Concevoir des agents d'analyse financière pilotés par compétences avec Claude, Python et MCP

Construire un système d'agents modulaires à base de compétences pour LLM avec routage dynamique d'outils en Python

Un tutoriel publié récemment détaille comment construire en Python un système d'agents modulaires à base de compétences pour les grands modèles de langage, avec routage dynamique des outils. L'implémentation repose sur OpenAI (modèle GPT-4o-mini) et les bibliothèques open source Pydantic et Rich. L'architecture centrale s'articule autour de trois briques : une classe abstraite Skill qui encapsule chaque capacité (métadonnées, schéma JSON, logique d'exécution), un SkillRegistry qui joue le rôle de catalogue centralisé, et un orchestrateur qui sélectionne et enchaîne les compétences via le mécanisme de tool calling de l'API OpenAI. Chaque compétence est versionnée, auto-descriptive et expose automatiquement son schéma au format attendu par l'API, ce qui permet à un agent de l'invoquer sans configuration manuelle. L'intérêt de cette approche réside dans la séparation stricte entre la logique de chaque compétence et le raisonnement de l'agent. Concrètement, l'agent peut sélectionner la bonne compétence pour une tâche donnée, en composer plusieurs pour des workflows complexes, et charger de nouvelles capacités à chaud en cours d'exécution sans redémarrer le système. Un tableau de bord d'observabilité intégré trace le nombre d'appels et la latence moyenne de chaque compétence, ce qui facilite le débogage et l'optimisation en production. Pour les équipes qui construisent des agents LLM, cette modularité réduit la dette technique : ajouter une nouvelle capacité revient à écrire une classe isolée, sans toucher au reste du pipeline. Cette architecture s'inscrit dans une tendance plus large de structuration des systèmes agentiques, accélérée par la généralisation du tool calling dans les API des principaux fournisseurs (OpenAI, Anthropic, Google). La métaphore utilisée dans le tutoriel est explicite : le registre de compétences fonctionne comme une table de syscalls d'un système d'exploitation, l'agent étant le noyau qui dispatche les requêtes. Face à la multiplication des frameworks concurrents (LangChain, LlamaIndex, AutoGen), cette approche "from scratch" permet de comprendre les mécanismes sous-jacents et d'éviter les abstractions opaques. La prochaine étape logique de cette architecture est l'ajout de mémoire persistante et de planification multi-tours, deux fronts sur lesquels la recherche en agents LLM reste très active en 2025.

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

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.

💬 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.

Créer un workflow SuperClaude avec commandes, agents, modes et mémoire de session

Un tutoriel publié récemment détaille comment construire un workflow d'IA avancé en s'appuyant sur le SuperClaude Framework, une couche structurée développée au-dessus de l'API Anthropic. Le projet, hébergé sur GitHub sous l'organisation SuperClaude-Org, s'articule autour de trois types d'assets : des commandes, des agents et des modes, tous définis sous forme de fichiers Markdown. Le tutoriel montre comment créer un pont Python qui clone le dépôt, parcourt ses fichiers, et injecte dynamiquement le contenu Markdown pertinent dans le prompt système avant chaque appel au modèle claude-sonnet-4-5. Les cas d'usage couverts sont variés : brainstorming, implémentation frontend, analyse de sécurité, stratégie business, planification de recherche approfondie, et workflows de développement enchaînés en plusieurs étapes avec sauvegarde et reprise de session. Ce type d'approche représente une avancée concrète pour les équipes de développement qui utilisent les LLM au quotidien. Plutôt que de réécrire des prompts complexes à chaque session, le framework permet de mutualiser des comportements réutilisables : un agent "sécurité" charge automatiquement les instructions de revue de code défensif, un mode "token-efficient" adapte la verbosité des réponses, un agent "frontend" embarque les bonnes pratiques React ou Vue. Le résultat est un système de prompting cohérent, sensible au rôle demandé, et adapté aux tâches longues de développement logiciel assisté par IA. La mémoire de session, qui permet de sauvegarder et recharger le contexte d'une conversation, réduit également la friction lors de projets s'étalant sur plusieurs interactions. Ce tutoriel s'inscrit dans une tendance plus large qui voit émerger des frameworks d'orchestration destinés à industrialiser l'usage des modèles de langage dans les flux de travail professionnels. Depuis l'ouverture de l'API Claude d'Anthropic, plusieurs projets communautaires cherchent à combler l'écart entre les capacités brutes du modèle et les besoins structurés des développeurs : gestion du contexte, séparation des responsabilités, standardisation des prompts. SuperClaude Framework positionne ses fichiers Markdown comme des "assets de comportement" réutilisables, une approche qui rappelle les system prompts modulaires expérimentés dans d'autres écosystèmes comme LangChain ou CrewAI. L'utilisation de claude-sonnet-4-5 comme modèle cible suggère une orientation vers un équilibre coût-performance plutôt que vers les modèles les plus puissants. La prochaine étape logique pour ce type de framework serait l'intégration de mécanismes d'évaluation automatique des sorties et de routage conditionnel entre agents, des fonctionnalités que plusieurs projets concurrents commencent déjà à proposer.

💬 C'est exactement ce que je faisais à la main depuis des mois, mais formalisé. Mutualiser des comportements de prompting sous forme de fichiers Markdown réutilisables, c'est simple et ça marche, surtout quand on enchaîne des sessions longues sans vouloir tout réexpliquer à chaque fois. Reste à voir si la couche d'injection dynamique tient quand les fichiers se multiplient.

Concevoir un runtime d'agents style OpenHarness : outils, mémoire, permissions, compétences et coordination multi-agents

Un tutoriel publié récemment propose de reconstruire de zéro un environnement d'exécution d'agents IA baptisé OpenHarness, en Python, afin de comprendre concrètement le fonctionnement interne d'un tel système. Le guide couvre l'intégralité des composants fondamentaux : appel d'outils typés, gestion des permissions, hooks de cycle de vie, mémoire persistante, compétences modulaires (skills), compaction de contexte, logique de réessai, suivi des coûts et coordination multi-agents. Le code fourni est entièrement exécutable sans clé API ni infrastructure complexe, ce qui en fait un terrain d'expérimentation accessible. L'implémentation s'appuie sur des structures de données légères comme ToolCall, AssistantTurn et Message, et intègre un module CostMeter qui convertit les tokens consommés en coût estimé en dollars, en s'appuyant sur un barème tarifaire par modèle incluant des références à claude-sonnet-4 (3,00 dollars par million de tokens en entrée, 15,00 dollars en sortie) et GPT-4.1 (2,00 dollars en entrée, 8,00 dollars en sortie). L'intérêt principal de cette approche est pédagogique mais aussi pratique : en exposant l'intégralité de la boucle de contrôle, l'auteur montre exactement comment le harness reçoit une tâche, laisse le modèle choisir l'action suivante, valide et exécute les appels d'outils, récupère les observations et itère jusqu'à la complétion. Cette transparence permet aux développeurs de modifier chaque maillon de la chaîne, notamment pour adapter les règles de permissions, injecter de la mémoire entre les tours, ou orchestrer plusieurs agents en parallèle. Pour les équipes qui construisent des applications sur des LLM, comprendre ce niveau d'abstraction évite de traiter les frameworks existants comme des boîtes noires et de subir leurs limitations sans pouvoir y remédier. Ce tutoriel s'inscrit dans une tendance plus large d'outillage autour des agents IA autonomes, accélérée par la montée en puissance des modèles capables d'utiliser des outils de façon fiable. Des frameworks comme LangChain, LlamaIndex ou le SDK Agents d'Anthropic proposent des abstractions similaires, mais leur complexité croissante pousse une partie de la communauté à revenir à des implémentations minimalistes et lisibles. La publication d'OpenHarness comme exercice de reconstruction illustre ce besoin de maîtrise du substrat technique, à mesure que les agents passent du prototype à la production et que les questions de coût, de sécurité et de contrôle deviennent centrales.