AGENTS.md在代理评估中超越Skills的背后

摘要 Vervel团队为解决AI编码代理对Next.js 16新API知识缺失的问题，对比测试了skills和AGENTS.md两种文档提供方式。测试结果显示，压缩至8KB的AGENTS.md文档索引达到了100%的通过率，而skills即使在明确指令下也只能达到79%。团队认为，被动式上下文因消除了代理决策负担，始终保持可用，从而在通用框架知识场景中优于需要主动检索的技能系统。

内容框架与概述 文章首先介绍了背景问题：AI代理依赖的训练数据会过时，Next.js 16的新API如use cache、connection等尚未纳入模型训练。团队提出了skills和AGENTS.md两种解决方案并进行了对比测试。skills是一种可打包领域知识的开放标准，代理可按需调用；而AGENTS.md是嵌入项目根目录的markdown文件，为代理提供持久上下文。

测试过程揭示了反直觉的结果。在默认配置下，skills完全没有提升（53%与基线相同），因为代理在56%的情况下根本没有调用技能。即便添加了明确的调用指令，skills也仅能达到79%，且指令措辞的细微变化会显著影响代理行为。相比之下，将文档索引直接嵌入AGENTS.md的简单方法却取得了100%的完美成绩。

团队分析认为，被动上下文胜出的原因在于三点：无决策点消除了代理选择何时加载信息的认知负担；内容始终可用而非异步加载；避免了先读文档还是先探索项目的排序难题。为控制上下文膨胀，团队将40KB的文档压缩至8KB，仍保持100%通过率。

核心概念及解读 Skills：开放标准格式的技能包，可包含提示词、工具和文档，代理按需调用获取垂直领域知识。

AGENTS.md：嵌入项目根目录的markdown文件，为代理提供持久性上下文，代理每次交互都能访问。

Retrieval-led Reasoning：检索导向推理，指代理优先查阅文档而非依赖训练数据，获取版本匹配的准确信息。

Eval Suite：评估测试套件，用于系统性验证代理在不同配置下的代码生成质量。

Docs Index Compression：文档索引压缩技术，将40KB文档精简至8KB的管道分隔格式，保持信息完整同时降低上下文开销。

原文信息

此摘要卡片由 AI 自动生成