Навыки агентов: анализ на основе данных навыков Claude для расширения функциональности больших языковых моделей

Agent Skills: A Data-Driven Analysis of Claude Skills for Extending Large Language Model Functionality

February 8, 2026

Авторы: George Ling, Shanshan Zhong, Richard Huang

cs.AI

Аннотация

Навыки агентов расширяют возможности агентов на основе больших языковых моделей (LLM) за счет переиспользуемых, похожих на программы модулей, которые определяют условия активации, процедурную логику и взаимодействие с инструментами. По мере распространения этих навыков на публичных маркетплейсах остается неясным, какие типы навыков доступны, как пользователи их применяют и какие риски они несут. Чтобы ответить на эти вопросы, мы проводим масштабный, основанный на данных анализ 40 285 публично размещенных навыков с крупного маркетплейса. Наши результаты показывают, что публикация навыков имеет тенденцию происходить короткими всплесками, следующими за изменениями во внимании сообщества. Мы также обнаруживаем, что содержание навыков сильно сконцентрировано на рабочих процессах разработки программного обеспечения, в то время как на информационный поиск и создание контента приходится значительная доля их применения. Помимо тенденций в содержании, мы выявляем выраженный дисбаланс спроса и предложения по категориям и показываем, что большинство навыков укладывается в типичные бюджеты промптов, несмотря на тяжелохвостое распределение их длины. Наконец, мы наблюдаем сильную гомогенность экосистемы с широко распространенной избыточностью на уровне намерений и идентифицируем нетривиальные риски безопасности, включая навыки, позволяющие выполнять изменяющие состояние или системные действия. В целом, наши результаты дают количественный снимок навыков агентов как формирующегося инфраструктурного уровня для агентов и информируют будущие работы по переиспользованию, стандартизации и проектированию навыков с учетом безопасности.

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.