Compétences des agents : une analyse basée sur les données des compétences de Claude pour étendre les fonctionnalités des modèles de langage de grande taille
Agent Skills: A Data-Driven Analysis of Claude Skills for Extending Large Language Model Functionality
February 8, 2026
papers.authors: George Ling, Shanshan Zhong, Richard Huang
cs.AI
papers.abstract
Les compétences d'agent étendent les capacités des agents de grands modèles de langage (LLM) avec des modules réutilisables, semblables à des programmes, qui définissent des conditions de déclenchement, une logique procédurale et des interactions avec des outils. Alors que ces compétences prolifèrent sur les places de marché publiques, il reste flou de savoir quels types sont disponibles, comment les utilisateurs les adoptent et quels risques elles posent. Pour répondre à ces questions, nous menons une analyse quantitative à grande échelle de 40 285 compétences listées publiquement sur une place de marché majeure. Nos résultats montrent que la publication de compétences tend à se produire par courtes impulsions suivant les fluctuations de l'attention communautaire. Nous constatons également que le contenu des compétences est fortement concentré sur les flux de travail de génie logiciel, tandis que la recherche d'information et la création de contenu représentent une part substantielle de l'adoption. Au-delà des tendances de contenu, nous mettons en évidence un déséquilibre prononcé entre l'offre et la demande selon les catégories, et nous montrons que la plupart des compétences restent dans des budgets de contexte typiques malgré une distribution des longueurs à queue lourde. Enfin, nous observons une forte homogénéité de l'écosystème, avec une redondance généralisée au niveau des intentions, et nous identifions des risques de sécurité non négligeables, incluant des compétences permettant des actions modifiant l'état du système ou opérant à un niveau système. Globalement, nos résultats fournissent un instantané quantitatif des compétences d'agent en tant que couche d'infrastructure émergente pour les agents et éclairent les travaux futurs sur la réutilisation, la standardisation et la conception sécurisée des compétences.
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.