开源AI智能体上下文工程研究：AGENTS.md采纳率仅5%，五大呈现风格解析

这篇发表于 MSR ’26 的论文针对开源软件中 AI 智能体的上下文工程展开了首次系统性初步研究。它分析了 466 个 采用了 AI 上下文文件的开源项目，并聚焦于其中的 155 个 AGENTS.md 文件。研究发现，当前 AI 上下文文件的采用率仅为 5%，处于早期阶段，且尚无统一的内容结构。信息的呈现包含描述性、指令性等五种风格，文件演化则以指令的增改为主。研究还界定了上下文工程与提示工程的区别，梳理了 AGENTS.md 等主流 AI 上下文文件格式，识别出代码规范、贡献指南等 14 类 核心信息及 9 类 文件修改类型。该研究为 AI 智能体上下文工程的实践与后续研究提供了首个实证参考。

本文是首个针对开源软件（OSS）中 AI 智能体上下文工程的系统性实证初步研究，发表于 2026 年第 23 届挖掘软件仓库国际会议（MSR ’26）。研究团队通过挖掘 GitHub 开源仓库数据，围绕 AI 上下文文件的采纳、内容结构、演化三大核心问题展开分析，为该领域提供了首个实证参考。

一、研究背景与核心概念

1. AI 编码工具发展
   2021 年 GitHub Copilot、2022 年 ChatGPT 开启了生成式 AI 编码时代。2024 年 Devin AI 引发了智能体化开发热潮。到了 2025 年，Anthropic 发布了 Claude Code，标志着 AI 编码工具正向高自治性发展，甚至可以脱离人工监督独立工作。

2. 核心概念界定

   • 上下文工程：为人工智能大语言模型（LLMs）设计、构建并提供任务相关信息的刻意过程。它聚焦于模型可以获取的信息，例如项目指南、配置文件、代码片段等。
   • 提示工程：聚焦于如何向模型描述任务，比如具体的指令和期望的输出格式。这两者是互补的 AI 工程手段。

3. AI 上下文文件
   这类文件区别于面向人类的 README 文件，是专门为 AI 智能体设计的机器可读文件，其内容会被自动加入到智能体的提示词中。主流格式包括 AGENTS.md（一个工具无关的开放规范）、CLAUDE.md、copilot-instructions.md 和 GEMINI.md 等。其中，AGENTS.md 已被纳入 Agentic AI Foundation 项目。

二、研究设计与数据收集

1. 研究问题（RQ）
   研究提出了 3 个核心问题，分别探究 AI 上下文文件的采纳程度、信息内容与呈现方式以及演化规律。

2. 仓库筛选流程

   • 初筛：通过 SEART 工具筛选出 228,890 个非复刻、拥有 ≥2 位贡献者、有许可证、在 2024 年 1 月前创建且在 2024 年 6 月后仍有提交的仓库。
   • 精筛：仅保留采用 OSI 合规许可证、使用十大主流开发语言（如 Python、TypeScript、Go 等）、提交次数 ≥271 次、关注者 ≥7 个的仓库，得到 48,795 个。
   • 最终分析：从上述仓库中选取 10,000 个，这些仓库在流行度（星标/关注者/贡献者）和成熟度（提交数/项目年龄/代码量）之间取得了平衡。

3. 分析对象
   研究扫描了这 10,000 个仓库中的 4 类 AI 上下文文件，并针对其中最具通用性的 AGENTS.md 文件进行了深度分析。最终，有效分析了 155 个 AGENTS.md 文件及其相关的 453 次提交记录。

三、研究结果

（一）采纳程度（RQ1）：整体处于早期，语言与工具存在偏好

1. 整体采纳率
   仅有 466 个（5%） 仓库采用了至少一种 AI 上下文文件。这个数据反映出该实践目前仍处于非常早期的探索阶段。

2. 开发语言分布
   采用 AI 上下文文件的仓库在语言分布上与整体样本基本一致，其中 Go 语言占比略高。具体来看，TypeScript（135个）、Go（58个）和 Python（58个）是采用此类文件最多的三种语言。

3. 工具偏好
   不同编程语言的仓库对 AI 上下文文件的格式有明显偏好。例如，C# 项目更偏爱 Copilot 格式，而 TypeScript 项目则更偏爱 Claude Code 格式。在文件共存方面，最常见的组合是 AGENTS.md + CLAUDE.md，共有 25 个仓库同时采用了这两种格式。

（二）信息内容与呈现方式（RQ2）：无统一结构，风格多样

1. 文件长度特征
   不同格式的文件长度差异显著。其中，AGENTS.md 文件长度的变异度最高，具体数据如下：

   文件格式	平均行数（M）	标准差（SD）	核心特征
   Copilot instructions	310	127	最长，内容最丰富
   CLAUDE.md	287	112	次长
   AGENTS.md	142	231	变异度最高
   GEMINI.md	106	65	最短

2. 核心信息分类
   通过对 155 个 AGENTS.md 文件的标题进行词形还原和编码归类，研究识别出 14 类 一级/二级核心信息。下表列出了前 5 类高频信息：

   信息类别	标题数量	核心内容
   Conventions（代码规范）	50	编码标准、命名格式、可维护性最佳实践
   Contribution guidelines（贡献指南）	48	分支策略、代码审查、CI 要求
   Architecture/structure（架构/结构）	47	项目目录、模块、组件及相互关系
   Build commands（构建命令）	40	构建、运行、部署的终端命令
   Goals/purposes（项目目标）	32	项目功能、智能体任务、核心能力

3. 五大呈现风格
   在分析了 50 个关于代码规范的章节后，研究发现开发者主要采用五种风格向 AI 智能体传递信息，并且常常混合使用：

   • 描述性：仅记录现有的规范，不给出明确指令。例如：“本项目采用 Linux 内核风格指南”。
   • 指令性：直接下达行为指令，常以项目符号列表形式呈现。例如：“遵循现有代码风格与规范”。
   • 禁止性：明确界定智能体不应采取的行为边界。例如：“切勿直接向主分支提交代码”。
   • 解释性：在给出规则后附加原因或解释。例如：“避免硬编码等待，防止 CI 环境的时序问题”。
   • 条件性：根据特定场景来指定行为。例如：“若需使用反射，请调用 ReflectionUtils APIs”。

（三）演化规律（RQ3）：修改以指令微调为主，无明确规律

1. 修改频次分布
   对 155 个 AGENTS.md 文件的提交历史进行分析后发现：

   • 50%（77 个） 文件没有任何修改。
   • 23%（36 个）文件仅修改过 1 次。
   • 21%（32 个）文件修改了 2-7 次。
   • 6%（10 个） 文件修改次数 ≥10 次，这 10 个文件是核心分析对象。

2. 修改时间特征
   文件的修改周期差异巨大。例如，neomjs/neo 项目在 19 天内修改了 49 次，而 gofiber/fiber 项目在 148 天内修改了 11 次。

3. 9 类修改类型
   研究对 10 个高频修改文件的 169 次提交（占总提交数的 37%）进行编码，识别出 9 类修改类型。下表列出了前 5 类高频修改：

   修改类型	频次	核心内容
   Add instruction(s)（新增指令）	78	向现有章节添加指令行
   Modify instruction(s)（修改指令）	59	调整现有章节指令行（排除笔误/引用修改）
   Add section(s)（新增章节）	26	为文件添加新的章节
   Remove instruction(s)（删除指令）	23	从现有章节删除指令行
   Modify heading(s)（修改标题）	23	调整章节标题名称或层级

4. 演化核心特征
   文件的修改行为以指令的精细化调整（增/改/删）为主。并且，新增或修改指令是绝大多数文件第一次或第二次修改的主要内容。目前，研究暂未发现明确的修改时间规律或频次模式。

四、研究结论与未来展望

1. 核心结论

   • AI 上下文文件已成为开源项目的新型软件工件。它们被纳入版本控制、接受审查和质量保证，是开发者为机器编写的一种新型文档。
   • 这类文件的规范仍处于变动期，没有统一的内容结构，信息呈现风格多样。这反映出开发者仍在实验如何与 AI 智能体进行高效沟通。
   • 开源仓库成为研究上下文工程的天然实验室，其中的实践为我们理解人类与 AI 智能体的交互提供了独特视角。

2. 未来研究方向

   • 探究文件的内容、结构、风格对 AI 智能体行为和任务表现的具体影响。
   • 分析源码与 AI 上下文文件的协同演化，类似过去对源代码与注释协同演化的研究。
   • 研究标准化模式对提升工具互操作性的作用，以及多智能体场景下的指令协调方案。
   • 探索这类文件对软件团队内部沟通、审查、协作模式的重塑作用。
   • 构建基于 AI 智能体表现的自动化反馈循环，以实现上下文文件的动态优化，这将是AIGC应用走向成熟的关键一步。

关键问题 Q&A

问题 1（研究方法与数据层面）：该研究为保证分析样本的有效性，对 GitHub 仓库进行了哪些关键筛选条件？最终用于核心分析的 AGENTS.md 文件数量是多少？

答：为保证分析的是活跃、成熟的工程化开源软件仓库，研究设置了多轮筛选条件：

1. 初筛：选取非复刻仓库、拥有 ≥2 位贡献者、有许可证、在 2024 年 1 月前创建且在 2024 年 6 月后有提交的仓库，得到 228，890 个。
2. 精筛：从初筛结果中，仅保留采用 OSI 合规许可证、使用十大主流开发语言、提交次数 ≥271 次、关注者 ≥7 个的仓库，得到 48，795 个。
3. 最终样本：从精筛结果中选取 10，000 个在流行度与成熟度之间平衡的仓库。
   最终用于核心分析的 AGENTS.md 文件数量为 155 个（排除了创建于 2025 年 1 月前的 15 个文件和无标题结构的 5 个文件）。

问题 2（研究结果与特征层面）：开源项目中 AGENTS.md 文件的核心信息呈现有哪五种风格？该文件在长度和演化上的核心特征分别是什么？

答：AGENTS.md 文件的信息呈现包含 描述性、指令性、禁止性、解释性、条件性 五种风格，分别对应记录现有规范、下达直接指令、界定行为边界、附加规则原因、场景化指定行为的表达逻辑。
在长度上，AGENTS.md 的核心特征是 变异度最高，平均 142 行，标准差高达 231 行，反映出不同开发者提供的信息体量差异极大。
在演化上，核心特征为 50% 的文件无任何修改，且修改行为以指令的精细化调整（新增/修改/删除）为主。目前暂未发现明确的修改时间和频次规律，仅有 6% 的文件修改次数 ≥10 次。

问题 3（研究意义与展望层面）：该研究作为首个开源软件 AI 智能体上下文工程的实证研究，其核心价值是什么？未来该领域的核心研究方向有哪些？

答：该研究的核心价值体现在三方面：

1. 首次系统性探究了开源项目对 AI 上下文文件的采纳现状，填补了该领域缺乏整体实证分析的空白。
2. 识别出 AI 上下文文件的核心信息类别、呈现风格和演化类型，为后续研究提供了统一的编码框架和实证基础。
3. 清晰界定了上下文工程与提示工程的区别，明确了 AI 上下文文件作为 新型软件工件 的属性，为工业界的实践提供了直接参考。
   未来该领域的核心研究方向包括：探究文件内容/结构/风格对 AI 智能体任务表现的影响；分析源码与 AI 上下文文件的协同演化；研究标准化模式与多智能体指令协调方案；探索该类文件对软件团队协作模式的重塑作用；以及构建基于 AI 表现的自动化反馈循环以优化上下文文件。