RAG vs agent skills : la différence à connaître

« Donc en gros, les agent skills, c’est juste une autre façon de donner des documents à l’agent, non ? »

Cette question revient sans cesse dans les conversations sur les agents IA. Et à chaque fois, elle révèle un malentendu de fond qui limite la façon dont les entreprises pensent les capacités de leurs agents.

Les agent skills et le RAG ne sont pas la même chose. Ils résolvent des problèmes différents, opèrent à des niveaux différents, et les confondre conduit à sous-estimer ce que les skills peuvent réellement apporter à votre stratégie IA.

Clarifions.

La réponse courte : RAG et agent skills résolvent deux problèmes distincts. Le RAG récupère des passages dans vos documents pour savoir ce qui est écrit. Un agent skill empaquette instructions, logique et outils, souvent dans un dossier SKILL.md, pour que l’agent fasse la tâche. La plupart des agents combinent les deux.

	RAG	Agent skill
Ce que c’est	Un pipeline de récupération : indexer, chercher, injecter des passages	Une compétence empaquetée : instructions, logique de processus, scripts, accès aux outils
Question traitée	« Quelle information existe ? »	« Comment faut-il faire ? »
Sortie	Du texte pertinent transmis au modèle	Une tâche accomplie ou une action déclenchée
Arrivée dans le contexte	Les fragments les mieux classés pour chaque requête, souvent par recherche vectorielle	Nom et description au démarrage, SKILL.md complet seulement quand la tâche correspond
Format	Pas de standard : chaque pile construit son pipeline	Le standard ouvert Agent Skills (SKILL.md)
Maintenance	Tenir à jour le corpus et l’index	Versionner le skill quand le processus change
Échec typique	Récupère le mauvais passage, ou un passage périmé	Suit une procédure dépassée
Analogie	Accès à une bibliothèque	Formation professionnelle
Idéal pour	Politiques, documentation de référence, questions sur un corpus	Tâches en plusieurs étapes qui appliquent des règles et appellent des outils

Qu’est-ce que le RAG ? Une définition rapide.

Le RAG (Retrieval-Augmented Generation) est un mécanisme de récupération. Son rôle est de chercher dans un corpus de documents et de renvoyer l’information pertinente à l’agent.

Quand un utilisateur demande « Quelle est notre politique de retour pour les commandes internationales ? », le RAG parcourt les documents de politique, trouve la section pertinente et la transmet à l’agent. L’agent utilise ensuite ce contenu récupéré pour formuler sa réponse.

Le RAG est essentiellement un moteur de recherche pour votre base de connaissance interne. Il trouve et renvoie du contenu existant. Rien de plus, rien de moins.

C’est précieux. Sans RAG (ou un autre outil capable de chercher), un agent ne connaît que ce qu’il a appris pendant l’entraînement : un savoir générique, sans aucune notion des informations propres à l’entreprise. Le RAG comble ce vide en donnant à l’agent accès aux documents propriétaires.

Mais la récupération est le point d’arrêt du RAG. Il répond à la question : « Quelle information existe sur ce sujet ? »

Qu’est-ce qu’un agent skill ?

Un skill est fondamentalement différent. Il ne s’agit pas de récupérer de l’information. Il s’agit de permettre une exécution compétente. (Pour la vue côté fichier, voici l’anatomie d’un fichier SKILL.md.)

Un skill empaquette trois éléments : la connaissance métier liée à une tâche précise, la logique de processus qui décrit comment traiter cette tâche correctement, et les capacités d’exécution pour réellement déclencher des actions.

Le format n’appartient plus à un seul éditeur. Anthropic a présenté les Agent Skills en octobre 2025 et les a publiés comme standard ouvert le 18 décembre 2025. La vitrine d’agentskills.io recense désormais des clients comme OpenAI Codex, GitHub Copilot, VS Code, Cursor et Gemini CLI, aux côtés de Claude.

Prenons un exemple concret.

Un utilisateur dit : « Je veux retourner ce produit commandé il y a trois semaines. »

Avec le RAG seul, l’agent peut chercher dans le document de politique de retour et en restituer le contenu. Il récupère et relaie de l’information.

Avec un skill de gestion des retours, l’agent comprend les règles de politique, connaît les étapes du processus d’évaluation d’une demande de retour, peut vérifier l’historique de commande et l’éligibilité, et peut déclencher le retour dans le système si les conditions sont réunies. Il n’informe pas seulement. Il exécute.

Un skill répond à une question différente : « Comment cette tâche doit-elle être traitée, et quelles actions sont requises ? »

RAG vs agent skills : la distinction de fond.

La confusion entre RAG et skills vient souvent d’une ressemblance de surface : tous deux consistent à « donner de l’information à l’agent ». Mais la nature de cette information est totalement différente.

Le RAG fournit du contenu : du texte brut récupéré depuis des documents, que l’agent doit interpréter seul.

Les skills fournissent du contexte : de la connaissance structurée qui façonne la manière dont l’agent raisonne, décide et agit dans des situations précises.

Le tableau en tête d’article résume ce partage. Pensez-y ainsi : le RAG, c’est donner à quelqu’un l’accès à une bibliothèque. Les skills, c’est lui donner une formation professionnelle. L’accès aux manuels de médecine ne fait pas de quelqu’un un médecin. La formation, qui combine connaissance, méthode et capacité pratique, oui.

Un agent avec du RAG sait chercher. Un agent avec des skills sait accomplir une tâche avec compétence. C’est tout l’écart entre savoir et savoir-faire.

Pourquoi c’est central pour la conception d’un agent IA.

Quand les entreprises traitent les skills comme « une autre façon de donner des documents », elles conçoivent leurs agents autour de la récupération plutôt que de la capacité. Résultat : un agent qui répond à des questions, mais qui peine à aider concrètement les utilisateurs à accomplir leurs tâches.

Cela se traduit de plusieurs façons :

• Des agents qui fournissent une information juste, mais laissent toutes les actions à l’utilisateur.
• Des agents qui n’ont pas de méthode constante pour traiter les demandes complexes.
• Des agents qui ne savent pas adapter leur comportement au contexte de la situation.

Passer d’une pensée centrée sur le RAG à une pensée centrée sur les skills change la question de conception : on ne demande plus « à quels documents l’agent doit-il avoir accès ? », mais « quelles compétences l’agent doit-il maîtriser pour faire son travail ? ».

Quand utiliser RAG ou skills : un cadre pratique.

Voici une façon simple de déterminer quelle approche s’applique à un besoin donné.

Utilisez le RAG quand l’objectif est de faire remonter de l’information existante : répondre à des questions sur des politiques, retrouver de la documentation, fournir un support de référence.

Utilisez les skills quand l’objectif est l’exécution compétente d’une tâche : traiter des demandes qui exigent de comprendre un contexte, appliquer des règles, suivre un processus et déclencher des actions.

Utilisez les deux quand un agent doit fonctionner comme un assistant capable, et non comme une interface de recherche. C’est le cas dans la plupart des applications réelles. Et quand un processus est entièrement prévisible et ses entrées structurées, un workflow à règles peut battre les deux, un arbitrage détaillé dans agent skills vs plateformes de workflow.

La question de l’intégration.

Une question naturelle se pose : où placer les intégrations d’outils dans ce modèle ?

Les architectures traditionnelles séparent souvent connaissance (RAG), raisonnement (le LLM) et actions (intégrations d’outils) en couches distinctes. Cela crée de la complexité et de la fragmentation : l’agent doit coordonner des systèmes qui ne se comprennent pas intrinsèquement.

Une approche plus efficace regroupe ces éléments. Quand connaissance métier, logique de processus et capacité d’exécution sont empaquetées en un skill unifié, l’agent gagne une compétence cohérente plutôt que des morceaux déconnectés. En pratique, cela veut dire des skills qui composent les outils MCP au lieu de s’y juxtaposer.

C’est l’approche retenue par skilder : les skills sont des compétences complètes, pas seulement des documents ou des connexions à des outils. L’agent ne récupère pas une politique, puis ne calcule pas séparément comment l’appliquer, puis n’invoque pas séparément un outil. Il dispose d’une capacité intégrée pour traiter ce type de tâche. Chez skilder, un rôle regroupe des skills, des outils MCP scopés, du contexte et des permissions. Il part d’un blueprint qui se configure sur vos propres processus, ce qui rend ce schéma opérationnel à l’échelle de l’entreprise.

À retenir.

Le RAG est un mécanisme de récupération. Il cherche dans des documents et renvoie du contenu. Précieux pour accéder à l’information, mais limité à cette fonction.

Les skills sont des compétences empaquetées. Ils combinent connaissance métier, méthodologie de processus et capacité d’exécution en une aptitude unifiée à traiter des tâches précises.

Ils sont complémentaires, pas concurrents. La plupart des agents en production ont besoin des deux.

Pour les équipes qui construisent des agents IA, la question stratégique n’est pas seulement « quelle information l’agent doit-il avoir ? », mais « quelles compétences l’agent doit-il maîtriser pour bien faire son travail ? ».

La réponse à cette question décide si vous obtenez un chatbot ou un assistant capable.

Questions fréquentes

Le RAG, c'est la même chose qu'un agent skill ? +

Non. Le RAG est un mécanisme de récupération qui cherche dans des documents et renvoie du texte pertinent à l'agent. Un agent skill est une compétence empaquetée qui combine connaissance métier, logique de processus et capacité d'exécution, pour que l'agent puisse réellement accomplir une tâche, et pas seulement chercher de l'information.

Quand utiliser le RAG plutôt qu'un agent skill ? +

Utilisez le RAG quand l'objectif est de faire remonter de l'information existante depuis des documents : politiques internes, supports de référence, documentation. Utilisez les skills quand l'agent doit accomplir une tâche qui demande d'appliquer des règles, suivre un processus et déclencher des actions. En résumé : le RAG répond à « quelle information existe ? », les skills répondent à « comment faut-il faire ? ».

Un agent IA peut-il avoir à la fois du RAG et des skills ? +

Oui. La plupart des agents en production ont besoin des deux. Le RAG donne à l'agent l'accès aux informations spécifiques à l'entreprise, les skills lui donnent la capacité d'agir avec compétence sur cette information. Ensemble, ils produisent un agent à la fois informé et capable, plutôt qu'un chatbot qui se contente de pointer vers des documents.

Le RAG est-il mort maintenant que les agents ont des skills ? +

Non. Les skills ne remplacent pas la récupération, ils changent son rôle. Un skill dit à l'agent comment traiter une tâche ; il ne contient pas un corpus de 10 000 pages de politiques internes ni les tickets de la veille. Les volumes documentaires importants ou qui bougent vite ont toujours besoin d'une couche de recherche. Ce qui recule, c'est le RAG comme architecture complète : la récupération devient un outil parmi d'autres, appelé par un agent compétent quand la tâche l'exige.

Un agent skill peut-il utiliser du RAG ? +

Oui, et c'est le montage le plus courant en production. Le skill porte la procédure (quand chercher, à quelle source se fier, que faire du résultat) et appelle un outil de recherche, souvent exposé par un serveur MCP, comme l'une de ses étapes. Le RAG fournit les faits, le skill décide quoi en faire.

Qu'est-ce que le RAG agentique ? +

Le RAG agentique est une récupération pilotée par l'agent lui-même : au lieu d'une recherche unique avant la réponse, l'agent décide s'il doit chercher, reformule la requête, vérifie les résultats et relance si besoin. Cela reste une technique de récupération. Elle rend la recherche d'information plus intelligente, mais elle ne décrit pas la façon dont votre organisation traite une tâche, ce qui est précisément le rôle d'un skill.

Les agent skills utilisent-ils des embeddings ou une recherche vectorielle ? +

Non. Dans le standard Agent Skills, l'agent ne charge au démarrage que le nom et la description de chaque skill, puis lit les instructions complètes du SKILL.md quand une tâche correspond à cette description. Les fichiers de référence et les scripts ne se chargent que si les instructions les appellent. Cette divulgation progressive est un mécanisme au niveau des fichiers, pas une recherche par similarité sur des fragments de texte.

Quelle différence entre RAG, MCP et agent skills ? +

Ils se situent à trois niveaux différents. Le RAG est un schéma pour récupérer des passages pertinents dans des documents. MCP (Model Context Protocol) est un protocole ouvert qui connecte un agent à des outils et des sources de données externes, index de recherche compris. Un agent skill est une procédure empaquetée qui dit à l'agent comment faire une tâche et lesquels de ces outils utiliser en chemin.

Pourquoi confond-on RAG et agent skills ? +

Les deux consistent à « donner de l'information à l'agent », ce qui crée une ressemblance de surface. La différence clé est la nature de cette information : le RAG renvoie du contenu brut que l'agent doit interpréter seul, tandis que les skills fournissent un contexte structuré qui façonne la manière dont l'agent raisonne, décide et agit.