SkillClaw : faire évoluer la bibliothèque de skills d'un agent après la tâche, pas pendant

Le problème visé : une bibliothèque de skills qui grossit sans être digérée

Le README pose le diagnostic sans détour : après un certain temps d'usage, la bibliothèque de skills d'un agent ressemble à une caisse de butin non triée, avec des doublons, des entrées périmées et des ébauches inachevées. La formulation employée est que le problème n'est pas que l'agent apprend trop peu, mais que personne ne l'aide à digérer ce qu'il a appris. SkillClaw se présente donc comme une couche de post-traitement, pas comme un moteur d'apprentissage. Il ne modifie ni la façon de travailler ni le déroulé d'une session : l'évolution se fait en arrière-plan. Le public visé est précis. D'abord l'utilisateur unique qui accumule les sessions avec un agent compatible. Ensuite, et c'est là que l'argument devient intéressant, celui qui fait tourner plusieurs agents ou plusieurs machines : sans SkillClaw, chacun construit son silo, et une compétence apprise côté front-end ne remonte jamais côté back-end. Enfin, les groupes partagés, où l'expérience d'un membre alimente la bibliothèque commune. Cette dernière promesse est la plus forte et la moins documentée dans le matériel fourni.

Deux boucles, et un décalage temporel assumé

L'architecture repose sur ce que le README appelle les deux boucles. La première est la boucle de tâche de l'agent, celle qui existait avant SkillClaw. La seconde est la boucle d'évolution post-tâche, celle que SkillClaw ajoute : une fois la tâche terminée, l'outil reprend ce qui s'est passé et retravaille la bibliothèque. C'est un choix de conception qui a des conséquences pratiques. Le mécanisme ne peut pas corriger une skill au milieu d'une session, puisque l'évolution intervient après. Un utilisateur qui attend une amélioration immédiate pendant une tâche longue sera déçu. En contrepartie, rien ne s'intercale dans le chemin critique de l'agent, ce qui explique la promesse d'un fonctionnement silencieux. Le README décrit aussi une étape de fusion et de déduplication entre agents, suivie d'une redistribution vers toutes les instances. Le schéma d'architecture est référencé sous assets/skillclaw_main.png, mais le texte fourni ne détaille ni le format de stockage des skills, ni le mécanisme de résolution de conflits quand deux agents ont produit des versions divergentes de la même compétence. C'est la zone la plus floue du dépôt.

Installation : deux commandes, et un chemin Windows séparé

La mise en route tient en deux étapes. Un installateur shell couvre macOS et Linux ; Windows passe par une installation Python manuelle, ce que le tableau du README présente explicitement comme le chemin alternatif. Une fois l'outil en place, la séquence donnée est skillclaw setup puis skillclaw start --daemon. Le drapeau --daemon indique que le processus est censé tourner en continu pour capturer les sessions au fil de l'eau. Python 3.10 ou supérieur est requis, d'après le badge du dépôt. Le README évoque également un tableau de bord bilingue, ajouté le 22 avril 2026 selon la section News, avec une commande skillclaw dashboard sync dont la phrase est tronquée dans le matériel disponible. Je ne peux donc pas décrire ce que fait cette synchronisation. Un point mérite attention avant de lancer setup : le matériel fourni ne dit pas quels fichiers sont modifiés, ni si la configuration des agents compatibles est réécrite. Sur une machine de travail, c'est exactement le genre de détail qu'on veut connaître avant d'exécuter une commande d'installation.

Compatibilité : large sur le papier, dépendante de l'API sous-jacente

La liste des intégrations natives est longue : Hermes, Codex, Claude Code, OpenClaw, QwenPaw, IronClaw, PicoClaw, ZeroClaw, NanoClaw, NemoClaw, plus toute API compatible OpenAI. Cette largeur a une explication probable, que le README ne formule pas : plusieurs de ces projets sont eux-mêmes des agents en ligne de commande, et une intégration peut se ramener à intercepter des sessions plutôt qu'à modifier chaque agent en profondeur. Le fait que l'API compatible OpenAI soit mentionnée en dernier suggère une voie générique de secours. Reste que la profondeur d'intégration n'est pas la même partout. Le README consacre plusieurs sections à un utilisateur de Hermes en particulier, avec des schémas dédiés, et traite les autres agents par une liste de badges. On peut raisonnablement en déduire que Hermes est le chemin le mieux testé, mais le matériel ne le confirme pas explicitement. Si vous utilisez un agent en bas de cette liste, prévoyez de vérifier vous-même ce qui remonte réellement.

Le partage entre utilisateurs : la promesse la plus forte, la moins étayée

C'est ici que SkillClaw se distingue d'un simple gestionnaire de skills local. Le README décrit un scénario où l'utilisateur A débogue un problème de base de données, la skill évolue, et les utilisateurs B, C et D en bénéficient sans jamais rencontrer le même problème. La formule employée est N utilisateurs, une skill, une évolution continue. Le raisonnement est séduisant, mais le matériel fourni ne dit rien de la mécanique de groupe. Comment un groupe est-il créé ? Qui peut y écrire ? Que se passe-t-il si un membre injecte une skill erronée ou malveillante qui se propage ensuite à tout le groupe ? Aucune de ces questions n'a de réponse dans le README tel qu'il est fourni. Pour un outil qui positionne le partage comme son argument principal, c'est une lacune sérieuse. Un lecteur qui envisage le déploiement en équipe doit considérer cette partie comme non documentée à ce stade, et non comme acquise.

Ce que SkillClaw n'est pas, et ce qu'il faut regarder ailleurs

SkillClaw n'est pas un framework d'agent. Il ne remplace ni Hermes ni OpenClaw, il s'y greffe. Si votre problème est de construire un agent, l'outil ne vous concerne pas. Si votre problème est la qualité de vos prompts ou de votre orchestration, il ne le résout pas non plus : il agit sur la bibliothèque de skills, rien d'autre. La comparaison la plus utile se fait avec la gestion manuelle. La plupart des utilisateurs d'agents en ligne de commande rangent leurs skills dans des fichiers qu'ils éditent eux-mêmes, avec relecture et versionnage. Cette approche coûte du temps mais reste prévisible : chaque modification est intentionnelle et traçable. SkillClaw déplace ce travail vers une boucle automatique post-tâche, ce qui suppose d'accepter que la bibliothèque change sans intervention humaine. Le compromis est clair : moins d'entretien manuel, moins de contrôle sur ce qui entre. Le README ne décrit aucun mécanisme de revue, d'approbation ou de retour arrière sur une évolution. C'est le point que je vérifierais en premier dans le code, avant toute adoption en équipe.

Maintenance, licence et coût de mise à jour

Le dépôt est actif : le dernier push date du 17 août 2026, la branche par défaut est main, et le projet n'est pas archivé. Le README mentionne une publication arXiv référencée 2604.08377, ainsi qu'une version chinoise de la documentation sous assets/README_ZH.md. Aucune release n'a été récupérée, ce qui signifie que le suivi se fait sur la branche principale, sans points de version stables. Concrètement, une mise à jour implique de tirer le dernier commit et de relancer skillclaw setup, en espérant que la configuration des agents n'ait pas changé de format entre-temps. La licence est MIT, ce qui autorise la réutilisation et la modification, y compris commerciale, à condition de conserver l'avis de copyright et la clause de licence. Un point mérite d'être posé sans trancher : la licence du dépôt couvre le code de SkillClaw, mais le README ne dit pas quel régime s'applique aux skills produits par la boucle d'évolution, ni à ceux qui circulent dans un groupe partagé. Si vous prévoyez de diffuser des skills entre utilisateurs, faites préciser ce point avant, pas après.

Conclusion éditoriale

SkillClaw s'adresse à ceux qui font déjà tourner plusieurs instances d'un même agent et qui acceptent de confier la curation de leurs skills à une boucle automatique. Ceux qui ont une seule instance, ou qui traitent leurs skills comme du code relu, n'y gagneront rien. Avant d'installer, vérifiez trois choses dans le dépôt : le contenu réel de skillclaw setup, la manière dont les groupes partagés sont authentifiés, et la licence MIT telle qu'elle est appliquée aux skills produits par la boucle.

Sources officielles

1. AMAP-ML/SkillClaw on GitHub
2. Issues
3. License: MIT
4. README