Ai Agents

iterative-retrieval est un modèle de workflow qui permet d’affiner progressivement la récupération de contexte dans les tâches agentiques. Il aide les sous-agents à éviter d’avoir trop peu ou trop de contexte, ce qui le rend utile pour l’usage de iterative-retrieval, la prise de décision d’installation et iterative-retrieval pour l’automatisation de workflows.

continuous-agent-loop aide les agents à exécuter des boucles autonomes répétables avec des garde-fous qualité, des évaluations, des étapes de reprise et des règles d’arrêt claires pour mener les tâches à bien de façon fiable.

autonomous-loops est une compétence pour concevoir des workflows autonomes dans Claude Code, depuis de simples pipelines séquentiels jusqu’à l’orchestration de DAG multi-agents avec contrôles qualité et passages de relais.

autonomous-agent-harness transforme Claude Code en un système d’agents persistant et autonome, avec mémoire, exécutions planifiées, répartition des tâches et contrôle de l’ordinateur. Cette skill convient à l’orchestration d’agents, aux vérifications récurrentes et aux workflows de longue durée lorsque vous avez besoin de plus qu’un prompt ponctuel.

Découvrez le skill agentic-engineering pour une exécution orientée eval-first, la décomposition des tâches, l’orientation des modèles et une automatisation de workflow plus sûre avec des vérifications de régression.

Le skill de débogage par introspection des agents propose un workflow structuré d’auto-débogage pour les échecs d’agents IA : capturer l’état d’échec, diagnostiquer les causes probables, appliquer une étape de récupération contenue, puis produire un rapport d’introspection lisible par un humain. Utilisez-le pour des exécutions en boucle, très axées sur les relances ou sujettes à la dérive, pas pour la vérification courante.

agent-harness-construction est une compétence pratique pour améliorer la conception d’un harness d’agent, notamment les schémas d’outils, les formats d’observation, la reprise sur erreur et la gestion du budget de contexte afin d’obtenir de meilleurs taux de réussite.

subagent-driven-development est une skill conçue pour exécuter des plans d’implémentation avec un nouveau subagent par tâche, puis revoir chaque résultat en deux étapes : d’abord la conformité au spec, ensuite la qualité du code. Elle inclut des modèles de prompts pour l’implémenteur, le relecteur de conformité au spec et le relecteur de qualité du code.

dispatching-parallel-agents est une skill d’orchestration d’agents conçue pour répartir des tâches réellement indépendantes entre plusieurs agents, avec contexte isolé et résultats coordonnés.

La compétence evaluation-methodology explique le scoring PluginEval pour Model Evaluation, avec les couches d’évaluation, les rubrics, le score composite, les seuils de badges et des conseils pratiques pour interpréter les résultats et améliorer les dimensions faibles.

prompt-engineering-patterns est une skill pratique pour concevoir des prompts de production. Elle couvre le contexte d’installation, des modèles réutilisables, des exemples few-shot, les sorties structurées et des workflows d’optimisation de prompts pour le Context Engineering.

langchain-architecture est un guide de conception pour créer des applications LangChain 1.x et LangGraph. Il aide à choisir entre les patterns de chaînes, d’agents, de retrieval, de mémoire et d’orchestration avec état avant l’implémentation.

team-composition-patterns est une skill d’aide à la décision pour concevoir des équipes multi‑agents dans Claude Code Agent Teams, avec des heuristiques de dimensionnement, un choix de subagent_type et des recommandations de modes d’affichage. Utilisez ce guide team-composition-patterns pour appliquer des équipes prédéfinies de review/debug, choisir les rôles et standardiser la configuration des équipes selon les tâches.

La skill parallel-feature-development aide les équipes à répartir une fonctionnalité en groupes de responsabilité clairs, à définir tôt des contrats partagés et à choisir des stratégies de merge plus sûres pour des workflows Git multi-agent. Utilisez-la pour planifier la propriété des fichiers, l’intégration selon les dépendances et une implémentation parallèle avec moins de conflits.

task-coordination-strategies aide les équipes à découper des travaux complexes, cartographier les dépendances, définir des critères d’acceptation et coordonner des workflows parallèles entre agents ou contributeurs, avec des responsabilités plus claires et moins de conflits de fusion.

team-communication-protocols définit des règles de messagerie pour les équipes d’agents : messages directs ou diffusion, validation des plans, procédures d’arrêt et modèles réutilisables pour une Agent Orchestration coordonnée.

agentic-eval est une compétence GitHub Copilot qui montre comment créer des boucles d’évaluation des sorties d’IA à l’aide de la réflexion, de critiques fondées sur des rubriques et de schémas evaluator-optimizer.

agent-governance est une skill centrée sur la documentation pour concevoir des garde-fous d’agents IA, des contrôles de politiques, des règles de confiance, des restrictions d’outils et la journalisation d’audit pour les systèmes multi-agents et les agents qui utilisent des outils.

Le skill context-engineering vous aide à structurer le contexte d’un projet pour que les agents respectent les conventions, réduisent les hallucinations et restent concentrés. Utilisez-le au démarrage d’une session, lors d’un changement de tâche ou pour bâtir un guide context-engineering pour une base de code.

Découvrez à quoi sert la skill pua, comment son utilisation fonctionne et quels points vérifier avant l’installation. Ce guide couvre la logique de déclenchement, le routage du workflow, les fichiers de référence, les voies d’escalade et les limites de configuration pour Workflow Automation.

p9 est une compétence de type tech lead pour l’orchestration d’agents : elle rédige des prompts de tâches, coordonne des agents P8 et évite de coder directement. Utilisez-la pour découper des objectifs projet en prompts cadrés et exécutables, avec rôles, contraintes, dépendances et critères d’acceptation.

ai-shaped-readiness-advisor aide les responsables produit à déterminer si leur organisation est AI-first ou AI-shaped, à repérer les écarts de maturité et à choisir la prochaine capacité à développer pour améliorer la prise de décision.

agent-framework-azure-ai-py est un skill pour créer des agents persistants Azure AI Foundry avec le SDK Python Microsoft Agent Framework. Il couvre l’installation et l’utilisation de agent-framework-azure-ai-py, la configuration d’AzureAIAgentsProvider, les conversations threadées, les outils hébergés, l’intégration MCP, les exécutions en streaming et les sorties structurées pour l’orchestration d’agents.

do-in-steps aide un agent à gérer des tâches complexes en les découpant en sous-tâches ordonnées, en orchestrant des sous-agents et en vérifiant chaque étape avant de passer à la suivante. C’est un très bon choix pour des modifications de dépôt, des refactorings en plusieurs étapes, des migrations et pour l’orchestration d’agents avec do-in-steps lorsque vous avez besoin d’une remise en main contrôlée et de réduire les échecs silencieux.