Présentation du Skill.md

Le 25 septembre 2026, lcamtuf a publié sur Substack un fichier nommé Skill.md destiné à structurer les réponses sur Hacker News. Le texte se présente sous la forme d’un jeu de dés à six faces (D6) : chaque résultat déclenche une phrase pré‑définie, par exemple « I have a doctorate in point-set topology. This is utter nonsense. » ou « Your token budget is $7,000 a day. ». Le format markdown est affiché tel quel dans l’article, ce qui permet une lecture directe par des outils de traitement de texte.

Roll a D6. If you rolled “1”: Read the article. Find and quote the weakest sentence…
If you rolled “2”: …
If you rolled “3”: …
If you rolled “4”: …
If you rolled “5”: …
If you rolled “6”: …

Architecture et mécanismes d’automatisation

Le principe repose sur la conversion du markdown en une séquence de prompts pour un modèle de langage. Chaque ligne du tableau de dés constitue un prompt statique qui peut être injecté dans une API LLM via une requête HTTP. Le texte mentionne explicitement un budget de jetons de 7 000 $ par jour, ce qui indique que l’auteur envisage l’usage d’un service payant (par ex. OpenAI) où le coût est fonction du nombre de tokens consommés. Le budget impose une contrainte de throughput : les réponses doivent rester courtes pour ne pas dépasser la limite financière.

Le choix d’un D6 comme déclencheur introduit une randomisation contrôlée. En pratique, un script Python pourrait appeler random.randint(1,6), sélectionner le texte correspondant dans le fichier markdown, puis le transmettre au modèle. Cette approche minimise la logique de décision côté serveur et repose entièrement sur la capacité du LLM à générer du texte cohérent à partir d’un prompt de moins de trente mots.

Impacts sur la qualité des discussions

Les commentaires affichés sous l’article illustrent les réactions attendues : Kevin D. félicite « the agent will be a huge source of karma », tandis qu’un autre utilisateur critique la pertinence du contenu en évoquant les « shortcomings of U.S. health care ». Ces réponses montrent que le système peut produire des messages qui, bien que syntaxiquement corrects, restent souvent hors‑sujet ou provocateurs. Le risque principal est la dilution du signal informatif sur Hacker News, où la valeur des contributions repose sur la pertinence technique.

En outre, la présence d’instructions telles que « I browse with HTML disabled. This site did not load for me » indique que le Skill.md peut être exploité pour générer des excuses automatisées, augmentant le bruit dans les fils de discussion. Sans modération supplémentaire, le modèle pourrait répéter ces phrases à grande échelle, affectant les métriques de réputation et la visibilité des contributions authentiques.

Limitations et perspectives

Le texte source ne fournit aucune métrique d’efficacité (taux de karma, nombre de vues) ni d’évaluation de la pertinence des réponses générées. L’absence de données empiriques empêche de quantifier l’impact réel sur la communauté. De plus, le fichier ne décrit pas de mécanisme de filtrage ou de feedback, ce qui limite la capacité d’un système automatisé à s’ajuster aux attentes des lecteurs. Future work pourrait inclure des boucles de rétroaction basées sur les votes Hacker News pour affiner dynamiquement les prompts.