2026 年 10 月 28 日，GitHub 执行副总裁 Jay Parikh 在 GitHub Universe 大会舞台上亮出了《GitHub Octoverse 2026》的核心成绩单。大屏幕上的三条折线在 2026 年下半年近乎垂直拉升，单月合并拉取请求（Merged PRs）在不到一年内翻了三倍至 2.2 亿次，单月代码提交（Commits）翻了三倍以上达到 73.8 亿次，单月新建仓库数也翻倍至 3030 万个。这场数据暴涨直观呈现了智能体工程（Agentic Engineering）对软件开发底层的冲击，但把舞台峰值放回官方完整报告的统计细则里交叉核对就会发现，陡峭曲线背后既有 AI 智能体自主写代码的真实爆发，也有统计口径重置与自动化脚本混入带来的数字膨胀。
舞台峰值的温差与重算的历史基准线
身处发布会现场的开发者 Simon Willison 拍下了那张极具视觉冲击力的大屏照片，73.8 亿次月度 Commit 让外界惊叹于 AI 编程的爆发力。但如果翻开 GitHub 官方博客同步放出的完整报告，数字呈现出另一幅面貌。
在 2025 年 9 月至 2026 年 9 月的月度端点对比图表中，Commit 增幅达到约 6 倍，Push 达到约 4.5 倍，合并 PR 达到约 3.9 倍，下半年确实出现了剧烈拉升。然而拉长到全年同口径对比（2026 财年统计窗口为 2025 年 10 月 1 日至 2026 年 9 月 30 日，2025 年报告原窗口为 2024 年 9 月 1 日至 2025 年 8 月 31 日），全年 Commit 总数是从 129 亿次增至 343 亿次，增幅约为 2.7 倍；全年 Push 从 67 亿次增至 179 亿次（约 2.7 倍），合并 PR 从 5.38 亿次增至 13 亿次（约 2.4 倍）。
| 统计维度 | 2025 原版报告记录 | 2026 报告重算后 2025 基准 | 2026 报告全年/月度峰值 |
|---|---|---|---|
| 代码提交 (Commits) | 全年近 10 亿次 | 全年 129 亿次 | 全年 343 亿 / 月峰 73.8 亿 |
| 代码推送 (Pushes) | 月均 8219 万次 | 全年 67 亿次 | 全年 179 亿次 |
| 合并请求 (Merged PRs) | 月均 4320 万次 | 全年 5.38 亿次 | 全年 13 亿 / 月峰 2.2 亿 |
更关键的变化藏在历史基准线里。原版《Octoverse 2025》报告曾明确记录，当年的全年 Commit 总数为近 10 亿次，月均 Push 为 8219 万次，月均合并 PR 为 4320 万次。而在 2026 年报告中，GitHub 使用新定义和新时间窗口重算了往年数据，2025 年的 Commit 基准直接从近 10 亿跃升至 129 亿次，相差超过 10 倍。
这种量级跃迁源于统计范围的调整。GitHub 在统计贡献者人数时排除了可识别的垃圾账号、员工和机器人（Bot），但在统计宏观的 Commit、Push 和合并 PR 总量时，纳入了公有与私有仓库，且并未完全剥离自动化操作。报告专门提到，仅 Dependabot 一项自动化依赖更新工具，就在期内贡献了超过 3000 万次合并 PR。
四成 PR 由智能体起草：代码通胀如何冲垮研发考核
抛开统计口径的变化，AI 编程工具在过去一年确实完成了从代码补全（Autocomplete）向智能体工程的跃迁。AI 不再只是在编辑器里给出单行建议，而是直接拉取分支、高频提交 Commit、发起 PR 并根据审查意见修改代码。
报告披露了一个标志性数字，2026 年 9 月有超过 40% 的 PR 是由 AI 智能体完成初稿并发起的。GitHub 通过可观测信号检测这一比例，并明确指出 40% 只是保守的下限。更受工程界关注的是，9 月份由智能体发起的 PR 在两周内的合并率约为 90%，而未检测到智能体参与的 PR 两周内合并率约为 86%。
智能体把写代码的边际成本打穿后，代码审查成了新的研发堰塞湖。
高达 90% 的合并率很容易被解读为 AI 写得比人更准，但放在真实研发场景里看，这是一组典型的观测性数据而非受控实验。智能体目前大量被派去处理颗粒度更细、确定性更高的任务，比如依赖版本升级、样板代码生成或小范围缺陷修复；人类工程师则留下来啃跨模块重构、复杂业务逻辑等硬骨头，审查周期自然更长。
对一线软件工程团队和研发效能负责人来说，这股提交通胀直接宣告了传统研发度量体系的失效。过去不少企业习惯参考 DORA 指标或统计开发者的 Commit 频次、PR 数量来评估工作饱和度；如今一个配置好智能体工作流的工程师，一天就能刷出过去一个月的提交量。
- 风险.如果技术管理者不及时把考核重心从代码产出量转向系统稳定性与审查质量，团队的 CI/CD 流水线预算和资深工程师的代码审查精力，很快就会被海量低价值 PR 拖垮。
方法论里的暗流：当智能体开始批量逆向重写软件
比起台前展示的百亿级提交，今年《Octoverse 2026》在报告末尾的方法论（Methodology）章节里，藏着三个更值得行业警惕的信号。
首先是 GitHub 自身统计工具的 AI 化。为了修正开发者频繁使用 VPN 导致的国别活跃度失真，GitHub 今年首次动用大语言模型（LLM）去解析贡献者个人资料中的位置信息，提取标准的 ISO 3166-1 alpha-2 国家代码来校准公开仓库的 Push 归属地。同时，团队还使用微调后的多语言嵌入模型，读取 2022 年至 2026 年间随机抽样公开仓库的名称、描述、主题标签和 README 文档，将代码库自动归入北美产业分类体系（NAICS）的各个行业。
更深层的产业变化在于，GitHub 今年破天荒地把涉及互操作性或逆向工程（Interoperability or reverse engineering）的公开仓库单独拉出来做了一项统计。按照方法论说明，只要每年新建的公开仓库在名称、描述、主题或 README 中提到互操作性、逆向工程，或者出现净室实现（clean room implementation）、直接替代品（drop-in replacement）、协议重实现（protocol re-implementation）等词汇，就会被纳入追踪。
净室实现原本是软件工程界为了规避版权侵权而采用的高成本开发方式，要求一组工程师只看软件接口规范和黑盒表现，在不接触原厂源码的前提下从头写出功能一致的系统。在纯人工编写年代，只有极少数巨头或核心开源基金会掏得起这笔钱。
现在，AI 智能体把阅读文档、编写测试用例和对齐接口协议的成本压缩到了原来的零头。开源社区和中小团队正在利用智能体，将一批闭源商业软件、专有数据库协议甚至收费 API 快速重写成开源的直接替代品。GitHub 专门为这类仓库设立统计标尺，说明这种借助 AI 进行合法逆向重写的项目已经成规模涌现。对于靠代码壁垒和私有协议收过路费的传统商业软件厂商而言，真正的冲击才刚刚开始。