Au-delà du SKILL.md unique : comment les skill graphs passent à l'échelle

On sous-estime la puissance du savoir structuré. Il rend possible des applications d’une nature nouvelle.

Aujourd’hui, les agent skills écrits capturent un seul aspect d’une tâche. Un skill pour résumer, un skill pour la revue de code, et ainsi de suite. Souvent un fichier, une capacité.

C’est suffisant pour les tâches simples. La vraie profondeur exige autre chose.

Imaginez un skill de conseil hypothécaire qui doit couvrir les critères d’éligibilité au prêt, les cadres de conformité réglementaire, les méthodologies d’évaluation du risque, les normes d’estimation immobilière et les bonnes pratiques de communication client.

Un SKILL.md seul ne peut pas tout porter.

Le problème : un skill isolé heurte un plafond de complexité.

Quand vous essayez de capturer un domaine métier complexe dans un seul fichier, vous heurtez des limites dures :

• Frontières artificielles : des concepts liés se retrouvent séparés parce qu’ils « appartiennent » à des skills différents.
• Duplication du savoir : les concepts partagés sont recopiés dans plusieurs skills, ce qui crée un cauchemar de maintenance.
• Connexions perdues : les relations entre concepts ne sont pas navigables, elles restent implicites.
• Effondrement à l’échelle : au-delà de 500 à 1 000 lignes, un fichier unique devient ingérable.

Ce n’est pas un problème théorique. Essayez de loger toute la connaissance d’un prêteur hypothécaire dans un seul SKILL.md : produits de prêt, règles de souscription, exigences de conformité, cadres d’évaluation du risque, critères d’éligibilité client. Vous créez soit un monolithe massif, soit une fragmentation telle que l’agent ne voit plus comment les pièces s’articulent.

L’approche mono-fichier vous force à choisir entre profondeur et navigabilité. Le skill graph supprime cet arbitrage.

Skill graphs : l’évolution suivante.

Un skill graph est un réseau de fichiers de skills interconnectés qui se référencent les uns les autres.

Au lieu d’un gros fichier, vous avez plusieurs petites pièces composables qui se relient entre elles. Chaque fichier porte une pensée, une technique ou une règle métier complète. Les connexions entre eux forment un graphe traversable que l’agent navigue intelligemment.

Un skill graph applique le même schéma de découverte de skill récursivement à l’intérieur du graphe lui-même.

Chaque nœud porte des métadonnées que l’agent peut scanner sans lire le fichier en entier.

Chaque arête porte du sens parce qu’elle est intégrée au contexte : l’agent suit les chemins pertinents et ignore le reste.

Divulgation progressive :

• Index, puis descriptions, puis liens, puis sections, puis contenu complet.

La plupart des décisions se prennent avant la lecture d’un seul fichier complet.

Skills isolés vs skill graphs : la comparaison.

Dimension	Skills isolés	Skill graphs
Profondeur	Limitée au contenu d’un seul fichier	Illimitée, suit la complexité du domaine
Maintenabilité	Une mise à jour exige de toucher le fichier entier	Un node mis à jour, tout le graphe en profite
Composabilité	Difficile à réutiliser entre contextes	Conçu pour la composition et la réutilisation
Flux de contexte	Silos isolés de savoir	Réseaux d’expertise interconnectés
Comportement de l’agent	Suit des instructions	Comprend les relations du domaine
Time to value	Rapide pour les tâches simples	Composé dans le temps, à mesure que le graphe grandit
Passage à l’échelle	Casse au-delà de 500 à 1 000 lignes	Tient sur des milliers de nœuds interconnectés

À quoi ressemble un skill graph en pratique.

Une fois passé du fichier unique au réseau d’expertise, le même schéma se retrouve d’un secteur à l’autre :

• Skill graph d’une entreprise du bâtiment : protocoles de sécurité, exigences de conformité, gestion fournisseurs, planification de projet, checklists qualité. Chaque pièce reliée à des procédures connexes pour que le contexte circule entre elles.
• Skill graph d’un acteur des services financiers : produits hypothécaires, critères de souscription, conformité réglementaire, règles d’éligibilité client, cadres de risque. Tout traversable depuis un point d’entrée unique.
• Skill graph d’un industriel : standards qualité, workflows de production, exigences fournisseurs, politiques d’inventaire, maintenance des équipements. Rien de tout cela ne tient dans un fichier unique, et pourtant chaque ensemble fonctionne comme un graphe.

Primitives d’infrastructure.

Une architecture de skill graph repose sur trois éléments centraux :

• Connexions sémantiques intégrées au contexte en langage naturel, pour que les liens portent du sens et pas seulement des références.
• Métadonnées structurées avec descriptions, pour que les agents scannent et décident sans lire les fichiers complets.
• Cartes thématiques qui organisent les grappes de skills liés en domaines navigables.

Les skills référencent d’autres skills, qui référencent d’autres skills, et le graphe descend aussi profondément que le domaine l’exige.

Architecture d’implémentation.

L’architecture de skill graph que skilder met en œuvre suit ce schéma :

1. Génération de skills : les documents et politiques internes sont traités pour produire des nœuds de skill structurés, sans requérir d’expertise ML.

2. Couche de combinaison : les skills s’agrègent avec des intégrations d’outils via le Model Context Protocol (MCP), apportant à la fois du contexte et des capacités d’action.

3. Regroupement par rôle : les skills sont organisés en bundles spécifiques à un domaine (par exemple : conseiller hypothécaire, responsable sécurité) qui représentent des contextes opérationnels complets.

4. Exécution distribuée : l’infrastructure se répartit entre les organisations avec traçage d’exécution et auditabilité complets.

Ces composants fonctionnent ensemble comme des nœuds d’un graphe interconnecté, et non comme des capacités isolées.

Ce que cela change.

Les approches traditionnelles s’accompagnent de contraintes lourdes :

• Implémentations RAG sur mesure : 10 000 à 35 000 $ par modèle, 6 à 12 mois.
• Chatbots génériques : aucun contexte métier, adoption limitée sur les tâches critiques.
• Fine-tuning : exige des compétences ML rares, réentraînement coûteux à chaque mise à jour.

Les skill graphs proposent une autre voie :

• Expertise métier conditionnée comme une infrastructure traversable.
• Les agents parcourent la logique métier de façon contextuelle.
• Le contexte se compose et évolue avec l’usage.
• Les mises à jour se propagent dans le graphe sans réentraînement.

La différence se joue entre un agent qui suit des instructions et un agent capable de parcourir les relations du domaine.

Émergence par l’usage.

Les skill graphs présentent des propriétés émergentes intéressantes à mesure qu’ils grandissent :

• Les contributeurs individuels créent des skills pour leurs workflows propres.
• Les schémas d’usage révèlent quelles connexions conceptuelles sont réellement pertinentes.
• Les traces de navigation montrent comment les agents traversent le savoir métier en pratique.
• Des motifs inter-organisationnels font remonter des approches communes à des problèmes similaires.
• Des méta-motifs émergent des données agrégées de parcours du graphe.

Cela crée une boucle de rétroaction où l’infrastructure devient plus efficace à mesure qu’elle est utilisée, sans exiger une curation centralisée de chaque connexion.

Considérations de déploiement.

Les skill graphs qui portent de la logique métier soulèvent des questions de déploiement sérieuses. L’implémentation skilder y répond par :

• Résidence des données avec options d’infrastructure hébergée en UE.
• Conformité par construction pour le RGPD et les cadres similaires.
• Déploiement gouverné à l’échelle de l’entreprise.
• Architecture BYOK (Bring Your Own Key) pour éliminer les coûts de pass-through sur les API de LLM.

Les organisations conservent le contrôle de leurs graphes de savoir tout en bénéficiant de la composabilité du skill graph.

Perspective.

Les skills représentent une approche de l’ingénierie du contexte : du savoir sélectionné, injecté là où il est nécessaire.

Les skill graphs prolongent cette idée en rendant ce savoir navigable plutôt que monolithique. Au lieu d’injections uniques, les agents traversent des structures de connaissance et ne tirent que ce que le contexte courant exige.

À mesure que les entreprises continuent leur adoption de l’IA, les questions de structuration et de maintenance du contexte métier prendront vraisemblablement une importance croissante.

---

Références

1. Anthropic : Model Context Protocol (MCP)
2. Dgraph : Graph Database for Knowledge Infrastructure