Tech • IA • Robotique • Jeu
Tout ce que vous savez sur les skills Claude Code est dépassé
5/10INTRO
Surcharger un assistant IA avec trop de compétences peut gaspiller du contexte, augmenter son hésitation et réduire la qualité des résultats; il est donc souvent plus efficace d’élaguer, raccourcir et restructurer les compétences que d’en ajouter davantage.
POINTS CLÉS
Trop de compétences peuvent nuire aux performances
Chaque message utilisateur peut exposer le modèle à la liste des compétences disponibles et à leurs descriptions, ce qui consomme du contexte avant même tout travail réel. Dans une configuration auditée, 115 compétences étaient installées, avec 65 descriptions totalisant environ 17 000 caractères. Seules 71 avaient déjà été utilisées, tandis que 44 n’avaient jamais été lancées, montrant à quel point du poids mort peut s’accumuler.
Les idées reçues sur les compétences sont souvent fausses
Plusieurs croyances répandues ne résistent pas à la pratique: rédiger chaque compétence à la main, supposer que davantage de compétences rendent toujours l’assistant plus performant, faire confiance au modèle pour toujours choisir la bonne, ou tout regrouper dans un seul long fichier. Des compétences longues et encyclopédiques peuvent diluer les instructions utiles. Davantage de choix peuvent aussi rendre la sélection moins fiable lorsque plusieurs compétences se recoupent.
Les compétences devraient émerger d’un travail répété
Une méthode plus efficace consiste à d’abord exécuter une tâche, puis à transformer le déroulé réussi en compétence réutilisable. Cela capture les étapes réelles, les vraies corrections et les cas limites exacts apparus pendant l’exécution. On obtient ainsi une compétence façonnée par essais et erreurs plutôt que par la théorie, ce qui permet d’éviter à l’avenir des erreurs déjà encodées sous forme de règles.
Les compétences inutilisées doivent être supprimées sans hésiter
Chaque compétence supplémentaire coûte deux fois: elle ajoute une surcharge de contexte et crée de l’ambiguïté au moment de la sélection. Un audit utile demande si le modèle lit souvent la compétence, si son usage améliore les résultats et si l’utilisateur la lance encore manuellement. Si la réponse est le plus souvent non, la compétence devrait être supprimée au lieu de rester inactive dans le système.
Les workflows devraient souvent être masqués à l’invocation automatique
Toute compétence ne devrait pas forcément pouvoir être appelée par le modèle de lui-même. Il faut distinguer les capacités, comme la navigation ou les outils de recherche, des workflows, comme commit, create PR ou handoff, qui sont généralement des routines déclenchées par l’utilisateur. Marquer ces workflows avec disable model invocation retire leurs descriptions du contexte par défaut tout en conservant leur usage manuel.
Des fichiers de compétences plus courts peuvent préserver la même qualité
La règle directrice est simple: chaque ligne doit changer le comportement. Si supprimer une ligne ne modifie pas le résultat, elle doit être coupée. Lors d’un nettoyage, 106 compétences ont été révisées, environ 9 000 lignes ont été supprimées, et seulement 1 800 ont été réajoutées. Une compétence agent manager serait passée de 464 lignes à 24 lignes sans baisse significative de qualité.
Une compétence devrait être scindée en résumé, références et scripts
Le fichier principal skill.md fonctionne mieux comme résumé concis. La documentation détaillée peut être déplacée vers des fichiers de référence ouverts seulement en cas de besoin, tandis que les actions répétitives ou risquées peuvent être transférées vers des scripts exécutables. Cette structure permet au modèle de ne charger que le contenu pertinent pour une tâche donnée, par exemple une référence music pour un travail de bande-son ou une référence performance pour des problèmes de rendu.
Le niveau de risque devrait déterminer la liberté laissée au modèle
Les tâches à faible enjeu peuvent s’appuyer sur des instructions textuelles larges et sur le jugement. Les tâches à risque moyen peuvent utiliser des modèles avec des contraintes plus strictes. Les opérations à haut risque, surtout tout ce qui touche à l’argent, à la suppression ou au déploiement, devraient être réduites à des scripts précis laissant un minimum de variation. Plus le coût d’une erreur est élevé, moins le modèle devrait avoir de liberté.
Des outils tiers peuvent inonder silencieusement un système de compétences inutiles
Les audits peuvent révéler un grand nombre de compétences ajoutées par des applications et intégrations externes, y compris des éléments que l’utilisateur ne reconnaît plus ou n’a jamais demandés explicitement. Lors d’un nettoyage, des compétences liées à des services comme Eleven Labs et à des outils de publication ont été supprimées après avoir été jugées rarement utiles, voire jamais. À elle seule, cette passe aurait supprimé environ 16 000 lignes de contenu inutile.
Des méta-compétences peuvent automatiser la gouvernance
Une couche dédiée de skill manager ou de skill audit peut standardiser la manière dont les compétences sont créées, modifiées et révisées. Une telle méta-compétence peut imposer des règles sur la longueur des descriptions, la structure des fichiers, les autorisations d’invocation et l’utilité de chaque ligne. L’idée générale est que les systèmes de compétences profitent moins de l’expansion que d’une maintenance disciplinée.
CONCLUSION
Le principal avantage ne vient plus de l’accumulation de la plus grande bibliothèque possible de compétences, mais du fait de ne conserver que celles qui améliorent réellement les résultats. Des descriptions plus légères, moins d’options automatiques et une structure plus stricte peuvent rendre un assistant IA plus rapide, plus clair et plus fiable.
Poser une question