatomie d’un fichier SKILL.md#

Une équipe de vente au détail pourrait fournir à son agent cette compétence pour analyser des photos de rayons. La description contient les mots déclencheurs que l’agent doit reconnaître, et le corps renvoie à un script ainsi qu’à un tableau de référence qui ne sont chargés qu’en cas de besoin :

---
name: shelf-audit
description: Counts products and finds empty facings in retail shelf photos. Use when the user asks about stock levels, gaps, or planogram compliance in store images.
---

# Shelf audit

1. Run `python scripts/detect_products.py <image>` on each photo. It prints one JSON line per product with its class, confidence, and box.
2. Compare the counts with the expected facings in `references/planogram.csv`.
3. Report each empty facing with its shelf position.
4. Send detections below 0.5 confidence to a person for review instead of counting them.

L’agent ne voit que les deux lignes de l’en-tête jusqu’à ce que quelqu’un pose une question sur les rayons. Il n’ouvre le fichier du planogramme qu’à l’étape 2.

Compétences d’agent et concepts apparentés#

• Outils et appels de fonctions : Un outil est une opération que l’agent peut invoquer, comme une requête de base de données ou un modèle de détection d’objets. Une compétence apprend à l’agent quand et comment combiner des outils pour une tâche, ainsi que les règles de validation et le contexte métier qui leur font défaut.
• Model Context Protocol (MCP) : Connecte un agent aux systèmes externes en temps réel par l’intermédiaire de serveurs. Les compétences fournissent les connaissances procédurales ; les agents utilisent donc souvent les deux : une compétence peut indiquer à l’agent quels outils MCP appeler et dans quel ordre.
• Invites système et instructions de projet : Des fichiers comme AGENTS.md sont chargés dans chaque session. Le corps d’une compétence n’est chargé que pour les tâches correspondantes, ce qui permet à un agent d’en avoir des centaines sans encombrer son contexte. C’est le principe central de l’ingénierie du contexte.
• Réglage fin : modifie les poids d’un modèle pour lui apprendre un comportement. Une compétence ne modifie que le contexte : elle peut donc être modifiée, versionnée et révisée comme du code, et prend effet immédiatement.

Les compétences en pratique#

Les compétences regroupent des connaissances pratiques qui manquent à un grand modèle de langage (LLM) généraliste ou que celui-ci applique de manière incohérente : règles de marque d’une entreprise, liste de contrôle de publication d’une équipe ou particularités d’un format de fichier. Le dépôt public de compétences d’Anthropic comprend les compétences Word, PDF, PowerPoint et Excel qui alimentent la création de documents de Claude. Les compétences Agent Ultralytics couvrent le cycle de vie de la vision par ordinateur : une compétence de routage yolo dirige chaque requête vers une compétence de sélection de modèle, de jeux de données, d’entraînement, de réglage, d’inférence ou d’export, et une compétence platform-cli automatise Ultralytics Platform à l’aide de la ligne de commande ul cloud. L’assistant Ask AI de Platform utilise lui aussi cette compétence platform-cli, et les mêmes dossiers s’installent dans Claude Code avec claude plugin install yolo@ultralytics ou dans d’autres agents avec npx skills add ultralytics/skills, ce qui permet à un outil de programmation agentique d’entraîner et d’exporter un modèle YOLO26 à partir d’une requête en langage naturel.

Considérations de sécurité#

Une compétence s’exécute avec les autorisations de l’agent : en installer une provenant d’un tiers revient donc à installer un logiciel. Ses instructions peuvent contenir une injection de prompt qui détourne l’agent, et ses scripts peuvent lire des fichiers ou envoyer des données partout où l’environnement de l’agent le permet. Avant d’installer une compétence, les équipes examinent ses instructions, ses scripts et ses dépendances, épinglent les versions et exécutent les scripts de la compétence dans un bac à sable d’agent dont l’accès réseau est limité. La spécification définit également un champ expérimental allowed-tools, une liste séparée par des espaces, par exemple Bash(git:*) Read, qui désigne les outils qu’une compétence peut exécuter sans demander confirmation ; les agents qui prennent en charge ce champ préapprouvent ces outils dans leur environnement d’exécution d’agent.