数字员工集成环境对标:QoderWake 祛魅、AGENTS.md 写法实证与本地跟进路线

读者档:内部决策研报 · 2026-09-08 · 五路并行检索 · 25+ 一手来源 · GitHub API 实测 star 副题:27.6 万 Memory / 12.3 万 Skill 是全平台累计,不是单员工能力;本地与头部的差距是基建,不是方法论。

研究摘要

对象=QoderWake 1.0 发布事件 + 国内数字员工集成环境 + agent 配置资产生态;方法=五路并行检索(官方全文、GitHub API、arXiv 原文),素材 60+ 条逐条溯源。核心结论前置:

1. QoderWake 数据祛魅:27.6 万 Memory、12.3 万 Skill、2.28 万自进化是全平台近 10 万个 Waker、约 2000 万次任务的累计沉淀,折合每个数字员工约 1.2 项技能。机制(五维沉淀+夜间复盘+人审入库+防腐治理)不神秘,本地可小规模复刻;但学术实证显示无治理的自动积累有害无益。
2. AGENTS.md 写法有硬实证:章程买的是效率不买正确率(Lulla:时间 -28.6%、token -16.6%,完成率不变);ETH 研究甚至发现上下文文件总体不提升成功率且成本 +20%;"仓库概览"类内容实测无用,禁律与可执行命令最有价值。本项目"章程是上下文不是法律/事故驱动/禁模糊词"的写法纪律方向与外部实证同构,缺的是 eval 验证闭环。
3. GitHub 热点从框架转向配置资产:配置/技能资产仓规模天花板已到 14 万-28 万 star,超多数多智能体框架本身;头部打法=单一 Markdown 源适配 N 个 harness + 方法论流程固化技能包;框架层马太效应——CrewAI/Agno 活跃,MetaGPT/AutoGen/Swarm 实质停更,本项目选 CrewAI 没有错付。
4. 集成环境强在基建、弱在锁定:豆包工作/WorkBuddy/千问办公/QoderWake 强在开箱即用、IM 生态继承、触发值守基建;弱在生态锁定、定制天花板、数据出域、定价不透明、沉淀资产归平台格式。本地与头部的差距是基建(触发/沉淀管道/eval 闸),不是方法论。
5. 跟进路线=补三块本地基建 + 竞品侦察,不迁主栈:沉淀管道(夜间复盘脚本+git 版本化)、eval 回归闸(衔接前篇已立项动作)、写法判据入库+技能治理;QoderWake 可申请免费邀测做竞品体验,但不建议迁移主栈。

关键词: QoderWake · 数字员工 · 集成环境 · AGENTS.md · 配置资产 · Memory/Skill 自进化 · CrewAI · 技能治理

一、QoderWake 1.0 事件本体与数据祛魅

1.1 发布事实:阿里 Qoder 家族的"数字员工团队"产品

QoderWake 是阿里 Qoder 产品家族的数字员工产品,跑在 Qoder CLI 上,与 Qoder IDE、JetBrains 插件共用同一套 Qoder Agent Harness 运行时——四组件:Agent Loop(思考-行动-观察主循环)、Session(断点不丢)、Auto Memory、Sandbox(权限内执行)。时间线:2026-04-30 官宣开放邀测(定位"生产可用、安全可控、持续进化的数字员工");2026-05 v0.1 全球公测,预置 6 个岗位("招一位数字员工");2026-09 v1.0 预置岗位扩到 10 个,新增 Waker 群组、WakerFlow、统一任务看板("组建一支数字员工团队")。1.0 的 10 个预置岗位:前端、后端、测试、产品经理、内容运营、数据分析师、项目管理员、UI 设计师、DevOps、群聊答疑专员"Q仔"。发布日期本身有三个口径:官方通稿全文内称 9-03、阿里云社区转载 9-07、媒体通稿 9-08,本报告以官方全文口径为准。(来源:Qoder 官方博客 qoder.com/zh/blog/qoderwake;官方发布全文 AI星球转载 aixq.cc/68079.html;阿里云开发者社区 developer.aliyun.com/article/1761240)

1.2 数据祛魅:27.6 万 Memory / 12.3 万 Skill 是全平台累计

官方原文语境:"截至 9 月,QoderWake 沉淀了 27.6 万条 Memory、12.3 万项 Skill,其中 2.28 万项来自自进化"——这是全平台累计沉淀量(跨全部用户/Waker,公测三个多月),不是单个数字员工的规模。换算:平均每 Waker 约 1.2 项 Skill、约 0.23 项自进化技能;每次任务约沉淀 0.006 项技能。量级完全合理,不神秘。

图注:QoderWake 平台数据拆解;对数轴仅用于同框展示量级差异;来源=官方发布通稿(2026-09-07),全平台累计口径。

⚠️ 此处手动上传图片:assets/charts/chart-02.png

1.3 机制:执行后五维沉淀 + 夜间复盘 + 防腐治理

数字员工由身份、记忆、技能、分工、权限红线五层构成。每次执行后,经验被结构化沉淀到记忆、技能、策略、验证规则、工作流五个维度,轨迹归因决定经验落到哪一维;"防腐治理(Anti-Rot Governance)"对记忆/技能做监控、验证、降权、合并、撤回,防"越学越乱"。记忆带时间线、有快照、版本间可 diff、学错可回滚、可导出导入;每天夜里复盘当天学到的东西,"人确认过的口径才会留下来"。技能有版本、可 diff、可回滚、可单独关闭。(来源:Qoder 官方博客 2026-04-30;量子位首发报道 qbitai.com/2026/04/411955.html)

1.4 形态、定价、模型与第三方口碑

形态:桌面端 App(Mac/Windows 开放下载)+ 可部署到云主机;Waker 常驻钉钉/飞书/企业微信群被 @ 接活,支持定时/关键词/事件/API 四种触发;移动端作"远程指挥台";Waker 群组本机+远程混编、各自配模型和工作目录。定价与可用性存在口径矛盾:官方全文称"Mac 和 Windows 均已开放下载",同日第三方评测称"仍处于邀测阶段,个人和企业都需申请,不是注册即用";截至 2026-09 邀测免费、正式定价未公布。底层模型官方全文与产品页均未点名(仅确认各 Waker 可配模型、Qoder CLI 支持 BYOK),本报告不做型号推测。

第三方评测(AI星球,综合 8.1/10):选岗+勾技能一分钟内完成;群关键词触发取数 Waker 生成并执行 SQL、可沿原任务追问迭代;"同一个 Waker 跨夜晚在场"是核心差异体验。吐槽三点:邀测门槛;复杂任务仍需人拍板("增强而非替代");强绑阿里 IM 生态(离开钉钉/飞书,群协作能力打折)。另有 CSDN 博主一手实测 4 个 Case,结论"权限红线和审批机制提供信任边界,会干但不乱干"。知乎/少数派/掘金独立长评未核实(发布仅 1 天,公开声音以官方通稿转载为主)。

官方案例数据=厂商口径,无独立复核: 盒马数据分析师配 2 个 Waker 效率"至少提升一倍";数字程序员根因分析 30 分钟→2 分钟(15 倍);答疑 Waker"Q仔"上岗 5 个月服务 10 万阿里员工、8.6 万次对话;阿里健康 7 个 Waker 团队孵化新品三个月曝光 2.3 亿、营收 150 万元。全部来自官方通稿/生态内客户,引用时须带此前提。

核心结论: QoderWake 的"12.3 万 Skill"是平台规模效应而非单员工能力,其机制(五维沉淀+夜盘人审+防腐)全部有开源/官方先例,本地小规模复刻可行——不必被发布声势吓住,也不必为这套机制迁栈。

二、数字员工集成环境格局

2.1 国内"三巨头"AI 办公产品与 QoderWake 的生态位

自主任务拆解、本地文件读写、Office 生成、多模态、技能/专家体系、定时自动化,六项是三家标配。差异在生态绑定与定价(来源:腾讯新闻横评 2026-08-27;虎嗅;财新):

核心结论: 三家定价带上探至 500-700 元/月,卖点趋同,真正的分野是"绑定哪个 IM/办公生态"——生态即护城河,也即锁定。

市场背景:17 款国内桌面端 AI 办公产品月访问量从约 2000 万涨到约 6000 万(腾讯新闻横评口径)。其他近况:钉钉"悟空"已并入千问办公,"钉钉 ONE"日活峰值 300 万但不到十个月收缩(未核实);Manus 2026-08 恢复独立运营(Meta 超 20 亿美元收购告吹),Free 每日 300 credits、Pro $20/月起(未核实);扣子空间官网自称"已有 100,512,219 个 Agent 正在工作"(未核实,厂商自述口径)。

2.2 集成环境 vs 自建(Kimi Code/CrewAI):强弱清单

核心结论: 集成环境卖的是基建与生态,不是方法论;方法论(角色设计、沉淀机制、品控闸门)自建侧全部可复刻。集成环境五项强项里,本项目真正缺的只有"触发与值守基建"里的沉淀管道与触发器;弱项(锁定/出域/不透明)恰好全部命中本项目铁律。

三、AGENTS.md 科学写法:官方规范、GitHub 实证与 12 判据

3.1 官方规范与采用规模

AGENTS.md 定位="README for agents":开放格式、无必填字段、纯 Markdown,推荐章节=项目概述/构建测试命令/代码风格/测试说明/安全注意事项;与 README 分工=README 给人看、AGENTS.md 给 agent 看。发起方=OpenAI Codex、Amp、Google Jules、Cursor、Factory,现由 Linux 基金会旗下 Agentic AI Foundation 托管,官网自称"60k+ 开源项目在用"(官方自述口径,无独立审计)。monorepo 用嵌套 AGENTS.md,离被编辑文件最近的优先、用户显式指令最高——OpenAI 主仓有 88 个嵌套文件。GitHub Copilot(2025-08 起 coding agent、2026-06 起 code review)、Cursor、Codex、Jules、Gemini CLI 均已支持。

GitHub 实证三组:

• Coldtea 走查(star 前 1000 仓库):27%(273 个)根目录有 AGENTS.md;前 100 名逐一精读,中位数 1198 词、约 14 个标题,90% 用 must/always/never 措辞,全样本 784 条显式"禁止"规则,86% 含 don't 规则;内容分布=架构 18.9%、测试验证 17.2%、命令安装 12.8%、规则边界 11.3%——"操作手册优先,规则书其次";极短也有效(neovim 仅 35 词)。
• arXiv 2511.12884(2303 个上下文文件大规模实证):内容以功能性上下文为主(测试流程 75.9%、实现细节 70.8%),安全(14.8%)与性能(14.5%)极少被写;这些文件"像配置代码一样频繁小步演进,不是静态文档"。
• 采用率:2025 年新建仓库 agent 配置采用率 13.7%,是老仓库(4.3%)的 3 倍(Altered Craft,2025-10 扫描,21.7 万仓数字半核实)。

3.2 有效性实证:正反并陈,买的是效率不是正确率

核心结论: 章程的已证实收益=效率(时间/token),正确率收益未被证实甚至可为负;验收指标应按效率设,改动必须过 eval。

3.3 Anthropic / HumanLayer / Cursor 的写法共识

Anthropic 官方 CLAUDE.md 实践:保持短、逐行自问"删掉这行 Claude 会犯错吗?不会就删";排除清单=读代码就能知道的、语言通用约定、易变信息、逐文件描述、"写干净代码"类废话;失败模式"over-specified CLAUDE.md"=重要规则被淹没,反复被违反的指令改 hook(hook 是确定性强制,章程只是建议);按需知识走 skills 渐进披露;单文件目标 <200 行;矛盾规则会被随机挑一条执行。

HumanLayer(社区被引最多的写法帖):前沿 thinking 模型约能稳定遵循 150-200 条指令,系统提示本身已占约 50 条;指令越多遵循率"均匀下降"而非只忽略后面的;建议 <300 行;"Never send an LLM to do a linter's job"——风格交给确定性工具+Stop hook;不要用 /init 自动生成,章程是全流程最高杠杆点,应逐行手工打磨。

Cursor 官方:.cursor/rules/*.mdc+frontmatter 四种激活,单规则 <500 行,引用文件而非复制内容,明确避免"抄整个 style guide(用 linter)、罗列所有命令、为罕见边缘 case 写规则"。

3.4 可执行判据清单(12 条,每条带证据)

1. 章程是"操作手册+禁律",不是项目介绍:测试/命令/架构占字数约一半;架构概览对成功率无贡献,少写或只给一段+链接(证据:Coldtea;ETH 2602.11988)
2. 禁律(don't)是最高价值内容:top-100 仓库 86% 含显式禁律、90% 用 must/always/never,禁律写得像"agent 犯过的具体错误记录"(证据:Coldtea,784 条实例)
3. 指令总量预算制:前沿模型约 150-200 条指令容量,系统提示已占约 50 条;指令越多遵循率均匀下降(证据:HumanLayer)
4. 长度上限:官方口径"short"(Anthropic);社区共识 <300 行(HumanLayer)/单规则 <500 行(Cursor);GitHub 实证中位数约 1200 词,但 10% 仓库 <150 词照样运转
5. 渐进披露:偶发/领域内容移出主章程,用 skills/嵌套文件按需加载;指针用 file:line,不复制代码片段(证据:Anthropic、Cursor、HumanLayer 三方一致)
6. 可执行命令要写全:章程点名的命令被 agent 使用率提升 1.6-2.5 倍,测试/构建命令是实测最有效内容(证据:ETH;Lulla)
7. 确定性检查交给工具不交给提示词:风格/格式用 linter+hook(证据:Anthropic、HumanLayer)
8. 禁止自动生成章程直接用:LLM 生成的章程平均降低解决率且 +20% 成本;/init 产物只能当起点(证据:ETH;HumanLayer)
9. 章程改动要过 eval:Lulla 与 ETH 结论相反说明效果因库而异,任何改动应在小样本任务上回归验证再上线(证据:两篇论文+Agent Patterns 综述)
10. 章程是活文档,像配置代码一样小步演进:2303 文件实证其演化模式为"频繁小增";出错→改规则→验证行为是否变化(证据:arXiv 2511.12884;Anthropic)
11. 安全/性能约束要主动补写:实证仅 14.8%/14.5% 的章程写了安全/性能,是普遍缺口(证据:arXiv 2511.12884)
12. 跨工具兼容写 AGENTS.md 而非厂商私有格式:Copilot/Cursor/Codex/Jules/Gemini CLI 均已支持;单一 Markdown 源可适配六家 harness(证据:GitHub changelog;Cursor docs;wshobson/agents)

核心结论: 本项目 config-writing-standard 的"章程是上下文不是法律/事故驱动添加/禁模糊词/负面指令优先"与 ETH、Coldtea、Anthropic、HumanLayer 的实证同构——写法纪律方向已被外部证据背书。真正缺口=判据 9:改动没有 eval 回归,凭感觉上线的风险被两篇结论相反的论文坐实。

四、GitHub 主流 agent 配置仓库盘点

star 除注明外均为 2026-09-08 经 GitHub API / ecosyste.ms 实测(与第三方交叉验证误差 <5%)。

图注:star 为 2026-09-08 GitHub API 实测;ECC 为第三方聚合站口径(约 20-24 万),API 限流未取到一手值,标未核实。

⚠️ 此处手动上传图片:assets/charts/chart-01.png

4.1 配置资产仓(star=2026-09-08 API 实测)

核心结论: 配置/技能资产仓天花板已到 14 万-28 万 star,超多数框架本身——规则、子代理、技能文件已成可分发、可 star、可装机的商品。

4.2 多智能体框架格局(star + 最近 push=2026-09-08 API 实测)

核心结论: 增长与活跃度集中在 CrewAI/Agno/LangGraph/OpenAI SDK 四强;MetaGPT/AutoGen/Swarm 三个老明星全部实质停更——本项目选 CrewAI 没有错付。

4.3 形态演进路径与三条判读

配置资产的形态演进清晰可考:.cursorrules 单文件(PatrickJS,40.7k 但停更超 15 个月)→ AGENTS.md 开放规范(24.2k,仍在涨)→ Skills/Subagents 目录化(VoltAgent/wshobson)→ 插件市场制+多 harness 统一源(wshobson 39.5k、ECC、davila7 30.6k)。三条判读:①配置资产仓规模超框架,2026 年社区热点从"框架"转向"配置/技能资产";②头部打法=单一 Markdown 源一次编写适配 N 个 harness+按需安装控 token 预算;③框架马太效应加剧,选框架看最近 push 不看 star 存量。

两个单列借鉴点:superpowers(约 28 万 star)证明"把工程方法论做成强制流程的技能包"比知识片段型技能更值钱;wshobson/agents 的分层模型路由与 PluginEval(静态检查+LLM Judge+蒙特卡洛三层)是成本路由与质量评估的现成范式。

核心结论: 本项目的技能目录(.agents/skills/)+章程体系恰好站在演进路径的最新一段;可直接抄的三样:VoltAgent 的权限分级标注法、wshobson 的分层模型路由与 PluginEval、superpowers 的"方法论流程固化"技能写法。

五、Memory/Skill 自进化机制:学术实证、开源实现与复刻路径

5.1 学术主干与关键实证

综述主干:《A Survey of Self-Evolving Agents》(arXiv 2507.21046,普林斯顿/UIUC 等 20+ 作者,v4 2026-01)用三维框架组织全领域——进化什么(模型/记忆/工具/架构)×何时进化(intra/inter-test-time)×如何进化(标量奖励/文本反馈/单多 agent)。技能库范式原点=Voyager(arXiv 2305.16291,被引 3355):自动生成、验证、存储可执行代码技能的终身学习。

两篇对"自进化技能库"最有裁决力的实证:

• SkillsBench(arXiv 2602.12670,2026-02):87 个任务、8 领域、18 种模型-框架配置配对评测——人工策划技能把平均通过率从 33.9% 提到 50.5%(+16.6pp);LLM 自己写的技能增益 +0.0pp;聚焦型小技能包(≤3 模块)优于大而全。
• 《Library Drift》(arXiv 2605.19576,ICML 2026 FAGEN Workshop,AWS+HSBC):"技能越攒越好吗"答案是否——无生命周期管理的无限积累导致"库漂移"(检索退化、错误注入、性能停滞)。治理配方 Ratchet=结果驱动退休(累计 Nmin=100 次证据才淘汰)+活跃技能硬上限(默认 50)+meta-skill 写作先验(消融实验贡献 43% 增益),把 MBPP+hard-100 pass@1 从 0.258 提到 0.584;反面教训:过早淘汰(Nmin=20)比无技能更差(-0.019)——幼稚的治理不如不治理。

图注:SkillsBench / Library Drift 关键实证;左图前两根为 pp 增益,第三根为 pass@1 差值;右图为 MBPP+hard-100 pass@1。

⚠️ 此处手动上传图片:assets/charts/chart-03.png

5.2 开源记忆框架与 Anthropic Dreaming

star 快照为第三方博客 2026-07/08 口径,GitHub API 限流未逐一核实,引用时须带快照日期;mem0 另有 GitHub 页直读 64.9k 口径。

Anthropic Dreaming(2026-05-06 官方发布):Managed Agents 的记忆巩固原语——定时批处理在会话之间回顾历史会话+记忆库,抽取模式(重复犯的错、收敛出的工作流、团队共享偏好)、合并事实、消解矛盾,输出新的记忆库副本(原库只读,人审后采纳,可回滚)。案例 Harvey 任务完成率 ~6x(官方口径,深度共创客户,无第三方验证,未核实)。这与 QoderWake 的夜间复盘机制同构——夜间批处理巩固+人审采纳+可回滚,两家头部厂商独立收敛到同一配方。

5.3 "12.3 万 Skill 怎么攒的"拆解与个人复刻路径

拆解:12.3 万=近 10 万 Waker×约 2000 万次任务×三个多月的平台级总量,单个 Waker 平均约 1.2 项;2.28 万自进化项=轨迹归因自动写入技能库的部分(占 18.5%)。技术三件套:①执行后自动经验分类入库(五维);②夜间批量复盘+防腐治理——正是 Library Drift 实证必需的"结果驱动退休+上限控制";③人确认才留下(HITL 闸口,恰好规避 SkillsBench 揭示的"LLM 自写 +0.0pp"陷阱)。

警告:无治理的自动积累实证有害。 SkillsBench 显示 LLM 全自动写技能几乎无增益(+0.0pp);Library Drift 显示无限积累导致库漂移、过早淘汰比不治理更差。复刻时人审闸口不可省、活跃技能上限与退休证据门槛不可省。

核心结论: "自进化"的工程配方已被学术与两家厂商收敛验证:批处理巩固+人审+版本化+上限治理。机制层面个人小规模(几十条记忆、几项到十几项技能)完全可行;Library Drift 证明上限内的精选库优于无限膨胀——数量不是目标。

六、本地跟上步伐的路线

6.1 要不要转 QoderWake:不迁主栈,可竞品侦察

不建议迁移主栈,四条理由均为已核实事实:①生态锁定(群协作离了钉钉/飞书"基本废掉");②底层模型不透明(官方未披露型号);③数据出域(沉淀资产归平台格式,迁移成本未明);④正式定价未公布,规模化成本不可控。但可申请邀测做竞品体验——邀测免费,体验一周出对比笔记,成本只有时间。

差距定位:本地与头部的差距=基建(触发值守、沉淀管道、eval 闸),不是方法论——第三章已证本项目写法纪律与外部实证同构,第五章已证自进化机制全部组件开源可得。

6.2 路线三块

1. 沉淀管道(等价 QoderWake 夜盘):夜间复盘提炼定时脚本——读产线运行日志+故障台账+当日会话产出→提炼章程/技能修订提案→人确认后落盘;git 即版本与回滚(等价其快照/回滚)。机制依据:Anthropic Dreaming 官方机制+Library Drift 治理配方。
2. eval 回归闸(衔接前篇,不重复立项):前篇研报处置卡动作 1(故障转 eval 回归集)已立项启动;第三/四章实证(ETH 与 Lulla 结论相反、效果因库而异)进一步坐实该动作的必要性——章程/技能改动必须过小样本回归再上线。
3. 写法判据入库+技能治理(Library Drift 配方):第三章 12 判据并入配置写法规范;技能治理照 Ratchet 配方:活跃技能设上限、退役须累计证据、meta-skill 约束写法——与配置写作闸技能合并执行。

与同日前篇《数字人团队科学配置》研报的衔接:前篇解决"配置方法论"并已立 eval 动作;本篇解决"外部对标",增量动作只有沉淀管道与写法判据两项,eval 沿用前篇立项。

核心结论: 头部厂商的护城河是基建与生态,不是认知;本项目方法论方向已被外部证据背书,按"补基建三块"跟进即可,迁栈是负收益动作。

七、结语

QoderWake 1.0 的真正信息量不在"12.3 万 Skill"的声势,而在它把"执行后沉淀→夜间巩固→人审入库→防腐治理"做成了平台默认流水线——这套流水线的每个组件都有开源等价物,学术实证同时标出了两个坑(LLM 自写技能零增益、幼稚治理比不治理更差)。GitHub 侧,社区热点已从框架转向配置资产,头部打法收敛为"单源多 harness+流程固化技能包";AGENTS.md 写法的实证结论清晰:买效率不买正确率、禁律与命令最有价值、改动必须过 eval。对本项目:方向没错付,差距在基建,跟进动作已落到处置卡。

参考文献

1. Qoder 官方:《QoderWake 1.0 正式发布:从桌面里的 Agent,到工作现场的数字员工》(AI星球全文转载),2026-09-07。https://www.aixq.cc/68079.html
2. 阿里云开发者社区官方摘要,2026-09-07。https://developer.aliyun.com/article/1761240
3. Qoder 官方博客:QoderWake 官宣与机制描述,2026-04-30。https://qoder.com/zh/blog/qoderwake
4. QoderWake 产品页。https://qoder.com/qoderwake
5. Qoder CLI 自定义模型(BYOK)文档。https://docs.qoder.com/zh/cli/custom-models
6. AI星球:《QoderWake 1.0 评测:会自己开工的数字员工,到底行不行》(8.1/10),2026-09-07。https://www.aixq.cc/68145.html
7. 量子位:QoderWake 首发报道(Harness-First 架构、五维自进化、防腐治理),2026-04-30。https://www.qbitai.com/2026/04/411955.html
8. CSDN 博主 QoderWake 一手实测(4 Case),2026-06-02。https://blog.csdn.net/weixin_49199926/article/details/161631403
9. 腾讯新闻:《豆包工作、WorkBuddy、千问办公,谁才是你的数字打工人?》,2026-08-27。https://view.inews.qq.com/a/20260827A0ANU600
10. 虎嗅:WorkBuddy 相关报道,2026-08-28。https://www.huxiu.com/article/4886695.html
11. 财新:千问办公公测报道,2026-08-03。https://www.caixin.com/2026-08-03/102470966.html
12. agents.md 官方规范站(2026-09-08 读取)。https://agents.md/
13. GitHub Blog:Copilot coding agent 支持 AGENTS.md,2025-08-28。https://github.blog/changelog/2025-08-28-copilot-coding-agent-now-supports-agents-md-custom-instructions/
14. GitHub Blog:Copilot code review 支持 AGENTS.md,2026-06-18。https://github.blog/changelog/2026-06-18-copilot-code-review-agents-md-support-and-ui-improvements/
15. Coldtea Blog:What GitHub's biggest repos tell their agents(AGENTS.md 字段研究),2026-08-21。https://www.coldtea.ai/blog/agents-md-field-study
16. Gloaguen et al.(ETH Zürich):Evaluating AGENTS.md,arXiv 2602.11988,2026-02-12。https://arxiv.org/abs/2602.11988
17. Lulla et al.:On the Impact of AGENTS.md Files on the Efficiency of AI Coding Agents,arXiv 2601.20404,2026-01-18。https://arxiv.org/html/2601.20404v2
18. Probe-and-Refine Tuning of Repository Guidance for Coding Agents,arXiv 2606.20512,2026-06-18。https://arxiv.org/html/2606.20512v1
19. Agent READMEs:An Empirical Study of Context Files for Agentic Coding,arXiv 2511.12884,2025-11-17。https://arxiv.org/abs/2511.12884
20. Altered Craft:AI Agent Adoption 仪表盘,2025-10。https://alteredcraft.github.io/dashboards/ai-agent-adoption/
21. Anthropic:Claude Code Best Practices(2026-09-08 读取)。https://www.anthropic.com/engineering/claude-code-best-practices
22. Anthropic:Claude Code memory 文档(2026-09-08 读取)。https://code.claude.com/docs/en/memory
23. HumanLayer:Writing a good CLAUDE.md,2025-11-25。https://www.humanlayer.dev/blog/writing-a-good-claude-md
24. Cursor Docs:Rules(2026-09-08 读取)。https://cursor.com/docs/context/rules
25. Gao/Geng/Hua et al.:A Survey of Self-Evolving Agents,arXiv 2507.21046,2025-07-28。https://arxiv.org/abs/2507.21046
26. Voyager:An Open-Ended Embodied Agent with Large Language Models,arXiv 2305.16291。https://arxiv.org/abs/2305.16291
27. SkillsBench,arXiv 2602.12670,2026-02。https://arxiv.org/abs/2602.12670
28. Library Drift(ICML 2026 FAGEN Workshop),arXiv 2605.19576,2026-06。https://arxiv.org/pdf/2605.19576
29. AutoSkill,arXiv 2603.01145,2026-03。https://arxiv.org/abs/2603.01145
30. Anthropic:New in Claude Managed Agents(Dreaming/outcomes/多 agent 编排),2026-05-06。https://claude.com/blog/new-in-claude-managed-agents
31. Anthropic:Equipping agents for the real world with Agent Skills,2025-10。https://www.anthropic.com/engineering/equipping-agents-for-the-real-world-with-agent-skills
32. mem0 GitHub 仓(README 已读)。https://github.com/mem0ai/mem0
33. Graphiti GitHub 仓(README 已读)。https://github.com/getzep/graphiti
34. PLUR:Best open-source memory layer for LLM agents(star 快照口径),2026-07/08。https://plur.ai/blog/best-open-source-memory-layer-for-llm-agents/
35. GitHub 仓 star/活跃度:2026-09-08 经 GitHub REST API / ecosyste.ms 实测(x1xhlol、awesome-claude-code、BMAD-METHOD、awesome-cursorrules、wshobson/agents、VoltAgent、agentsmd、contains-studio、superpowers、MetaGPT、AutoGen、CrewAI、Agno、LangGraph、OpenAI Agents SDK、Swarm 等)。

数据口径说明

① GitHub star 除注明外为 2026-09-08 API 实测;ECC 与 superpowers 为第三方聚合站/ecosyste.ms 口径(未一手核实);记忆框架 star 为 2026-07/08 第三方快照口径。② QoderWake 规模与案例数据均为官方通稿口径,案例无独立复核;发布日期存在 9-03/9-07/9-08 三个口径。③ "开放下载"与"需邀测申请"两个口径并存,以官网实测为准。④ 国内三巨头价格与访问量来自腾讯新闻横评(2026-08-27,二手)。⑤ QoderWake 底层模型官方未披露,本报告不做推测。⑥ 换算值(每 Waker 约 1.2 项 Skill、自进化占 18.5% 等)为基于官方数据的算术推算。

AI 辅助调研生成,数据以原始文献为准,仅供学习研究参考。