新研究重新评估 AGENTS.md 文件对 AI 编码的价值
原文英文，约600词，阅读约需3分钟。
📝
内容提要
苏黎世联邦理工学院的研究发现，AGENTS.md 文件可能会影响 AI 编码代理的性能。研究建议完全省略 LLM 生成的上下文文件，并限制人类编写的指令。结果显示，LLM 生成的文件降低了任务成功率，而人类编写的文件虽略有提升，但增加了步骤和成本。
🔎
延伸解读
AGENTS.md 文件的实际影响
研究表明，AGENTS.md 文件可能会降低 AI 编码代理的性能，尤其是 LLM 生成的文件。开发者在使用这些文件时应谨慎，考虑其对任务成功率和成本的潜在负面影响。
人类编写指令的利弊
尽管人类编写的 AGENTS.md 文件在任务成功率上有所提升，但同时也增加了步骤和成本。开发者需要权衡这些因素，以确保在提高效率的同时不增加不必要的复杂性。
对开发者的建议
研究结果与当前开发者的实践存在差距，开发者应关注如何编写更有效的 AGENTS.md 文件，而不是盲目依赖上下文文件。理解这些文件的实际作用将有助于优化 AI 编码代理的使用。
❓
Q&A
AGENTS.md 文件对 AI 编码代理的影响是什么？
AGENTS.md 文件可能会妨碍 AI 编码代理的性能，导致任务成功率降低。
研究建议如何处理 LLM 生成的上下文文件？
研究建议完全省略 LLM 生成的上下文文件，并限制人类编写的指令。
人类编写的文件对任务成功率有什么影响？
人类编写的文件平均提高了任务成功率 4%，但增加了步骤和成本。
AGENTbench 数据集的目的是什么？
AGENTbench 数据集旨在避免流行基准的偏见，包含 138 个真实的 Python 任务。
研究中测试了哪些 AI 代理？
研究测试了 Claude 3.5 Sonnet、Codex GPT-5.2、GPT-5.1 mini 和 Qwen Code 四个代理。
使用 AGENTS.md 文件的开发者面临什么挑战？
开发者面临的挑战是 AGENTS.md 文件可能导致代理执行不必要的测试和检查，增加成本。
🏷️
