Vous passez probablement à côté du vrai potentiel des compétences d'agent !

L'auteur introduit le concept fondamental des compétences d'agent, souvent négligé mais essentiel pour exploiter pleinement les outils comme Cloud Code ou Codex. Il explique que ces compétences sont techniquement des fichiers Markdown servant de modèles de prompts ou de fragments de contexte supplémentaires. Bien que leur configuration puisse sembler fastidieuse, elles permettent d'améliorer considérablement les résultats de l'IA. L'intervenant mentionne que même les ingénieurs d'Anthropic utilisent diverses catégories de compétences en interne pour leurs propres flux de travail. L'objectif de la vidéo est de simplifier cette approche en se concentrant sur trois types de compétences clés plutôt que de se laisser submerger par la complexité.

Cette section détaille l'importance de fournir à l'agent IA des connaissances spécifiques qu'il ne possède pas forcément dans ses données d'entraînement initiales. L'auteur prend l'exemple de fonctionnalités TypeScript modernes, comme le mot-clé "satisfies", que l'IA pourrait ne pas utiliser spontanément. En créant une compétence de documentation, on s'assure que l'agent a accès aux dernières nouveautés ou aux spécificités d'une bibliothèque propriétaire. Les métadonnées jouent ici un rôle pivot car elles permettent à l'IA de décider d'elle-même quand charger ces informations détaillées. Ainsi, le contexte n'est pas encombré inutilement, mais l'information reste disponible au moment opportun pour la tâche en cours.

Le deuxième type de compétence se concentre sur l'imposition de styles de code, de schémas de conception et de règles de qualité spécifiques à un projet. L'auteur illustre cela avec une compétence dédiée au "code React propre", visant à éviter les anti-patterns fréquents que l'IA pourrait générer par défaut. Ces fichiers peuvent inclure des références liées, comme des guides sur l'utilisation correcte des hooks, chargés de manière paresseuse (lazy loading). L'intérêt majeur est la portabilité de ces compétences, qui peuvent être copiées d'un projet à l'autre pour garantir une cohérence technique. L'intervenant conseille d'adopter une approche itérative en ajoutant des instructions chaque fois qu'un comportement indésirable de l'IA est identifié.

L'auteur explore ici les capacités étendues des agents qui dépassent la simple écriture de code, notamment par l'interaction avec le système d'exploitation et des APIs tierces. Il présente l'exemple d'une compétence permettant de générer des images via l'API de Fal.ai en utilisant un script écrit par l'IA elle-même. La compétence Markdown décrit alors à l'agent comment exécuter ce script CLI et quels paramètres lui passer sans exposer directement les clés API sensibles. Cette méthode transforme l'agent en un outil polyvalent capable de formater des fichiers ou de manipuler divers formats de documents. Cela démontre que les compétences peuvent servir de pont entre le langage naturel de l'utilisateur et des outils logiciels concrets et spécialisés.

Pour conclure, l'auteur met en garde contre la surcharge de la fenêtre de contexte en évitant d'installer trop de compétences inutiles simultanément. Il mentionne l'existence de registres communautaires comme skills.sh, tout en soulignant les risques de sécurité liés aux injections de prompts malveillants. Il est impératif de lire et de vérifier le contenu de toute compétence provenant d'une source tierce avant de l'intégrer à son environnement. La philosophie finale reste la simplicité : ne pas chercher la perfection immédiate, mais expérimenter avec les trois catégories présentées. En bâtissant progressivement sa bibliothèque, l'utilisateur optimise son flux de travail sans se laisser décourager par la complexité technique initiale.