2026 की पहली तिमाही में, नए रूप से लिखे गए एजेंट स्किल का 13.0% अंग्रेजी以外 था, जो एक तिमाही बाद बढ़कर 16.3% हो गया — तीन महीनों में तीन प्रतिशत बिंदुओं की वृद्धि, 255,068 स्किल पर। संदर्भ के लिए, GitHub-वाइड non-English दस्तावेज़ीकरण दस वर्षों में 3.7% से बढ़कर 13.0% हुआ, जो दर्शाता है कि AI विकास पारंपरिक केंद्रों जैसे सैन फ्रांसिस्को से बाहर तेजी से बढ़ रहा है। ध्यान दें, अंग्रेजी अमेरिकी डेवलपर्स का प्रॉक्सी नहीं है; GitHub की सबसे तेजी से बढ़ती आबादी भारत है, जो अंग्रेजी में लिखती है, नाइजीरिया और सिंगापुर की तरह।

एक स्किल एक SKILL.md फ़ाइल है जिसमें एआई एजेंट के लिए साधन prosa में निर्देश होते हैं, Anthropic के अक्टूबर 2025 के विनिर्देशानुसार। नौ महीने बाद, 3.8 मिलियन स्किल्स Git Skills डेटासेट के 282,200 सार्वजनिक रिपॉजिटरी में मौजूद थीं। स्किल्स पारंपरिक सॉफ़्टवेयर से अलग हैं: ये मानव भाषा में लिखी जाती हैं और बहुभाषी मॉडल द्वारा निष्पादित की जाती हैं, इनके लिए अंग्रेजी की कोई तकनीकी आवश्यकता नहीं है।

1,870,299 अलग-अलग स्किल्स के विश्लेषण से पता चलता है कि 85.3% अंग्रेजी हैं, 6.2% चीनी हैं (जिसमें सरलीकृत चीनी का नेतृत्व 104,985 बनाम पारंपरिक चीनी के 9,112 है), 1.7% जापानी, 1.6% जर्मन, 1.2% कोरियाई, 1.1% पुर्तगाली, 0.9% स्पेनिश और 0.4% फ्रेंच हैं। non-English स्किल्स का हिस्सा 14.3% है, जो GitHub दस्तावेज़ीकरण के 13.0% के लगभग बराबर है, लेकिन चीनी प्रतिनिधित्व markedly अधिक है 6.2% बनाम 3.3%। प्रकाशित आंकड़े बहुत अधिक भिन्न होते हैं (65.0%–99.7% अंग्रेजी) क्योंकि अलग-अलग जनसंख्याओं पर आधारित हैं:キュレーテड मार्केटप्लेस, डोमेन स्लाइस, और अंग्रेजी-सीडेड क्रॉल्स।

मुख्य इकाइयाँ: कंपनियाँ: GitHub, Anthropic, Plicara Labs, Claw Hub, skills.sh | स्थान: सैन फ्रांसिस्को, भारत, नाइजीरिया, सिंगापुर, शेंज़ेन, साओ पाउलो

अक्सर पूछे जाने वाले प्रश्न: क्यों प्रकाशित आंकड़े एजेंट स्किल भाषा वितरण में इतना अधिक अंतर दिखाते हैं?

प्रकाशित आंकड़े अलग-अलग जनसंख्याओं को मापते हैं इसलिए भिन्न होते हैं:キュレーテड मार्केटप्लेस अंग्रेजी की ओर झुकते हैं, डोमेन-विशिष्ट स्लाइस स्थानीय गतिविधि के सांद्रण को दर्शाते हैं, और अंग्रेजी-सीडेड क्रॉल्स अंग्रेजी सामग्री को स्वाभाविक रूप से खोजते हैं। अध्ययनों में 557 स्वास्थ्य स्किल्स से लेकर 1.87 मिलियन अलग-अलग स्किल्स तक के डेटासेट का विश्लेषण किया गया, और अलग-अलग भाषा पहचान उपकरणों (py3langid, fast-langdetect) और विश्वास सीमाओं का उपयोग किया गया।