Toutes les ressources

Skills · 8 min

Microsoft a open-sourcé des skills d'agent qui s'entraînent tout seuls

Microsoft Research vient de lâcher un outil qui prend les instructions de ton agent IA et les réécrit tout seul, en boucle, jusqu'à ce qu'elles marchent mieux. Pas en touchant au modèle.

Ce qu’il y a dedans

  • Le problème que personne n'ose dire sur les skills
  • C'est quoi exactement SkillOpt
  • Setup en 10 minutes
  • 5 cas d'usage concrets

Microsoft Research vient de lâcher un outil qui prend les instructions de ton agent IA et les réécrit tout seul, en boucle, jusqu'à ce qu'elles marchent mieux. Pas en touchant au modèle. Juste en optimisant le fichier d'instructions, comme on entraîne un modèle, mais sur du texte. C'est gratuit, open source, et voilà comment t'en servir.


Le problème que personne n'ose dire sur les skills

Quand tu bosses avec un agent IA (Claude Code, un agent maison, un assistant qui exécute des tâches), tu lui donnes un fichier d'instructions. Une sorte de fiche de poste. "Voilà comment tu traites une facture", "voilà comment tu qualifies un lead", "voilà comment tu écris un post".

Ce fichier, tu l'écris à la main. Et là commence la galère. Tu testes, ça rate à moitié, tu réécris une phrase, tu re-testes, ça rate ailleurs. Tu passes des heures à bricoler des instructions en espérant que ça tienne.

Le pire, c'est que tu ne sais jamais vraiment si ta correction a amélioré les choses ou cassé autre chose. Tu navigues à l'aveugle.

SkillOpt attaque exactement ce point. Au lieu de réécrire tes instructions à la main, il le fait à ta place, en mesurant à chaque étape si la nouvelle version est meilleure.


C'est quoi exactement SkillOpt

SkillOpt est un optimiseur open source publié par Microsoft Research (licence MIT, gratuit, code sur github.com/microsoft/SkillOpt).

L'idée de base est maligne. D'habitude, pour améliorer une IA, tu réentraînes le modèle (lourd, cher, réservé aux labos). SkillOpt ne touche jamais au modèle. Il traite ton fichier d'instructions (skill.md) comme l'objet à entraîner. Le modèle reste figé, c'est le texte qui évolue.

Concrètement, ce qu'il fait :

  • Il prend une tâche et lance ton agent avec le skill actuel
  • Il regarde ce qui a marché et ce qui a raté sur des exemples que tu lui donnes
  • Il propose une modification du fichier (ajouter, retirer ou remplacer une consigne)
  • Il ne garde la modif que si elle passe un test de validation. Sinon il la jette et retient la leçon pour la fois d'après
  • Il produit à la fin un fichier best_skill.md propre, compact (300 à 2000 mots), que tu peux coller dans n'importe quel agent

En clair, tu lui donnes une fiche de poste moyenne et une poignée d'exemples de "bon travail", et il te rend une fiche de poste affûtée, testée, qui tient la route.

Il y a même un mode skillopt-sleep : un moteur qui tourne la nuit, en tâche de fond, pour continuer à améliorer tes skills pendant que tu dors. (Sur l'IA en arrière-plan pendant que tu bosses ailleurs, voir mon lead magnet QUOTIDIEN.)

Les chiffres annoncés par Microsoft

Sur ses propres benchmarks internes (6 jeux de tests, 7 modèles), Microsoft rapporte des gains de précision nets rien qu'en optimisant le fichier d'instructions, sans rien changer au modèle :

  • +19,1 points de précision quand le skill tourne dans Claude Code
  • +24,8 points dans Codex (la boucle d'agent d'OpenAI)
  • +23,5 points en chat direct

À prendre pour ce que c'est : des résultats mesurés par Microsoft sur ses propres tests, pas encore reproduits en indépendant. Mais l'ordre de grandeur est parlant. Sur certaines tâches, un petit modèle avec un skill optimisé bat un gros modèle sans optimisation.


Setup en 10 minutes

Soyons honnête tout de suite : ce n'est pas une app avec un bouton. C'est un outil Python. Si tu n'as jamais touché un terminal, tu vas ramer un peu au début (ou tu délègues le setup, on en reparle plus bas). Mais les étapes sont simples.

Prérequis

  • Python 3.10 ou plus installé sur ta machine
  • Une clé API chez au moins un fournisseur de modèle (OpenAI, Azure, Claude, Qwen ou MiniMax). C'est cette clé qui fait tourner les tests, et c'est elle qui coûte
  • Un terminal (l'invite de commande sur Windows, le Terminal sur Mac)

Étape 1 — Installer SkillOpt

code
pip install skillopt

Une seule ligne. Si Python est bien installé, c'est réglé en 30 secondes.

Étape 2 — Brancher ta clé API

Tu renseignes ta clé du fournisseur choisi dans la configuration (variable d'environnement ou fichier de config, la doc du repo détaille les deux). C'est ce qui autorise SkillOpt à lancer des tests.

Étape 3 — Donner un skill de départ et des exemples

Tu pars d'un fichier skill.md (même bancal) et d'un petit jeu d'exemples : la tâche + le résultat attendu. C'est ton "corrigé". SkillOpt s'en sert pour noter chaque version.

Étape 4 — Lancer l'optimisation

code
skillopt

Il tourne, teste, réécrit, re-teste. À la fin, tu récupères ton best_skill.md. Tu peux suivre tout ça en visuel avec le dashboard intégré (python -m skillopt_webui.app).


5 cas d'usage concrets

1. Affûter le skill de qualification de leads

Tu as un agent qui lit un message entrant et décide si c'est un vrai prospect. Tu lui donnes 20 exemples réels (message + "oui c'est un lead" / "non poubelle"), et SkillOpt réécrit les consignes jusqu'à ce que le tri colle à ta réalité. Tu arrêtes de rater des clients à cause d'une instruction floue.

2. Fiabiliser un agent qui traite des documents

Extraction de montants sur des factures, tri de contrats, résumé de comptes rendus. Ce sont typiquement des tâches où "ça marche 8 fois sur 10" te coûte cher. Tu donnes les cas qui ratent, SkillOpt durcit les instructions autour de ces cas précis.

3. Optimiser un skill Claude Code que tu utilises tous les jours

Si tu as des skills maison dans Claude Code (voir le répertoire pour en trouver, lead magnet SKILL), SkillOpt peut les passer à la moulinette pour qu'ils échouent moins. C'est le terrain où Microsoft annonce +19 points.

4. Standardiser le ton d'un agent qui écrit pour toi

Un agent qui rédige tes réponses ou tes posts part souvent dans tous les sens. Tu lui donnes des exemples "voilà mon ton, voilà pas mon ton", et l'optimiseur réécrit le skill pour verrouiller la voix. Moins de repasses derrière lui.

5. Réparer un agent qui a dérivé

Un agent qui marchait et qui se met à faire n'importe quoi, souvent c'est le fichier d'instructions qui s'est encrassé au fil des ajouts. Tu le repasses dans SkillOpt avec tes cas de bon comportement, et il te sort une version nettoyée. (Sur apprendre à ton IA à retenir tes corrections à la main, l'approche complémentaire, voir lead magnet LECON.)


Mes 3 conseils avant de te lancer

  1. Commence par un seul skill, pas par ton système entier. Prends la tâche qui te fait le plus perdre de temps quand elle rate, et optimise celle-là. Un skill affûté qui tourne, ça te donne le réflexe pour les suivants. Vouloir tout optimiser d'un coup, c'est le meilleur moyen de ne rien finir.
  2. La qualité de tes exemples fait tout. SkillOpt n'invente pas ce qu'est un bon résultat, il l'apprend de ce que tu lui montres. Dix exemples nets et représentatifs valent mieux que cent bâclés. Passe ton énergie là, pas sur la config.
  3. Surveille ta facture API dès le premier run. Chaque cycle d'optimisation lance des dizaines d'appels au modèle, et ces appels sont payants. Lance d'abord sur un petit jeu d'exemples pour voir ce que ça consomme, avant de partir sur un gros run qui tourne toute la nuit.

Les limites à garder en tête

  1. C'est un outil de dev, pas une app grand public. Python, terminal, clés API, fichiers de config. Si tu n'es pas à l'aise avec ça, le ticket d'entrée est réel. "Accessible à tous" veut dire "le code est ouvert à tous", pas "installable par tout le monde en un clic".
  2. Gratuit ne veut pas dire sans coût. Le logiciel est gratuit (MIT). Mais il tourne en appelant des modèles payants via ton API. Un gros run peut représenter plusieurs euros, voire dizaines d'euros de tokens selon le modèle. À budgéter.
  3. Optimiser un skill peut en dégrader un autre. Les propres travaux de Microsoft signalent que dans une partie des cas, améliorer une compétence en abîme discrètement une autre, et qu'on ne le voit pas juste en relisant le texte. D'où l'intérêt de garder tes exemples de test à jour et de vérifier après chaque optimisation.
  4. Les chiffres sont ceux de Microsoft. +19, +24 points, c'est mesuré en interne sur des benchmarks choisis. Sur ta tâche à toi, le gain peut être plus gros comme plus modeste. Traite-le comme une promesse à valider chez toi, pas comme une garantie.

Le mot de la fin

Le vrai changement, ce n'est pas les chiffres de benchmark. C'est le principe. Jusqu'ici, améliorer un agent IA voulait dire réécrire des instructions à la main, à l'instinct, sans jamais savoir si tu progressais. SkillOpt transforme ça en un processus mesurable : tu montres des exemples, la machine réécrit et teste, tu gardes ce qui marche.

Pour un entrepreneur, l'angle intéressant n'est pas de devenir expert en optimisation de prompts. C'est de comprendre qu'un agent IA n'est pas figé. Sa fiche de poste peut s'entraîner, comme tu formerais un junior sur tes meilleurs dossiers.

Si tu as déjà un agent qui rate une tâche importante une fois sur cinq, installe SkillOpt ce week-end, prends dix exemples de ce que tu attends, et lance un premier run sur cette seule tâche. Tu verras vite si le fichier se muscle.

S’inscrire à la newsletter

Pas le temps de tout monter toi-même ?

Je structure ta boîte : systèmes, process et un OS qui fait tourner l’opérationnel sans que tout repasse par toi. On commence par un diagnostic de 45 minutes : on regarde comment ta boîte tourne, ce qui te coûte le plus, et tu repars avec un récap écrit.

ou écris-moi :@capitain.aimaxence@corelabs.studio