AI 코딩 에이전트(AI coding agents)는 점점 더 기술(skills)에 의존하고 있습니다. 기술은 일반적으로 YAML 헤더와 Markdown 본문을 포함하는 구조화된 컨텍스트 번들인 SKILL.md 파일로 구성되며, 도메인 지식, 워크플로(workflows) 및 스크립트를 위해 필요할 때마다 로드됩니다. skills.sh와 같은 공개 레지스트리(Public registries)에는 현재 수만 개의 기술이 호스팅되고 있으며, 이는 에이전트 기반 소프트웨어 공학(agent-based software engineering)에서 새롭게 떠오르는 재사용 단위가 되고 있습니다. 그러나 기술은 그 내용과 진화가 에이전트의 행동을 형성하는 소프트웨어 산출물(software artefacts)이라기보다는, 주로 에이전트의 능력(capabilities)으로 간주되어 왔습니다.

우리는 공개 레지스트리와 개인용 리포지토리(repositories) 전반에 걸쳐, 저작, 재사용, 맞춤화 및 유지 관리되는 엔지니어링된 산출물로서의 AI 에이전트 기술에 대한 첫 번째 실증적 연구를 제시합니다. 우리는 skills.sh에서 18,463개의 기술을, 5,876개의 GitHub 리포지토리에서 23,199개의 개인용 기술을 채굴(mined)하여 3,709개의 재사용 링크를 식별했습니다. LLM 기반의 SWEBOK 지식 영역(KAs) 분류 결과, 소프트웨어 구축(Software Construction)이 지배적이었으며 그 외 다양한 전문 분야들이 뒤를 이었습니다. 180개의 기술에 대한 주제 분석(thematic analysis)을 통해 6가지 콘텐츠 카테고리를 식별했습니다. 444개의 수정 사항에 대한 질적 코딩(Qualitative coding) 결과 6가지 테마가 드러났으며, 그중 운영 사양(operational specifications)의 재작업과 지식 및 리소스의 적응이 주요 변경 대상이었습니다.

우리의 연구 결과는 재사용이 주로 일회성 복사 작업임을 보여줍니다. 대부분의 재사용된 기술은 거의 원문 그대로 유지되며, 53%는 채택 후 수정되지 않습니다. 또한 이후의 로컬 유지 관리(local maintenance)는 압도적으로 추가적인(additive) 방식입니다. 맞춤화(Customisation)는 주로 기술을 로컬 환경에 적응시키는 반면, 진화(evolution)는 새로운 인라인 도메인 지식을 축적합니다. 이 두 과정 모두에서, 기술이 사용자와 상호작용하고, 런타임 상태(runtime state)를 모니터링하며, 실패로부터 복구하는 방식인 안정적인 행동 계약(stable behavioural contract)은 거의 손대지 않은 채 유지됩니다. 이러한 결과는 유지 관리 노력이 프로젝트별 바인딩(project-specific bindings)에 집중되어야 함을 시사하며, 레지스트리와 도구 지원은 개별적으로 재작성된 기술의 도메인 지식을 통합할 수 있도록 지원해야 함을 나타냅니다.