← 文章 / AI技术
GitHub Blog 22天前 · 2026-10-31 14:45:41 · 28 阅读

Octoverse 2026:Agent 加持下,代码提交与推送量创历史新高

过去12个月,开发者向 GitHub 推送代码 179 亿次,超过 2024 和 2025 两年的总和。

这组数字背后,是开发者们在打造自己感兴趣、社区也需要的东西。在尼泊尔,一位开发者在 GitHub Pages 上搭建了一个洪水信息公告板,提供道路、救援、天气和电力方面的经过核实的消息。这个项目后来发展为 Gati,一个以尼泊尔语优先的官方灾害预警转发服务,同样运行在 GitHub Pages 和 Actions 上。与此同时,NASA 喷气推进实验室的开发者正在开发可在航天器上运行程序的软件,还有爱好者打造了开源固件,让用户可以自定义电子阅读器。好奇心指向四面八方,规模之大,前所未有。

这样的增长来得很快。今年年中,GitHub 上的活动量陡然攀升,正好对应了 agent 从开发者试水的工具,变成与他们并肩工作的伙伴。开发者可以从比以往任何时候都多的模型中挑选,并进入我们首次在本报告中重点呈现的行业领域,从医疗健康到农业。

Octoverse 让我们有机会退后一步,看清全貌。而今年的全貌,比以往任何时候都更加宏大。以下是最值得关注的内容:

  • AI 更多,一切都更多。在今年新建的仓库中,带 agent 配置文件的仓库,平均 commit 数量是普通新仓库的 8 倍。
  • 截至 9 月,超过 40% 的 pull request 由 agent 发起。3 月这一比例还是 17%。对越来越多的人来说,工作的第一步已经是指挥 agent,而 review 则是开发者打磨产出的方式。
  • 开发者切换模型很快。9 月,61% 的 GitHub Copilot 用户使用了不止一个模型,请求分布在通用模型、深度推理与规划模型、以及快速轻量模型之间。
  • 建设者来自各行各业。今年,我们首次分享了按行业划分的公开仓库观察。服务矿业、建筑、医疗健康和农业的仓库,自 2022 年以来都增长了数倍。

究其根本,过去一年 AI 模型及其周边工具生态不断进步,开发者的选择也越来越多。增长势头非常迅猛:去年我们做出的五年开发者增长预测,如今刚过去一年,每个预测国家都已完成了至少五分之一的路程,甚至我们自己的预测模型也对下一步走向产生了分歧。

开发者跑出新速度的一年

Bar chart titled “The year of momentum” showing growth from 2024 to 2026 in GitHub activity. Pushes increased from 5.2B to 6.7B to 17.9B; commits from 10.0B to 12.9B to 34.3B; Actions jobs from 8.0B to 14.0B to 45.4B; and merged pull requests from 402M to 538M to 1.3B. Figures include public and private repositories; each year covers the 12 months ending September 30.

这一年的关键词是势能。过去 12 个月,开发者向 GitHub 推送代码变更 179 亿次,超过 2024 和 2025 两年的总和。所有仓库(公开和私有)的 commit 数量增长更快,达到 343 亿,是两年前的三倍多。同期被合并的 pull request 数量增至 13 亿,翻了两番多,平均每天 350 万个。

Agent 是今年开发者最倚重的工具之一,正日益深入日常工作。在今年新建的仓库中,配置了 agent 配置文件的仓库,其平均 commit 数量是没有配置的新仓库的八倍。这说明从第一天起就用 agent 构建的个人和团队,工作节奏已明显不同。

开发者还借助自动化让项目持续运转。今年 GitHub Actions 平均每秒运行 1,440 次任务,相当于每天 1.24 亿次,是去年总量的三倍多。开发者合并了超过 3,000 万个 Dependabot pull request,以保持依赖更新、减少已知漏洞的使用,速度约为 2025 年的两倍。

三个面板展示 GitHub Actions 任务量:每秒运行 1,440 个任务,每天运行 1.24 亿个,过去 12 个月共运行 450 亿个。面板为白色背景,配有粉色和绿色的像素风边框。

我们的遥测数据显示,平台活跃度从 1 月起稳步攀升,到 6 月前后开始激增,仿佛全世界的开发者同时看到了新的可能。恰好在那段时间,一系列全行业的变革集中落地:更强的底层模型、围绕模型打造的工具与框架,以及运行其上的 agent。Agent 从单次会话工具进化为持久化工具,能够跨天跟踪任务进度,还能调度其他专门的 agent。同样重要的是,agent 开始大量使用云端,不仅能在本地机器上执行工作,也能在远程完成。

折线图,标题为「2026 年 GitHub 活跃度加速增长」,以 2025 年 9 月为基准(1×)对比每月活跃度。从 2025 年 9 月到 2026 年 9 月,commits 增长至 6 倍,Actions 任务约 4.8 倍,pushes 约 4.5 倍,已合并的 pull request 约 3.9 倍。四条曲线均在 6 月后急剧加速,该点被标注为拐点。

这股增长势头既体现在全新仓库上,也来自深耕多年的开发者。从 6 月开始,约 55% 的 commits 来自全新创建的仓库。但也有大量 commits 来自资深开发者:过去 12 个月推送过代码的开发者,平均已在 GitHub 上活跃了 36 个月;8 月发起过 pull request 的人中,超过 75% 在 9 月继续推送代码。他们也在拓宽领域:开发者平均参与的仓库数量比一年前增加了 10%。

这种持久力在开源领域同样有所体现。2026 年公开贡献量飙升至 25 亿次,是去年总量(11.2 亿)的两倍多。这些数字背后是持续活跃的开发者,比如 @kinlane,,他借助 agentic 工作流让自己的公开仓库累计贡献超过 100 万次,始终维护着一份最新的机器可读公开 API 信息目录。还有 @kim-em,贡献超过 17.8 万次,负责维护 mathlib——一个社区驱动的计算机验证数学库。@andig 是开源电动汽车充电控制器和家庭能源管理系统 evcc 的维护者,贡献超过 2.1 万次。

以上只是数百万开发者日常工作的几个缩影。致所有做着这类工作乃至更多的开发者:我们看到了你们,很高兴你们一直在构建。

开发者来自更多地方

这份报告里的每个数字背后都是一名开发者。GitHub 目前服务超过 2.25 亿开发者,社区在全球持续壮大。美国(3830 万)和印度(3200 万)仍是最大的两个开发者社区,今年各自新增了超过 1000 万开发者。巴西今年在 GitHub 上新增 328 万开发者,位居全球第三。

国家2026 年 9 月 GitHub 开发者总数
美国3830 万
印度3200 万
中国1240 万
巴西1020 万
日本715 万
英国647 万
印度尼西亚634 万
德国630 万
俄罗斯507 万
法国475 万

去年我们预测,到 2030 年印度开发者将达到 5750 万,美国将达到 5470 万。在五年窗口期刚过去一年之际,预测中的每个国家都已至少完成了向各自 2030 年目标迈进五分之一的进度。美国已完成 38.6%,印度完成了 28.3%。

表格标题为“2030 年预测进展”,对比 2026 年新增开发者数量与各国 2030 年预计开发者规模的达成进度,展示预测开始一年后的进展情况。摩洛哥进度最快,达 54.4%;其次是印度尼西亚,为 45.4%;肯尼亚进度最慢,为 21.7%。图表列出了从印度、美国到摩洛哥共 14 个国家,进度介于 21.7% 至 54.4% 之间。

这股增长势头在各地区都有体现,只是各地背景各有不同:

地区 增长驱动力 市场背景
美洲 金融科技与数字支付 • 巴西:成熟且高速增长的金融科技行业
• 加拿大:AI 与软件投资持续稳定
EMEA AI 在制造业和初创企业中的落地,非洲开发者社区快速壮大 • 摩洛哥:金融科技与初创生态活跃
• 德国:AI 在工业核心领域的企业级应用
• 法国和西班牙:AI 与深科技初创企业
• 肯尼亚、尼日利亚、南非:金融科技、农业科技与编程训练营
APAC 政府对 AI 基础设施和人才培养的投资 • 印度尼西亚:数字经济蓬勃发展
• 日本:AI 基础设施投资
• 韩国:政府支持的 AI 人才培养计划
• 澳大利亚:AI、机器学习与数据技能需求旺盛

过去一年的实际增长相比去年的预测表现强劲,而预测未来五年正变得越来越难。我们运行了 40 多个预测模型推演到 2031 年——这些时间序列和回归模型基于历史注册与使用数据构建,各自假设不同的增长速度。约一半模型预测会出现“极端”增长,即到 2031 年 GitHub 开发者数量增长超过三倍;略低于一半的模型预测“可观”增长,即增长两到三倍;只有三个模型预测接近温和的增长,即不足两倍。

折线图,显示对 2026 年 9 月至 2031 年 9 月 GitHub 开发者增长的 43 个预测,所有预测起点均为 1 倍。到 2031 年,21 个模型预测出 3 倍以上的爆发式增长(部分超过 6 倍),19 个模型预测 2 倍至 3 倍以下的大幅增长,3 个模型预测 2 倍以下的温和增长。

预测终究只是估计,如此大的差距也说明,2026 年的激增大幅拓宽了人们对 2031 年增长空间的想象。唯一稳定不变的,是趋势的形态:开发者社区正在更多地方同时壮大。

未来正在世界各地被构建

在过去的报告中,“更多地方”指的是开发者数量更多、覆盖国家更广,比如向公开仓库贡献代码最多的国家:

按推送到公开仓库的次数排名的前 10 个国家(按个人资料所在地统计)
排名 国家/地区
1 美国
2 印度
3 中国
4 巴西
5 德国
6 英国
7 韩国
8 法国
9 日本
10 加拿大

今年,“更多地方”还意味着更多行业,包括我们此前从未统计过的领域。

我们使用北美行业分类系统(NAICS)来观察公开仓库的行业分布。该系统将经济活动划分为不同板块。我们用语言模型对 2022 年至 2026 年每年新建的公开仓库进行随机抽样,根据仓库名称、描述、话题标签和 README,将其归入所服务的行业。我们还追踪了两个信号:仓库是否提到 AI,以及是否有 agent 向它提交过 pull request。

这两个信号并不总是同步。在行政与支持服务、采矿、医疗保健和农业领域,超过四成的仓库提到 AI,但 agent 发起的 pull request 却很罕见,不足 3%。建筑业打破了这一模式:约四分之一的仓库提到 AI,却有约 9% 收到过 agent 发起的 pull request,是所有行业中最高的,制造业紧随其后。

横向条形图,标题为“AI 渗透到每个行业”,展示各行业公开仓库中提及 AI(紫色)或包含 agent pull request(绿色)的比例。行政与支持服务以及采矿业的组合条形最长,各约 55%,其次是医疗保健与社会援助,约 52%。最短的是其他服务业,不到 2%。横轴显示仓库占比,范围为 0% 到 60%。

同样的行业分类还展示了 2022 年以来各行业版图的变化,而爬升的远不止软件行业。专业、科学与技术服务从全行业第四名升至第二名,仅次于信息行业。农林牧渔上升了两位,金融保险以及医疗保健与社会援助各前进了一位。与各自 2022 年的基数相比,采矿及油气开采从较小的起点增长了约 65 倍,行政与支持服务以及建筑业增长了 17 到 18 倍,即便是增速最慢的制造业,也几乎翻了两番。

一张名为“代码:分行业观察”的凹凸图,展示了 2022 年至 2026 年间 18 个行业按服务其需求的公开仓库数量排名。信息行业始终位居第一;专业、科学与技术服务从第四位升至第二位,教育服务从第二位降至第三位。医疗保健与社会援助从第七位升至第六位。仓库总数从 2022 年的 900 万增长到 2026 年的 2500 万。

这些行业变化背后,是一批深谙自身领域的人,如今正借助 AI coding agent 进行开发。比如在制造业,一个小团队做出了把工具照片变成量身定制的 3D 打印抽屉收纳格的方法。一个医疗领域的研究实验室让科学家能更方便地分析组织样本的超大数字扫描图像——这正是病理学家用来研究疾病的资料。哥本哈根的一个大学实验室构建了一条对鸡的活动视频进行分类的 pipeline,从嬉戏到啄虫都能识别。怀卡托大学的一个能源中心打造了一套帮助工业厂房寻找可复用热能的工具包;保加利亚的数字化部门则开源了一个门户网站,任何人都能查询公共合同的中标方和金额。对写作者来说,一位小说家开发了一款免费应用,让手稿在输入时实时呈现成书的样子。在各行各业,最贴近问题的人正在亲手构建解决方案,而 agent 则在一路提供助力。

专业、科学与技术服务行业较其 2022 年基准增长了约 5 倍,跃居第二位。这一行业的本质是研究、工程与咨询,而开放代码一直是完成这些工作的重要方式。在生物化学领域,AlphaFold 背后的研究让 Demis Hassabis 和 John Jumper 分享了 2024 年诺贝尔化学奖。在计算机科学领域,Tensor2Tensor 伴随着提出 Transformer 架构(当今大型语言模型的基础)的论文 《Attention Is All You Need》一同发布。在医学领域,sars-cov-2-stability 保存了最早一批关于病毒在空气和物体表面存活时间研究的代码与数据。在物理学领域,eht-imaging 是用于重建首张黑洞照片的两个开源库之一。代码仓库已经悄然成为公开研究成果背后不可或缺的一环。

开发者正在重塑工作流

如今,越来越多的开发者通过描述需求、协调 agent 执行来发起 pull request。到 2026 年 9 月,GitHub 上超过 40% 的 pull request 由 agent 完成初稿,而 3 月这一比例仅为 17%。仅 9 月就有 1.1 亿个,约为 3 月的 6 倍。

Three panels highlight agent-generated pull requests: more than 40% of pull requests are agent-generated; agents started 110 million pull requests in September 2026; and agent-generated pull requests grew sixfold in six months.

由 agent 发起的 pull request 也更常涉及多个文件的修改:这一比例约为 87%,而未检测到 agent 参与的 pull request 为 79%。它们的合并速度也很快。2 月,83% 的 agent 参与 pull request 在两周内完成合并,略低于未检测到 agent 参与的约 86%。到 9 月,agent pull request 的这一比例达到 90%,而对照组维持在 86% 左右。

表格对比了由 agent 撰写的 pull request 与未检测到 agent 参与的 pull request。对于修改多个文件的 pull request,两者比例分别为 87% 和 79%。对于两周内合并的 pull request,agent 撰写的比例从 2026 年 2 月的 83% 升至 2026 年 9 月的 90%,而对照组在两个时期均约为 86%。

在 GitHub Copilot 的月活用户中,目前有 55% 在使用 agentic 功能,一年前这一比例是 35%。增长最快的是最“放手”的模式:Copilot cloud agent——开发者指派任务后由 agent 独立完成——同比增长 230%,而 agent chat 的增幅为 85%。开发者仍然会向 agent 提问,但越来越多地把整个任务直接交给它们。

开发者愿意委派任务,从他们尝试的任务类型上也可见一斑。涉及 interoperability(互操作性)或 reverse engineering(逆向工程)的公开仓库同比增长超过 300%,从 2025 年的约 3 万个增长到 2026 年的 13 万多个。

涉及 interoperability 或 reverse engineering 的公开仓库同比增长超过 300%。

代码评审是开发者把控产出的关键环节,围绕它的工具也在不断增多。Stacked pull requests 把相关工作拆分成更小、更便于按顺序评审的变更,于 7 月 30 日以预览版发布,到 9 月已有超过 26.4 万开发者使用。AI 辅助代码评审和 GitHub Advanced Security 的使用量同比均增长超过 90%。平台同时也在保障这些工作的安全:用于筛查 API 密钥、密码等泄露机密的 push protection 功能今年执行了 58 亿次扫描,接近 2025 年的四倍。开发者正在认真投入如何评审代码。

模型选择跟随开发者的节奏

开发者会根据交给 agent 的任务来搭配模型。2026 年 9 月,自行选择模型的 GitHub Copilot 用户中,有 61% 在不同会话中使用不止一个模型,而四个月前这一比例是 50%。

阵容也在不断扩大:5 月,付费 GitHub Copilot 用户的请求涉及 29 个不同的模型,到 9 月已增至 47 个,且没有任何单一模型当月承担的请求超过 25%。有些模型选择是出于成本和熟悉度的考虑——开发者会权衡价格、功能与自身需求,也倾向于选择已经信任的提供商。
Three panels show GitHub Copilot usage in September 2026: 61% of users used more than one model; paying users used 47 distinct models; and the top model accounted for 25% of requests.
为了解开发者的选择分布情况,我们按用途将 GitHub Copilot 中使用的模型分成了三类:深度推理与规划、通用型、快速轻量型。随后我们统计了请求的流向,只计入开发者显式选择模型的请求。也就是说,GitHub Copilot 自动选择模型(auto model selection)的情况、GitHub 和 Microsoft 员工的使用、后台工具类模型、用于监控和测试的重复请求,以及开发者使用自己 API key 发出的请求,都不在统计范围内。 结果显示,开发者手动选择的请求中,每 100 个就有 38 个流向通用型模型,37 个流向深度推理与规划模型,25 个流向快速轻量型模型。开发者的选择在模型和功能上分布相当分散,约有 25% 的请求用在了快速模型上。
Grid of 100 developer-selected GitHub Copilot requests, excluding the auto model: 37 use deep reasoning and planning models (pink), 38 use general-purpose models (gray), and 25 use fast, lightweight models (green). Percentages are rounded.
为了观察这些选择如何随时间变化,我们将其整理成过去三个月的时间序列,追踪各类请求占比、每个模型的尝试人数和留存人数,发现了三个值得关注的模式:
  • 新模型在大多数开发者试用前就被大量使用。新模型上线最初几周,其请求占比往往高于试用过它的开发者比例——早期采用者在新人跟进前就已经高频使用。
  • 开发者会继续保留使用频率下降的模型。当某个模型的请求占比下滑时,仍在使用它的开发者占比下降得更慢。
  • 开发者会混用多种模型。请求分布在三大类模型中,很少有开发者长期只用某一种。

综合来看,模型种类的广泛分布说明开发者在大量做选择:模型阵容不断扩充、最佳选择随任务而变、三大类模型轮换使用。不少开发者还把这件事交给 GitHub Copilot。2026 年 9 月,63% 的 GitHub Copilot 付费用户至少用过一次自动模型选择,让 Copilot 为任务挑选合适的模型。

规划、实现、检查一个改动,对模型的能力、速度和成本各有不同要求。Project HydraFusion 最初是一个模型编排的研究预览项目,为每个工作环节匹配对应的模型,在 CLI 和 GitHub Copilot 应用中路由了近 6 万个会话。如今这项工作已正式上线为 GitHub Copilot Fusion,将模型编排与自动模型选择相结合,在后台为每个环节自动挑选合适的模型。

2026 年 9 月,63% 的 GitHub Copilot 付费用户至少使用过一次自动模型选择。

编程语言选择出现新影响因素

编程语言的选择历来取决于开发者想做什么、团队的技术储备以及现有系统的要求。而今年的数据提出了一个新问题:第四个影响因素是否正在浮现——当开发者未指定语言时,agent 自己会选哪种语言。

去年我们曾报道,TypeScript 超越 Python 和 JavaScript,成为 GitHub 上贡献者最多的语言。2026 年这一排名保持不变:TypeScript 第一,Python 第二,JavaScript 第三,但增长速度明显加快。从 2025 年 9 月到 2026 年 9 月,TypeScript 新增了 362 万月度贡献者,Python 新增 323 万,JavaScript 新增 182 万,是前 10 大语言中增幅最大的三个。而在前几名语言中,Rust 的百分比增速最快,过去一年翻了一倍。

我们的预测延续了近期趋势:到 2027 年 9 月,TypeScript 和 Python 的月度贡献者将各自接近 1300 万,JavaScript 达到 740 万,而前 10 中的其他语言都不会超过约 220 万。

按编程语言统计的月度贡献者折线图,展示了截至 2026 年 9 月的实际数据和截至 2027 年 9 月的预测数据。TypeScript 和 Python 预计以 1307 万和 1256 万贡献者领先,JavaScript 以 742 万紧随其后。C#、Java、Shell、PHP、Go、HCL 和 C++ 预计在 212 万到 88 万之间。

增长最快的语言,也正是 AI 参与度最高的地方。我们把每种语言过去一年的社区增长情况,与其中检测到 AI 参与的已合并 pull request 占比做了对照,气泡大小大致代表该语言社区的规模。增长最快的 TypeScript、Python 和 Rust 社区占比也最高,已合并 pull request 中约 40% 到 44% 有 AI 参与。Java、C# 和 C++ 的占比较低,大约在 21% 到 34% 之间——不过即使如此,图中每种语言的已合并 pull request 里,AI 的参与率都超过了五分之一。

气泡图对比语言社区同比增长率(横轴)与过去 12 个月中检测到 AI 参与的已合并 pull request 占比(纵轴),气泡大小代表社区规模。TypeScript 在较大社区中领先,增长 134%,AI 参与度 44.1%;Python 紧随其后,分别为 118% 和 41.1%。Rust 增长率最高,达 162%,AI 参与度为 40.4%。Java 在两项指标上均垫底,分别为 30% 和 21.2%。

仓库数据提供了另一个视角。在 2026 年创建的仓库中,有 agent 使用迹象的仓库里 35% 以 TypeScript 为主要语言,而没有这种迹象的仓库中这一比例为 24%。2026 年之前创建的仓库差距类似:有 agent 迹象的是 27%,没有的是 17%。这说明与 agent 协作的开发者更倾向于选择输出结果更容易检验的语言。清楚自己要什么的开发者仍会明确指定语言;但当选择权交给 agent 时,agent 似乎更偏好少数几种语言,其中 TypeScript 居首。

吸引开发者目光的项目

今年,我们将 GitHub 上增长最快、参与度最高的项目分成两类:社区和独立项目,以及单一厂商或产品主导的项目。社区和独立项目由基金会治理、由多方广泛维护,或由没有明确商业背景的个人主导。单一厂商和产品主导项目虽然开源或开放源码,也接受大量社区贡献,但战略控制权掌握在一家公司手中。

两份榜单放在一起看,呈现出一种分工:社区一侧大多是支撑一切的基础设施,比如 vLLM、SGLang、llama.cpp 等推理引擎,PyTorch 等框架,Rust 和 CPython 等语言与运行时,还有 Home Assistant 和 Godot 等平台;厂商一侧则主要是开发者直接使用的工具,包括编码 agent、编辑器以及围绕它们的编排工具。两层都有大量贡献者参与。增长榜单上也包含一些专为新手打造的项目,比如 first-contributions 和 is-a-dev/register,许多开发者在这里提交了自己的第一个 pull request。

今年按贡献者数量排名增长最快的仓库
排名 社区/独立项目单一厂商/产品主导
1 farion1231/cc-switch Anthropic: anthropics/claude-code
2 punkpeye/awesome-mcp-servers OpenAI: openai/codex
3 Omacom 基金会: omacom/omarchy Anomaly: anomalyco/opencode
4 firstcontributions/first-contributions Microsoft: microsoft/vscode
5 ggml-org/llama.cpp GitHub: github/copilot-cli
6 Eclipse 基金会: EclipseFdn/open-vsx.org Zed Industries: zed-industries/zed
7 sgl-project/sglang Google: google-gemini/gemini-cli
8 vllm-project/vllm BerriAI: BerriAI/litellm
9 imputnet/helium microsoft/winget-pkgs
10 vllm-project/vllm-ascend Kilo-Org/kilocode
参与度最高的开源仓库
排名社区/独立项目单一厂商/产品主导
1 OpenClaw 基金会: openclaw/openclaw Nous Research: NousResearch/hermes-agent
2 vllm-project/vllm Anomaly: anomalyco/opencode
3 ggml-org/llama.cpp Earendil: earendil-works/pi
4 Omacom 基金会: omacom/omarchy Stably AI: stablyai/orca
5 farion1231/cc-switch Ping: pingdotgg/t3code
6 sgl-project/sglang Microsoft: microsoft/vscode
7 PyTorch 基金会: pytorch/pytorch Graphify Labs: Graphify-Labs/graphify
8 Rust 基金会: rust-lang/rust Paperclip AI: paperclipai/paperclip
9 Open Home 基金会: home-assistant/core BerriAI: BerriAI/litellm
10 Python 软件基金会: python/cpython can1357/oh-my-pi

不变的是什么

在今年的研究中,我们还统计了开发者仓库中最常用的 emoji。在所有我们考察的行业里,火箭 🚀 都遥遥领先,稳居榜首——这恰好是一整年强劲势头的绝佳象征。今年 GitHub 开发者的足迹比以往任何时候都更广:代码更多、国家更多、行业更多。但这些变化都没有改变一件事:代码该做什么,仍由人来决定。无论是评估地震风险的软件、公开记录在线服务条款和隐私政策变更的项目,还是让 AI 用穴居人口吻回答以省字数的 agent 技能,点子总得有人来出。同样,它是否可行、是否该做、做得好不好,也依然要由人来判断。

真正改变的,是把一个周末的灵感变成实际成果,变得容易多了。

工具会不断演进,新行业也会不断出现在我们意想不到的地方。但开发者的选择——做什么、为谁做——依然掌握在自己手中。火箭 emoji 就是证明。


术语表

  • Agent 配置文件(Agent configuration file):仓库中用于配置或指挥 AI 编码 agent 的文件,也称 AI 配置文件或 agentic 文件。没有此类文件的仓库也可能在使用 AI。
  • Agent 信号(Agent signal):遥测数据中观察到的 agent 参与迹象,例如由 agent 发起的 pull request。这是一个下限估计,因为并非所有 agent 的使用都能被检测到。
  • Agent 发起的 pull request(Agent-started pull request):初稿由我们可检测到的编码 agent 生成的 pull request。
  • 自动模型选择(Auto model selection):GitHub Copilot 的一项设置,由 Copilot 为任务自动挑选模型。
  • Commit:对仓库更改的一次保存快照。
  • 贡献(Contributions):指各类活动事件:评论 commit、issue、pull request 或 discussion;创建 gist、issue、pull request 或 discussion;推送代码;以及审查 pull request。每次 push 无论包含多少 commit,都只计为一次。开源贡献指对公开开源仓库的贡献。
  • 贡献者(Contributors):在统计周期内至少有一次贡献的 GitHub 用户。
  • Copilot cloud agent:GitHub Copilot 的一项功能,开发者分配任务后,agent 可以独立完成。
  • Dependabot:GitHub 的自动化工具,用于发现过时或有漏洞的依赖,并通过 pull request 来更新它们。
  • Developer-selected request:指由开发者自行选择模型的请求(由我们代理转发)。不包含自动模型选择、员工使用、重复的监控与测试请求、后台工具型模型调用,以及开发者使用自己 API key 发出的请求。
  • GitHub Actions job:GitHub Actions workflow 中的一个独立工作单元。
  • GitHub Advanced Security:GitHub 的应用安全功能套件,包括 code scanning、secret scanning 和 dependency review。
  • NAICS:北美行业分类系统,今年采用的标准行业分类体系,用于按行业归类公开仓库。
  • Project HydraFusion:GitHub 推出的模型编排研究预览版,可以将任务规划分配给多个模型,例如一个负责起草、一个负责审查,必要时由更强的模型接手。目前已正式发布为 GitHub Copilot Fusion。
  • Push:将已保存的更改发送到 GitHub。一次 push 可以包含多个 commit。
  • Stacked pull requests:一种评审工作流,将相关联的工作拆分成一系列较小的 pull request,按顺序逐一评审。

统计方法

  • 范围与时间窗口。Octoverse 统计年度为 2025 年 10 月 1 日至 2026 年 9 月 30 日(含两端)。除特别说明外,各项指标同时涵盖公开和私有仓库;行业、开源贡献和开源项目相关数据仅统计公开仓库。历史数据方面:2024 年和 2025 年的数字均按相同口径和时间窗口重新计算,因此可能与此前报告不同——旧报告只统计公开活动,且时间窗口为每年 9 月 1 日至次年 8 月 31 日。
  • Push、commit 与 contribution。一次 push 会将一个或多个 commit 发送到 GitHub。每次 push 在 contribution 统计中只计一次,因此 commit 总数可能高于 contribution 总数。Actions 按 job 而非分钟数统计。开源贡献(25 亿次)均来自公开仓库。
  • 数据过滤。贡献者和贡献数量统计会剔除被标记为垃圾信息的账号、员工账号,以及在可识别情况下的 bot 账号。
  • 地理与预测。开发者按自报所在地映射到相应国家/地区,且该国/地区需有至少 100 名开发者才会公布数据。Octoverse 2025 公布的是 2030 年的总量目标,而非逐年目标。进展衡量的是 2025 年 9 月至 2026 年 9 月净增开发者数量占该国已公布 2025 年数量与 2030 年预测值之间差距的比例。
  • 编程语言。贡献者指当月通过 push、pull request、issue、评审或评论参与过的独立账号,并归入各仓库的主要语言(由 Linguist 判定)。同一账号可计入多种语言。此方法沿袭 Octoverse 2025。预测覆盖月均参与度最高的 10 种语言,预测至 2027 年 9 月(图中为均值)。
  • 语言气泡图将 2025 年 9 月至 2026 年 9 月间月参与账号数的增长,与检测到 AI 参与的已合并 pull request 占比进行对比。气泡大小反映社区规模。
  • 按推送至公开仓库的次数排名的国家/地区(依据个人资料位置调整)。统计了 Octoverse 年度内各国家/地区的推送总量。为修正 VPN 使用带来的偏差,我们用 LLM 分类从该期间有推送行为的 GitHub 用户个人资料中提取 ISO 3166-1 alpha-2 国家代码,据此构建“基于个人资料位置的国家代码”与“基于 IP 地址的国家代码”之间的比例,再用该比例对各国推送量加权。
  • 行业分析。对 2022 至 2026 年创建的公开仓库,按年度随机抽样,使用经微调的多语言 embedding 模型,基于仓库名称、描述、topics 和 README 将其归入 NAICS 行业类别。AI 相关提及和由 agent 发起的 pull request(仅限可检测到的 agent)作为独立信号单独标记。由于两者读取的是同样的文本,行业占比与 AI 提及占比之间可能存在相关性。所有占比均为估算值。
  • 开源榜单。仓库按战略控制权归属划分为社区项目或单一厂商项目。“增长最快”按独立贡献账号数的同比绝对增量排名。“参与度最高”综合了仓库在 stars、forks 以及独立 pull request 和 issue 创建者数量上的排名。两个榜单均不包含 fork 而来的仓库。
  • 模型选择。数据基于 GitHub Copilot,仅统计开发者主动选择的请求,不包括自动模型选择、员工使用、重复的监控请求、后台工具型模型,以及开发者使用自己 API 密钥发起的请求。每个模型需至少有 1,000 名周活跃用户才会被纳入统计。模型按其设计用途分组,示例按提供商名称字母顺序排列:
  • 深度推理与规划:Claude Opus 5.5、GPT 5.5。
  • 通用型:Claude Sonnet 5、Grok 4.7、GPT 6.1 Sol。
  • 快速轻量型:Claude Haiku 5.5、Gemini 3.8 Flash、GPT 6 Luna。
  • 这些数据反映的是实际使用情况,而非模型质量。趋势观察基于 2026 年 7 月 14 日至 10 月 13 日的周数据。
  • 请求占比指截至 2026 年 10 月 13 日的 7 天内,各模型分组在所有符合统计条件的请求中所占的比例。
  • 互操作性。统计每年新建的公开仓库中,名称、描述、话题或 README 提及互操作性或逆向工程及相关术语(如 clean room implementation、drop-in replacement、protocol re-implementation)的数量。
  • 预测。我们基于 GitHub 历史数据、注册数据、产品使用情况及市场规模,运行了 43 个时间序列和回归模型,以 2026 年 9 月为基准,预测到 2031 年 9 月 GitHub 开发者数量的变化。预测结果分为三档:3 倍及以上(21 个模型)、2 至 3 倍之间(19 个)、2 倍以下(3 个)。Octoverse 2025 当时使用了 5 个模型。任何预测都不可能完全准确。
原始来源: GitHub Blog

评论 (0)