Stack Overflow 开发者调查十年回顾：AI 影响全解析

站在 2026 年开发者调查结果全新发布的临界点，我们手握这项调查过去 15 年的数据与洞察，其价值远超单一年份所能呈现的内容。对开发者调查进行年度对比，能够让我们从长远视角审视更广泛技术生态中正在发生的变革。本文将 2024 年与 2025 年的开发者调查数据进行对比，围绕三个相互关联的主题展开：AI 的演进、职场中的人，以及人口统计与社区。调查结果所揭示的，是头条新闻无法告诉我们的：人们如何将这些工具实际融入日常工作，哪些领域他们仍希望保留人类判断，以及不断变化的工作流程如何影响开发者所依赖的社区。

AI 从副驾驶到自主系统的演进

自从 2023 年首次在开发工作流中引入 AI 工具相关问题以来，AI 工具的使用量在调查中持续增长。2023 年有 44% 的开发者表示正在使用 AI 工具，2024 年增至 62%，2025 年达到 79%，几乎一半的受访者表示每天都在使用 AI 工具。除了那些关于前沿实验室支出、AI 股票和财报中日益增多的组织结构重组（由 AI 效率提升驱动）的新闻报道之外，调查还能告诉我们哪些关于 AI 使用增长的信息？

我们在 2025 年开发者调查中开始询问关于 AI 智能体的问题，31% 的受访者表示正在使用 AI 智能体，其中大多数使用的是 ChatGPT（82%）和 GitHub Copilot（68%）。2026 年 4 月，我们进行了一次较小规模的脉动调查，询问智能体使用情况，这一次我们看到智能体使用量几乎翻了一番（59%），Claude Code 的使用率也在上升（从 41% 增至 55%）。脉动调查中关于 AI 智能体的另一些发现表明，智能体的使用主要由日常用户和更多担任管理角色的人所驱动。

AI 工具及其用途

当开发者进入 AI 工具的世界，ChatGPT 和 GitHub Copilot 充当了主要的入口。在 2025 年的调查中，82% 使用开箱即用助手的人选择了 ChatGPT，68% 转向了 GitHub Copilot。Google Gemini 以 47% 紧随其后，其次是 Claude Code（41%）和 Microsoft Copilot（31%）。在更长的长尾部分，小众产品的使用率较低：Perplexity 达到 16%，v0.dev 为 9%，Bolt.new 为 7%，Lovable.dev 为 6%。这一数据分布表明，开发者在尝试定制化的自主设置之前，首先倾向于使用成熟的平台。

年度趋势强化了这一动态，尽管调查设计有所演变。回到 2024 年，当受访者标记单一活跃使用选项时，82% 将 AI 用于编写代码，68% 依赖 AI 进行研究，57% 用 AI 进行调试，40% 起草文档，35% 创建一般性内容。由于 2025 年将这些任务分为了主要和次要依赖两个维度，直接进行逐项比较变得复杂。尽管如此，基本趋势仍然清晰：发现和起草工作是自动化的主要领域，而实际的软件工程仍然以辅助为主，而非完全自主。

正在学习编程的个人正在以更快的速度采用自动化工具，尽管谨慎态度也在悄然滋生。2024 年，63.0% 的学生受访者表示使用了 AI 资源；到 2025 年，这一比例攀升至 73.3%。其中包括 39.5% 每天使用这些平台，18.7% 每周使用，15.1% 每月使用。这一技术转变是每个人教育旅程的一部分，新手入门与经验丰富的专业人士一样频繁。

然而，整体热情已明显降温。学习者的正面情绪从 2024 年的 72.2%（非常看好 22.4%，看好 49.8%）下降到 2025 年的 52.8%（非常看好 19.3%，看好 33.5%）。与此同时，怀疑态度翻了四倍，从 6.4% 上升至 26.3%。整体调查人群也呈现类似的降温趋势，从 2024 年的正面 72.0% 和负面 6.4%，变为 2025 年的正面 59.7% 和负面 20.4%。最初的尝鲜热潮正在让位于务实的评估，因为学生们面临着不准确、不完整或令人困惑的输出。

学生对输出准确性的信心也在下降，对输出持中等或高度信任的比例从 2024 年的 49.1%（有点信任 44.9%，高度信任 4.2%）下滑至 2025 年的 37.4%（有点信任 31.3%，高度信任 6.1%）。虽然 2025 年引入了中立选项重新分配了部分回答，但更广泛的转变凸显了一个更具辨别力的用户群体。对于处理复杂任务的情绪也印证了这一趋势：复杂工作的高评价从 2024 年的 41.5% 下降到 2025 年的 33.7%，而 18.6% 的受访者承认他们会避免使用 AI 处理高级任务，或对其可靠性仍不确定。

自主智能体也尚未赢得学习群体的青睐。2025 年，28.4% 的学生使用了智能体，而 44.1% 表示不打算使用智能体，相比之下全体调查参与者中这一比例为 37.9%。对 AI 取代工作的担忧在两年间保持在 15.0% 不变，尽管不确定比例从 27.1% 下降到 21.3%，因为不担忧的比例从 57.9% 增长到 63.6%。使用量可能在加速增长，但健康的怀疑态度依然存在，这表明为了学习而使用工具并不意味着盲目拥抱所有前沿功能。

工作不仅仅是为了薪水

随着办公环境的不断变化，工作与生活的平衡始终是一个持续演进的故事。自 2019 年以来，我们一直在开发者调查中追踪工作场所设置，当时仅有 12% 的调查受访者表示完全远程工作。自那时起，我们看到远程工作在 2022 年达到峰值，43% 的受访者完全远程工作。混合工作模式在 2023 年和 2024 年成为受访者的新主流，占比 42%。去年我们开始收集混合工作情况是否由个人选择决定，13% 的受访者表示他们的工作安排足够灵活，可以自主选择何时到办公室。我们今年继续询问工作场所设置，并对它对工作满意度的影响感到好奇。

工作满意度很难归因于任何单一特征，因为它高度个性化。对于早期职业员工来说，工作场所设置可能与工作满意度相关，因为他们重视向同伴学习和获得指导，混合模式或办公室工作更适合这一点。对于人员管理者来说，与薪酬对工作满意度的贡献相比，工作场所设置可能完全无关紧要。有些人可能居住在让通勤体验愉快的地方。

2025 年的调查数据凸显了工作环境如何从远程与办公室的基本二分法演变为更加细致的情况。在所有受访者中，32.4% 表示完全远程工作，17.9% 严格在现场工作，37.1% 采用两种结构化混合模式之一。与此同时，12.6% 表示高度灵活，仅在个人偏好或项目需要时才到岗。相比之下，2024 年的数据为远程工作 38.0%、混合工作 42.0%、现场工作 20.0%。完全远程设置同比下降约 6 个百分点，而严格现场工作的安排下降了 2 个百分点。综合这些更新后的细分选项，2025 年享受某种程度远程工作灵活性的受访者总数达到 82%，略高于 2024 年记录的 80% 综合比例。

地理分布为这些总体数据提供了重要背景。美国在完全远程参与方面领先，达到 45.0%，而印度在现场工作的专业人员中占比最高，为 30.5%。德国和英国等欧洲国家严重倾向于灵活的混合平衡：德国在灵活自选类别中记录了 20.7%，在灵活倾向混合中记录了 24.6%，而英国分别为 14.0% 和 25.8%。法国显示出对办公室倾向混合安排的最强偏好，为 32.8%，远高于美国的 16.7%。追踪自我主导选择的情况揭示了二元远程与办公室调查所掩盖的关键细微差别：尽管只有 22.5% 的德国技术工作者完全远程工作，但他们保持了卓越的整体灵活性。

大多数工程师使用的是一套结构化但易于管理日常工具包。在 2025 年调查的 27,000 多名受访者中，45.5% 依赖 1–5 个平台，35.4% 使用 6–10 个平台，表明大约 81% 的人将生态系统保持在十个主要解决方案之内。另有 9.5% 使用 11–15 个平台，5.1% 使用 16–20 个，3.8% 跨 21 个或更多系统运营。虽然广泛的工具扩散并不常见，但近五分之一的开发者需要管理超过 10 个系统，仍然要应对大量的上下文切换摩擦和维护开销。

基础企业系统继续保持稳步扩张。Docker 从 2020 年的 35.0% 跃升至 2025 年的 71.1%，Kubernetes 从 2019 年的 8.5% 攀升至 2025 年的 28.5%，Terraform 从 2020 年的 6.2% 上升至 2025 年的 17.8%，PostgreSQL 则从 2018 年的 32.9% 飙升至 2025 年的 55.6%。相比之下，内部沟通习惯则呈现出偏好转移：Microsoft Teams 从 2020 年的 25.6% 增长至 2024 年的 53.1%，而 Zoom 则从 2022 年的 56.1% 下降至 2024 年的 40.0%，Slack 从 2020 年的 53.0% 调整至 2024 年的 43.9%。Trello 的使用率从 29.6% 收缩至 13.7%，而 Jira 则保持显著稳定，2025 年为 46.4%，与 2020 年的 47.7% 几乎持平；Confluence 同样表现稳健，32.8% 对比 32.4%。

下一代以 AI 为核心的开发者工具在 2025 年初次进入企业环境。Cursor 占据了 17.9%，Claude Code 达到 9.7%，Windsurf 为 4.9%，Aider 为 1.9%；与此同时，老牌主流工具如 GitLab 记录了 35.6%，Google Colab 为 7.0%。这些早期的足迹尚未反映出一个完全成熟的格局。相反，它们表明新兴的 AI 产品正在悄然融入——而非立即取代——支撑现代科技组织的基础技术栈和协作层。

不同国家的职业满意度

总体职业满意度比简单的调查数据呈现的故事要复杂得多。2025 年，28.4% 的受访者表示感到不快乐，47.1% 表示感到安于现状，24.5% 表示在工作中真正感到快乐。绝大多数人处于中间地带，近一半的开发者既没有完全投入工作，也没有 actively disaffected。这表明，解决职业满足感问题是组织需要持续关注的机会，而非简单地区分为满意与不满意的二元状态。

地区差异揭示了更深层的趋势。美国的科技工作者报告了最高的幸福水平，为 28.7%，27.0% 感到不快乐，44.4% 感到安于现状。德国受访者的幸福率最低，为 19.2%，同时安于现状的比例最高，为 50.7%，而印度的不满意情绪比例最高，为 32.7%。英国的数据为：不满意 31.5%，安于现状 46.4%，满意 22.1%；法国分别为 27.4%、48.0% 和 24.6%。虽然办公政策 alone 并不决定整体幸福感，但这些数据表明了为什么全球职场策略需要本地化的敏感性。

新兴的 AI 变革助长了这一动态变化。认为 AI 会威胁到自己工作的开发者从 2024 年的 12.1% 上升到 2025 年的 15.0%，而不担心的比例从 68.3% 下降到 63.6%，不确定的情绪从 19.6% 上升到 21.3%。同时，2025 年的满意度因素中，能够自主管理任务并获得信任位居首位，其次是具有竞争力的薪酬和福利、解决现实世界的问题，以及通过解决具有挑战性和复杂性的问题进行创新。开发者高度重视独立性 and impactful projects，这恰恰是因为自动化系统引入了关于所有权的新问题。

薪酬变化呈现出广泛而多样的增长。产品经理的中位年薪在 2024 年至 2025 年间增长了 29.3%，应用科学家增长 28.9%，游戏和图形开发者增长 28.7%，移动开发者增长 27.1%，前端工程师增长 24.0%。相比之下，数据工程师的增长要温和得多，为 5.1%，云基础设施岗位为 6.7%，系统管理员为 8.4%。最后，整体行业结构仍然 strongly 以技术实操岗位为基础：85.3% 的人认为自己是个人贡献者，相比之下人员管理岗位为 14.7%，这强化了为什么职业自主性和清晰的技术晋升通道对工作满意度至关重要。

有学习编程，然后也有为 AI 编程而学习

AI 正在成为人们学习编程的一部分，但越来越多的使用并不一定意味着越来越多的热情。在学习编程的开发者调查受访者中，63.0% 报告在 2024 年的开发过程中使用了 AI 工具，到 2025 年上升至 73.3%。在同一时期对这些工具的正面情绪从 72.1% 下降到 52.8%。这些年度快照反映的是不同的受访者，但这种对比提出了一个有用的问题：AI 在完成任务的同时，如何支持理解？

2025 年的发现为这种区别提供了一些背景。在回答 AI 挫折问题的受访者中——不仅仅是那些学习编程的人——20.0% 报告自己的问题解决能力信心下降了，16.3% 表示难以理解代码如何或为什么能 work。这些回应并不能证明 AI 削弱了学习，但它们揭示了一个值得调查的困难：产生能工作的代码和能够解释代码现在是不同的过程。

开发者向他人学习的兴趣提供了另一个视角。2024 年，在回答如何使用 Stack Overflow 的受访者中，41.0% 选择学习他们不熟悉的新技术或方法，而 68.7% 选择从社区验证过的答案中寻找可靠指导。2025 年，当被问及在 AI 可以执行大多数编码任务的未来会怎样时，61.3% 的受访者表示，当他们想要完全理解某件事时，仍会寻求他人的帮助，58.1% 当他们想要学习最佳实践时。

这些问题衡量的是不同的事情——报告的平台使用情况和假设的偏好——但 together 它们为未来的研究方向提供了一个有用的思路。除了询问人们在学习编程时是否使用 AI，我们还需要了解他们从中学习到了什么：他们能否解释结果、评估替代方案，并将这些知识应用到下一个陌生的问题上？这次回顾确定的是，AI 使用在学习者中已经变得更加普遍。这种使用是否转化为更深入的理解，仍然是一个悬而未决的问题。

更广泛的趋势并不表明开发者盲目地接受或拒绝自动化工具。使用指标持续扩大——从 2024 年的 62% AI 工具使用率攀升至 2025 年的 79%，而智能体 adoption 从 2025 年的 31% 飙升至 2026 年 4 月的 59%——然而热情明显降温。学生的正面情绪从 72.2% 下降至 52.8%，而职业焦虑从 12.1% 上升至 15.0%。下一阶段将由工具、工作场所和社区如何应对这种复杂现实来定义：工作流程中更多的 AI，对其局限性的更多审视，以及对社会可信赖的人类上下文持续的需求。

2026 年开发者调查结果可以帮助我们调查一些关键问题：

AI 使用与正面情绪之间的差距是否持续存在？比较一致的衡量标准和受访者群体，包括学习编程的人。

智能体 adoption 是否伴随着更大的授权？分别追踪使用频率与人们允许智能体处理的任务和决策。

工作自主性与满意度之间有何关系？区分出勤安排与自主权，并在解释差异之前检查可比较的群体。

AI 如何融入社区使用？区分因 AI 相关问题的访问、对可靠指导的需求、参与和归属感。

敬请留意未来几天内即将公布的结果。