Claude AI Agents et Skills : comment ça marche (guide complet)

Claude × Skills = ton assistant spécialisé qui gère le sale boulot

Arrête de faire tes tâches répétitives à la main. Les agents Claude avec Skills, c’est ton moyen de déléguer à une IA qui sait exactement quoi faire selon le contexte. Plus besoin de recopier tes prompts ou de réexpliquer ton workflow à chaque fois. Aujourd’hui tu vas apprendre à :

• Configurer un agent Claude avec Skills personnalisés
• Comprendre l’architecture technique derrière (tokens, coûts, limites)
• Comparer Skills vs agent.md pour choisir la bonne approche
• Implémenter un workflow concret qui te fait gagner du temps
• Éviter les pièges courants qui font exploser tes coûts

Ce dont t’as besoin avant de commencer

1. Un compte Claude Pro ou plus

Claude Pro coûte 20 $US/mois (17 $US/mois en facturation annuelle). C’est le minimum pour accéder aux agents et Skills. Le plan gratuit ne donne pas accès à ces fonctionnalités avancées. Les équipes qui ont besoin de plus de volume peuvent opter pour Claude Team à 25 $US/utilisateur/mois (20 $US/utilisateur/mois en facturation annuelle), ou Enterprise avec tarification personnalisée. Pour débuter et tester le concept, Pro fait largement l’affaire.

2. Une tâche répétitive à automatiser

Pas besoin d’un cas complexe pour commencer. Une simple analyse de données, génération de contenu, ou workflow de validation fait l’affaire. L’important c’est d’avoir quelque chose de concret à tester. Chez LeadLoup, j’utilise un agent pour analyser les données de scanning d’annonces. Plutôt que de parser manuellement les JSON de retour de notre pipeline Python, l’agent identifie automatiquement les patterns suspects dans les offres d’emploi et signale les red flags. Ça me fait économiser deux heures par semaine sur cette tâche répétitive. Au Centre de recherche, un autre agent traite les sources NotebookLM : il lit mes exports de veille techno, extrait les tendances importantes, et structure tout ça en briefings que je peux directement intégrer dans les articles Taverne AI.

3. Notions de base sur les prompts

Tu n’as pas besoin d’être un expert, mais comprendre comment structurer une instruction claire t’aidera. Si tu sais demander quelque chose de précis à ChatGPT, t’es prêt. La différence avec les agents, c’est la persistence. Un prompt classique, tu le refais à chaque fois. Un agent retient sa configuration et ses instructions spécialisées. Tu configures une fois, tu utilises des centaines de fois.

Le workflow, étape par étape

Tu commences par créer un nouvel agent dans l’interface Claude. Donne-lui un nom précis qui décrit sa fonction : “Analyseur de données marketing” plutôt que “Assistant IA”. C’est important pour t’y retrouver quand tu auras plusieurs agents. Dans la description, sois direct sur ce que l’agent doit faire. Par exemple : “Analyse les données de campagne et sort des recommandations actionnables en format tableau.”

Le truc critique ici : définis clairement le contexte de travail. Si ton agent doit analyser des données e-commerce, mentionne les métriques importantes (conversion, CAC, LTV). Si c’est pour du contenu, précise le ton et le format attendu. Pour mon agent d’analyse des annonces LeadLoup, j’ai défini : “Tu es un spécialiste en détection de red flags dans les offres d’emploi tech québécoises. Tu identifies les patterns suspects : salaires anormalement bas, exigences déraisonnables, descriptions vagues qui cachent des MLM ou des arnaques.” Cette spécialisation fait que l’agent ne perd pas de temps à me parler de généralités sur le recrutement. Il va droit au but sur ce qui m’intéresse : les signaux d’alarme dans les annonces.

Là tu as deux approches. Les Skills, c’est des capacités modulaires que Claude active selon le contexte. L’agent.md, c’est un fichier de configuration détaillé que tu uploades. Skills : environ 53 tokens par tour de conversation. Léger, rapide, parfait pour des tâches simples et répétitives. Agent.md : 944+ tokens à chaque interaction, mais beaucoup plus flexible. Un fichier typique fait 1 000 lignes et consomme environ 7 000 tokens.

La règle empirique : si ton workflow tient en quelques phrases d’instructions, va avec Skills. Si tu as besoin d’une tonne de contexte métier, de formats de sortie complexes, ou d’instructions conditionnelles (“si X alors Y, sinon Z”), agent.md devient plus rentable malgré le coût en tokens. Pour mes analyses d’annonces LeadLoup, Skills suffisent : j’identifie des patterns, je classe en catégories, je sors un verdict. Workflow simple, instructions courtes. Mais pour un agent de veille techno du Centre de recherche qui doit jongler entre différents formats de sources, croiser plusieurs bases de connaissances, et adapter son analyse selon le type de contenu (article académique vs blog post vs communiqué de presse), là agent.md devient nécessaire.

Pour débuter, va avec Skills. Tu pourras toujours migrer vers agent.md si tu atteins les limites.

Claude propose plusieurs Skills prédéfinis : analyse de données, génération de code, recherche web, traitement d’images. Active seulement ceux dont tu as vraiment besoin. Chaque Skill activé ajoute des tokens à tes conversations. Si tu actives tout “au cas où”, tu paies pour des capacités que tu n’utilises pas.

Le Skill “Analyse de données” est souvent le plus utile. Il permet à Claude de lire tes fichiers CSV, Excel, ou JSON et de sortir des insights structurés. Le Skill “Code” génère et debug du code dans plusieurs langages. Pour mon workflow LeadLoup, j’active seulement “Analyse de données” et “Recherche web”. L’agent lit les JSON de scanning, analyse les patterns, et peut vérifier des entreprises douteuses en ligne si nécessaire. Pas besoin des Skills image ou code pour ce cas d’usage. Par contre, pour l’agent de veille du Centre de recherche, j’active “Analyse de données”, “Recherche web”, et “Traitement d’images” : il lit les PDFs de recherche, vérifie les sources en ligne, et peut analyser les graphiques et diagrammes dans les études.

Tu es un analyseur de données e-commerce spécialisé.
Quand tu reçois des données :
1. Identifie les métriques clés (CA, conversion, trafic)
2. Détecte les tendances sur les 30 derniers jours
3. Sors 3 recommandations actionnables maximum
4. Format : tableau avec colonnes Métrique | Valeur actuelle | Tendance | Action recommandée
Contexte business : boutique en ligne B2C, panier moyen élevé

Le secret d’une bonne configuration Skills, c’est d’être spécifique sur le format de sortie. “Analyse mes données” donne des résultats généralistes. “Sors un tableau à 4 colonnes avec ces headers précis” donne des résultats exploitables directement.

Upload un fichier de données réelles, même petit. Claude va appliquer les Skills configurés et te montrer ce qu’il comprend. Regarde attentivement les premiers résultats. L’agent suit-il tes instructions ? Les recommandations sont-elles pertinentes ? C’est le moment d’ajuster avant de scaler.

Si les résultats sont à côté de la plaque, affine la configuration. Souvent le problème vient d’instructions trop vagues dans la définition du rôle. Premier test avec mon agent LeadLoup : je lui ai donné un petit JSON de 15 annonces avec quelques cas évidents (salaire “compétitif” pour un poste senior, startup qui demande 10 ans d’expérience sur des technos sorties l’an dernier). L’agent a identifié les red flags mais manquait de contexte sur le marché québécois. J’ai ajusté en précisant : “Contexte : marché tech de Montréal et Québec, salaires seniors entre 80k-150k CAD, attention aux ‘rock stars’ et ‘ninjas’ qui cachent souvent de la surcharge de travail.” Deuxième test : beaucoup mieux. L’agent détectait maintenant les signaux subtils comme les descriptions d’entreprise trop vagues ou les stacks technologiques incohérentes.

Les meilleurs agents sortent rarement du premier coup. Il faut généralement 5 itérations pour avoir quelque chose de solide. Note ce qui marche mal : format de sortie incohérent, oubli de contexte important, recommandations trop génériques. Ajuste un paramètre à la fois.

Itération 1 : "Analyse mes données"
→ Trop vague, résultats génériques
Itération 3 : "Analyse mes données e-commerce pour identifier les produits sous-performants"
→ Mieux, mais pas actionnable
Itération 5 : "Identifie les produits avec conversion faible ET trafic élevé. Recommande : ajustement prix, amélioration fiche, ou arrêt."
→ Précis et actionnable

L’itération, c’est pas juste peaufiner le prompt. C’est aussi tester sur différents types de données. Mon agent LeadLoup marchait bien sur les annonces classiques, mais ratait les patterns des arnaques de marketing de réseau déguisées en “opportunités tech”. J’ai dû ajouter des critères spécifiques : “Méfie-toi des offres qui mentionnent ‘revenus illimités’, ‘être ton propre patron’, ou qui demandent des frais de formation/matériel.” Maintenant il détecte ces trucs-là en plus des red flags techniques classiques. Pour l’agent de veille du Centre de recherche, l’ajustement principal était sur la hiérarchisation. Il sortait trop d’insights de même importance. J’ai ajouté : “Classe tes findings en 3 niveaux : Critique (impact immédiat sur l’industrie), Important (tendance à surveiller), Informatif (contexte utile).”

L’architecture technique derrière

Claude Sonnet 4.6 utilise une fenêtre de contexte de 200 000 tokens en standard. Claude Fable 5 offre une fenêtre de contexte de 1 000 000 de tokens (1M) et une sortie maximale de 128 000 tokens. C’est largement suffisant pour la plupart des workflows d’agent.

Côté coûts API, Claude Fable 5 coûte 10 $US par million de tokens en entrée et 50 $US par million de tokens en sortie. Claude Opus 4.8 coûte 5 $US par million de tokens en entrée et 25 $US par million de tokens en sortie. Les Skills ajoutent environ 53 tokens par tour. Sur une session de travail typique avec 8 sources de données, ça représente quelques cents canadiens maximum.

Dans le contexte LeadLoup, mon pipeline Python génère des JSON d’annonces qui font typiquement 50-200 Ko. L’agent les traite facilement sans consommer toute la fenêtre de contexte. Par contre, quand je teste avec des grosses bases de données de quelques milliers d’annonces, là ça commence à peser sur les coûts. Au Centre de recherche, c’est différent. Les PDFs d’études académiques peuvent faire plusieurs MB une fois convertis en texte. Un seul paper dense peut consommer une quantité importante de tokens. Mais comme l’analyse est plus approfondie et que je garde les insights pour plusieurs articles, le ROI reste bon. Le truc à comprendre : Claude facture séparément les tokens d’entrée (ton context + tes fichiers + la config de l’agent) et les tokens de sortie (sa réponse). Les Skills n’ajoutent des coûts qu’en entrée. Si tu uploades des gros fichiers mais que tu veux juste un résumé de 3 lignes, tu paies cher l’entrée mais presque rien la sortie.

Cas d’usage concrets qui marchent

Analyse de performance marketing

L’agent reçoit tes données Google Analytics, Facebook Ads, et Shopify. Il croise les sources et sort un rapport hebdomadaire avec les campagnes qui performent et celles à couper. Concrètement, tu exportes tes données en CSV, tu les uploades d’un coup, et l’agent fait le matching automatique entre les différentes sources. Il identifie par exemple qu’une campagne Facebook a un CTR élevé mais une conversion faible côté Shopify : signal pour optimiser la landing page. Le gain : au lieu de passer des heures dans 3 interfaces différentes à croiser manuellement les données, tu as ton analyse en 5 minutes.

Génération de contenu produit

Tu uploades ton catalogue et tes guidelines de marque. L’agent génère des descriptions produit optimisées SEO dans ton ton de voix, cohérentes d’un produit à l’autre. J’ai testé ça avec un client e-commerce qui avait 500 produits avec des descriptions pourries. L’agent a analysé les 20 meilleures descriptions existantes, extrait le pattern, et généré des descriptions cohérentes pour le reste. Même structure, même ton, keywords SEO intégrés naturellement. Résultat : une cohérence qu’aucun rédacteur freelance n’arriverait à maintenir sur 500 fiches, et un temps de production divisé par 10.

Code review automatisé

L’agent analyse tes pull requests selon tes standards de code. Il détecte les problèmes de sécurité, performance, et lisibilité avant que ton équipe perde du temps en review manuelle. Chez LeadLoup, je lui donne nos guidelines Python (PEP8, patterns spécifiques pour les scrapers, gestion d’erreur obligatoire sur les calls API externes). L’agent lit le code, identifie les écarts, et suggère les corrections avant que ça arrive en PR. C’est pas un remplacement pour la review humaine, mais ça filtre le basique : variables mal nommées, imports inutiles, gestion d’erreur manquante. L’équipe peut se concentrer sur la logique business et l’architecture.

Veille techno structurée

Au Centre de recherche, l’agent lit mes exports NotebookLM (études, articles, communiqués), croise les sources, et sort un briefing structuré par thème. Au lieu d’avoir 15 sources disparates, j’ai un document organisé avec les tendances principales et les points de divergence entre experts. Ça m’aide à rédiger des articles Taverne AI plus étoffés : l’agent a déjà fait le travail de synthèse et de cross-référencement.

Skills vs alternatives

Skills vs ChatGPT Custom GPTs

ChatGPT Custom GPTs ont une limite d’upload plus restrictive et perdent le contexte plus vite. Claude Skills gèrent mieux les gros documents et gardent le contexte plus longtemps dans la conversation. Autre différence majeure : les Custom GPTs de ChatGPT n’accèdent pas aux plugins comme Code Interpreter pendant qu’ils analysent tes documents. Avec Claude Skills, tout est intégré : l’agent peut lire ton CSV, faire des calculs, générer des visualisations, et te sortir des insights dans la même conversation.

Skills vs Zapier/Make

Zapier connecte tes apps mais ne fait pas d’analyse intelligente. Il peut copier tes données de Google Analytics vers une feuille Google Sheets, mais il ne va pas identifier pourquoi ta conversion a chuté la semaine dernière. Claude Skills analysent et recommandent, pas juste transférer des données. Par contre, ils ne peuvent pas déclencher d’actions automatiques dans tes autres outils. C’est complémentaire : Zapier pour les connexions et déclenchements, Claude pour l’analyse.

Skills vs NotebookLM

NotebookLM excelle pour digérer plusieurs sources et générer des résumés ou podcasts. Mais il ne garde pas de configuration persistante : tu recommences à zéro à chaque projet. Claude Skills retiennent leur spécialisation. Une fois configuré pour ton domaine, l’agent comprend directement le contexte sans que tu aies à tout réexpliquer. Plus efficace pour des tâches récurrentes.

Skills vs agent.md custom

Agent.md te donne plus de contrôle mais coûte beaucoup plus cher en tokens. Un fichier agent.md détaillé peut consommer une quantité importante de tokens par conversation. Skills suffisent dans la plupart des cas et restent économiques. Passe à agent.md seulement si tu as besoin d’instructions très complexes ou de beaucoup de contexte métier que tu ne veux pas répéter à chaque session.

Le hic

Coûts qui montent vite avec les gros volumes

Si tu actives tous les Skills et que tu uploades des fichiers volumineux à chaque conversation, ta facture peut exploser. Un agent.md de 1 000 lignes consomme environ 7 000 tokens à chaque interaction. J’ai fait l’erreur au début avec l’agent de veille du Centre de recherche. Je uploadais systématiquement toutes mes sources d’un coup : 10-15 PDFs de recherche, quelques dizaines d’articles de blog, plus le contexte de mes projets en cours. Résultat : une quantité importante de tokens par session, soit plusieurs dollars par analyse. Maintenant je segmente : un agent spécialisé par type de source, et je groupe mes analyses par batch. Au lieu d’analyser 3 sources aujourd’hui, 2 demain, et 4 après-demain, je fais tout d’un coup une fois par semaine.

Pas de connexion directe aux APIs

Claude ne se connecte pas directement à tes outils (Shopify, HubSpot, Google Analytics). Tu dois exporter et uploader manuellement tes données. C’est lourd pour des analyses fréquentes. Pour mon workflow LeadLoup, ça veut dire que je dois exporter les JSON depuis le pipeline Python, les downloader, puis les uploader dans Claude. Pas dramatique pour une analyse hebdomadaire, mais pénible si je voulais du near real-time. Certains concurrents comme Zapier Central ou les Custom GPTs avec plugins peuvent se connecter directement, mais tu perds en qualité d’analyse.

Context window qui se vide progressivement

Même avec une fenêtre de contexte parmi les plus grandes du marché, une longue session finit par perdre les informations du début. Tu dois parfois recharger le contexte important. C’est particulièrement vrai si tu enchaînes plusieurs analyses dans la même conversation. L’agent va “oublier” les premiers fichiers uploadés au fur et à mesure que le contexte se remplit. Solution : découpe tes sessions longues ou utilise la fonction “memory” pour sauvegarder les insights importants entre les conversations.

Pas de scheduling automatique

Contrairement à Zapier, Claude ne peut pas déclencher des actions sur un calendrier. C’est toujours toi qui lances l’agent manuellement. Pas de “tous les lundis matin, analyse mes données de la semaine et envoie le rapport par email”. Tu dois te connecter et déclencher l’analyse à chaque fois.

Dépendance aux formats de données

L’agent marche bien quand tes données sont propres et structurées. Si tes exports changent de format, ou si les données sont mal formatées, l’agent peut se planter ou donner des résultats erronés. Chez LeadLoup, le pipeline Python me garantit des JSON structurés. Mais quand je teste avec des exports manuels de sites de recrutement, c’est plus aléatoire : colonnes manquantes, encodage foireux, formats de date incohérents. L’agent ne peut pas deviner : si tes données sont pourries en entrée, tu auras des analyses pourries en sortie.

Quelques trucs bons à savoir

• Les Skills s’améliorent avec l’usage dans la session courante. Claude apprend tes préférences de format et de niveau de détail au fil de la conversation. • Tu peux copier la configuration d’un agent vers un autre pour gagner du temps. Utile pour créer des variations spécialisées (agent marketing B2C vs B2B). • La limite de contexte importante inclut tes fichiers uploadés. Un gros Excel peut remplir une bonne partie de la fenêtre avant même que l’agent commence à analyser. • Les agents gardent leur configuration entre les sessions, mais pas l’historique des conversations. Chaque nouvelle discussion repart de zéro côté contexte. • Tu peux désactiver des Skills en cours de conversation pour réduire les coûts si tu réalises que tu n’en as pas besoin. • Les fichiers images consomment beaucoup plus de tokens que le texte. Une capture d’écran peut coûter l’équivalent de plusieurs pages de texte. • Claude peut lire la plupart des formats standards : PDF, DOC, CSV, JSON, TXT. Mais il galère avec les formats propriétaires ou les fichiers protégés par mot de passe. • Si ton agent donne des résultats incohérents, vérifie d’abord la qualité de tes données d’entrée. Une grande partie des problèmes viennent de là. • Tu peux sauvegarder les configurations d’agent comme templates. Pratique si tu travailles avec plusieurs clients sur des cas similaires. • Les Skills “Recherche web” ont des limitations : pas accès à toutes les sources, parfois des infos datées. À utiliser pour vérifier des infos publiques de base, pas pour de la veille approfondie.

Check-list finale

Verdict + prochaines étapes

Claude AI Agents avec Skills, c’est du solide pour automatiser tes workflows répétitifs sans te ruiner en coûts d’API. La courbe d’apprentissage est douce, les résultats sont rapidement visibles, et ça scale bien pour la plupart des cas d’usage business. C’est pas parfait : tu dois encore faire du travail manuel pour préparer tes données et déclencher les analyses. Mais pour quelqu’un qui passe des heures par semaine sur des tâches répétitives d’analyse ou de génération de contenu, le ROI est évident. Ton prochain move : identifie la tâche répétitive qui t’énerve le

Texte par David Cyr

David Cyr

L'Opérateur AI · Fondateur Taverne AI

Opérateur québécois. J'ai construit LeadLoup, un mandat acheteur véhicules pour Complexe Kia, et plusieurs systèmes IA en production. À la Taverne, je teste des outils qu'on me paie pour utiliser, et je dis si c'est utile ou si c'est de la marde.

À propos·Méthodologie