Les agents fondés sur des modèles de langage sont aujourd’hui capables de raisonner, planifier et interagir avec des outils. Toutefois, dès qu’ils doivent appliquer des procédures spécifiques — règles métier, formats internes, workflows documentés — leur efficacité dépend fortement du contexte qu’on leur fournit. Dans la pratique, ces connaissances sont souvent intégrées sous forme de prompts longs, difficiles à maintenir et coûteux en tokens.

Les Agent Skills, tels qu’introduits et popularisés par Anthropic, proposent une alternative plus structurée : isoler ces savoirs procéduraux dans des modules dédiés que l’agent peut découvrir et activer dynamiquement, plutôt que de les enfouir dans un prompt monolithique.

Cet article s’adresse à un public technique (développeurs, architectes d’agents, équipes ML) et vise à présenter le concept d’Agent Skills, leur structure et leur mode d’activation, afin de montrer comment cette approche améliore la maintenabilité, la fiabilité et l’industrialisation des agents IA.

Comparaison entre un prompt monolithique et un agent utilisant plusieurs skills spécialisés.

« Diviser pour mieux régner. » – Machiavel

1. Les Agent Skills comme unités de connaissance procédurale

Un Agent Skill est une unité autonome décrivant comment accomplir une tâche donnée. Il est matérialisé par un dossier contenant au minimum un fichier SKILL.md. Ce fichier combine deux éléments essentiels : des métadonnées (nom et description) et un ensemble d’instructions détaillées.

Cette organisation permet de traiter les compétences comme des objets explicites. Là où un prompt classique mélange raisonnement général et règles spécifiques, un skill sépare clairement les deux. Le modèle reste générique, tandis que la procédure devient modulaire, versionnable et partageable.

Un skill typique est organisé sous la forme suivante :

skills/
  generate-report/
    SKILL.md
    template.docx
    script.py
    references/

Dans ce modèle, le fichier SKILL.md joue le rôle de point d’entrée pour l’agent, tandis que les autres fichiers fournissent les ressources nécessaires à l’exécution correcte de la tâche.

Dans ce modèle, le fichier SKILL.md joue le rôle de point d’entrée pour l’agent.

Les autres fichiers constituent les ressources opérationnelles du skill :

• template.docx correspond ici à un modèle de document que le skill doit remplir (par exemple un rapport, un contrat ou un formulaire standardisé) ;
• script.py représente un outil d’exécution (fonction, script, ou appel API) que l’agent peut utiliser pour automatiser une partie de la procédure (formatage, validation, export, calculs, etc.) ;
• references/ contient des documents de référence : règles métier, normes internes, exemples validés ou documentation que le skill peut citer ou exploiter pour garantir la conformité de sa sortie.

Ainsi, un skill ne se limite pas à une suite d’instructions textuelles : il encapsule aussi les artefacts nécessaires à l’action, au même titre qu’un module logiciel regroupe du code et des dépendances.

Voici un exemple simplifié de SKILL.md :

---
name: generate-report
description: Generate a standardized project report
---
# Objective
Produce a project report following the company template.
# Inputs
- Raw project notes
- KPI metrics in CSV format
# Procedure
1. Load the report template.
2. Populate the sections with structured data.
3. Verify that all mandatory sections are present.
4. Export the document as a PDF.
# Output
A validated PDF report ready for distribution.

Ce format montre que le skill ne se limite pas à une consigne générale : il formalise une procédure, des entrées attendues et un résultat cible.

2. Un mécanisme d’activation progressive

Le fonctionnement des Agent Skills repose sur un principe central : le chargement progressif des connaissances. Lorsqu’un agent démarre, il ne lit que les métadonnées des skills disponibles. Il sait ainsi quelles compétences existent, sans en charger le contenu complet.

Lorsqu’une requête correspond à l’un de ces skills, l’agent charge alors les instructions détaillées et, si nécessaire, les ressources associées. Cette approche limite l’encombrement du contexte et réduit la consommation de tokens. Elle permet également à l’agent de raisonner d’abord de manière générale, puis de se spécialiser au moment opportun.

On peut résumer ce cycle en trois étapes :

• découverte des skills par leurs métadonnées ;
• sélection du skill pertinent selon la requête ;
• chargement et application des instructions détaillées.

Ce mécanisme rapproche les skills d’un système de bibliothèques logicielles : on n’importe une dépendance que lorsqu’elle est réellement utile.

Du point de vue technique, l’agent n’accède pas directement aux fichiers des skills. Il interagit avec eux au travers d’outils exposés par le runtime, qui jouent le rôle d’interface contrôlée entre l’agent et le système de fichiers.

On retrouve typiquement deux types d’outils :

• un outil de découverte, par exemple list_skills, qui retourne la liste des skills disponibles avec leurs métadonnées (nom, description, catégories, entrées attendues) ;
• un outil de chargement, par exemple load_skill ou get_skill_instructions, qui permet de récupérer le contenu détaillé d’un skill donné (instructions, contraintes, formats de sortie, références).

Le déroulement est alors le suivant :

1. l’agent appelle list_skills pour construire une vision globale de ses capacités ;
2. il sélectionne le skill le plus pertinent au regard de la requête utilisateur ;
3. il appelle load_skill pour injecter les instructions du skill sélectionné dans son contexte de travail.

Cette séparation entre découverte et chargement est essentielle : elle empêche l’agent de surcharger son contexte avec des procédures inutiles et garantit que seules les compétences réellement activées influencent son raisonnement.

On obtient ainsi un comportement proche d’un système d’import dynamique, où le raisonnement général précède l’exécution spécialisée.

Activation progressive d’un skill

3. Un standard ouvert pour les agents

Les Agent Skills ne sont pas liés à un fournisseur ou à un modèle particulier. Leur format repose sur des technologies simples et universelles : dossiers, Markdown et métadonnées YAML. Cette simplicité favorise leur adoption dans des environnements variés, qu’il s’agisse d’agents conversationnels, d’outils de développement assisté ou de frameworks spécialisés.

Cette ouverture permet d’envisager un écosystème de compétences partagées. Un même skill peut être utilisé par différents agents, indépendamment du moteur sous-jacent. Il devient possible de mutualiser des procédures complexes, de les auditer comme du code et de les faire évoluer dans le temps.

L’initiative d’Anthropic, qui publie un dépôt public de skills, illustre cette logique : les compétences ne sont plus enfouies dans des prompts, mais exposées comme des modules documentés.

4. Cas d’usage et bénéfices opérationnels

Les Agent Skills sont particulièrement adaptés aux tâches répétables et sensibles aux erreurs, telles que la génération de documents standardisés, l’application de règles réglementaires ou l’automatisation de traitements techniques.

Ils apportent plusieurs bénéfices opérationnels :

• une amélioration de la fiabilité grâce à des instructions explicites et centralisées ;
• une maintenance facilitée, les procédures étant isolées dans des fichiers dédiés ;
• une réduction de la taille des prompts globaux et donc des coûts associés.

En pratique, un agent équipé de skills peut rester générique dans son raisonnement, tout en devenant spécialisé dans ses actions.

Cycle complet de l’utilisation d’un agent

Conclusion

Les Agent Skills proposent une manière pragmatique de doter les agents IA de compétences spécialisées sans alourdir leur contexte ni rigidifier leur comportement. En séparant clairement raisonnement et procédures, ils transforment des prompts fragiles en modules durables.

À mesure que les agents passent du statut d’assistants expérimentaux à celui de composants logiciels à part entière, cette structuration devient essentielle. Les Agent Skills ne rendent pas les agents plus intelligents au sens strict, mais ils les rendent plus fiables, plus maintenables et plus exploitables dans des environnements réels.