深入剖析 AI Agent 開發：GitSkills 資料集揭開技能模組化趨勢

解析軟體開發新領域：GitSkills 資料集揭開 AI 代理技能的神秘面紗

現代軟體開發中，AI 代理（Agent）的角色越來越吃重。為了讓這些代理精準處理特定任務，Anthropic 在 2025 年 10 月發布了一項開放規格，允許開發者以「技能」（Skill）的形式為代理編寫指令。在沒有統一註冊機制的環境下，這些指令究竟是如何被撰寫與重用的？

近期發布的 GitSkills 資料集，對 GitHub 上高達 3,797,117 個 SKILL.md 檔案進行了系統性調查，試圖回答 AI 協作開發中的實證問題。這份資料集不僅是軟體工程（SE）研究社群的首創，也為理解人機協同開發開啟了全新的實證維度。

圖片來源: mvaccargiu/gitskills · Datasets at Hugging Face

什麼是代理技能？

代理技能（Agent Skill） 就像是一套數位操作手冊。通常是一個包含 SKILL.md 核心檔案的資料夾，其中可能附帶執行腳本、配置範本或參考文件。當 AI 代理執行任務時，會根據當前任務需求，在運行時決定是否載入對應技能。Anthropic 在 2025 年 10 月發布了其目錄結構、YAML 前言（front-matter）限制以及階段式載入模型（staged loading model）的開放規格。其中，Claude Code 是其官方的參考實現（Reference Implementation），其預設將技能存放在 .claude/skills/ 目錄中。

這種做法與傳統程式碼或設定檔最大的不同在於其**「機率性（Probabilistic）」**：

1. 無靜態驗證：模型是在執行過程中基於語意匹配自主判斷是否載入，缺乏編譯器或型別檢查（Type Checker）來確保正確性。
2. 語意模糊風險：如果技能的描述（Description）過於模糊，模型可能無法正確選中該技能；若指令說明不清，則可能導致任務執行不完整或錯誤，且不會拋出明確的系統編譯報錯。
3. 無套件管理器：目前此生態系缺乏中央註冊表（Central Registry）或套件管理器。因此，技能的擴散主要依賴於開發者手動在專案儲存庫之間「複製整套資料夾（Copying Folders）」。

GitSkills 的資料洞察

由 Giuseppe Destefanis（倫敦大學學院）、Daniel Graziotin 與 Matteo Vaccargiu（霍恩海姆大學）以及 Marco Ortu（卡利亞里大學）組成的研究團隊，在 2026 年 7 月 採集了來自 282,200 個公開 GitHub 儲存庫（由 195,841 個開發者帳戶所持有）的資料，推出了 GitSkills 資料集。

研究人員將採集到的 3,797,117 個 SKILL.md 檔案，透過內容雜湊值（Content Hash）進行精確的去重分組，發現它們可歸納為 1,877,981 個獨立的內容組（Distinct Contents）。

核心研究議題

• 採用與語言演化：分析這些主要以自然語言編寫的指令結構，是否在不同月份的採用佇列（Cohorts）中逐漸收斂成特定的「範本格式」（Formulaic Templates），或是其語意多樣性是否因機器生成（Machine Authorship）而降低。
• 非正式重用機制：研究顯示，高達 50.5% 的技能檔案是完全相同的「一字不差複製品（Verbatim Copies）」。這引發了關於技能如何在專案間遷移，以及是否會遵循類似程式碼克隆（Code Clone）的變更傳播模式等有趣問題。
• 維護與安全信任：許多技能內建了可執行腳本，且在沒有中央包管理器審查的情況下被拷貝。一旦上游更新但本地技能過時，或惡意修改的技能被複製，恐將引入未授權的命令執行或外部網路存取，成為類似供應鏈攻擊的溫床。

資料庫內部架構

GitSkills 提供了一個單一且自給自足的 SQLite 檔案（存放在 Zenodo 上），以及在 Hugging Face 上以 Parquet 格式鏡像分發。資料庫中包含以下四大核心資料表，極具結構化與分析價值：

歷史提交追蹤：對於存放在標準位置的技能以及其餘樣本中按大小分層抽樣（Size-stratified Sample）的檔案，共計 458,548 個檔案 額外收錄了其 提交歷史（Commit History），包括首次與最後一次提交日期、去識別化後的作者帳戶、以及累計提交次數。

資料收集與分析管線

由於 GitHub Code Search API 的單次查詢結果限制在 1,000 筆以內，且其內建的 total_count 估算極不準確（例如針對 SKILL.md 的檔名查詢，API 僅估計約有 349,000 筆，而實際最終挖掘出了超過 380 萬個檔案）。

為此，研究團隊設計了一套唯讀式挖掘管線（Pipeline），其運作分為三個精細階段：

1. 探索（Discovery）：採用**「按檔案大小分割（Partition by file size）」**的遞歸拆分策略遍歷搜尋空間。只要某個大小區間內返回的結果超過 1,000 筆，就繼續細分該區間，直到每個範圍都能完整檢索。
2. 去重（Deduplication）：利用內容的 SHA 雜湊值進行全域分組。每一組僅選擇一個「代表檔案（Representative）」進行深度富化（優先選擇位於 .claude/skills/ 標準路徑下的檔案），但保留所有 Copies 的儲存庫與路徑關聯，以利追蹤傳播拓撲。
3. 富集（Enrichment）：針對代表檔案，下載完整的 SKILL.md、解析 YAML 前言、紀錄同級目錄結構與檔案，並收集儲存庫與匿名化的歷史提交資訊。

常見問答

Q：GitSkills 資料集包含個人隱私嗎？ A：研究團隊實施了嚴格的隱私保護與匿名化。提交紀錄中的電子郵件地址與個人姓名已被 redact（用固定遮罩掩蓋）。作者帳戶已透過「單向密鑰雜湊函數（Keyed One-way Function）」轉換為唯一編碼，在不洩露個人身分的前提下，仍能精確追蹤同一帳戶的跨專案貢獻行為。此外，機器人（Bot）帳戶的 Login 則予以保留。

Q：這個資料集涵蓋了所有 AI 代理技能嗎？ A：這僅涵蓋公開 GitHub 儲存庫的預設分支。考慮到 GitHub Code Search 的局限性（例如僅索引預設分支、檔案大小限制在 384 KB 以下、活躍儲存庫文件少於 500,000 個，以及 Fork 項目僅在星數多於父項目時才被索引），該資料集應被視為實體技能總量的一個**「保守下限（Lower Bound）」**。

Q：為什麼要特別建立同級檔案表 artifact_siblings？ A：因為代理技能的威力往往來自於其配套的程式碼或範本。例如在實際採集到的資料中，技能資料夾常隨附 Bash 腳本（如 .sh）、CSV 範本（assets/csv_template.csv）、法規合規指南（compliance.md）、或是 Python 解析工具（build_csv.py）。將這些「同級資產」納入分析，能更全面地評估技能的執行意圖與安全邊界。

資源與應用連結

該資料集已發表於 MSR 2027 Mining Challenge 研討會中。研究人員可以透過以下官方渠道獲取：

• 資料庫下載 (Zenodo)：Zenodo DOI: 10.5281/zenodo.21875637 —— 提供單一自給自足的 SQLite 格式。
• Hugging Face 資料集：mvaccargiu/gitskills · Datasets at Hugging Face —— 提供按表分割好的 Parquet 格式鏡像。
• 官方代碼與範例專案 (GitHub)：giuseppedestefanis/gitskills-sample —— 提供可用於快速上手的範例與工具。