✨ 要点🔬 技术摘要
这篇论文就像是在给**“人工智能编程助手”（比如 Claude Code、GitHub Copilot 等）做的一次 “体检报告”**。
想象一下，你雇佣了一群超级聪明的AI 程序员 来帮你写代码。这些 AI 很聪明，但它们刚来的时候，就像一群刚入职的实习生，不知道你们公司的规矩、不知道代码该怎么写、也不知道项目里有什么特殊要求。
为了让这些 AI 能更好地工作，开发者们需要给它们写一些**“说明书”或 “操作手册”**。这篇研究就是去 GitHub 上（全球最大的代码仓库）看了 2900 多个项目，看看大家是怎么给这些 AI 写说明书的。
以下是这篇论文的核心发现，用大白话和比喻来讲：
1. 核心发现：大家最喜欢用“一本通” (Context Files)
比喻 ：这就好比给新来的实习生发一本**《员工手册》**（通常是 Markdown 格式的 .md 文件，比如 AGENTS.md 或 CLAUDE.md）。现状 ：绝大多数公司（代码仓库）只给 AI 发这一本手册。这是目前最流行、最基础的做法。新趋势 ：以前大家用不同公司的模板（有的叫 CLAUDE.md，有的叫 GEMINI.md），但现在大家发现，不如统一用一本叫 AGENTS.md结论 ：AGENTS.md 正在成为行业标准，是配置 AI 的最佳起点 。
2. 高级功能：大家“浅尝辄止” (Skills & Subagents)
比喻 ：
技能包 (Skills) ：就像给实习生发一个**“工具箱”**，里面不仅有说明书，还有现成的脚本、工具，甚至能直接执行任务。子代理 (Subagents) ：就像给实习生配一个**“小助手”**，让它能独立去处理某个具体任务，再回来汇报。
现状 ：虽然这些高级功能很强大，但大家用得很少，而且用得比较“懒” 。
大多数公司只定义了 1 到 2 个这样的“工具箱”或“小助手”。
更有趣的是，大家虽然叫它“技能包”，但里面装的90% 都是静态的文档 （就像把说明书打印出来塞进盒子里），而不是可执行的代码 （真正的自动化脚本）。
这就好比给了实习生一个“自动炒菜机”，结果大家只把它当成了“菜谱架”，从来不去按那个“自动炒菜”的按钮。
结论 ：大家目前只把 AI 当作“高级查阅员”，还没完全把它变成“自动化执行者”。
3. 不同的“企业文化” (Distinct Tool Cultures)
比喻 ：不同的 AI 工具就像不同的**“公司”**，它们有自己的“企业文化”和“管理风格”。
Claude Code 派 ：喜欢用各种各样的配置，像个“全能型”公司，什么工具都用。Cursor 派 ：特别喜欢用“规则”（Rules），像个“纪律严明”的公司，喜欢定条条框框。Copilot 派 ：比较保守，通常只给一本基础手册。
结论 ：不同的 AI 工具正在形成各自独特的使用习惯。如果你同时用好几个工具，可能会发现它们之间的“规矩”不太一样，需要小心处理。
4. 给开发者的建议 (Practical Takeaways)
新手入门 ：别想太复杂，先写一个 AGENTS.md多工具共存 ：如果你同时用好几个 AI 工具，一定要维护好这个 AGENTS.md，把它作为大家都能看懂的“通用语言”。关于高级功能 ：虽然“技能包”和“子代理”很酷，但目前大家用得还比较浅。如果你想让 AI 真正自动化干活（比如自动运行脚本），可能需要多花点心思去配置，但目前大家主要还是把它当文档用。
总结
这就好比AI 编程工具 正在从“只会聊天的机器人”进化成“能干活的员工”。（Context Files），并且正在统一成一种 “通用说明书”（AGENTS.md）。 “自动化工具箱”（Skills）和 “小助手”（Subagents），但大家还没完全学会怎么让它们 “自动干活”，更多时候还是把它们当 “参考书”**在用。
这篇研究告诉我们：现在统一标准（用 AGENTS.md）最重要，而未来如何真正利用高级功能让 AI 自动干活，是接下来大家需要探索的方向。
这是一份关于《配置代理式 AI 编程工具：一项探索性研究》（Configuring Agentic AI Coding Tools: An Exploratory Study）的详细技术总结。
1. 研究背景与问题 (Problem)
随着基于大语言模型（LLM）的代理式 AI 编程工具 （Agentic AI coding tools，如 Claude Code, GitHub Copilot, Cursor 等）的兴起，这些工具不仅能被动回答问题，还能主动分解任务、调用工具并自主执行代码。为了适应特定的项目和工作流，开发者可以通过版本控制的仓库级文件（如 Markdown 和 JSON）来配置这些代理的行为。
然而，当前的配置机制日益多样化且分散，缺乏系统性的研究来回答以下核心问题：
RQ1 : 代理式 AI 编程工具提供了哪些配置机制？RQ2 : 在开源软件（OSS）仓库中，哪些机制被实际采用？RQ3 : 这些配置机制是如何被采用的（深度、频率、组合方式）？
2. 研究方法 (Methodology)
本研究采用实证研究 方法，结合了文档分析和大规模数据挖掘：
数据收集 :
样本来源 : 从 GitHub 获取了 37,249 个活跃维护的软件工程仓库。筛选标准 : 排除非工程类项目、非英语 README、归档/锁定仓库，并限制语言（Python, TypeScript, Java 等）和活跃度。最终样本 : 经过筛选和去重，最终分析了 2,923 个包含 AI 配置文件的仓库。
工具覆盖 : 研究涵盖了五种主流的代理式 AI 工具：Claude Code, GitHub Copilot, Cursor, Gemini, 和 Codex 。分析流程 :
机制识别 : 通过审查官方文档，系统性地定义了 8 种配置机制。启发式检测 : 编写脚本扫描仓库的默认分支，根据文件名和目录结构（如 CLAUDE.md, .cursor/ 等）检测配置机制的存在。深度分析 : 对 Context Files （上下文文件）、Skills （技能）和 Subagents （子代理）这三种核心机制进行了详细的内容和结构分析。验证 : 通过检查提交历史中的 AI 作者标识（如 Co-authored-by）来验证配置文件的活跃使用情况。
3. 关键贡献 (Key Contributions)
建立了配置机制分类体系 : 系统性地识别并记录了 8 种 配置机制，涵盖了从静态上下文到可执行集成和外部连接的频谱：
Context Files (上下文文件)
Skills (技能)
Subagents (子代理)
Commands (命令)
Rules (规则)
Settings (设置)
Hooks (钩子)
MCP (模型上下文协议) 服务器
大规模实证分析 : 首次对 2,923 个 GitHub 仓库中的配置采用情况进行了量化分析，揭示了不同工具生态系统的采用模式。揭示了标准化趋势 : 发现了 AGENTS.md指出了“浅层采用”现象 : 揭示了尽管高级机制（如 Skills）功能强大，但开发者主要将其作为静态文档使用，而非可执行的工作流。
4. 主要研究结果 (Results)
4.1 配置机制的分布 (RQ1 & RQ2)
Context Files 占据主导地位 : 这是最普遍的配置机制，几乎所有采用 AI 工具的仓库都使用了它。它是许多仓库中唯一 的配置手段。工具特异性 :
Claude Code : 用户采用了最广泛的配置机制组合。Cursor : 高度依赖 Rules (72.8% 的仓库) 和 Commands。Gemini : 较多使用 Settings 。Copilot : 主要局限于 Context Files。
多工具采用 : 69% 的仓库仅配置了一种工具，18.1% 的仓库仅使用了工具无关的 AGENTS.md 文件。
4.2 详细机制分析 (RQ3)
Context Files (上下文文件) :
格式 : CLAUDE.md 是最常见的格式，但 AGENTS.md引用模式 : 仓库中常存在多个上下文文件。分析发现 CLAUDE.md 经常指向 AGENTS.md，表明开发者倾向于将 AGENTS.md 作为核心基准，其他文件作为补充。
Skills (技能) :
采用率低 : 仅在 158 个仓库中发现（约 5%）。浅层使用 : 大多数仓库仅定义了 1-2 个技能。静态为主 : 85.5% 的 Skills 没有 包含额外的资源目录（如 scripts/ 或 assets/）。它们主要被用作结构化的静态文档，而非包含可执行脚本的动态工作流。
Subagents (子代理) :
采用模式与 Skills 相似，大多数仓库仅定义 1-2 个。
未利用高级功能 : 尽管 Claude Code 的子代理支持“持久化记忆”（persistent memory），但在研究样本中未发现 任何仓库使用此功能。
4.3 生态系统差异
不同工具形成了独特的配置文化 ：Claude 用户倾向于广泛配置，Cursor 用户偏好规则驱动，而 Copilot 用户配置较为保守。
仓库特征差异：使用 Cursor 的仓库通常更年轻、代码量更大；使用 Gemini 的仓库贡献者和提交量更高。
5. 研究意义与启示 (Significance)
对实践者 (Practitioners)
标准化起点 : AGENTS.md分层配置 : 当多个上下文文件共存时，建议采用分层结构（例如，工具特定文件作为适配器，引用共享的核心 AGENTS.md），以避免指令冲突。挖掘潜力 : 目前 Skills 主要被用作文档，开发者应尝试利用其可执行脚本功能来自动化复杂工作流。
对工具供应商 (Tool Vendors)
原生支持 : 原生支持 AGENTS.md 应成为行业标准（Cursor 和 Codex 已支持）。降低门槛 : 高级机制（如 Skills 和 Subagents）的采用率低可能是因为配置复杂。厂商需要改进文档和入门引导，以缩小“表达能力”与“实际采用”之间的差距。
对研究者 (Researchers)
纵向研究 : 需要长期跟踪配置策略如何随工具成熟而演变。性能评估 : 需要通过受控实验验证，使用高级机制（如可执行的 Skills）是否比仅使用 Context Files 能带来显著的性能提升（如减少 Token 消耗、提高任务完成率）。互操作性 : 研究多工具环境下的配置冲突检测与解决机制。
总结
该研究揭示了代理式 AI 编程工具配置领域的现状：Context Files 是基石，AGENTS.md 正在成为通用标准，但高级功能（如可执行技能）的采用仍处于“浅层”阶段。 这一发现为理解开发者如何与 AI 代理协作提供了实证基准，并指明了未来工具优化和研究的方向。
每周获取最佳 computer science 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。