你让 AI 帮忙维护一个软件项目：它不只补几行代码，还会自己规划任务、修改文件、运行测试，再不断提交结果。一个人因此可能指挥多个“数字同事”同时干活。问题是，这种新工作方式究竟只是演示亮眼，还是已经改变全球开发者的日常？GitHub Octoverse 2026 给出了一组罕见的平台级信号。
GitHub 是全球最大的代码托管与协作平台之一，Octoverse 则是它根据平台活动发布的年度开发者生态报告。本刊此前介绍过，DeepSeek 等编程模型正从“回答一道题”转向规划、运行和修改完整项目。这次视角从单个工具拉远到整个平台。不过需要先说明：目前材料全部来自 Simon Willison 在 GitHub Universe 的现场转述，尚无报告原文或第二个独立信源可供核验。
三条陡峭的增长曲线
据 Willison 转述，GitHub EVP Jay Parikh 在会上公布：2026 年，平台每月合并的 pull request（PR）在不到一年内增至原来的三倍，达到 2.20 亿。PR 是开发者提交一组修改、交给项目维护者审查并决定是否合并的流程。它可以反映协作活跃度，却不能单独说明代码质量或投入了多少人力。
同期，每月 commit 超过原来的三倍，达到 73.8 亿，而且大部分增长发生在下半年。Commit 是代码库中一次有记录的变更快照。AI Agent 可以持续修改和测试代码，自然也能制造更多快照；但更多开发者、自动化程序，甚至更细碎的提交习惯，同样会推高数字。因此，“commit 暴涨”还不能直接翻译成“生产率暴涨”。
第三条线来自项目数量：GitHub 称，新建 repository（代码仓库）的月度速率翻倍，达到每月 3030 万个。仓库可以装下一个完整项目，也可以只是一次实验。现有材料没有说明该数字是否包含私有仓库、自动生成仓库或垃圾仓库，更没有交代新增项目后来是否得到维护。
GitHub 将这三组变化称为 agentic engineering——让 AI Agent 参与规划、编写、测试和修改代码——影响平台的鲜明体现。这个解释很直观，却仍是因果推断：数据只表明 AI 编程兴起与平台活动量增长同时发生，没有证明前者造成了后者。
“超人贡献者”可能是人机组合
GitHub 提供的个案让这种变化更容易理解。据 GitHub 介绍，开发者 Kin Lane 借助 Agent 工作流维护机器可读的公共 API 目录，一年在自己的公开仓库留下超过 100 万次贡献。数学库 mathlib 的维护者 kim-em 则记录了超过 17.8 万次贡献。
这些数字未必表示有人以不可思议的速度敲键盘。更可能的工作图景是：人设定目标和规则，机器持续执行维护任务。于是，过去大致代表个人劳动节奏的“贡献次数”，开始混入自动化系统的运行频率。排行榜仍然记录活动，却越来越难直接回答“谁做了多少工作”。
GitHub还在尝试回答“代码流向哪里”
Octoverse 2026 新增了行业维度。GitHub 使用一个经过微调的多语言 embedding model——把文字转成可比较数字表示的模型——读取仓库名称、描述、topics 和 README，再把 2022 至 2026 年创建的公开仓库归入 NAICS 行业分类。
报告还单列“互操作性或逆向工程”项目。互操作性指不同软件或系统能够彼此配合；逆向工程则是从现有产品或协议的表现反推其工作方式。GitHub 的统计方法并非检查代码实际做了什么，而是寻找仓库名称、描述、topics 或 README 中是否出现 interoperability、reverse engineering、clean room implementation、drop-in replacement、protocol re-implementation 等词。因此，它更像关键词温度计，可能误报，也可能漏掉没有使用这些表述的项目。
国家排名同样依赖模型处理。GitHub 按公开仓库收到的 push——把本地代码变更上传到平台——统计各国贡献，并从用户资料中的所在地提取 ISO 国家代码。报告称，这一步使用大语言模型分类，以减轻 VPN 带来的偏差。但模型只能标准化用户填写的地点文字，无法修复资料缺失、虚假或过时的问题，也不能真正判断用户身在何处。
为什么值得继续看
这份报告最有价值的地方，不是替“AI 提升生产率”盖章，而是暴露了旧指标正在失去原来的含义。PR、commit 和仓库数量过去常被当作开发活跃度的近似值；当 Agent 可以持续产出、测试和提交代码后，同一个数字背后可能对应完全不同的人类投入。
它也提醒我们，GitHub 上的公开项目并不自动等于开源。开源通常要求代码可查看，并由许可证允许使用、修改或分发；公开可见不一定附带宽松许可。因而，这些平台数据能观察公开协作生态，却不能无条件代表整个开源世界。
局限与未知
- 现有材料没有给出“增至三倍”的确切基准期、统计窗口与去重口径，也未说明仓库增长的具体构成。
- 行业分类中“每年随机样本”的用途表述含糊，无法确认模型只分类样本后外推，还是处理了全量仓库。
- 标题所关心的“语言、项目和贡献行为”三条线中，现有材料只足以讨论项目与贡献行为，没有提供编程语言排名或变化数据，因此不能据此判断 AI 偏爱或推动了哪些语言。