Tu as déjà l'impression que les nouveaux termes dans le domaine de l'IA se renouvellent plus vite que les modèles de téléphones ?
Hier, tu venais juste de comprendre « Function Calling », aujourd'hui « Skills » fait son apparition. L'autre jour, quelqu'un a mentionné « MCP », et avant que tu puisses réagir, un autre parlait d'« Agents ». Chaque fois que tu vois ces mots, ta première pensée est : suis-je encore en train de prendre du retard ?
Ne panique pas. Aujourd'hui, on va décortiquer « Claude Skills » clairement.
Plus important encore, je vais te dire comment cela se rapporte aux concepts que tu connais déjà — les fonctions et le function calling. Tu verras qu'il ne s'agit pas de trois termes isolés, mais d'étapes construites les unes sur les autres. Une fois que tu comprends ces trois couches, tu pourras juger où se situe tout nouveau terme.
Le point de départ
Commençons par quelque chose de familier : les « fonctions » en programmation.
Tu peux considérer une fonction comme un « petit assistant ». Tu lui dis ce qu'elle doit faire (tu lui donnes une entrée), et elle te dit le résultat après avoir terminé (elle te donne une sortie). Comme un serveur dans un restaurant : tu commandes, il sert, en suivant un processus fixe à chaque fois.
Par exemple, un programmeur écrit une fonction appelée calculate_tax(income). Tu lui donnes le montant des revenus, et elle calcule l'impôt dû. Besoin de recalculer ? Il suffit de l'appeler à nouveau. Pas besoin de réécrire la logique fiscale à chaque fois.
La valeur d'une fonction se résume à trois mots : encapsulation, réutilisation et normalisation.
Elle empaquète une tâche pour que tout le monde puisse l'utiliser de la même manière à chaque fois. C'est l'outil de productivité le plus basique pour les programmeurs depuis des décennies.
Mais les fonctions ont une limite : elles ne vivent que dans le monde du code.
Un programmeur écrit getWeather() dans le code, et elle sera exécutée à 100 %. Mais les gens ordinaires n'écrivent pas de code, et l'IA n'« exécute » pas ce code directement. Alors comment faire pour que l'IA utilise ces « petits assistants » ?
Le pont
Vers 2023, le concept de « Function Calling » est devenu populaire.
Tu peux considérer cela comme donner à cette « IA qui ne fait que discuter » un téléphone et un répertoire.
Auparavant, si tu demandais à une IA « Quel temps fait-il à Pékin aujourd'hui ? », elle devinait à partir des données d'entraînement ou disait honnêtement « Je ne sais pas » parce qu'elle n'avait ni « mains ni pieds » pour vérifier.
Avec le function calling, les choses ont changé.
Les développeurs disent à l'IA à l'avance : « Voici un répertoire avec une fonction appelée get_weather. Appelle ce numéro si tu veux vérifier la météo. » Quand l'IA reçoit la question, elle juge : « Oh, je dois appeler get_weather pour répondre. »
Ensuite, elle génère une « note » standard (appelée JSON) qui dit :
{ "function": "get_weather", "arguments": { "city": "Beijing" } }
Cette note est reçue, analysée et exécutée par un programme externe. Le programme externe est celui qui appelle réellement la station météo. Le résultat est renvoyé à l'IA, qui te dit alors en français : « Il fait soleil à Pékin aujourd'hui, 15 degrés. »
Il y a un point clé que les débutants négligent souvent.
Les fonctions traditionnelles sont « déterministes » : si un programmeur écrit getWeather(), elle s'exécute. Mais le function calling des LLM est « probabiliste » : l'IA doit juger par elle-même si elle doit appeler la fonction. Ce jugement est basé sur la compréhension, pas sur des règles. Il y a une petite chance qu'elle interprète mal la demande.
Donc, l'essence du function calling est : laisser l'IA « passer des appels », mais c'est elle qui décide si elle appelle et qui appeler.
C'est un énorme bond : l'IA n'est plus seulement une « base de connaissances » ; elle devient un « acteur ».
Mais le function calling a encore un problème : il est fragmenté et ponctuel.
Si une tâche nécessite d'appeler cinq ou six fonctions à la suite avec des jugements logiques et des références documentaires, le simple function calling ne suffit pas.
Le bond
Le 16 octobre 2025, Anthropic a publié une nouvelle fonctionnalité : Claude Skills.
Tu peux considérer les Skills comme une combinaison d'un « manuel de l'employé » et d'une « boîte à outils ».
Le manuel dit à l'IA : « Quand tu rencontres ce type de tâche, voici comment faire, étape par étape, et quels outils utiliser à chaque étape. » La boîte à outils contient les scripts et les documents de référence dont elle a besoin.
Plus précisément, un Skill est un dossier contenant trois choses :
Premièrement, le fichier SKILL.md. Ce sont des « instructions » écrites en langage naturel. Il dit à l'IA à quoi sert le Skill, quand l'utiliser, et les précautions éventuelles.
Deuxièmement, les scripts. Il peut s'agir de code écrit en Python, JavaScript, etc. Quand l'IA a besoin de « mettre les mains dans le cambouis », elle exécute ces scripts.
Troisièmement, les fichiers de ressources. Tels que des documents de référence, des modèles ou des fichiers de configuration que l'IA peut consulter pendant l'exécution de la tâche.
Tu pourrais demander : Quelle est la différence fondamentale avec le function calling ?
La différence est : Le function calling est un « outil unique », tandis que les Skills sont une « solution complète ».
Le function calling, c'est comme te donner un marteau et un tournevis ; tu dois savoir quand utiliser lequel. Les Skills, c'est comme te donner un manuel de montage IKEA qui inclut toutes les étapes, les outils et les pièces.
Il existe aussi un mécanisme important appelé « divulgation progressive ».
La « mémoire de travail » de l'IA (fenêtre de contexte) est limitée. Si tu entasses tous les Skills d'un coup, l'IA est submergée. Les Skills permettent à l'IA de savoir que le manuel existe et de ne « tourner la page » que quand elle en a réellement besoin.
Maintenant, regardons les trois couches ensemble :
De bas en haut, le niveau d'abstraction augmente. Les fonctions sont au niveau du code, le function calling au niveau de l'interface, et les Skills au niveau du flux de travail.
Les Skills peuvent contenir des appels de fonction, mais le function calling n'est qu'une partie des Skills.
Application pratique
Que peuvent réellement faire les Skills ? Regardons quelques cas concrets.
D'abord, mon propre projet : x-article-publisher-skill.
Si tu écris en Markdown et que tu veux publier sur X (Twitter) Articles, tu constateras que le copier-coller perd toute la mise en forme. Tu dois corriger manuellement les titres, le texte en gras et les liens, ce qui prend 15 à 20 minutes par article.
Les images sont encore pires. Tu dois les télécharger manuellement et les glisser au bon endroit. Ce Skill résout ce problème.
Il analyse ton Markdown, extrait le titre et la couverture, et calcule un « index de bloc » pour chaque image. Ensuite, il convertit le Markdown en HTML riche pour un collage parfait et utilise l'automatisation du navigateur (Playwright) pour insérer chaque image automatiquement à la bonne position.
Ce qui prenait 30 minutes manuellement prend maintenant quelques minutes entièrement automatiquement. Pour les paresseux, ne pas avoir à lever le petit doigt, c'est la vraie valeur.
Tu pourrais dire : N'est-ce pas juste un script d'automatisation ?
Oui et non. Un script exige que tu te souviennes comment l'exécuter. Un Skill inclut ces instructions. Tu dis simplement à l'IA « Publie ça sur X », et elle sait quel Skill utiliser et comment l'opérer.
C'est la valeur du « codage des connaissances » — transformer « Je sais comment faire » en « L'IA sait aussi comment faire. »
D'autres scénarios incluent :
Gestion de réunions : Un Skill qui extrait des résumés et des actions à partir de transcriptions et rédige des e-mails de suivi.
Analyse de données : Lance un CSV, et il identifie les métriques clés et génère un rapport avec des graphiques.
Support client : Il récupère des réponses à partir d'une base de connaissances et les organise en une réponse humaine.
Enfin, les outils pour développeurs.
Il existe un Skill appelé skill-creator — un Skill pour créer des Skills. Tu décris le flux de travail, et il génère le cadre du projet pour toi.
Pour commencer
Pour utiliser des Skills existants, le moyen le plus simple est via la place de marché des plugins Claude Code.
Tu peux ajouter d'autres places de marché en utilisant /plugin marketplace add anthropics/claude-code.
Une fois installé, tu peux les gérer avec la commande /plugin.
Pour créer les tiens, utilise le méta-skill skill-creator. Tu peux même créer des Skills qui analysent des documents et dessinent des diagrammes, comme cette carte des relations des personnages pour Le Rêve dans le pavillon rouge :
Ou les interactions des Sept Royaumes combattants :
Tu peux même connecter Claude Skills à des outils externes comme NotebookLM pour combiner une récupération puissante avec ta propre créativité.
Jette un œil à awesome-claude-skills sur GitHub pour une liste communautaire d'excellents Skills.
Je recommande personnellement la place de marché 42plugin de l'équipe de Yang Zhiping, qui inclut des évaluations pour t'aider à éviter les plugins de mauvaise qualité.
Le point le plus important : Créer un Skill ne nécessite pas forcément de coder.
Les instructions dans SKILL.md sont en langage naturel. Si ton flux de travail n'a pas besoin de scripts complexes, le langage naturel seul peut accomplir beaucoup de choses.
Résumé
- Les fonctions sont la fondation (niveau code).
- Le Function Calling est le pont (niveau interface).
- Les Claude Skills sont le plan (niveau flux de travail).
Comme le disent les analystes de Gartner, l'accent se déplace des « mises à jour de modèles » vers la « mise en œuvre de cas d'usage ». Les Skills transforment l'IA de « répondeur » en « collaborateur ».
La prochaine fois que tu entends un nouveau terme d'IA, demande-toi : Dans quelle couche se situe-t-il ? En pensant ainsi, les nouveaux termes deviennent beaucoup moins intimidants.
As-tu déjà essayé Claude Skills ? N'hésite pas à partager tes flux de travail dans les commentaires !
