Vaardigheden van agenten: een data-gedreven analyse van Claude-vaardigheden voor het uitbreiden van de functionaliteit van grote taalmodel
Agent Skills: A Data-Driven Analysis of Claude Skills for Extending Large Language Model Functionality
February 8, 2026
Auteurs: George Ling, Shanshan Zhong, Richard Huang
cs.AI
Samenvatting
Agent skills breiden large language model (LLM)-agents uit met herbruikbare, programma-achtige modules die triggercondities, procedurele logica en toolinteracties definiëren. Naarmate deze skills zich verspreiden via openbare marktplaatsen, is het onduidelijk welke typen beschikbaar zijn, hoe gebruikers ze adopteren en welke risico's ze met zich meebrengen. Om deze vragen te beantwoorden, voeren we een grootschalige, datagedreven analyse uit van 40.285 openbaar geliste skills van een grote marktplaats. Onze resultaten tonen aan dat skillpublicatie vaak plaatsvindt in kortstondige pieken die samenhangen met verschuivingen in de aandacht van de community. We constateren ook dat skillinhoud sterk geconcentreerd is in software-engineeringwerkstromen, terwijl informatie-ophaling en contentcreatie een aanzienlijk deel van de adoptie uitmaken. Naast inhoudelijke trends leggen we een duidelijke disbalans tussen aanbod en vraag tussen categorieën bloot, en tonen we aan dat de meeste skills binnen typische promptbudgets blijven ondanks een zwaar-verdeelde lengtedistributie. Ten slotte observeren we een sterke ecosystemhomogeniteit, met wijdverspreide redundantie op intentieniveau, en identificeren we niet-triviale veiligheidsrisico's, waaronder skills die staatswijzigende of systeemniveau-acties mogelijk maken. Over het geheel genomen bieden onze bevindingen een kwantitatieve momentopname van agent skills als een opkomende infrastructuurlaag voor agents, en informeren ze toekomstig werk over skillhergebruik, standaardisatie en veiligheidsbewust ontwerp.
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.