GitHub Octoverse 2026：开发活动创新高，超 40% 的 PR 由智能体起草

在 2026 年 Octoverse 报告中，看看创纪录的一年增长如何触及每一个行业、每一个领域以及各种各样的开发者。

2026 年 10 月 28 日

|

24 分钟

• 分享：

在过去 12 个月里，开发者向 GitHub 推送了 179 亿次代码，超过了 2024 年和 2025 年的总和。

在这个数字背后，是开发者们在构建他们感兴趣的东西以及他们社区所需要的东西。在尼泊尔，一位开发者 在 GitHub Pages 上搭建了一个洪水公告网站，提供经过核实的道路、救援、天气和电力信息。此后，它已发展成为 Gati——一个以尼泊尔语为先的官方灾害警报中继系统，运行在 GitHub Pages 和 Actions 上。在其他地方，NASA 喷气推进实验室的开发者正在创建用于在航天器上运行程序的软件，而爱好者们构建了开源固件，让人们可以自定义自己的电子阅读器。好奇心指向四面八方，规模之大是 GitHub 前所未见的。

这种增长来得很快。在这一年中段，GitHub 上的活动急剧上扬，恰逢智能体从开发者尝试使用的东西变成了他们协同工作的伙伴。开发者从比以往更多的模型中进行选择，并在本报告首次重点介绍的行业中进行构建，从医疗保健到农业。

Octoverse 让我们有机会退后一步，审视全局。今年，这幅图景比以往任何时候都要宏大。以下是最引人注目的内容：

• 更多 AI，更多可能。在今年创建的仓库中，配有智能体配置文件的仓库平均提交次数是未配置仓库的八倍。
• 截至 9 月，超过 40% 的拉取请求由智能体发起。而在 3 月，这一比例为 17%。对于越来越多的工作而言，第一步如今是指挥智能体，而审查则是开发者塑造其产出成果的方式。
• 开发者在模型选择上行动迅速。9 月，61% 的 GitHub Copilot 用户使用了一个以上的模型，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。
• 来自各行各业的构建者正在涌现。今年，我们首次按行业分享了对公共仓库的观察。服务于采矿、建筑、医疗保健和农业的仓库自 2022 年以来各自增长了数倍。

在这一切背后，AI 模型及其周边工具在过去一年中不断进步，开发者也有了更多选择。增长正在快速推进：在去年发布的五年开发者增长预测进入第一年后，我们预测的每个国家都已至少完成了通往 2030 年目标距离的五分之一，而我们自己的预测模型已无法就下一步的走向达成一致。

开发者设定新节奏的一年

今年的主题是势如破竹。在过去 12 个月中，开发者向 GitHub 推送了 179 亿次代码变更，超过了 2024 年和 2025 年的总和。所有类型仓库（公共和私有）的提交总数增长更快，达到 343 亿次，是两年前的三倍多。同期合并的拉取请求增长超过两倍，达到 13 亿个，平均每天 350 万个。

智能体（Agent）是今年开发者倚重最深的工具之一，将其更深地融入日常工作。在今年创建的代码仓库中，带有智能体配置文件的仓库平均提交次数是不带此类文件的新仓库的八倍，这表明从第一天起就使用智能体进行开发的个人和团队，其推进节奏明显不同。

开发者同样依赖自动化来推动项目前进。今年，GitHub Actions 每秒运行 1,440 次作业。这相当于每天 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 拉取请求，以保持依赖项最新并减少已知漏洞的使用，约为 2025 年速度的两倍。

我们的遥测数据显示，活跃度从一月起稳步攀升，随后在六月左右激增，仿佛各地的开发者同时看到了新的可能性。就在那时，一系列全行业的变革接踵而至：更强大的底层模型、围绕它们构建的框架与工具，以及在两者之上运行的智能体。智能体从单次会话的工具转变为持久型工具，能够跨天跟踪进度并编排其他专用智能体。同样重要的是，智能体开始广泛利用云端，既在本地机器上执行工作，也能远程执行。

这种势头既体现在全新的代码仓库中，也体现在已深耕多年的开发者身上。从六月起，约 55% 的提交来自全新仓库。但还有大量提交来自资历较深的开发者：过去 12 个月推送过代码的开发者，在 GitHub 上的平均资历为 36 个月；而在八月开启过拉取请求的开发者中，超过 75% 在九月推送了代码。他们也在拓展工作范围：如今，开发者平均涉足的代码仓库数量比一年前多出 10%。

这种持久力在开源领域同样有所体现。2026 年，公开贡献飙升至 25 亿次，是去年总量（11.2 亿次）的两倍多。这些数字的背后是不断坚持贡献的开发者，例如 @kinlane，他利用智能体工作流在其公开代码仓库中完成了超过 100 万次贡献，以保持一份机器可读的公开 API 信息目录的更新。另一个例子是 @kim-em，他在维护 mathlib（一个经过计算机验证的数学社区库）期间完成了超过 17.8 万次贡献。@andig 是开源电动汽车充电控制器和家庭能源管理系统 evcc 的维护者之一，贡献次数超过 2.1 万次。

这些只是数百万开发者每天所做工作的几个缩影。对于所有从事此类工作乃至更多工作的开发者：我们看到了你们，也为你们正在构建的一切感到高兴。

开发者在更多地方进行构建

这份报告中的每一个数字背后都是一位开发者。GitHub 现已服务超过 2.25 亿名开发者，且这一社区正在全球范围内不断壮大。美国（3,830 万）和印度（3,200 万）仍是最大的两个开发者社区，今年各自新增了超过 1,000 万名开发者。今年，巴西在 GitHub 上新增了 328 万名开发者，位列全球第三。

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。在这一五年窗口过去一年后，我们预测中的每个国家都已经完成了向各自 2030 年目标至少五分之一的路程。美国完成了 38.6%，印度完成了 28.3%。

同样的势头也出现在各个地区，每个地区都有其自身的本地背景：

一年过去，与去年的预测相比增长依然强劲，而预测未来五年正变得越来越难。我们将 40 多个预测模型推演至 2031 年，这些模型包括基于历史注册和使用数据构建的时间序列模型和回归模型，每个模型都假设了不同的增长速度。大约一半的模型预测“极高”增长，即到 2031 年 GitHub 上的开发者数量增长到三倍以上。略少于一半的模型预测“可观”增长，即增长到两到三倍。只有三个模型预期接近温和增长，即不到 2 倍的增长。

预测只是估计，如此大的分歧表明 2026 年的激增让 2031 年的可能性范围扩大了多少。保持稳定的是趋势的形态：开发者社区在更多地方同时增长。

未来正在各地被构建

在过去的报告中，“各地”意味着更多的开发者和更多的国家，例如在向公共仓库贡献代码最多的国家这一背景下：

按个人资料所在地调整后，向公共仓库推送代码最多的 10 个国家 

今年，它还意味着更多的领域，包括我们此前未曾衡量过的行业。

我们使用北美行业分类体系（NAICS）分享我们对各行业公共仓库情况的看法，该体系将经济活动划分为不同部门。一个语言模型对 2022 年至 2026 年间每年创建的公共仓库随机样本进行了分类，根据其名称、描述、主题和 README 将每个仓库归入其所服务的行业。我们还追踪了两个信号：仓库是否提及 AI，以及是否有智能体向其发起了 pull request。

这两个信号并不总是同步变化。在行政和支持服务、采矿、医疗保健和农业领域，超过四成的代码库提到 AI，但由智能体开启的拉取请求却很少，不到 3%。建筑业打破了这一模式。其约四分之一的代码库提到 AI，但约 9% 拥有由智能体开启的拉取请求，为所有行业中最高，制造业紧随其后。

同一分类显示了自 2022 年以来各行业足迹的变化，软件之外的许多行业也在攀升。专业、科学和技术服务业在所有行业中的排名从第四升至第二，仅次于信息业。农业、林业、渔业和狩猎业上升了两位，金融保险业以及医疗保健和社会援助业各上升了一位。与各行业自身的 2022 年基线相比，采矿、采石和石油天然气开采业从小基数增长了约 65 倍，行政和支持服务业以及建筑业增长了 17 到 18 倍，即便是其中最慢的制造业也增长了近两倍。

这些行业变化的背后，是那些了解自身领域的人，他们如今正使用 AI 编码智能体进行构建。例如，在制造业，一个小型团队构建了一种方法，可以 将工具的照片转化为量身定制、可 3D 打印的抽屉收纳架。一个医疗保健研究实验室让科学家能更轻松地 分析组织样本的大型数字扫描图像，即病理学家为了解疾病而研究的那类图像。在哥本哈根，一所大学实验室构建了 一条用于对鸡玩耍视频进行分类的流水线，从嬉戏到追虫。怀卡托大学的一个能源中心构建了 一套帮助工厂寻找可重复利用热能的工具包，保加利亚数字部则开源了 一个任何人都可以追踪谁赢得了公共合同以及金额多少的门户。对于作家来说，一位小说家构建了 一款免费应用，可在你写作时让手稿看起来像一本书。在一个又一个领域，最接近问题的人正在构建解决方案，智能体在过程中提供帮助。

专业、科学和技术服务业相对其 2022 年基线增长了约 5 倍并攀升至第二位，其工作内容涵盖研究、工程和咨询，而开源代码长期以来一直是完成这项工作的方式之一。在生物化学领域，AlphaFold 背后的工作使 Demis Hassabis 和 John Jumper 获得了 2024 年诺贝尔化学奖的一部分。在计算机科学领域，Tensor2Tensor 伴随着介绍 Transformer 的论文一同问世，Transformer 是当今大语言模型背后的架构，即 “Attention Is All You Need”。在医学领域，sars-cov-2-stability 保存了关于病毒在空气和表面存活时间的最早论文之一背后的代码和数据。在物理学领域，eht-imaging 是用于重建 首张黑洞图像 的两个开源库之一。一个代码库已悄然成为已发表研究背后的文献记录的一部分。

开发者正在重塑他们的工作流程

如今，越来越多的开发者通过说明他们想要什么并编排执行任务的智能体来开始一个拉取请求。到 2026 年 9 月，GitHub 上超过 40% 的拉取请求以智能体的初稿开始，高于 3 月的 17%。仅 9 月一个月就有 1.1 亿个，约为 3 月数量的 6 倍。

由 Agent 发起的拉取请求也更常涉及多个文件：约为 87%，而未检测到 Agent 参与的拉取请求为 79%。它们的合并速度也很快。2 月，涉及 Agent 的拉取请求中有 83% 在两周内合并，略低于未检测到 Agent 参与的拉取请求的约 86%。到 9 月，Agent 拉取请求的比例达到 90%，而对照组保持在约 86%。

在 GitHub Copilot 的月活跃用户中，目前有 55% 使用 agentic 功能，高于一年前的 35%。增长最迅猛的是最省心的模式。Copilot cloud agent——开发者分配任务、由 Agent 独立完成——同比增长 230%，而 agent chat 为 85%。开发者仍会向 Agent 提问，而且越来越多地把整项任务交出去。

这种委派意愿体现在开发者尝试的任务类型上。提及互操作性或逆向工程的公共仓库同比增长超过 300%，从 2025 年创建的约 30,000 个增加到 2026 年的超过 130,000 个。

审查是开发者塑造返回结果的环节，也有更多工具为此而构建。堆叠式拉取请求（Stacked pull requests）将相关工作拆分为更小的变更，便于按顺序审查，于 7 月 30 日以预览版推出，到 9 月已有超过 264,000 名开发者使用。AI 辅助代码审查和 GitHub Advanced Security 的使用量同比均增长超过 90%。平台也在帮助保障这项工作：推送保护（push protection）会筛查 API 密钥、密码等已暴露的机密，今年运行了 58 亿次扫描，接近 2025 年速度的四倍。开发者正在代码审查方式上投入。

模型选择以开发者的速度演进

开发者会根据交给 Agent 的工作来匹配模型。2026 年 9 月，自行选择模型的 GitHub Copilot 用户中有 61% 在不同会话中使用了不止一个模型，高于四个月前的 50%。

阵容也在扩大：付费 GitHub Copilot 套餐的开发者在 5 月使用了 29 个不同模型，9 月为 47 个，且当月没有任何单一模型承载超过 25% 的请求。有些模型选择归结为成本和熟悉度。开发者会权衡价格与功能是否符合需求，并可能倾向于他们已经信任的供应商。

为了了解开发者的偏好如何传播，我们按用途对 GitHub Copilot 中使用的模型进行了分组：深度推理与规划、通用目的、快速轻量。然后我们查看了请求的去向，只统计开发者明确选择模型的活动。这排除了 GitHub Copilot 自动选择模型（自动模型选择）、GitHub 和 Microsoft 员工的使用、后台实用模型、用于监控和测试的重复请求，以及使用开发者自己的 API 密钥发出的请求。

我们发现，在每 100 个开发者自选的请求中，38 个流向通用目的模型，37 个流向深度推理与规划模型，25 个流向快速轻量模型。开发者在模型和功能之间分散选择，约 25% 的请求流向快速模型。

为了了解这些选择如何变化，我们将其作为过去三个月的时间序列来观察，追踪请求份额，同时追踪有多少开发者尝试了每个模型、又有多少人持续回访。有三种模式尤为突出：

• 新发布的模型在大多数开发者尝试之前就被大量使用。在发布的头几周，大多数新模型获得的请求份额，都高于尝试过它们的开发者比例。早期采用者会大量使用一个模型，随后其他人才会跟上。
• 开发者在减少对某个模型的依赖后，仍会将其保留在轮换列表中。当一个模型的请求份额下降时，仍在使用它的开发者比例下降得更慢。
• 开发者会混合使用不同类型的模型。请求分布在全部三类模型中，很少有开发者长期只使用某一类模型。

综合来看，各类模型的分布表明开发者进行了大量选择：可选阵容不断扩大，最佳适配模型随任务而变化，三类模型都保留在轮换列表中。许多开发者还让 GitHub Copilot 承担部分选择工作。2026 年 9 月，63% 的付费 GitHub Copilot 开发者至少使用过一次自动模型选择功能，让 Copilot 为任务挑选模型。

规划、实现和检查一项变更，对模型在能力、速度和成本方面各有不同要求。Project HydraFusion 最初是模型编排的研究预览版，将模型与这项工作的每个步骤相匹配。在 CLI 和 GitHub Copilot 应用中，它路由了近 60,000 个会话。这项工作现已正式发布为 GitHub Copilot Fusion，它将模型编排与自动模型选择结合在一起，在后台为每个步骤挑选合适的模型。

语言选择的新影响

长期以来，语言选择反映了开发者想构建什么、他们的团队熟悉什么，以及现有系统需要什么。今年的数据提出了一个问题：是否正在出现第四种影响因素——当开发者没有指定语言时，智能体所选择的语言。

去年我们报告称，TypeScript 已超越 Python 和 JavaScript，成为 GitHub 上贡献者使用最多的语言。这一排名在 2026 年保持不变：TypeScript 第一，Python 第二，JavaScript 第三。增长速度加快了。从 2025 年 9 月到 2026 年 9 月，TypeScript 增加了 362 万名月度贡献者，Python 增加 323 万名，JavaScript 增加 182 万名，是前 10 名语言中增幅最大的。在主要语言中，Rust 的百分比增速最快，一年内翻了一番。

我们的预测延续了近期趋势：到 2027 年 9 月，TypeScript 和 Python 的月度贡献者都将接近 1300 万，JavaScript 为 740 万，而前 10 名中的其他语言均低于约 220 万。

增长最快的语言，也是 AI 出现最多的地方。我们将每种语言过去一年的社区增长与其已合并拉取请求中检测到 AI 参与的比例进行了对比，气泡大小大致表示各语言社区的规模。TypeScript、Python 和 Rust 是增长最快的社区，其比例也最高，约为已合并拉取请求的 40% 到 44%。Java、C# 和 C++ 较低，介于约 21% 和 34% 之间，不过在图中每种语言里，AI 都出现在超过五分之一的已合并拉取请求中。

仓库数据提供了另一个视角。在 2026 年创建的仓库中，有 agent 信号的仓库里 TypeScript 是主要语言的占 35%，而没有 agent 信号的占 24%。对于 2026 年之前创建的仓库，差距也类似：有 agent 信号的占 27%，没有的占 17%。这表明使用 agent 的开发者倾向于选择更容易检查 agent 输出的语言。清楚自己想要什么的开发者仍会指定语言。但当他们把选择权放开时，agent 似乎更偏爱更窄的一组语言，其中 TypeScript 首当其冲。

是什么在吸引开发者的关注

今年，我们把 GitHub 上增长最快和参与度最高的项目分为两组：社区与独立仓库，以及单一厂商或产品主导的仓库。社区与独立项目由基金会治理、由广泛社区维护，或由个人主导且没有明确的商业赞助方。单一厂商和产品主导的项目是开源或源码可得的，通常也接受大量社区贡献，但战略控制权掌握在一家公司手中。

综合来看，这两份榜单显示出一种分工。社区一侧大多是支撑其他一切的底层基础：推理引擎如 vLLM、SGLang 和 llama.cpp，框架如 PyTorch，语言和运行时如 Rust 和 CPython，以及平台如 Home Assistant 和 Godot。厂商一侧则主要是开发者直接使用的工具：编码 agent、编辑器，以及围绕它们的编排层。贡献者在两个层面都有参与。增长榜单中还包括一些为欢迎新人而建的地方，比如 first-contributions 和 is-a-dev/register，许多开发者在那里提交了自己的第一个 pull request。

今年按贡献者数增长最快的仓库 

参与度最高的开源仓库 

不变的是什么

作为我们今年研究的一部分，我们还追踪了开发者在其代码仓库中使用最多的 emoji。在我们考察的每个行业中，火箭 🚀 都以显著优势位居榜首。对于一个充满势头的年份来说，这是一个恰如其分的象征。今年 GitHub 上的开发者涉足范围更广：代码量、国家数和行业数都超过了我们以往的任何统计。但所有这些活动都不会改变由谁来决定代码应该做什么。总得有人提出想法，无论是 评估地震风险的软件、记录在线服务如何更改其条款和隐私政策的公开档案，还是让 AI 像原始人一样回答以节省字数的智能体技能。也总得有人来判断它是否可行、是否合适、是否优秀。

改变的是，把一个想法从周末的念头变成现实中的作品，变得容易了多少。

工具会不断变化，新的行业也会不断出现在我们意想不到的地方。开发者选择构建什么，以及为谁构建，仍然由他们自己决定。火箭 emoji 一应俱全。

术语表

• 智能体配置文件：用于设置或指挥 AI 编码智能体的仓库文件。也称为 AI 配置文件或 agentic 文件。没有该文件的仓库仍可能使用 AI。
• 智能体信号：在遥测数据中观测到的智能体参与迹象，例如由智能体开启的拉取请求。它只是一个下限，因为并非所有智能体使用都能被检测到。
• 智能体发起的拉取请求：其最初草稿由我们能够检测到的编码智能体生成的拉取请求。
• 自动模型选择：GitHub Copilot 的一项设置，由 Copilot 为任务挑选模型。
• 提交（Commit）：对仓库更改的已保存快照。
• 贡献（Contributions）：活动事件：对提交、议题、拉取请求或讨论发表评论；创建 gist、议题、拉取请求或讨论；推送代码；以及审查拉取请求。每次推送只计一次，无论其中包含多少个提交。开源贡献是指对公共和开源仓库的贡献。
• 贡献者（Contributors）：在该时段内至少有一次贡献的 GitHub 用户。
• Copilot 云端智能体：GitHub Copilot 的一项功能，开发者分配任务后，由智能体独立完成。
• Dependabot：GitHub 的自动化工具，用于发现过时或存在漏洞的依赖项，并开启拉取请求进行更新。
• 开发者选择的请求：在我们代理的请求中由开发者自行选择模型的模型请求。它不包括自动模型选择、员工使用、用于监控和测试的重复请求、后台实用模型，以及使用开发者自有 API 密钥发出的请求。
• GitHub Actions 作业：GitHub Actions 工作流中的单个工作单元。
• GitHub Advanced Security：GitHub 的应用安全功能套件，包括代码扫描、密钥扫描和依赖项审查。
• NAICS：北美行业分类体系，是今年用于按行业对公共仓库进行分类的标准行业分类标准。
• Project HydraFusion：GitHub 的模型编排研究预览版，可在多个模型之间规划任务，例如由一个模型起草、另一个模型审查，并在需要时由能力更强的模型介入。现已作为 GitHub Copilot Fusion 正式发布。
• Push：将保存的更改发送到 GitHub。一次 push 可以携带多个 commit。
• 堆叠式 pull request：一种评审工作流，将相关工作拆分为一系列较小的 pull request，并按顺序进行评审。

方法论

• 范围与时间窗口。Octoverse 年度周期为 2025 年 10 月 1 日至 2026 年 9 月 30 日（含首尾）。除非另有说明，指标包含公开和私有仓库。行业、开源贡献和开源项目数据仅统计公开部分。往年数据：2024 和 2025 年的数据已按相同的定义和时间窗口重新计算，因此可能与早期报告不同，后者统计的是公开活动以及 9 月 1 日至 8 月 31 日的时间窗口。
• Push、commit 与贡献。一次 push 会将一个或多个 commit 发送到 GitHub。贡献按每次 push 计一次，因此 commit 总数可能超过贡献总数。Actions 按 job 计数，而非按分钟计数。开源贡献（25 亿）仅统计公开部分。
• 过滤。在可识别的情况下，贡献者和贡献计数会排除被标记为垃圾内容的账号、员工和机器人。
• 地理与预测。开发者依据其自报位置映射到国家/地区，发布门槛为 100 名开发者。Octoverse 2025 发布的是 2030 年的总量预测，而非年度目标。进展定义为 2025 年 9 月至 2026 年 9 月净增开发者数量，占各国/地区已发布的 2025 年数量与 2030 年预测值之间差距的比例。
• 语言。贡献者指每月通过 push、pull request、issue、review 或评论参与的不同账号，按各仓库的主要语言（Linguist）归属。一个账号可以计入多种语言。此方法沿用 Octoverse 2025 的方法。预测涵盖月均参与度排名前 10 的语言，预测至 2027 年 9 月（显示均值）。
• 语言气泡图对比了 2025 年 9 月至 2026 年 9 月间月度参与账号的增长情况，以及检测到有 AI 参与的已合并 pull request 的占比。气泡大小反映社区规模。
• 按个人资料位置调整后的公共仓库 push 数量排名前的国家/地区。对 Octoverse 年度周期内各国/地区的 push 数量进行了汇总。为调整 VPN 使用造成的偏差，使用 LLM 分类从该期间贡献 push 的 GitHub 用户个人资料中提取 ISO 3166-1 alpha-2 代码，进而构建基于个人资料位置的 ISO 3166-1 alpha-2 代码与基于 IP 地址的 ISO 3166-1 alpha-2 代码之间的比率。然后使用这些比率对各国/地区的 push 数量进行加权。
• 行业。2022 年至 2026 年创建的公共仓库，通过微调的多语言嵌入模型，依据名称、描述、主题和 README，从每年的随机样本中归类到 NAICS 行业部门。AI 提及和 agent 发起的 pull request（仅限可检测的 agent）被标记为独立信号。行业部门占比与 AI 提及占比可能相关，因为两者读取的是相同的文本。占比为估算值。
• 开源排名。仓库依据谁掌握战略控制权被归类为社区型或单一供应商型。"增长最快"按不同贡献账号数量的同比绝对增量排名。"参与度最高"综合了一个仓库在 star、fork 以及不同 pull request 和 issue 创建者方面的排名。被 fork 的仓库不计入这两个榜单。
• 模型选择。数据涵盖 GitHub Copilot，且仅统计开发者主动选择的请求。不包括自动模型选择、员工使用量、重复监控请求、后台实用模型，以及开发者使用自有 API 密钥发出的请求。每个模型需至少拥有 1,000 名每周活跃用户方可计入。模型按其构建用途分组，示例按提供商字母顺序列出：
• 深度推理与规划：Claude Opus 5.5、GPT 5.5。
• 通用用途：Claude Sonnet 5、Grok 4.7、GPT 6.1 Sol。
• 快速轻量：Claude Haiku 5.5、Gemini 3.8 Flash、GPT 6 Luna。
• 数据描述的是观察到的使用情况，而非模型质量。趋势观察使用 2026 年 7 月 14 日至 10 月 13 日的每周数据。
• 请求份额指截至 2026 年 10 月 13 日的 7 天内，各模型组在所有合格请求中所占的比例。
• 互操作性。统计每年创建的公共仓库，其名称、描述、主题或 README 中提及互操作性或逆向工程，或相关术语（如洁净室实现、即插即用替代品或协议重新实现）的仓库数量。
• 预测。我们对历史 GitHub 数据、注册量、产品使用情况和市场规模运行了 43 个时间序列和回归模型，预测相对于 2026 年 9 月，到 2031 年 9 月 GitHub 上的开发者数量。预测结果分为增长 3 倍及以上（21 个模型）、2 倍至不足 3 倍（19 个）和不足 2 倍（3 个）。Octoverse 2025 使用了五个模型。没有任何预测是完全准确的。

作者

GitHub 拥有全球最佳的开发者体验，也是唯一将安全融入每个环节的 AI 驱动平台，让您能够放心创新。

相关文章

我们还提供新闻通讯

在专为开发者打造的双周新闻通讯中，发现实用技巧、技术指南和最佳实践。