OutilsMarkTechPost · 31 mai 2026, 04:28· 2 min de lecture

SkillNet : des agents IA augmentés de compétences pour la recherche, l'évaluation, l'analyse de graphes et la planification

Résumé IASource uniqueImpact UE Take éditorial

Des chercheurs ont publié un tutoriel complet autour de SkillNet, un framework open source conçu pour augmenter les agents d'intelligence artificielle avec des compétences modulaires et réutilisables. Le système repose sur la bibliothèque Python skillnet-ai, accessible via PyPI, et s'appuie sur une API centralisée hébergée à api.openkg.cn. La démonstration utilise GPT-4o comme modèle par défaut, mais le framework reste compatible avec d'autres LLM. Le workflow présenté couvre l'ensemble du cycle de vie d'une compétence : recherche, installation depuis GitHub, inspection des métadonnées, évaluation qualitative, visualisation sous forme de graphe, et enfin intégration dans un pipeline d'exécution piloté par un agent planificateur.

Ce type d'architecture répond à un problème concret qui freine le déploiement des agents IA en production : la difficulté à composer des capacités spécialisées de façon fiable et maintenable. Plutôt que d'entraîner un modèle monolithique pour chaque nouveau besoin, SkillNet permet à un agent de découvrir dynamiquement des compétences existantes, de les filtrer selon des critères de qualité mesurables, et de les assembler en pipeline selon les sous-tâches d'un objectif complexe. L'approche est particulièrement utile pour les équipes qui développent des agents multi-domaines, en réduisant la duplication d'efforts et en rendant les briques fonctionnelles auditables et interchangeables. La recherche sémantique intégrée, avec un seuil de similarité paramétrable, va au-delà de la simple correspondance par mots-clés et permet de trouver des compétences pertinentes même quand le vocabulaire ne correspond pas exactement.

SkillNet s'inscrit dans un mouvement plus large visant à standardiser l'écosystème des agents IA, à l'image de ce que npm ou PyPI ont fait pour les bibliothèques logicielles. Le projet est adossé à OpenKG, une initiative académique chinoise spécialisée dans les graphes de connaissances ouvertes, ce qui explique l'orientation vers la représentation des relations entre compétences sous forme de graphe. La dépendance à GitHub comme dépôt de référence pour les skills instalables ancre le framework dans les pratiques existantes des développeurs. L'intégration d'une porte qualité automatisée, évaluant chaque compétence sur plusieurs dimensions avant de l'inclure dans un pipeline, anticipe les besoins des environnements de production où la fiabilité est non négociable. Les suites probables incluent l'émergence d'un registre communautaire de compétences validées et l'intégration avec des orchestrateurs d'agents comme LangGraph ou AutoGen.

💬 L'analyse de Mathieu

C'est le genre de truc qu'on attendait depuis un moment pour sortir des agents monolithiques. SkillNet propose quelque chose de sobre : tu découvres une compétence, tu la passes à une porte qualité, tu l'assembles dans un pipeline. Bon, ça vient d'OpenKG, une initiative académique chinoise, donc faudra voir si l'écosystème prend vraiment ou si ça reste un beau prototype de labo.

Dans nos dossiers

Agents IA Open weight & Open source

Cet article vous a été utile ?

Vu une erreur factuelle dans cet article ? Signalez-la. Toutes les corrections valides sont publiées sur /corrections.

À lire aussi

1MarkTechPost

Le fil autonome des agents pour VideoAgent : analyse d'intention, planification par graphe et routage d'outils pour le montage vidéo

Voici un article de type MarkTechPost décrivant un tutoriel de construction d'un système multi-agents pour l'édition vidéo automatisée. Je le résume selon vos consignes. Un tutoriel technique publié récemment détaille la reconstruction complète d'un système multi-agents inspiré de VideoAgent, conçu pour comprendre, indexer, éditer et remonter des vidéos à partir d'instructions en langage naturel. L'architecture repose sur plusieurs modules assemblés en pipeline: un parseur d'intentions qui interprète les requêtes de l'utilisateur, une bibliothèque d'agents spécialisés, un routeur d'outils, un planificateur sous forme de graphe d'exécution, et un optimiseur dit "à gradient textuel" capable de détecter et réparer automatiquement les dépendances manquantes dans ce graphe. Ces composants pilotent des outils concrets de traitement vidéo: FFmpeg pour le montage, la transcription par Whisper, la détection de scènes, l'échantillonnage d'images clés, le sous-titrage automatique, l'indexation cross-modale, la recherche par similarité, le découpage de séquences et le montage synchronisé sur le rythme musical. Le système peut fonctionner sans clé API grâce à une couche d'abstraction (classe LLM) compatible avec plusieurs fournisseurs, dont OpenAI, DeepSeek, Anthropic et Google Gemini, avec des modèles par défaut comme gpt-4o-mini ou claude-3-5-sonnet-latest. La configuration prévoit notamment quatre "prises" maximum par tâche (maxshots) et quatre cycles d'optimisation (optrounds), avec quatre scénarios de démonstration: réponse à des questions sur une vidéo, génération de résumé, production d'un aperçu façon reportage d'actualité et montage synchronisé. L'intérêt de cette démarche dépasse le simple exercice pédagogique: elle offre aux développeurs et chercheurs un modèle reproductible pour construire des agents IA capables de raisonner sur du contenu vidéo de bout en bout, sans dépendre d'un service cloud propriétaire unique. Pour les créateurs de contenu, les rédactions ou les équipes marketing, ce type de système pourrait automatiser des tâches aujourd'hui chronophages comme le dérushage, la génération de résumés vidéo ou le montage calé sur la musique, réduisant le temps de production tout en conservant un contrôle par instructions textuelles simples. Ce projet s'inscrit dans une tendance plus large de l'IA appliquée à la vidéo, où les architectures multi-agents et les graphes de planification remplacent progressivement les pipelines rigides à étape unique. La capacité à réparer automatiquement un graphe d'exécution incomplet, via l'optimisation par gradient textuel, illustre une recherche active sur la robustesse des systèmes agentiques face à des instructions ambiguës. Combiné à des briques désormais matures comme Whisper pour la transcription ou les modèles d'embeddings pour la recherche cross-modale, ce type d'architecture ouvre la voie à des outils d'édition vidéo pilotés entièrement par le langage naturel, accessibles à des équipes ne disposant pas de compétences en montage traditionnel.

OutilsTuto

1 source

2MarkTechPost

Microsoft SkillOpt : optimisation de prompts, analyse d'évolution des compétences et comparaison aux références

Microsoft a publié SkillOpt, un framework open source conçu pour optimiser automatiquement les "skills", des prompts structurés qui guident le comportement des modèles de langage. Un tutoriel de référence détaille son implémentation complète sur le benchmark SearchQA, un jeu de questions-réponses fondé sur des extraits de documents. Le pipeline utilise GPT-4o comme modèle optimiseur et GPT-4o-mini comme modèle cible, en s'appuyant sur l'API OpenAI via une compatibilité Azure. Le workflow d'optimisation enchaîne six étapes distinctes : rollout (génération de réponses), reflection (analyse des erreurs), aggregation (consolidation des observations), selection (choix des meilleures améliorations), updating (réécriture du prompt) et validation-based gating (validation avant d'accepter chaque nouvelle version du skill). Le tutoriel tourne avec un échantillon limité à 24 exemples, sur deux epochs avec des batchs de 8, pour contenir les coûts en tokens. Ce que rend possible SkillOpt est significatif : plutôt que d'ajuster les poids d'un modèle par entraînement classique, coûteux et nécessitant des GPU, il optimise uniquement le texte du prompt par itération automatique. Cela permet à n'importe quel développeur d'améliorer les performances d'un modèle sur une tâche précise sans toucher à l'infrastructure d'entraînement. L'outil mesure l'évolution de la précision en "hard accuracy" et "soft accuracy" à chaque cycle, offre un suivi de l'usage cumulatif en tokens, et visualise l'historique des modifications du skill. Cette transparence donne aux équipes un contrôle fin sur le compromis entre coût et gain de performance, un avantage concret pour les produits IA en production. SkillOpt s'inscrit dans une tendance plus large portée par Microsoft Research : l'optimisation automatique de prompts, parfois appelée "prompt engineering automatisé" ou APO (Automatic Prompt Optimization). Des travaux antérieurs comme DSPy de Stanford ou ProTeGi avaient ouvert cette voie, mais SkillOpt mise sur une architecture modulaire et une compatibilité avec les backends Azure OpenAI et OpenAI standard pour maximiser l'adoption en entreprise. La publication du code sur GitHub sous forme de dépôt clonable avec dépendances pip illustre la volonté de Microsoft d'ancrer cet outil dans les workflows MLOps existants. L'enjeu à terme est d'industrialiser l'amélioration continue des agents IA sans intervention humaine à chaque itération, une capacité qui deviendra centrale à mesure que les entreprises déploient des systèmes LLM à grande échelle.

UELes équipes IA européennes déployant des agents LLM sur Azure OpenAI peuvent adopter SkillOpt pour automatiser l'amélioration continue de leurs prompts sans coûts d'entraînement supplémentaires.

OutilsOutil

1 source

3The Decoder

Google lance des agents Deep Research et Deep Research Max pour automatiser la recherche complexe

Google DeepMind a lancé Deep Research Max, un nouvel agent IA reposant sur Gemini 2.5 Pro, capable de mener des recherches autonomes sur le web et dans des sources de données propriétaires. Pour la première fois, les développeurs peuvent connecter des flux financiers et d'autres sources spécialisées via le Model Context Protocol (MCP). L'agent accompagne une version standard, Deep Research, déjà disponible dans les produits Google, tandis que la variante Max vise davantage les usages professionnels et techniques. L'enjeu est considérable pour les secteurs où l'analyse de données complexes est chronophage : finance, droit, recherche académique, conseil stratégique. En automatisant la collecte et la synthèse d'informations issues de sources hétérogènes, y compris des bases propriétaires inaccessibles au grand public, ces agents pourraient transformer le travail d'analyste ou de chercheur. La possibilité de brancher des flux financiers en temps réel via MCP représente une ouverture concrète vers des cas d'usage enterprise jusqu'ici difficiles à couvrir avec des LLM généralistes. Google s'inscrit ici dans une course intense aux agents de recherche autonomes : OpenAI a lancé son propre Deep Research début 2025, et Perplexity propose des fonctionnalités similaires. Le Model Context Protocol, initialement développé par Anthropic, s'impose progressivement comme standard d'interopérabilité entre agents IA et sources de données tierces, ce qui explique l'adoption par Google. Les benchmarks avancés restent peu transparents sur leur méthodologie, un point de vigilance récurrent dans ce secteur où les annonces marketing précèdent souvent les preuves indépendantes.

UELes entreprises européennes des secteurs finance, droit et conseil stratégique peuvent tester cet agent pour automatiser l'analyse de sources propriétaires via MCP.

OutilsOutil

1 source

4MarkTechPost

« Prime Intellect lance Verifiers v1, des ensembles de tâches et environnements modulaires pour l'entraînement et l'évaluation d'agents en RL »

Prime Intellect a lancé verifiers 0.2.0, qui dévoile un cœur entièrement réécrit sous le nouvel espace de noms verifiers.v1. Cette nouvelle version répond à un constat concret : les évaluations modernes font tourner des agents de codage équipés d'outils, de mécanismes de compaction de contexte et de sous-agents, des charges de travail bien plus complexes que ce que gérait la version précédente. Verifiers désigne la pile logicielle que Prime Intellect construit pour l'apprentissage par renforcement agentique et les évaluations d'agents. Auparavant, un « environnement » mélangeait dans un même bloc les données, la logique de l'agent et l'infrastructure d'exécution. La v1 découpe cet ensemble en trois briques indépendantes : un taskset qui définit la tâche (données, outils, notation), un harness qui résout la tâche et produit un déroulé, qu'il s'agisse d'une boucle ReAct, d'un agent en ligne de commande ou d'une implémentation maison, et un runtime qui exécute ce déroulé, localement ou dans un environnement isolé de type sandbox. Grâce à ce découplage, n'importe quel taskset peut désormais fonctionner avec n'importe quel harness compatible. Au cœur de cette architecture se trouve un serveur d'interception géré par verifiers, placé entre le runtime de l'agent et le serveur d'inférence. Il agit comme un proxy pour les requêtes et les réponses, enregistre la trace complète des échanges, fixe les paramètres d'échantillonnage et peut réécrire les réponses des outils afin de limiter les détournements de récompense pendant l'entraînement. Chaque serveur gère un nombre constant de déroulés en parallèle, 32 par défaut, et un pool de serveurs s'ajuste de façon élastique selon la charge observée. Cette architecture compte parce qu'elle sépare enfin la logique de notation du type d'agent testé : comme les harnais parlent des dialectes différents, verifiers en prend en charge trois pour l'instant, les API OpenAI Chat Completions, OpenAI Responses et Anthropic Messages, chacun normalisé par un adaptateur vers un format interne unique, vf.types. Concrètement, les équipes de recherche peuvent réutiliser la même tâche et la même grille de notation pour comparer différents agents ou modèles sans réécrire leur pipeline à chaque fois. Le serveur expose aussi deux clients : un EvalClient, simple proxy HTTP transparent pendant les évaluations, et un TrainClient, qui encapsule les moteurs de rendu de tokens pour garantir un entraînement fidèle au flux réel des échanges. Ce chantier s'inscrit dans une tendance plus large du secteur de l'IA agentique, où les infrastructures d'évaluation peinent à suivre la complexité croissante d'agents autonomes capables d'utiliser des outils, de déléguer des sous-tâches ou de compresser leur contexte sur de longues sessions. Prime Intellect, connu pour ses travaux sur l'entraînement décentralisé de modèles et ses outils open source pour le renforcement, cherche avec verifiers à fournir une base commune que la communauté de recherche puisse adopter pour comparer équitablement les architectures d'agents. En modularisant tâches, harnais et environnements d'exécution, la v1 ouvre la voie à un écosystème où des tiers pourraient publier des tasksets ou des harnais réutilisables, à la manière de bibliothèques logicielles interchangeables. Le mécanisme de réécriture des réponses d'outils au niveau du serveur d'interception vise en particulier à limiter un problème récurrent en apprentissage par renforcement, celui des agents qui apprennent à exploiter des failles de la fonction de récompense plutôt qu'à progresser réellement sur la tâche. Prime Intellect présente cette version comme un aperçu, signe que d'autres évolutions sont attendues avant une stabilisation complète de l'API verifiers.v1.

OutilsActu

1 source

Recevez l'essentiel de l'IA chaque jour

Une sélection éditoriale quotidienne, sans bruit. Directement dans votre boîte mail.

Recevez l'essentiel de l'IA chaque jour

Gratuit · 1 email le matin, l'essentiel de l'IA · désinscription en un clic