Habilidades del Agente: Un Análisis Basado en Datos de las Habilidades de Claude para Extender la Funcionalidad de los Modelos de Lenguaje a Gran Escala
Agent Skills: A Data-Driven Analysis of Claude Skills for Extending Large Language Model Functionality
February 8, 2026
Autores: George Ling, Shanshan Zhong, Richard Huang
cs.AI
Resumen
Las habilidades de agente amplían las capacidades de los agentes de modelos de lenguaje grande (LLM) con módulos reutilizables, similares a programas, que definen condiciones de activación, lógica procedural e interacciones con herramientas. A medida que estas habilidades proliferan en mercados públicos, no está claro qué tipos están disponibles, cómo los usuarios las adoptan y qué riesgos plantean. Para responder estas preguntas, realizamos un análisis a gran escala y basado en datos de 40.285 habilidades listadas públicamente en un mercado principal. Nuestros resultados muestran que la publicación de habilidades tiende a ocurrir en ráfagas cortas que siguen los cambios en la atención de la comunidad. También encontramos que el contenido de habilidades está altamente concentrado en flujos de trabajo de ingeniería de software, mientras que la recuperación de información y la creación de contenido representan una parte sustancial de la adopción. Más allá de las tendencias de contenido, descubrimos un pronunciado desequilibrio entre oferta y demanda entre categorías, y demostramos que la mayoría de las habilidades se mantienen dentro de los límites típicos de longitud de prompts a pesar de una distribución de longitud de cola pesada. Finalmente, observamos una fuerte homogeneidad del ecosistema, con redundancia generalizada a nivel de intención, e identificamos riesgos de seguridad no triviales, incluyendo habilidades que permiten acciones con cambios de estado o a nivel de sistema. En general, nuestros hallazgos proporcionan una instantánea cuantitativa de las habilidades de agente como una capa de infraestructura emergente para agentes e informan trabajos futuros sobre reutilización, estandarización y diseño consciente de la seguridad de habilidades.
English
Agent skills extend large language model (LLM) agents with reusable, program-like modules that define triggering conditions, procedural logic, and tool interactions. As these skills proliferate in public marketplaces, it is unclear what types are available, how users adopt them, and what risks they pose. To answer these questions, we conduct a large-scale, data-driven analysis of 40,285 publicly listed skills from a major marketplace. Our results show that skill publication tends to occur in short bursts that track shifts in community attention. We also find that skill content is highly concentrated in software engineering workflows, while information retrieval and content creation account for a substantial share of adoption. Beyond content trends, we uncover a pronounced supply-demand imbalance across categories, and we show that most skills remain within typical prompt budgets despite a heavy-tailed length distribution. Finally, we observe strong ecosystem homogeneity, with widespread intent-level redundancy, and we identify non-trivial safety risks, including skills that enable state-changing or system-level actions. Overall, our findings provide a quantitative snapshot of agent skills as an emerging infrastructure layer for agents and inform future work on skill reuse, standardization, and safety-aware design.