GHAgentFiles：GitHub 仓库中编码智能体文件历史数据集

提供了目前规模最大的编码智能体上下文文件历史数据集，包含 142,294 条文件历史与 401,873 次修订，来自 27,717 个 GitHub 仓库，覆盖 Claude、Codex、GitHub Copilot、Gemini、Windsurf 与 Cursor 六个智能体。 相较此前研究（如 453 个仓库、2.3K+ 文件、4,768 个文件或 4,738 个仓库的数据集），该数据集在仓库数量、文件历史数量与时间跨度上都有明显扩展，作者称其为“largest dataset of context files covering the largest period of time”。 数据规模由明确的提取流程与统计表支撑（表 III 列出各快照的仓库、历史、提交与修订数）；数据集经随机抽取 666 个文件、三位作者独立标注验证，评分者间一致性为 92.4%，无人回答“No”。

提出并开源了 CLI 工具 cofee（COntext File Extraction Engine），通过 .toml 配置中的 glob 式路径规则自动识别并提取上下文、技能与子智能体文件及其 git 元数据。 此前研究多依赖各自构建的有限数据集，该工具使数据集可被复现、扩展与复用，作者称其可“alleviating the error-prone and time-consuming nature of producing such datasets”。 工具行为在文中以命令形式（cofee -c config.toml repo）、配置示例（Listing 1）与遍历规则（first-parent rule、默认从 git HEAD 回溯）具体描述，并已在 GitHub 与 PyPI 发布。

对数据集做了初步观察性分析，发现编码智能体文件约自 2025 年初开始出现，2026 年初出现新增与修改的峰值，修改多于新增，删除与重命名较少；上下文文件数量在 2025 年 6 月后增长加快、2025 年 12 月再次加速，技能文件约自 2025 年 11 月起步，子智能体文件使用最少。 这些演化模式是在远大于既有研究的数据集上观察到的，作者称其“only scratches the surface”，并呼吁在此基础上复现与扩展既有研究。 结论基于图 2、图 3、图 4 的周度与月度计数曲线及指数回归拟合，属描述性观察，作者明确将其定位为“preliminary observational analysis”。

在最新快照中，通用 AGENTS.md 已成为最流行的命名实践（占全部文件修订的 45.7%），Claude 为最主要的非通用组（33.7%），Copilot 与 Cursor 较少；上下文文件中最常见的二级标题为 project overview、architecture、testing、commands 等。 这为“AGENTS.md 正在成为跨工具开放标准”以及上下文文件内容以项目结构、架构、测试与命令为主提供了大规模计数证据。 基于最新快照的 111,727 条文件历史与表 IV 的标题频次统计；标题分析仅覆盖二级标题（出现于 86.6% 的上下文文件中），属频次描述。

该数据集面向研究协作式 GitHub 仓库中编码智能体文件演化的实证研究，适用于需要跨仓库、跨时间比较上下文、技能与子智能体文件采用与维护模式的场景；其仓库范围限定为经 SEART 检索、创建至少一年、非 fork、至少 300 次提交且近一年有提交的项目，历史遍历仅沿主分支并遵循 first-parent 规则，因此结果适用于这类较活跃、较成熟的公开仓库。

读者仍需留意：文件识别配置基于对六个智能体文档的人工分析，文档可能过时、不完整或随时间变化，因此覆盖完整性无法保证；数据集仅沿主分支与 first-parent 路径，其他分支的提交未纳入；符号链接（1,086 个）在目标变更时不会随之修改，分析时需单独处理；观察性分析为描述性结果，未涉及因果；此外本次读取为不完整范围，图表与表格的完整细节可能影响对具体数值的进一步核对。