De la connaissance de Skill à la compréhension de la façon de construire la compétence en recherche crypto

null

Auteur : @BlazingKevin_ ，Chercheur chez Blockbooster

1. Contexte et évolution de la naissance de l’Agent Skill

La voie des Agents IA en 2025 est à un tournant crucial, passant du « concept technique » à la « mise en œuvre concrète ». Dans ce processus, l’exploration d’Anthropic sur l’encapsulation des capacités a, de manière inattendue, provoqué un changement de paradigme à l’échelle de l’industrie.

Le 16 octobre 2025, Anthropic a officiellement lancé Agent Skill. Au début, la position officielle sur cette fonctionnalité était très réservée — elle était simplement considérée comme un module d’assistance pour améliorer la performance de Claude dans des tâches verticales spécifiques (comme la logique de code complexe, l’analyse de données ciblée).

Cependant, les retours du marché et des développeurs ont dépassé toutes les attentes. Rapidement, tout le monde a constaté que cette conception de « modularisation des capacités » offrait une déconnexion et une flexibilité exceptionnelles en pratique. Elle réduisait non seulement la redondance dans l’optimisation des prompts, mais améliorait aussi considérablement la stabilité de l’exécution des Agents pour des tâches spécifiques. Cette expérience a rapidement déclenché une réaction en chaîne dans la communauté des développeurs. En peu de temps, des outils de productivité de premier plan comme VS Code, Codex, Cursor, ainsi que des environnements de développement intégrés (IDE), ont commencé à supporter en profondeur l’architecture Agent Skill.

Face à cette expansion spontanée de l’écosystème, Anthropic a perçu la valeur universelle sous-jacente à ce mécanisme. Le 18 décembre 2025, une décision majeure a été prise : publier officiellement Agent Skill en tant que norme ouverte.

Ensuite, le 29 janvier 2026, une documentation détaillée sur l’utilisation de Skill a été publiée, éliminant les barrières techniques pour la réutilisation interplateforme et interproduits. Ces actions ont marqué la transformation d’Agent Skill, qui a cessé d’être une « extension exclusive de Claude » pour devenir un modèle de conception sous-jacent universel dans le domaine des Agents IA.

À partir de là, une question se pose : qu’est-ce que cet Agent Skill, adopté par les grands acteurs et les développeurs clés, résout réellement en termes d’ingénierie fondamentale ? En quoi se distingue-t-il et collabore-t-il avec le MCP, le modèle actuellement très en vogue ?

Pour répondre à ces questions et les appliquer concrètement dans la recherche et l’investissement en cryptomonnaies, cet article développera une analyse progressive :

Analyse conceptuelle : la nature d’Agent Skill et sa construction architecturale.

Flux de travail de base : le fonctionnement sous-jacent et le processus d’exécution.

Mécanismes avancés : une plongée dans Reference et Script, deux usages avancés.

Cas pratique : différenciation essentielle entre Agent Skill et MCP, et leur application combinée dans le contexte crypto.

2. Qu’est-ce qu’Agent Skill et sa construction fondamentale

Mais qu’est-ce qu’Agent Skill ? En termes simples, c’est comme un « manuel d’instructions » que le grand modèle peut consulter à tout moment.

Lors de l’utilisation quotidienne de l’IA, on rencontre souvent un problème : à chaque nouvelle conversation, il faut recopier toute une série d’instructions longues. Agent Skill est né pour résoudre cette difficulté.

Prenons un exemple concret : si vous souhaitez créer un agent « service client intelligent », vous pouvez préciser dans le Skill : « En cas de plainte d’un utilisateur, la première étape est de calmer ses émotions, et il est strictement interdit de faire des promesses de compensation. » Ou encore, si vous faites souvent des « résumés de réunions », vous pouvez définir un modèle dans le Skill : « Lors de chaque résumé, respecter la structure : participants, sujets clés, décisions finales. »

Avec ce « manuel », vous n’avez plus besoin de répéter cette longue série d’instructions à chaque interaction. Lorsqu’une tâche lui est confiée, le grand modèle consultera automatiquement le Skill correspondant, et saura immédiatement comment agir selon les standards.

Bien sûr, ce « manuel » n’est qu’une métaphore simplifiée pour faciliter la compréhension. En réalité, Agent Skill peut faire bien plus que de suivre un format. Ses fonctionnalités avancées, que nous détaillerons dans les chapitres suivants, sont très puissantes. Au stade initial, on peut le considérer comme un guide de tâches efficace.

Passons maintenant à un exemple simple, celui du « résumé de réunion », pour voir comment créer un Agent Skill sans nécessiter de compétences en programmation complexes.

Selon les outils principaux actuels (comme Claude Code), il faut localiser (ou créer) un dossier nommé

.claude/skill

dans le répertoire utilisateur de l’ordinateur, qui sera le « quartier général » de tous les Skills.

Première étape : créer un nouveau dossier dans ce répertoire. Le nom de ce dossier sera le nom de votre Agent Skill.

Deuxième étape : dans ce nouveau dossier, créer un fichier texte nommé

skill.md

.

Chaque Agent Skill doit contenir ce fichier

skill.md

. Son rôle est d’informer l’IA : qui je suis, ce que je peux faire, et comment elle doit suivre mes instructions. En ouvrant ce fichier, vous verrez qu’il est divisé en deux parties principales :

Au début du fichier, généralement encadré par deux lignes horizontales

, se trouvent deux propriétés essentielles : name et description.

name

: le nom de ce Skill, qui doit correspondre exactement au nom du dossier.

description

: une étape cruciale. Elle explique précisément à l’IA l’usage spécifique de ce Skill. L’IA scanne en permanence la description pour déterminer quel Skill utiliser pour répondre à la question de l’utilisateur. Rédiger une description précise et complète est donc la condition préalable pour que votre Skill soit bien activé.

Sous la ligne horizontale, la partie restante contient les règles concrètes destinées à l’IA. Cette partie est appelée « instructions » par l’équipe officielle. C’est ici que vous décrivez en détail la logique que le modèle doit suivre. Par exemple, pour le résumé de réunion, vous pouvez préciser en langage clair : « Extraire la liste des participants, les sujets discutés, et les décisions finales. »

En suivant ces étapes, vous créez un Agent Skill simple mais très pratique.

Cependant, un Skill vraiment efficace commence souvent par une conception préalable minutieuse. Avant d’écrire la première ligne, il est conseillé de définir clairement l’objectif, le périmètre et les critères de succès. Cela facilitera grandement la construction.

La première étape consiste à se demander : « Quel problème répétitif dans mon travail dois-je résoudre ? » Il est recommandé de cibler 2 ou 3 scénarios précis que ce Skill doit couvrir.

Ensuite, il faut définir des critères de réussite. Comment savoir si le Skill fonctionne bien ? Avant de commencer, fixez quelques standards mesurables, comme « la vitesse de traitement s’est améliorée » ou « les décisions extraites sont-elles toujours précises et complètes ? »

3. Flux de fonctionnement de base d’Agent Skill

Après avoir compris la structure d’Agent Skill, on peut se demander : comment cette « notice » fonctionne-t-elle concrètement en pratique ?

Si vous avez déjà utilisé des produits comme Manus AI, vous avez probablement vécu cette situation : lorsque vous posez une question spécifique, l’IA ne commence pas immédiatement à produire une réponse longue ou à halluciner, mais elle détecte rapidement que « cette tâche appartient à un Agent Skill spécifique ». Elle affiche alors une invite pour vous demander si vous autorisez l’appel à ce Skill.

Après votre accord, l’IA agit comme une autre personne, en suivant strictement les règles prédéfinies, pour produire le résultat attendu.

Ce processus simple d’« demande-autorisation-exécution » cache en réalité une mécanique très sophistiquée. Pour l’expliquer en détail, il faut d’abord identifier les « trois rôles clés » impliqués dans cette interaction :

Utilisateur : celui qui initie la demande.

Outil client (comme Claude Code) : le « médiateur » qui orchestre la communication.

Grand modèle de langage : le « cerveau » qui comprend l’intention et génère la réponse finale.

Lorsque vous soumettez une demande (par exemple : « Résume-moi la réunion de ce matin »), ces trois acteurs collaborent en quatre étapes précises :

Étape 1 : Analyse légère (transmission des métadonnées)

L’utilisateur envoie sa requête, mais l’outil client ne transmet pas tout le contenu de tous les Skills. Il envoie uniquement la demande de l’utilisateur, accompagnée des « métadonnées » — c’est-à-dire le nom et la description de tous les Agent Skills disponibles dans le système. Vous pouvez imaginer que, même si vous avez une dizaine ou une vingtaine de Skills, le modèle ne reçoit qu’un « répertoire léger ». Cela économise énormément la capacité d’attention du modèle, évitant la surcharge d’informations.

Étape 2 : Correspondance précise de l’intention

Après réception, le modèle analyse rapidement la requête et le répertoire. Il identifie que la demande concerne « un résumé de réunion », et trouve dans le répertoire un Skill nommé « Assistant Résumé de Réunion » dont la description correspond parfaitement. Il informe alors l’outil client : « Je peux utiliser ‘Assistant Résumé de Réunion’ pour cette tâche. »

Étape 3 : Chargement complet de l’instruction

Une fois cette correspondance confirmée, l’outil client (Claude Code) accède au dossier complet du Skill sélectionné, et lit le contenu intégral du

skill.md

. C’est une étape cruciale : seul à ce moment-là, le contenu complet de l’instruction est chargé dans le contexte. Les autres Skills non sélectionnés restent dans le répertoire, sans consommer de ressources.

Étape 4 : Exécution stricte et réponse structurée

Enfin, l’outil client envoie la requête initiale, accompagnée du contenu complet du

skill.md

, au modèle. Celui-ci ne fait pas de choix, mais entre en mode exécution. Il suit strictement les règles du Skill (par exemple : extraire participants, sujets, décisions), pour produire une réponse très structurée, qui sera affichée à l’utilisateur.

4. Mécanisme central 1 : chargement à la demande et Reference

Le premier mécanisme fondamental d’Agent Skill, introduit dans le chapitre précédent, est le « chargement à la demande ».

Même si le nom et la description de chaque Skill sont toujours visibles par le modèle, le contenu précis de l’instruction n’est chargé dans le contexte que lorsqu’il est effectivement sélectionné. Cela permet d’économiser énormément de tokens. Imaginez que vous déployez une dizaine de Skills volumineux (ex : rédaction de contenu viral, résumé de réunion, analyse de données blockchain). Le modèle ne charge initialement qu’un « répertoire léger » pour faire une première sélection. Ce n’est qu’après avoir choisi le Skill cible qu’il charge le contenu complet du

skill.md

. Ce « chargement à la demande » est la première étape pour maintenir la légèreté et l’efficacité d’Agent Skill.

Mais pour les utilisateurs avancés cherchant une efficacité maximale, cette simple étape ne suffit pas. Avec la complexité croissante des tâches, on souhaite que le Skill devienne plus intelligent. Par exemple, pour le « Assistant Résumé de Réunion », on aimerait qu’il ne se contente pas de répéter, mais qu’il fournisse aussi des insights : si la réunion décide d’un budget, il peut vérifier si cela respecte la conformité financière ; s’il s’agit d’un partenariat externe, il peut alerter sur des risques juridiques. Ainsi, lors de la lecture du résumé, l’équipe peut repérer immédiatement des alertes de conformité, évitant de rechercher manuellement dans les règlements.

Ce qui pose un problème technique : pour que le Skill ait cette capacité, il faut intégrer dans le fichier

skill.md

tout un contenu volumineux — règlements financiers, lois, etc. — ce qui rend le fichier très lourd. Même pour une simple réunion technique, le modèle doit charger des milliers de mots, ce qui gaspille des tokens et peut distraire l’attention du modèle.

Existe-t-il une solution pour faire une « demande dans la demande » ? Par exemple, ne charger les règlements financiers que si la réunion évoque effectivement « argent » ?

La réponse est oui. La mécanique Reference d’Agent Skill a été conçue pour cela.

Reference est une base de connaissances externe conditionnelle. Voici comment elle résout élégamment ce problème :

Créer un fichier de référence externe : dans le répertoire du Skill, ajouter un fichier indépendant, appelé « Reference ». Par exemple, « Manuel Financier du Groupe.md », qui détaille les standards de remboursement (ex : « allocation logement 500 ¥/nuit », « frais de restauration 300 ¥/jour par personne »).

Définir une condition de déclenchement : dans le

skill.md

, ajouter une règle spécifique, en langage naturel : « Ne déclencher la lecture du fichier si la réunion mentionne ‘argent’, ‘budget’, ‘achat’, ‘frais’, etc. ». Si cette condition est remplie, le système doit charger le fichier « Manuel Financier du Groupe.md » et en faire une lecture pour vérifier si le montant dépasse le plafond, ou pour identifier les approbateurs concernés.

Une fois cette configuration en place, lors de la prochaine réunion sur le budget, une interaction dynamique commence : le client demande l’utilisation du Skill « Assistant Résumé de Réunion » (chargement initial).

Le modèle, en analysant le contenu, détecte le mot « budget » et active la règle Reference.

Il demande alors : « Autorisez-vous la lecture du fichier ‘Manuel Financier du Groupe.md’ ? » (chargement conditionnel de référence).

Après approbation, le modèle compare le contenu de la réunion avec les standards financiers, et produit un résumé enrichi, intégrant une alerte de conformité si nécessaire.

Il faut bien retenir que Reference est strictement conditionnel : si la réunion ne concerne pas la finance, le fichier reste inactif, et ne consomme aucun token.

5. Script et mécanisme de divulgation progressive

Après avoir expliqué le mécanisme Reference, abordons une autre capacité puissante d’Agent Skill : l’exécution de code (Script).

Pour un Agent mature, il ne suffit pas de « rechercher des infos » ou « faire des résumés » : il doit pouvoir agir directement, pour une automatisation complète. C’est là que Script intervient.

Reprenons notre exemple du « Assistant Résumé de Réunion ». Après avoir généré le résumé, il peut aussi le synchroniser avec le système interne de l’entreprise. Pour cela, on crée un script Python, nommé

upload.py

, dans le dossier du Skill, qui contient la logique d’upload vers le serveur.

Dans le fichier

skill.md

, on ajoute une instruction claire : « Si l’utilisateur mentionne ‘upload’, ‘synchroniser’ ou ‘envoyer au serveur’, tu dois exécuter le script upload.py pour transférer le résumé. »

Lorsque vous dites à l’IA : « Le résumé est bon, peux-tu le synchroniser ? », le système demande immédiatement l’exécution du script

upload.py

. Mais attention : dans ce processus, l’IA ne lit pas le contenu du script. Elle se contente de l’exécuter.

Cela signifie que, même si votre script Python comporte des milliers de lignes, cela n’impacte presque pas la consommation de tokens du modèle. L’IA agit comme un « boîtier noir » : elle ne s’occupe que de lancer l’outil, sans se soucier de son contenu.

Ce qui différencie fondamentalement Reference et Script :

Reference (lecture) : intègre le contenu d’un fichier externe dans la mémoire du modèle (consomme des tokens).

Script (exécution) : déclenche une action externe, sans consommer de tokens, une fois que la règle est définie.

Il faut cependant respecter une règle d’or : lors de la rédaction du

skill.md

, il faut préciser clairement la condition de déclenchement et la commande d’exécution. Si l’IA ne comprend pas bien, elle pourrait tenter de « deviner » le contenu du code, ce qui augmenterait la consommation de tokens. La règle est donc : définir des règles précises et sans ambiguïté.

En résumé, tous les composants clés d’Agent Skill sont maintenant en place. Il est temps de faire une synthèse globale.

En analysant le processus de chargement, on voit que la philosophie d’Agent Skill repose sur une mécanique de divulgation progressive très précise. Pour optimiser la consommation, le système est divisé en trois couches, dont chaque niveau est activé selon des conditions strictes :

Première couche : métadonnées (toujours chargées)

Contient le nom et la description de chaque Skill. C’est comme un « répertoire permanent » très léger. Le modèle le parcourt à chaque requête pour faire une première correspondance.

Deuxième couche : instructions (chargement à la demande)

Contenu de

skill.md

. Il n’est chargé que si la première couche a confirmé la pertinence du Skill.

Troisième couche : ressources (chargement conditionnel avancé)

Elle comprend trois éléments principaux :

Reference : fichiers externes conditionnels, comme le manuel financier.

Script : scripts d’action, comme upload.py, déclenchés sous condition.

Asset : ressources annexes (logos, polices, modèles PDF), utilisées au moment de la génération finale.

6. Différences fondamentales entre Agent Skill et MCP, et application pratique

Après avoir exploré les usages avancés d’Agent Skill, certains lecteurs familiers avec les protocoles IA pourraient faire un parallèle : le mécanisme Script ressemble beaucoup au MCP, qui est très en vogue récemment. En effet, tous deux permettent à un grand modèle d’interagir avec le monde extérieur.

Face à cette similarité, la question se pose : dans le flux de travail de recherche en crypto, faut-il privilégier l’un ou l’autre ?

Pour répondre, Anthropic a résumé la différence essentielle avec une phrase très claire :

« MCP connecte Claude aux données. Skills enseignent à Claude comment traiter ces données. » (MCP fournit la connexion aux données, Skill enseigne comment les utiliser.)

Cette phrase résume tout : MCP est une « canalisation de données », qui standardise l’approvisionnement en informations externes (ex : obtenir la dernière hauteur de bloc sur une chaîne, récupérer les cours en temps réel, lire un PDF de recherche). Agent Skill, en revanche, est un « ensemble de règles de comportement » (SOP), qui guide le modèle dans la façon de traiter ces données (ex : le rapport doit inclure un modèle économique, la conclusion doit comporter un avertissement de risque).

Certains experts pourraient rétorquer : « Si Agent Skill peut aussi exécuter du code Python, pourquoi ne pas écrire directement dans Script une logique de connexion à une base de données ou d’appel API ? Agent Skill pourrait faire tout ce que MCP fait ! »

En théorie, oui. En pratique, c’est très maladroit et peu professionnel.

Les deux principales limites sont :

Mécanisme d’exécution et maintien d’état : un script dans Agent Skill est « sans état » ; chaque exécution est indépendante, et s’efface après. MCP, lui, est un service long terme, capable de maintenir une connexion persistante avec des sources de données (ex : WebSocket long link). Ce que ne peut pas faire un simple script.

Sécurité et stabilité : faire exécuter à l’IA un script Python avec tous les privilèges à chaque fois comporte un risque énorme. MCP offre un environnement isolé et une authentification standardisée.

Ainsi, pour construire un système de recherche crypto avancé, la meilleure approche n’est pas de choisir entre MCP ou Skill, mais de combiner les deux : « MCP pour l’approvisionnement, Skill pour la logique. »

Pour illustrer cette synergie, prenons l’exemple de

opennews-mcp

, développé par le Web3 développeur Cryptoxiao, pour créer un centre d’intelligence de nouvelles cryptos entièrement automatisé, en utilisant des API enrichies.

Ce Skill centralise la capacité de l’API MCP, orchestrée par des instructions dans Skill, pour former un agent intelligent orienté recherche.

Ce système confère à l’IA quatre capacités clés :

Module 1 : Découverte des sources d’actualités

Permet à l’IA de comprendre ses capacités. Via discovery.py, elle peut connaître ses sources d’informations.

Module 2 : Recherche multi-dimensionnelle

Le cœur de la recherche, via news.py, proposant diverses méthodes de recherche.

Module 3 : Analyse et insights alimentés par IA

Utilise les résultats d’analyse IA déjà effectués par 6551.io, permettant à l’agent de demander des « opinions » plutôt que de simples faits.

Insight clé : lorsque l’agent appelle ces outils, il ne sait pas que MCP a effectué une étape « récupération + filtrage ». Pour lui, c’est un outil magique qui renvoie directement « bonnes nouvelles » ou « nouvelles positives », simplifiant énormément le flux de travail.

Module 4 : Flux d’actualités en temps réel

Le « killer feature » d’opennews-mcp, via realtime.py, permettant à l’IA d’écouter en continu.

Une fois intégrés dans le flux d’instructions de l’Agent Skill, ces outils MCP transforment votre IA d’un assistant généraliste en un analyste Web3 de niveau Wall Street. Elle peut automatiser des workflows complexes qui auparavant nécessitaient des heures de recherche humaine :

Exemple 1 : Investigation rapide d’un nouveau token

Commande : « Analyse en profondeur le projet @NewCryptoCoin lancé récemment. »

Étape 1 : collecte initiale — l’agent utilise opentwitter.get_twitter_user pour obtenir le compte officiel.

Étape 2 : validation croisée — en utilisant opentwitter.get_twitter_kol_followers, il identifie si des KOL ou VC importants suivent déjà le projet.

Étape 3 : recherche médiatique — opennews.search_news_by_coin pour repérer articles et communiqués.

Étape 4 : filtrage — opennews.get_high_score_news pour ne garder que les analyses pertinentes.

Étape 5 : rapport — l’agent produit un rapport standard avec fondamentaux, structure communautaire, couverture médiatique et note IA.

Exemple 2 : Détection de signaux de trading en temps réel

Commande : « Surveille en permanence la piste ZK pour détecter des opportunités. »

Étape 1 : établir une connexion WebSocket avec opennews.subscribe_latest_news, pour suivre les actualités contenant « ZK » ou « Zero-Knowledge Proof » liées à des tokens.

Étape 2 : détection d’événements positifs — si une nouvelle importante sur SomeCoin apparaît, avec un sentiment positif, alerter immédiatement.

Étape 3 : analyse communautaire — vérifier via Twitter si des KOL ZK commentent l’événement.

Étape 4 : alerte — si tous les critères sont remplis, envoyer une notification d’opportunité d’achat.

Ainsi, en combinant Agent Skill pour la logique comportementale et MCP pour l’accès aux données, on obtient un workflow de recherche crypto hautement automatisé et professionnel.

À propos de BlockBooster

BlockBooster est une société de gestion d’actifs innovante, spécialisée dans l’ère numérique. Nous utilisons la blockchain pour investir, incubater et gérer des actifs clés du numérique — des projets Web3 natifs aux actifs du monde réel (RWA). En tant que co-créateurs de valeur, nous visons à exploiter le potentiel à long terme des actifs, pour permettre à nos partenaires et investisseurs de capter une valeur exceptionnelle dans la vague de l’économie numérique.

Avertissement

Cet article/blog est à titre informatif, reflète l’opinion personnelle de l’auteur, et ne représente pas la position officielle de BlockBooster. Il ne constitue pas : (i) un conseil ou une recommandation d’investissement ; (ii) une offre ou sollicitation d’achat, de vente ou de détention d’actifs numériques ; ou (iii) un conseil financier, comptable, juridique ou fiscal. La détention d’actifs numériques, y compris stablecoins et NFT, comporte des risques élevés, avec une forte volatilité, pouvant entraîner la perte totale de la valeur. Il est conseillé d’évaluer soigneusement votre situation financière avant de trader ou détenir des actifs numériques. Pour toute question spécifique, consultez un conseiller juridique, fiscal ou financier. Les informations fournies (données de marché, statistiques, etc.) sont à titre général. Bien qu’elles aient été préparées avec soin, l’auteur ne peut être tenu responsable des erreurs ou omissions factuelles.