Introduction

Les skills sont nés naturellement, émergeant de pratiques déjà répandues chez de nombreux développeurs, avant de se formaliser et de se standardiser sous ce nom. Il s'agit tout simplement d'une instruction, d'un prompt spécialisé pour l'exécution d'une tâche, externalisé du chat et réutilisable.

Ce prompt s'est affiné vers un standard global, une forme, un cadre qui fonctionne de manière optimale avec la plupart des LLM. Anthropic a introduit officiellement ce concept en définissant un skill comme un dossier organisé d'instructions, de scripts et de ressources que les agents peuvent découvrir et charger dynamiquement pour mieux accomplir des tâches spécifiques. Ce format a été publié comme standard ouvert (SKILL.md), permettant son adoption au-delà de Claude et de l'écosystème d'Antrhopic : GitHub Copilot, OpenAI, Google, Cursor et tous les acteurs importants de l'IA moderne l'ont rapidement intégré.

Ce n'est bien sûr pas exclusif aux métiers du développement, cela s'étend à tout le champ des possibilités d'utilisation des LLM, et donc à la plupart des secteurs d'activité : marketing, gestion, paperasse, écriture, éducation, finance, création visuelle et audio…

Ce sont donc des compétences utilisables par des agents ou des chatbots LLM. Ces compétences peuvent être données manuellement, ou manipulées de façon contextuelle via des agent harness comme Claude Code, pour être fournies à l'agent au bon moment, sans alourdir la fenêtre de contexte par un appel systématique à chaque tâche. Cela permet d'avoir de nombreux skills à disposition dans un projet, tout en n'en activant que certains, de manière pertinente, aux bons moments. Ce principe de récupérer l'information des skills au bon moment est appelé la « divulgation progressive ».

Le skill selon le type de modèle LLM

Avant de décrire le cadre des skills plus en détail, il faut préciser qu'il existe plusieurs niveaux de variation dans la compréhension, l'assimilation et l'exécution du skill selon les modèles LLM utilisés. On peut diviser cela actuellement en trois catégories.

Les ultra light LLM, dans mon usage, ceux sous 3 milliards de paramètres, fonctionnant avec moins de 8 Go de RAM et peu de contexte mémoire, constituent la catégorie où les skills seront les moins performants. La réponse peut se dégrader dès la première commande, le modèle ne parvenant à exploiter qu'une partie du skill pour couvrir la tâche demandée.

Les LLM locaux grand public, là aussi de mon experience personnelle, entre 7 et 21 milliards de paramètres (entre 16 à 32 Go de RAM d'utilisation), avec une fenêtre de contexte sous les 180K tokens, offrent des résultats encore un peu aléatoires selon le modèle et ses capacités de compréhension. L'utilisation de skills y sera néanmoins déjà plus pertinente que sur les ultra light LLM. Il faudra tester, ajuster, et réinjecter manuellement ou automatiquement via le harness les skills pour obtenir des résultats satisfaisants.

Enfin, les modèles privés et open source à plus de 80 milliards de paramètres (128 Go de RAM minimum) sont ceux où les skills fonctionnent de manière très satisfaisante. Moins d'ajustements sont nécessaires, et ceux à effectuer sont la plupart du temps liés à l'évolution même des modèles LLM, qui intègrent progressivement certains comportements qu'il devient alors nécessaire de simplifier dans la palette de skills utilisée.

Dans tous les cas, la palette de skills que vous utilisez ne doit jamais être considérée comme figée. Au fil des mois, avec l'évolution des harness, des modèles et de vos propres workflows, la pertinence de vos skills doit être évaluée et adaptée en continu. Pas quotidiennement bien sûr, mais un rythme trimestriel me paraît être un bon momentum pour avoir assez de recul sur l'usage, l'évaluation et l'adaptation de vos skills.

Anatomie d'un skill

Pour comprendre concrètement l'anatomie d'un skill, le plus simple est de repartir d'un des exemples qu'Anthropic utilise: le skill PDF qui alimente les capacités d'édition de documents de Claude. Claude comprend déjà très bien le contenu d'un PDF, mais reste limité pour le manipuler directement, par exemple pour remplir un formulaire. Ce skill donne précisément cette nouvelle capacité à l'agent, et il illustre parfaitement les trois niveaux de la « divulgation progressive ».

Dans sa forme la plus simple, un skill est un dossier contenant un fichier SKILL.md. Ce fichier doit obligatoirement commencer par un en-tête YAML (le « frontmatter ») contenant deux métadonnées obligatoires : name et description. Au démarrage de l'agent, ces métadonnées de tous les skills installés sont préchargées dans le prompt système — c'est le premier niveau de divulgation progressive : juste assez d'information pour que Claude sache quand chaque skill doit être utilisé, sans avoir à charger tout son contenu en mémoire.

Si l'agent estime que le skill est pertinent pour la tâche en cours, il va alors lire l'intégralité du fichier SKILL.md — c'est le deuxième niveau de détail, celui du corps des instructions proprement dites.

Lorsqu'un skill devient plus complexe, il peut contenir trop de contexte pour tenir dans un seul SKILL.md, ou du contexte qui n'est pertinent que dans certains scénarios précis. Dans ce cas, le skill peut regrouper des fichiers additionnels dans son dossier, référencés par leur nom depuis le SKILL.md principal. Ces fichiers annexes constituent le troisième niveau (et au-delà) de détail, que l'agent va consulter uniquement s'il en a besoin. Dans l'exemple du skill PDF d'Anthropic, le fichier SKILL.md renvoie ainsi vers deux fichiers complémentaires : reference.md et forms.md. En déplaçant les instructions spécifiques au remplissage de formulaires dans forms.md, l'auteur du skill garde le cœur du skill léger, en sachant que Claude n'ira lire ce fichier que lorsqu'il devra effectivement remplir un formulaire.

Cette divulgation progressive est le principe de conception central qui rend les Agent Skills à la fois flexibles et scalables. C'est comparable à un manuel bien organisé qui commence par une table des matières, puis des chapitres spécifiques, puis une annexe détaillée : l'agent ne charge l'information qu'au fur et à mesure de son besoin réel, ce qui rend la quantité de contexte qu'on peut empaqueter dans un skill, en théorie seulement pour le moment, illimitée.

En théorie, car pour le moment, avec la capacité des LLMs en juillet 2026, il est fortement recommandé d'utiliser seulement deux paliers pour ses skills: le premier palier, le skill maitre, contenant la première logique, et référençant les skills du deuxièmes paliers spécifiques à certaines tache nécéssitant de la précision. Si vous imbriquez un troisième ou quatrième palier, pour le moment, cela diminuera la capacité de l'agent à aller chercher les bons skills. Cela changera surement avec les prochaines générations de LLM, mais je préfère préciser cette nuance pour garder une gestion optimale avec ce qui est possible aujourd'hui.

Un skill peut également embarquer du code exécutable, et pas seulement des instructions textuelles. Certaines opérations sont bien mieux traitées par du code déterministe que par de la génération de tokens : trier une liste via un LLM coûte infiniment plus cher que d'exécuter un algorithme de tri classique. Dans le skill PDF, un script Python pré-écrit permet ainsi de lire un PDF et d'en extraire tous les champs de formulaire. Un LLM comme Claude peut exécuter ce script sans jamais avoir besoin de charger ni le script, ni le PDF dans son contexte, avec l'avantage d'un résultat parfaitement reproductible.

Langue du skill

Pour le moment, sur des modèles majoritairement entraînés en anglais, il est préférable d'écrire vos skills en anglais afin de réduire votre consommation de tokens, même si vous précisez une demande de retour en français dans le skill lui-même, par exemple pour un skill d'analyse dont le rendu final doit être rédigé en français. Voir l'article sur l'utilisation du Français dans les LLM

Utilisation via les agent harness

Le « harness » désigne tout ce qui entoure le modèle brut pour en faire un agent fiable en production : prompts système, outils, politiques de gestion du contexte, hooks, sandboxes d'exécution, boucles de feedback. C'est leur composition qui transforme un LLM brut en infrastructure fiable. (voir l'article sur les agents harness)

Un point de distinction essentiel à intégrer dans votre réflexion : un skill encode une expertise interne (instructions, procédures, scripts locaux exécutés dans l'environnement de l'agent) tandis qu'un serveur MCP (Model Context Protocol) donne accès à des ressources externes : API, bases de données, services tiers. Les deux mécanismes se complètent : le skill fournit le « cerveau » méthodologique, le MCP fournit les « mains » pour agir sur le monde extérieur. Un skill de comptabilité française par exemple peut encoder certaines règles du Code général des impôts, tout en s'appuyant sur un MCP connecté à un logiciel de facturation pour récupérer les données réelles.

Veille, amélioration, adaptation

Voici plusieurs recommandations concrètes pour développer et évaluer ses skills dans la durée. D'abord, l'évaluation : identifier les lacunes des agents en les faisant travailler sur des tâches spécifiques, observer où ils échouent ou manquent de contexte, puis construire les skills pour combler ces lacunes précises.

Il faut ensuite structurer pour la scalabilité : lorsque le fichier SKILL.md devient difficile à maintenir, il faut scinder son contenu en fichiers séparés et les référencer, notamment lorsque certains contextes sont mutuellement exclusifs ou rarement utilisés ensemble. C'est important car cela réduit la consommation de tokens. Il faut aussi clarifier, si un script ou un exemple de code est présent dans le skill, s'il doit être exécuté directement par l'agent, ou simplement lu comme documentation de référence.

Troisième recommandation : penser du point de vue des LLM. Il faut observer comment l'agent utilise réellement le skill en situation, puis itérer à partir de ces observations, en portant une attention particulière au champ name et description, puisque c'est sur cette base que pour la plupart des agents harness, l'agent décide de déclencher ou non le skill. Antigravity IDE intègre la possibilité de contrôler l'utilisation via une interface graphique, en précisant si le skill doit toujours être lu, ou dans quel condition il doit être lu.

Enfin, il faut itérer avec l'agent lui-même : pendant que vous travaillez sur une tâche avec votre agent, vous pouvez lui demander de comprendre ses réussites et ses erreurs récurrentes sous forme de contexte et de code réutilisables a utiliser dans un skill. Et s'il se trompe de trajectoire en utilisant un skill, demandez-lui d'analyser lui-même ce qui a mal tourné. C'est ce travail en temps réel qui permet de découvrir le contexte dont l'agent a réellement besoin, plutôt que d'essayer de tout anticiper à l'avance.

Il faut aussi prévenir d'un mauvais usage nommé le « skill spaghetti » : une accumulation désorganisée de skills redondants ou contradictoires en cas de mauvaise gouvernance pendant les sessions de travail, quu peut être évité par un audit régulier et une documentation centralisée des skills actifs sur un projet.

La jeunesse des skills

Il faut bien intégrer que les skills, dans leur forme, leur utilité et leur usage, restent un objet très jeune, ouvert à l'expérimentation. Malgré la forme décrite plus haut et les bibliothèques présentées ci-dessous, il ne faut pas hésiter à expérimenter la création de vos propres skills et à juger vous-même leur pertinence. N'hésitez pas à ajuster des skills existants pour vous rapprocher de vos besoins réels : un skill reste une instruction textuelle, et c'est à vous de juger sa pertinence pour votre usage. N'ayez pas peur d'essayer de nouvelles formes d'instruction ou des ajustements atypiques.

C'est aussi un point important pour la pertinence des skills dans les projets d'entreprise. Une fois les skills globaux bien compris et maîtrisés, ce qui fera la différence, c'est l'adaptation et/ou la création de skills dédiés à vos workflows de développement et d'entreprise spécifiques.

Un exemple concret

Pour illustrer l'anatomie décrite plus haut, imaginons un skill volontairement simple mais très utile au quotidien pour un développeur : un skill qui standardise le format des réponses techniques données par l'agent, afin qu'elles soient toujours exploitables directement dans un projet de code, sans reformatage manuel.

L'idée est la suivante : un développeur qui travaille avec un agent tout au long de la journée reçoit des dizaines de réponses différentes — parfois un simple extrait de code, parfois une explication accompagnée de plusieurs blocs, parfois une liste de commandes à exécuter. Sans consigne explicite, chaque agent (ou chaque session) a tendance à varier son formatage : tantôt verbeux, tantôt elliptique, tantôt avec des blocs de code mal annotés. Ce skill fige un standard réutilisable pour toutes les réponses de nature technique, afin de gagner du temps de lecture et de copier-coller.

Conformément à ce que documente Anthropic, l'écriture du skill est faite en anglais (pour optimiser la consommation de tokens et la fiabilité d'interprétation par le modèle), tandis que la sortie produite pour l'utilisateur peut être demandée dans une autre langue via le champ description ou une instruction explicite du corps du fichier.

Ce skill reste volontairement minimal : il ne contient qu'un seul fichier SKILL.md, sans script ni ressource annexe, car la tâche ne nécessite ni exécution de code déterministe ni documentation volumineuse — on reste ici au premier et second niveau de la divulgation progressive. C'est un bon point de départ pour comprendre le concept avant de complexifier vers un skill à plusieurs fichiers, comme celui du PDF chez Anthropic.

Du skill unique à l'écosystème de skills

Un skill isolé résout un problème précis, mais les agents modernes tirent surtout leur puissance de la composition de dizaines, voire de centaines de skills chargées à la demande. Cette évolution a fait émerger tout un écosystème parallèle : des éditeurs publient leurs propres bibliothèques officielles, des développeurs indépendants packagent leur expertise métier en collections réutilisables, et des registres communautaires agrègent des milliers de skills tierces pour couvrir chaque cas d'usage imaginable. C'est cette diversité de sources, officielles et communautaires, que la bibliothèque de skills ci-dessous cherche à refléter. J'ai essayé de proposer une liste permettant l'exploration par vous même des skills et de leur formes diverses, des plus simples à ceux faisant partie intégrante de projets plus élaborés.

Les bibliothèques de skills

Voici , après curation fait main, une liste de plusieurs repos officiels et communautaires sur github, qui contiennent leur lot de skills, indépendant ou sous forme de "framework", spécialisées par métier ou par usage:

AVERTISSEMENT:

Certains repositories, comme pour tout projet même en dehors de l'IA, peuvent toujours se faire infecter à un moment donné (injection de prompt, code malveillant caché). Vérifiez toujours par vous-même (à la main, et avec NVIDIA/SkillSpector) avant d'installer quoi que ce soit.

Skills officiels

Ces dépôts sont maintenus directement par des entreprises avec un niveau de qualité, maintenance et confiance élevé.

• anthropics/skills — Skills de référence pour Claude démontrant beaucoup de possibilités. installable via marketplace Claude Code.
• google/skills — Skills pour produits Google Cloud (Gemini API, Analytics APi, BigQuery, ads API...).
• huggingface/skills — Skills IA/ML (création de dataset, entraînement LLM, évaluation, publication de papers) compatibles Claude Code, Codex et Antigravity CLI.
• vercel-labs/agent-skills — Skills front-end/full-stack officielles Vercel: audit coûts/perf Vercel, bonnes pratiques React/Next.js, guidelines UI/UX, React Native, déploiement instantané.
• laravel/agent-skills — Collection officielle de l'équipe Laravel (déploiement Laravel Cloud, configuration Nightwatch, mise à jour de starter-kits), distribuée comme plugin pour Claude Code et Cursor. Base légère, à retravailler et augmenter soi-même.
• NVIDIA/skills — Catalogue officiel NVIDIA de 110+ skills vérifiées couvrant 24 produits (CUDA-X, NeMo, DALI, Holoscan SDK, RAG Blueprint, etc.)
• github/awesome-copilot — Registre officiel GitHub pour Copilot (agents, instructions, skills, hooks, configurations).

Bibliothèques de skills communautaires

Développement et qualité de code

• DietrichGebert/ponytail — pousse l'agent à privilégier systématiquement la solution la plus simple avant d'écrire du code, en vérifiant d'abord si le besoin existe déjà nativement.

• shanraisshan/claude-code-best-practice — dépôt de référence compilant retours d'expérience et comparatifs de collections de skills, utile pour nourrir sa veille.

• addyosmani/web-quality-skills — Collection de skills pour optimiser la qualité web selon les guidelines Google Lighthouse et les Core Web Vitals (performance, accessibilité, benchmarking continu).
• mattpocock/skills — Collection de skills d'ingénierie "pour vrais développeurs, pas du vibe-coding", issue directement du dossier .claude personnel de Matt Pocock, un développeur/professeur typescript.
• addyosmani/agent-skills — 24 skills d'ingénierie "production-grade" organisées selon un cycle de vie complet DEFINE→PLAN→BUILD→VERIFY→REVIEW→SHIP. Utilisable en add-on/framework ou en regardant directement les scripts.
• obra/superpowers — Framework complet de méthodologie de développement logiciel pour agents, structuré autour de 7 skills principaux
• Graphify-Labs/graphify — Skill qui cartographie un projet entier (code, documentation, PDF, images, vidéos) en graphe de connaissances interrogeable, évitant à l'agent de devoir lire fichier par fichier pour comprendre le contexte.
• Donchitos/Claude-Code-Game-Studios — Template de studio de jeu vidéo complet : 49 agents, 73 skills/commandes, spécialistes Godot/Unity/Unreal, skills conçus comme collaboratif.

Consommation de token

• JuliusBrussee/caveman - Un skill qui à fait pas mal parler de lui depuis avril, avec pour but de réduire au maximum le nombre de token en réfléxion et en sortie, dans un langage mimimal.

Métiers verticaux

• romainsimon/paperasse — Des skills spécialisés dans la bureaucratie française (comptable, contrôleur fiscal, commissaire aux comptes, fiscaliste, notaire, syndic), avec évaluations chiffrées et garde-fous sur la fraîcheur des données légales.
• AgriciDaniel/claude-seo — plugin SEO exécutant plusieurs sous-skills et plusieurs agents spécialisés en parallèle (technique, E-E-A-T, Schema.org, GEO/AEO, local, e-commerce).
• phuryn/pm-skills — marketplace de plus de 100 skills pour product managers, inspirés des méthodologies de Teresa Torres, Marty Cagan et Alberto Savoia.
• mukul975/Anthropic-Cybersecurity-Skills — la plus grande bibliothèque open source de skills cybersécurité, mappée sur MITRE ATT&CK, NIST CSF 2.0 et d'autres frameworks de sécurité.
• deanpeters/Product-Manager-Skills — Framework de 49 skills PM organisées en trois niveaux (Component/templates, Interactive/discovery guidée, Workflow/orchestration bout-en-bout), plus une suite Career & Leadership (PM→Director→VP/CPO).
• santifer/career-ops — Système de recherche d'emploi piloté par IA (14 modes de skills) : notation A-F des offres, CV/lettres ATS-optimisés en PDF...
• coreyhaines31/marketingskills — 44 skills marketing (CRO, copywriting, SEO/AI-SEO, ads, growth, retention, sales-enablement...)

Écriture, design et recherche

• Leonxlnx/taste-skill — skills orientés design frontend pour éviter les interfaces génériques produites par les agents IA, avec plusieurs variantes stylistiques.
• hardikpandya/stop-slop et blader/humanizer — deux skills complémentaires visant à supprimer les tics d'écriture IA et rendre les textes générés plus naturels et moins détectables.
• mvanhorn/last30days-skill — recherche agentique interrogeant en parallèle Reddit, X, YouTube, Hacker News et GitHub pour synthétiser les tendances réelles sur un sujet.
• f/prompts.chat — anciennement « Awesome ChatGPT Prompts », la plus grande bibliothèque open source de prompts au monde, désormais disponible en plugin Claude Code et serveur MCP. Pas directement des skills, mais une bonne ressource pour inspirer la création de ses propres skills
• emilkowalski/skills Skills pour aider designers et ingénieurs à construire de meilleures interfaces via une meilleure transition fibre artistique/technique grace aux skills.
• markdown-viewer/skills — Des skills pour générer diagrammes et visualisations directement en Markdown: UML, mindmap, infographies...
• nextlevelbuilder/ui-ux-pro-max-skill — Moteur de raisonnement design qui génère un système de design complet (couleurs, typographie, patterns, anti-patterns, checklist pré-livraison) à partir de 161 règles sectorielles, 67 styles UI et 16 stacks techniques (React, Vue, SwiftUI, Flutter, etc.), tout ça grace aux skills, c'est pas beau ?
• Imbad0202/academic-research-skills — Suite de 4 skills principaux (Deep Research, Academic Paper, Reviewer, Pipeline orchestrateur) avec garde-fous anti-hallucination de citations.
• muratcankoylan/Agent-Skills-for-Context-Engineering - 15 skills pédagogiques sur le context engineering.

Registres curés (awesome-lists)

Ces dépôts sont des index qui agrègent et filtrent des centaines de skills.

• VoltAgent/awesome-agent-skills — Curation manuelle de plus de 1000 skills strictement officielles publiées par de vraies équipes d'ingénierie (Anthropic, Google, Vercel, Stripe, Cloudflare, Microsoft, Hugging Face, OpenAI, Figma, etc.).
• sickn33/antigravity-awesome-skills — Un vaste registre agrégé (presque 1500 skills), multi-plateforme (Claude Code, Cursor, Codex CLI, Gemini CLI, Antigravity, Kiro, OpenCode, GitHub Copilot).

Sécurité et pragmatisme

Deux points méritent une attention particulière avant de généraliser l'usage des skills dans vos projets et en entreprise.

La sécurité (oui encore): il faut auditer minutieusement tout skill provenant d'une source moins fiable, faire attention au fork, et lire le contenu des fichiers embarqués, en étant attentif aux dépendances ainsi qu'à toute instruction qui pousserait l'agent à se connecter à des sources non fiables. Un skill malveillant peut introduire des vulnérabilités dans l'environnement où il s'exécute, ou pousser l'agent à exfiltrer des données ou à réaliser des actions non désirées. C'est un danger à connaitre.

Ce créer une grille de lecture, au minimum mentalement, pour choisir la bonne approche selon le besoin, est aussi important: un prompt classique convient pour une tâche ponctuelle et simple, un skill convient pour une procédure récurrente et structurée nécessitant expertise et cohérence, et un serveur MCP convient dès qu'il faut connecter l'agent à des données ou services externes en temps réel. Comprendre cette complémentarité évite de sur-ingénierer des solutions simples ou, à l'inverse, de sous-équiper des workflows complexes.

Conclusion

Les skills marquent une étape de maturation dans la manière de collaborer avec les LLM : on passe du prompt jetable à une expertise packagée, versionnée et réutilisable, capable de transformer un modèle généraliste en spécialiste sur demande. Leur standardisation rapide témoigne d'un besoin réel de l'industrie plutôt que d'un simple effet de mode. Reste que cet objet est encore jeune : sa vraie valeur, pour un développeur ou une entreprise, se révèle moins dans l'usage des bibliothèques génériques que dans la capacité à créer et affiner des skills sur mesure, alignés avec ses propres workflows, de découvrir des interopérabilités ingénieuses, et à en assurer la veille dans la durée. L'apparition d'outils ingénieux avec des skills au centre de différents systèmes offre aussi un aperçu intéressant d'un futur possible du développement logiciel agentique.