Comment ajouter des compétences et automatisations IA

Allez sur chat.openai.com et cliquez sur votre profil → My GPTs → Create a GPT

Dans l'onglet 'Create', decrivez en langage naturel ce que vous voulez que votre GPT fasse

Configurez le nom, la description, les instructions et les demarreurs de conversation

Telechargez des fichiers de connaissances (PDFs, documents) que votre GPT pourra consulter

Ajoutez des Actions pour connecter des APIs externes (optionnel)

Definissez la visibilite : Moi uniquement, Toute personne avec un lien, ou Public

Cliquez sur 'Create' et partagez le lien

Cliquez sur votre icone de profil → Settings → Personalization → Custom Instructions

Remplissez 'Que souhaitez-vous que ChatGPT sache sur vous ?' avec le contexte de votre role et vos besoins

Remplissez 'Comment souhaitez-vous que ChatGPT reponde ?' avec vos preferences de format, ton et contraintes

Ces instructions s'appliquent automatiquement a toutes les nouvelles conversations

Dans GPT Builder, allez dans l'onglet 'Configure' → Actions

Cliquez sur 'Create new action' et collez votre schema OpenAPI

Definissez la methode d'authentification (Aucune, API Key ou OAuth)

Testez l'action avec des requetes exemples

Le GPT peut maintenant appeler votre API pendant les conversations

Allez sur claude.ai et cliquez sur 'Projects' dans la barre laterale

Cliquez sur 'Create Project' et donnez-lui un nom et une description

Ajoutez des instructions personnalisees definissant comment Claude doit se comporter dans ce projet

Telechargez des fichiers (PDFs, code, documents) dans la base de connaissances du projet — Claude peut referencer jusqu'a 200K tokens

Demarrez des conversations au sein du projet — Claude utilisera automatiquement vos instructions et fichiers

Lors de l'utilisation de l'API Claude, incluez un message 'system' au debut de votre conversation

Definissez le role, le comportement, le format de sortie et les contraintes de Claude dans le prompt systeme

Incluez des exemples few-shot des entrees et sorties souhaitees

Utilisez des balises XML comme <instructions>, <context>, <output_format> pour une structure claire

Installez Claude Code : npm install -g @anthropic-ai/claude-code

Creez un fichier CLAUDE.md a la racine de votre projet avec des instructions et du contexte

Ajoutez des commandes slash personnalisees dans le repertoire .claude/commands/ sous forme de fichiers markdown

Chaque fichier .md devient une /commande — le contenu du fichier est le modele de prompt

Utilisez le placeholder $ARGUMENTS pour les entrees dynamiques

Claude Desktop et Claude Code prennent en charge les outils Model Context Protocol (MCP)

Installez des serveurs MCP : npx @anthropic-ai/create-mcp-server ou utilisez ceux existants sur npm

Configurez dans claude_desktop_config.json ou .claude/settings.json

Claude peut maintenant utiliser les outils MCP pendant les conversations pour acceder aux bases de donnees, APIs, fichiers, etc.

Allez sur aistudio.google.com et cliquez sur 'Create new prompt'

Choisissez 'Structured Prompt' pour des sorties coherentes basees sur des modeles

Definissez les colonnes d'entree (variables) et les colonnes de sortie (resultats attendus)

Ajoutez des lignes d'exemples montrant des paires entree-sortie pour l'apprentissage few-shot

Testez avec de nouvelles entrees et ameliorez vos exemples

Enregistrez et partagez via le bouton 'Get Code' (Python, JavaScript, REST)

Cliquez sur 'Create new prompt' → 'Chat Prompt'

Redigez des instructions systeme definissant le role et le comportement de l'AI

Ajoutez des outils (function declarations) si votre prompt doit appeler des APIs externes

Configurez les parametres du modele : temperature, top-p, nombre maximum de tokens de sortie

Testez dans le playground et exportez le code quand il est pret

Obtenez votre cle API sur aistudio.google.com → 'Get API Key'

Installez le SDK : pip install google-genai (Python) ou npm install @google/genai

Initialisez le client avec votre cle API

Utilisez generateContent() pour les entrees texte, image, audio et video

Ajoutez des declarations d'outils pour les capacites de function calling

Pour la production, utilisez Vertex AI dans Google Cloud Console

Creez un point d'acces et deployez votre modele optimise ou utilisez Gemini directement

Configurez l'authentification avec des comptes de service

Configurez la mise a l'echelle automatique, la surveillance et la journalisation

Utilisez Vertex AI Pipelines pour des workflows ML automatises

Ouvrez le tableau de bord Antigravity et cliquez sur 'New Workflow'

Choisissez un declencheur : Planification, Webhook, Soumission de formulaire ou Evenement

Glissez-deposez des blocs d'action depuis la barre laterale : Envoyer un e-mail, Appel API, Requete de base de donnees, etc.

Connectez les blocs avec des fleches pour definir le flux

Ajoutez des branches conditionnelles (If/Else) pour la logique decisionnelle

Configurez les parametres de chaque bloc (points d'acces API, modeles d'e-mail, etc.)

Testez le workflow avec des donnees exemples avant de l'activer

Basculez le workflow sur 'Active' pour commencer l'execution

Parcourez la galerie de modeles pour des workflows preconstruits

Cliquez sur 'Use Template' pour creer une copie dans votre espace de travail

Personnalisez le modele : modifiez les parametres de declenchement, mettez a jour les cles API, modifiez les conditions

Connectez vos comptes (Slack, Gmail, CRM, etc.) lorsque demande

Testez et activez

Allez dans Settings → Integrations → Add New

Choisissez 'Custom API' pour les services absents de la liste integree

Entrez l'URL de base de l'API et les details d'authentification

Definissez les actions disponibles (points d'acces) avec les schemas de requete/reponse

Votre integration personnalisee apparait maintenant dans la barre laterale du constructeur de workflows

Trouvez des serveurs MCP sur npm, GitHub ou ce repertoire

Installez : npm install -g @modelcontextprotocol/server-name

Configurez dans le fichier de parametres de votre client AI (ex. claude_desktop_config.json)

Ajoutez la commande du serveur et les variables d'environnement requises

Redemarrez votre client AI — les outils deviennent automatiquement disponibles

L'AI peut maintenant utiliser les outils MCP pendant les conversations

Initialisez : npx @anthropic-ai/create-mcp-server my-server

Definissez les outils dans src/index.ts en utilisant le MCP SDK

Chaque outil necessite : nom, description, schema d'entree (JSON Schema) et une fonction handler

Ajoutez des ressources pour les donnees que l'AI peut lire (fichiers, enregistrements de base de donnees, etc.)

Ajoutez des prompts pour des modeles de prompts reutilisables

Testez localement : npx tsx src/index.ts

Publiez sur npm pour que d'autres puissent l'utiliser : npm publish

Pour Claude Desktop : Editez ~/Library/Application Support/Claude/claude_desktop_config.json (Mac) ou %APPDATA%/Claude/claude_desktop_config.json (Windows)

Pour Claude Code : Editez .claude/settings.json dans votre projet ou ~/.claude/settings.json globalement

Ajoutez votre serveur a l'objet 'mcpServers' avec la commande et les arguments

Definissez les variables d'environnement avec le champ 'env' pour les cles API

Utilisez le transport 'stdio' pour les serveurs locaux, 'sse' pour les distants

MCP est un standard ouvert — il fonctionne avec tout client AI compatible

Pour des integrations personnalisees, utilisez le SDK client MCP (@modelcontextprotocol/sdk)

Connectez-vous aux serveurs MCP de maniere programmatique dans vos propres applications

Faites le pont entre MCP et OpenAI/Gemini en traduisant les schemas d'outils MCP dans leur format de function calling

Utilisez des serveurs proxy MCP pour exposer les outils MCP via des REST APIs