想知道硅谷的程序员怎么使用AI编程，被2000家公司使用的AI代码审查智能体Greptile基于每月用AI审核的的十亿行代码，发布了AI编程年度报告，揭示了使用AI编程后带来的生产率提升，但对此程序员们却无法感同身受。
这份报告最让人震撼的一点，是指出了在AI编程的帮助下，工程师的代码生产量飞涨。
每位开发人员，每月提交的代码行数从4450增长到7839，增长幅度达到76%，对于6-15人的中型开发团队，每位开发者提交的代码量更是接近翻倍（提升89%），这意味着AI编程工具正成为一种效率倍增器。
更值得注意的是，程序员单次提交代码时，每文件中变更的代码行数的中位数上升20%（从18变为22行），意味着代码迭代不仅「更快」，且「变化更多」，这可能反映了AI编程工具能够修改的代码及应对的需求正变的复杂。
不过对于报告提到的效率提升，ycombinator论坛上对该报告的讨论，却大多是怀疑的声音。有人说需要花大量时间修复AI生成的代码中的问题。
这些细微差别从未被这类指标所捕捉。更多的人讨论提交的代码数量增加，是不是等同于程序员真实的工作效率提升。
菜鸟程序员完成一个功能需要几十行代码，而资深程序员则只需要几行就能实现。此外，由于引入了AI编程，代码被删除和重写的频率如何？这可能不容易统计，但这却很能反映AI编程带来的工作效率提升。
另一个更对于代码提交数量增加与工作效率提升的观点是，假设员工之间具备同等的专业能力，那么生产力就取决于代码行数的产出。但事实上，有的任务很难，但不需要太多行代码，只有资深程序员才能完成；而有些任务很简单，却需要很多行代码。只看代码提交量，是将所有任务都看成是中等难度的任务。
此外，不同程序员提交的代码质量不同，这一点在该报告中也没有体现。从这个角度去看，每一行代码都应该被视为一种负担，而不是资产。开发团队需要领域专家来判断到底需要多少行代码存在。
就像你可能会通过每小时搬运的物品数量来衡量仓库员工的生产力。但如果有人只是把东西随意扔到仓库里，或者搬运本不需要移动的东西，他们就会最大化这个指标。
AI辅助下每个程序员能生成更多的代码了，但这些代码真的是完成对应任务所必须的吗？这不是业务方应对考虑的问题，仅仅衡量提交的代码数，可能会鼓励不必要的重复劳动。
从这个角度来看，或许「编辑行数」是更合适的评估程序员工作效率的指标。这样一来，通过重构来减少代码库规模的方式仍然可以被视为有生产力。每删除一行代码得1分，每添加一行代码也得1分。
OpenAI依旧领先
但差距在变小
效率跃升的背后，是支撑性技术栈的激烈重构。报告以不同大模型提供商的SDK下载量为考察变量，发现在AI记忆模块中，mem0以59%市占率一骑绝尘；而对比向量数据库「六强混战」（Weaviate 25%领先，Chroma/Pinecone/Qdrant等紧咬）。
LLMOps层，LiteLLM增长4倍至4100万下载，LangSmith借LangChain生态捆绑上位。这印证一个趋势，即模型调度、监控、降级已从「可选项」变为「基建标配」。
当编程调用的智能体数量越来越多，运维复杂度指数上升，LLMOps正在承接当年K8s之于微服务的角色。
对于模型间的军备竞赛，该报告考察模型提供商从2022年1月到2025年11月的SDK下载量，主要玩家是OpenAI、Anthropic和Google GenAI。OpenAI以一条陡峭上升的绿色曲线主导市场。其下载量从2022年初的几乎为零，一路飙升至2025年11月的1.3亿次，确立了绝对的市场领导者地位。
Anthropic（红色折线）的增长轨迹堪称「火箭式」。
虽然起步较晚且基数较小，但自2023年下半年开始，其下载量呈指数级爆发，到2025年11月已达到4300万次，实现了自2023年4月以来1547倍的惊人增长，Open AI和Anthropic的比值已从47:1缩至4.2:1——开发者正在用脚投票，向更开放、更可控、更可编程的接口迁移。
而黄色曲线代表谷歌，其增长相对平缓，在2025年11月的下载量约为1360万次，与前两者相比存在显著差距。
不同模型的参数决定模型的适配场景
这份报告还揭示了五大主流模型作为编码智能体后端的实测基准（考察指标包括第一个token出现需要等待的时间、吞吐量、成本等），见下表。
通过该表，可看出Claude Sonnet 4.5与Opus 4.5只需要等待不到2.5秒，就会返回第一个token，显著优于GPT-5系（>5秒）。而在交互式编程中，2秒是「心流」与「分心」的临界阈值。
而对于批量生成场景，GPT-5-Codex与GPT-5.1的吞吐量断崖领先，适合后台CI/CD流水线中的大规模代码生成/测试用例填充。
Gemini 3 Pro则在响应速度时显著较慢，需要等10多秒才会返回第一个token，每秒输出的token数也太少，不适合交互式编程的使用场景。
该报告的最后部分，还给出了2025年基础模型及大模型编程应用领域的关键论文，这些研究预示下一波突破方向，例如Self-MoA颠覆传统多模型集成，证明单模型多次采样+聚合可超越异构模型混合，这意味着「模型多样性」或让位于「推理路径多样性」，而Search-R1用强化学习训练模型「自主决定何时搜索」，将搜索引擎变为可学习的环境动作，而非静态的工具调用。RetroLM更是在直接在KV层面检索，绕过原始文本，改变大模型组织记忆的方式。
无论用了多少AI辅助编程，提交代码前仍需人工审查。追踪AI编程工具的使用数据，无法包含人工审核的部分，这将难以真实反映产品实际的使用体验和效果。不过如果你能证明AI编程工具有助于更快地发布功能，而不是仅仅允许更多的代码行数通过审查，那么你开发的AI编程工具将具有更强的可证明价值。
如果你想更深入地学习大模型，以下是一些非常有价值的学习资源，这些资源将帮助你从不同角度学习大模型，提升你的实践能力。
一、全套AGI大模型学习路线
AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！
因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取
二、640套AI大模型报告合集
这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示
因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取
三、AI大模型经典PDF籍
随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取
四、AI大模型商业化落地方案
作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。
