Habilidades do Agente: Uma Análise Baseada em Dados das Habilidades do Claude para Ampliar a Funcionalidade de Modelos de Linguagem de Grande Porte
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
Resumo
As habilidades de agente estendem os agentes de modelo de linguagem de grande escala (LLM) com módulos reutilizáveis, semelhantes a programas, que definem condições de acionamento, lógica procedural e interações com ferramentas. À medida que essas habilidades proliferam em marketplaces públicos, não está claro quais tipos estão disponíveis, como os usuários as adotam e quais riscos elas representam. Para responder a essas questões, realizamos uma análise em larga escala e baseada em dados de 40.285 habilidades listadas publicamente em um marketplace principal. Nossos resultados mostram que a publicação de habilidades tende a ocorrer em rajadas curtas que acompanham mudanças na atenção da comunidade. Também descobrimos que o conteúdo das habilidades está altamente concentrado em fluxos de trabalho de engenharia de software, enquanto a recuperação de informações e a criação de conteúdo representam uma parcela substancial da adoção. Além das tendências de conteúdo, revelamos um pronunciado desequilíbrio entre oferta e demanda entre categorias, e mostramos que a maioria das habilidades permanece dentro dos orçamentos típicos de prompt, apesar de uma distribuição de comprimento com cauda pesada. Finalmente, observamos uma forte homogeneidade do ecossistema, com redundância generalizada em nível de intenção, e identificamos riscos de segurança não triviais, incluindo habilidades que permitem ações de alteração de estado ou em nível de sistema. No geral, nossas descobertas fornecem um instantâneo quantitativo das habilidades de agente como uma camada de infraestrutura emergente para agentes e informam trabalhos futuros sobre reutilização, padronização e design consciente da segurança 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.