RAMP 以版本庫內 AI 設定檔分級：未配置專案採用 coding agent 後複雜度增幅近兩倍

研究團隊提出 Repository AI Maturity Profile（RAMP），不靠問卷，而是掃描提交到版本控制系統的 AI 工具設定，衡量專案如何管理 coding agent。四個層級依序是：完全沒有設定的 L1；具有行為規則、架構說明或 coding standards 的 L2；加入具名代理、指令與 Skills 的 L3；以及定義多代理依賴、交接和執行紀錄的 L4。

分類器涵蓋 Claude Code、Cursor、GitHub Copilot、Codex、Gemini CLI、OpenHands 等 12 種工具，先以 43 組路徑模式尋找檔案，再用路徑與內容 embedding 對應至九種語意類別。開發樣本包含 27 家組織的 441 個私人版本庫、1,046 份驗證過的 AI artifact；獨立人工標註在留出樣本的 35 個版本庫中重現 34 個等級。結果顯示 66.7% 為 L1、24.7% 為 L2、8.6% 為 L3，私人樣本沒有觀察到 L4；73.8% 的設定檔提交後從未修改。

團隊隨後把固定分類器套用到既有 coding-agent 採用資料。509 個可追蹤版本庫中，agent-first 子樣本的提交量在各成熟度層級均增加約 28% 至 38%，但品質變化不同：L1 的 cognitive complexity 增加 53%，L2 以上增加 27%；靜態分析警告的增幅亦相差約 1.7 倍。這使 `AGENTS.md`、`CLAUDE.md`、`.cursor/` 規則及可重用技能不再只是操作便利，也可能成為可量度的工程控制面。

工程團隊可先把代理規則納入 code review、設定擁有者與更新週期，並追蹤複雜度、警告及重工率。不過 RAMP 只顯示相關性：管理紀律較佳的團隊本來就可能同時維護設定檔與產出較佳程式碼；私人樣本無法逐庫公開，且 L4 在開發資料中缺席。下一步需要在代理導入前固定配置的前瞻或隨機實驗，才能判斷哪些規則真正降低技術債。