Penelitian: File AGENTS.md dapat mempercepat waktu berjalan Agen AI sebesar 29% dan mengurangi token output sebesar 17%

Menurut berita BlockBeats pada 3 Maret, menurut 1M AI News, tim peneliti dari Singapore Management University, Heidelberg University, Bamberg University, dan King’s College London menerbitkan makalah tentang arXiv, secara kuantitatif mengevaluasi dampak AGENTS.md profil tingkat gudang pada efisiensi agen pemrograman AI untuk pertama kalinya. AGENTS.md adalah file instruksi yang disimpan di direktori akar repositori kode untuk menjelaskan arsitektur proyek, perintah build, spesifikasi pengkodean, dan kendala operasional kepada Agen AI, mirip dengan CLAUDE.md Anthropic Claude Code dan copilot-instructions.md GitHub Copilot, dan telah diadopsi oleh lebih dari 60.000 repositori GitHub.

Tim peneliti melakukan eksperimen berpasangan menggunakan OpenAI Codex (gpt-5.2-codex) pada 124 PR gabungan di 10 repositori (tidak ada yang memiliki lebih dari 100 baris perubahan kode), berjalan di bawah kedua kondisi AGENTS.md. Hasilnya menunjukkan AGENTS.md bahwa runtime rata-rata menurun dari 98,57 detik menjadi 70,34 detik (penurunan 28,64%) dan token output median menurun dari 2.925 menjadi 2.440 (penurunan 16,58%) tanpa perbedaan yang signifikan dalam perilaku penyelesaian tugas (uji peringkat bertanda tangan Wilcoxon, p). < 0.05）。

Para peneliti menunjukkan bahwa AGENTS.md mengubah panduan agen dari “petunjuk sementara” menjadi “artefak konfigurasi yang berversi, dapat ditinjau, dan dipelihara secara kolaboratif”, dan menyarankan agar tim pengembangan memasukkannya ke dalam repositori sebagai praktik standar. Dalam hal keterbatasan, penelitian ini hanya menguji agen tunggal OpenAI Codex, dan sampelnya terbatas pada PR skala kecil, dan tidak melakukan penilaian kebenaran kode yang komprehensif.