Quelles sont les compétences des agents au-delà de Claude ?

Compétences des agents par Anthropic le 16 octobre 2025, comme moyen d’étendre Claude avec des capacités réutilisables. En quelques mois, le concept a gagné du terrain au sein de la communauté de l’IA et a commencé à évoluer vers un modèle de conception plus large pour créer des capacités d’agent modulaires et portables au-delà de Claude lui-même.

En tant que praticien de l’IA, j’utilise Claude Code depuis un certain temps et j’ai vu de nombreux tutoriels expliquant comment créer des compétences d’agent au sein de l’écosystème Claude. Cependant, lorsque j’ai essayé de mettre en œuvre le même concept pour notre solution d’entreprise sans compter sur Claude, je me suis rapidement heurté à une autre série de questions de conception. Qu’est-ce qui définit exactement une « compétence d’agent » ? Comment doit-il être structuré ? Et comment les compétences doivent-elles être déclenchées et orchestrées dans un cadre d’agent personnalisé ?

Dans Claude, une compétence d’agent typique est définie comme un fichier Markdown contenant un nom, une description, des instructions et des scripts. Cette interface en langage naturel fonctionne bien dans de nombreuses situations, notamment lorsque l’ambiguïté est acceptable. Mais dans les systèmes de production, la précision compte souvent plus que la flexibilité. Un défi récurrent que j’ai rencontré était le déclenchement de compétences : parfois, une compétence était puissante et bien conçue, mais Claude ne parvenait pas à l’invoquer parce que la description était trop vague.

Pour nos agents, j’ai besoin de garanties plus strictes : des compétences qui se déclenchent de manière déterministe et se comportent de manière cohérente à chaque fois. Cette exigence m’a amené à implémenter des compétences directement en Python avec une logique explicite. Mais cela soulève une question architecturale intéressante : si une compétence est implémentée uniquement dans le code, en quoi est-elle différente d’un outil, d’une fonctionnalité ou simplement d’une autre fonction ? Même si ces compétences sont réutilisables et invoquées à la demande, qu’est-ce qui les rend réellement compétences des agents?

Cet article explore ces questions et partage une perspective pratique sur la conception et la mise en œuvre de compétences d’agent pour les agents d’IA personnalisés sans s’appuyer sur Claude.

Compétences des agents, outils et fonctionnalités

Un outil est une capacité primitive ou une action unique que l’agent peut entreprendre. Chaque outil fait une chose spécifique. Les outils sont des instruments individuels, comme les marteaux, les scies et les perceuses.

• Exemple : les outils de Claude incluent des éléments comme bash_tool (exécuter une commande), web_search (recherche sur Internet), view (lire un fichier), str_replace (modifier un fichier), web_fetch (obtenir une page Web), places_search, weather_fetch et ainsi de suite.

Une compétence est un ensemble d’instructions expliquant comment orchestrer plusieurs outils pour bien accomplir une tâche complexe. Une compétence ne me donne pas de nouvelles capacités. Il donne aux agents une expertise dans combiner efficacement les outils existants. Les compétences sont comme une recette détaillée qui indique aux agents quels instruments utiliser, dans quel ordre et quelles erreurs éviter.

• Exemple : La compétence docx, par exemple, indique à Claude d’utiliser bash_tool courir npm install docxpuis écrivez du JavaScript en utilisant des modèles spécifiques, puis exécutez bash_tool à nouveau pour valider la sortie, puis utilisez present_files pour le partager.

Une fonctionnalité est un concept au niveau du produit, ou quelque chose que l’utilisateur voit et peut activer ou désactiver. Une fonctionnalité est activée en donnant à l’agent l’accès à certains outils et compétences.

• Exemples : « Exécution de code et création de fichiers », « Recherche sur le Web » et « Artefacts » sont des fonctionnalités. Ainsi, la « création de fichiers » en tant que fonctionnalité est alimentée par l’outil bash, l’outil de création de fichiers, diverses compétences documentaires et l’outil present_files, tous travaillant ensemble.

Les compétences sont ce qui comble le fossé entre l’accès aux outils bruts et une production de haute qualité. Sans la compétence docx, Claude pourrait toujours techniquement créer un document Word, mais il pourrait manquer des éléments tels que « toujours définir explicitement la taille de la page car docx-js est par défaut au A4 » ou « ne jamais utiliser de puces Unicode ».

Les compétences des agents doivent-elles être sous forme de fichiers markdown ?

Pas nécessairement. Le concept de compétences d’agent est plus large que le format.

Une compétence est fondamentalement expertise codifiée sur la façon de bien accomplir une tâche. Cette expertise pourrait prendre plusieurs formes :

• Un fichier de démarque avec des instructions (compétence typique d’agent Claude)
• Un script Python qui fait le travail directement
• Un fichier de configuration ou un schéma JSON
• Un ensemble d’exemples d’entrées et de sorties
• Une combinaison de tout ce qui précède

Dans mon cas, le Script Python semble approprié car j’ai besoin d’une exécution déterministe et fiable à chaque fois sans variation. C’est plus rapide, moins cher et plus prévisible pour un processus procédural. Le instruction de démarque Cette approche devient utile lorsque la tâche implique une ambiguïté ou un jugement. Parfois, nous avons besoin d’instructions de lecture LLM et de raisonnement sur ce qu’il faut faire ensuite pour ajouter de la valeur par rapport à un script rigide.

UN hybride Cette approche est également courante. Je peux conserver mon code Python et le rétrograder vers une implémentation d’outil, mais ajouter un fichier de compétences de démarque qui aide les agents à comprendre quand appeler ma compétence d’agent et comment interpréter les résultats. Une itération de produit typique peut commencer par une implémentation Python et incorporer progressivement des instructions Markdown, pour finalement former une conception de compétences hybride.

Compétence d’agent vs MCP ? Compétence d’agent + MCP !

Nos agents se connectent déjà aux sources de données via des serveurs MCP, mais nombre de nos compétences d’agent incluent également la capacité de lire directement à partir de bases de données. Cela soulève une question architecturale pratique : Quand un agent doit-il utiliser MCP et quand la fonctionnalité doit-elle résider dans une compétence ?

Anthropique explique clairement la distinction avec une analogie utile avec la cuisine :

MCP connecte Claude aux données ; Skills apprend à Claude quoi faire avec ces données.

• MCP fournit à la cuisine professionnelle un accès aux outils, ingrédients et équipements.
• Les compétences fournissent les recettes – des instructions qui indiquent à l’agent comment utiliser ces ressources pour produire quelque chose de précieux.

Dans ma conception, je traite Connexions MCP comme infrastructure et compétences en matière d’orchestration sur la façon dont les données sont utilisées.

Les serveurs MCP sont chargés d’exposer les sources de données et les services externes. Par exemple, ils peuvent fournir un accès structuré aux bases de données, aux journaux, aux API ou aux systèmes internes. Leur rôle est de mettre ces ressources à disposition de l’agent de manière standardisée.

Les compétences de l’agent, quant à elles, définissent la manière dont l’agent doit utiliser les données des serveurs MCP et d’autres bases de données pour accomplir une tâche.

Pour cette raison, j’implémente généralement :

• Accès aux bases de données, API et récupération de données en tant qu’outils (ou fonctionnalités MCP)
• Logique de décision et flux de travail en tant que compétences d’agent

Compétences en tant qu' »Agentic RAG »

Idéalement, les compétences d’agent chargent dynamiquement les informations des outils lors de leur exécution. Cela rend le modèle très similaire à génération augmentée par récupération agentique (RAG).

Au lieu de précharger tout le contexte dans l’invite, la compétence peut :

1. Identifiez les informations dont il a besoin
2. Récupérer les données pertinentes via un outil ou un serveur MCP
3. Traiter ces données conformément à ses instructions
4. Produire le résultat final

Cette approche permet de conserver la légèreté des agents tout en permettant aux compétences d’accéder à des ensembles de données volumineux ou changeants à la demande.

Conclusion

Anthropic a introduit un changement de paradigme important, et la mise en œuvre par Claude des compétences d’agent offre une inspiration précieuse pour construire nos propres systèmes d’agents. Tant que nos compétences capturent l’objectif principal de ce qu’une compétence est censée faire, à savoir encapsuler des fonctionnalités réutilisables à la demande pour un agent, le format spécifique et les détails de mise en œuvre peuvent varier. En fin de compte, les décisions de conception concernant le moment et la manière d’utiliser les compétences doivent être guidées par les besoins et les contraintes du produit que nous construisons.

---

Merci d’avoir lu! J’espère que cela vous a été utile.