Skills

s01 > s02 > s03 > s04 > [ s05 ] s06 | s07 > s08 > s09 > s10 > s11 > s12

"Chargez les connaissances quand vous en avez besoin, pas à l'avance" -- injectez via tool_result, pas le prompt système.

Problème

Vous voulez que l'agent suive des flux de travail spécifiques au domaine : conventions git, patterns de test, checklists de revue de code. Mettre tout dans le prompt système gaspille des tokens sur les skills non utilisés. 10 skills à 2000 tokens chacun = 20 000 tokens, dont la plupart sont irrelevants pour une tâche donnée.

Solution

System prompt (Layer 1 -- toujours présent):
+--------------------------------------+
| You are a coding agent.              |
| Skills available:                    |
|   - git: Git workflow helpers        |  ~100 tokens/skill
|   - test: Testing best practices     |
+--------------------------------------+

Quand le modèle appelle load_skill("git"):
+--------------------------------------+
| tool_result (Layer 2 -- on demand): |
| <skill name="git">                  |
|   Full git workflow instructions...  |  ~2000 tokens
|   Step 1: ...                       |
| </skill>                            |
+--------------------------------------+

Layer 1: noms de skills dans le prompt système (pas cher). Layer 2: corps complet via tool_result (à la demande).

Comment Ça Marche

1. Chaque skill est un répertoire contenant un SKILL.md avec du YAML frontmatter.

skills/
  pdf/
    SKILL.md       # ---\n name: pdf\n description: Process PDF files\n ---\n ...
  code-review/
    SKILL.md       # ---\n name: code-review\n description: Review code\n ---\n ...

1. SkillLoader scanne les fichiers SKILL.md, utilise le nom du répertoire comme identifiant du skill.

class SkillLoader:
    def __init__(self, skills_dir: Path):
        self.skills = {}
        for f in sorted(skills_dir.rglob("SKILL.md")):
            text = f.read_text()
            meta, body = self._parse_frontmatter(text)
            name = meta.get("name", f.parent.name)
            self.skills[name] = {"meta": meta, "body": body}

    def get_descriptions(self) -> str:
        lines = []
        for name, skill in self.skills.items():
            desc = skill["meta"].get("description", "")
            lines.append(f"  - {name}: {desc}")
        return "\n".join(lines)

    def get_content(self, name: str) -> str:
        skill = self.skills.get(name)
        if not skill:
            return f"Error: Unknown skill '{name}'."
        return f"<skill name=\"{name}\">\n{skill['body']}\n</skill>"

1. Layer 1 va dans le prompt système. Layer 2 est juste un autre handler d'outil.

SYSTEM = f"""You are a coding agent at {WORKDIR}.
Skills available:
{SKILL_LOADER.get_descriptions()}"""

TOOL_HANDLERS = {
    # ...base tools...
    "load_skill": lambda **kw: SKILL_LOADER.get_content(kw["name"]),
}

Le modèle apprend quels skills existent (pas cher) et les charge quand pertinent (cher).

Qu'est-ce qui a Changé par Rapport à s04

Composant	Avant (s04)	Après (s05)
Outils	5 (base + task)	5 (base + load_skill)
Prompt système	Chaîne statique	+ descriptions de skills
Connaissances	None	fichiers skills/*/SKILL.md
Injection	None	Deux couches (système + résultat)

Essayer

python agents/s05_skill_loading.py

1. Quels skills sont disponibles ?
2. Charger le skill agent-builder et suivre ses instructions
3. J'ai besoin de faire une revue de code -- charger le skill pertinent d'abord
4. Construire un serveur MCP en utilisant le skill mcp-builder