آبان
اخبار
گزارش Octoverse گیت‌هاب؛ ایجنت‌های هوش مصنوعی بیش از ۴۰ درصد پول‌ریکوست‌ها را شروع می‌کنند
گزارش سالانه‌ی Octoverse گیت‌هاب نشان می‌دهد در ماه سپتامبر بیش از ۴۰ درصد پول‌ریکوست‌ها با پیش‌نویس یک ایجنت هوش مصنوعی آغاز شده‌اند؛ عددی که در مارس فقط ۱۷ درصد بود. نوشتن کد ارزان شده و بازبینی آن به گلوگاه تازه‌ی توسعه‌ی نرم‌افزار تبدیل شده است.
لیست مطالب
۱. گزارش Octoverse چه می‌گوید؟
گزارش Octoverse هر سال تصویری از وضعیت توسعه‌ی نرم‌افزار روی گیت‌هاب ارائه می‌دهد. نسخه‌ی ۲۰۲۶ بازه‌ی اکتبر ۲۰۲۵ تا سپتامبر ۲۰۲۶ را پوشش می‌دهد و تیتر اصلی‌اش روشن است: ایجنت‌های هوش مصنوعی دیگر دستیار حاشیه‌ای نیستند و بخش بزرگی از کار روزمره را آغاز می‌کنند.
طبق این گزارش، بیش از ۴۰ درصد پول‌ریکوست‌ها در سپتامبر با پیش‌نویس اولیه‌ی یک ایجنت شروع شده‌اند. این رقم در مارس حدود ۱۷ درصد بود. یعنی سهم ایجنت‌ها در شش ماه بیش از دو برابر شده است. اگر قبلاً از اخبار هوش مصنوعی دنبال می‌کردید که ایجنت‌ها «دارند وارد کار می‌شوند»، حالا عدد دقیقش را در دست دارید.
۲. اعداد کلیدی: از کامیت تا اکشن
حجم فعالیت روی گیت‌هاب در یک سال گذشته به شکل بی‌سابقه‌ای بالا رفته است. مهم‌ترین اعداد گزارش از این قرارند:
- ۱۷.۹ میلیارد پوش کد در ۱۲ ماه گذشته، بیشتر از مجموع سال‌های ۲۰۲۴ و ۲۰۲۵؛
- ۳۴.۳ میلیارد کامیت، بیش از سه برابر سطح سال ۲۰۲۴ که حدود ۱۰ میلیارد بود؛
- ۱.۳ میلیارد پول‌ریکوست مرج‌شده، به میانگین ۳.۵ میلیون در روز؛
- ۴۵.۴ میلیارد اجرای GitHub Actions، یعنی حدود ۱۴۴۰ کار در هر ثانیه؛
- بیش از ۲۲۵ میلیون توسعه‌دهنده روی پلتفرم؛
- ۲.۵ میلیارد مشارکت در پروژه‌های متن‌باز عمومی، بیش از دو برابر سال قبل.
نکته‌ی جالب این است که شتاب فعالیت بعد از ماه ژوئن به‌شدت بالا رفته است. گزارش می‌گوید مخزن‌هایی که فایل پیکربندی ایجنت دارند، حدود هشت برابر مخزن‌های جدید بدون این فایل کامیت ثبت می‌کنند.
۳. ایجنت‌ها دقیقاً چه سهمی دارند؟
ایجنت‌ها فقط در ماه سپتامبر حدود ۱۱۰ میلیون پول‌ریکوست آغاز کرده‌اند؛ تقریباً شش برابر حجم ماه مارس. این پول‌ریکوست‌ها هم سطحی و کوچک نیستند. گزارش می‌گوید ۸۷ درصد پول‌ریکوست‌های ایجنت‌محور چند فایل را همزمان تغییر می‌دهند، در حالی که این رقم برای نمونه‌های مشابه ۷۹ درصد است.
سرعت مرج هم قابل توجه است. حدود ۹۰ درصد پول‌ریکوست‌های ایجنت در سپتامبر ظرف دو هفته مرج شده‌اند، در برابر حدود ۸۶ درصد برای پول‌ریکوست‌های قابل‌مقایسه. در ماه فوریه این نرخ برای ایجنت‌ها ۸۳ درصد بود. به بیان ساده، کیفیت و پذیرش خروجی ایجنت‌ها بهتر شده و انسان‌ها بیشتر آن را قبول می‌کنند.
ایجنت چه‌کاره است و انسان چه‌کاره؟
گزارش تأکید می‌کند که ایجنت فقط «پیش‌نویس اول» را می‌نویسد. تصمیم درباره‌ی اینکه نرم‌افزار چه کاری باید انجام دهد و آیا نتیجه خوب است یا نه، هنوز با آدم‌هاست. اگر می‌خواهید بدانید چرا این تقسیم کار مهم است، مقاله‌ی توهم هوش مصنوعی؛ برنامه‌نویس تنها در برابر مهندس واقعی زاویه‌ی خوبی دارد.
۴. Copilot Fusion؛ انتخاب خودکار مدل
گیت‌هاب همزمان با انتشار گزارش، Copilot Fusion را رسماً عرضه کرد. این قابلیت پیش‌تر با نام پروژه‌ی HydraFusion آزمایش می‌شد و تا پیش از عرضه نزدیک به ۶۰ هزار نشست را پردازش کرده بود. ایده ساده است: برای هر کار کدنویسی، مدل مناسب خودکار انتخاب شود تا کاربر مجبور نباشد میان ده‌ها مدل دست‌به‌عصا انتخاب کند.
داده‌های گزارش نشان می‌دهد چنین قابلیتی نیاز واقعی بازار است. کاربران پولی Copilot در سپتامبر از ۴۷ مدل مختلف استفاده کرده‌اند، در حالی که این عدد در ماه مه ۲۹ بود. هیچ مدلی بیش از ۲۵ درصد درخواست‌ها را به خود اختصاص نداده است. همچنین ۶۱ درصد کاربرانی که خودشان مدل انتخاب می‌کنند، بیش از یک مدل را به‌کار برده‌اند و ۶۳ درصد کاربران پولی دست‌کم یک بار انتخاب خودکار مدل را امتحان کرده‌اند.
در میان درخواست‌هایی که کاربر خودش مدل را انتخاب کرده، سهم مدل‌های همه‌منظوره ۳۸، مدل‌های استدلال و برنامه‌ریزی عمیق ۳۷ و مدل‌های سریع و سبک ۲۵ بوده است. یعنی نیاز به «مدل درست برای کار درست» کاملاً جدی است؛ موضوعی که در راهنمای نوشتن پرامپت برای مبتدی‌ها هم از زاویه‌ی دیگری بررسی شده است.
۵. استفاده‌ی ایجنتی از Copilot
گزارش می‌گوید ۵۵ درصد کاربران فعال ماهانه‌ی Copilot اکنون از قابلیت‌های ایجنتی استفاده می‌کنند؛ یک سال قبل این رقم ۳۵ درصد بود. استفاده از ایجنت ابری Copilot نسبت به سال گذشته ۲۳۰ درصد رشد کرده و گفت‌وگوی ایجنتی ۸۵ درصد.
در کنار آن، بازبینی کد با کمک هوش مصنوعی و ابزارهای امنیتی پیشرفته‌ی گیت‌هاب هرکدام بیش از ۹۰ درصد نسبت به سال گذشته رشد کرده‌اند. این یعنی تیم‌ها فقط تولید کد را سریع نکرده‌اند، بلکه برای کنترل آن هم ابزار می‌خواهند. گیت‌هاب در همین هفته قابلیت بازبینی کد جدیدی هم برای Copilot معرفی کرد.
۶. زبان‌ها، کشورها و صنایع
در رده‌بندی زبان‌ها، تایپ‌اسکریپت در جایگاه اول، پایتون دوم و جاوااسکریپت سوم است. در یک سال گذشته تایپ‌اسکریپت حدود ۳.۶۲ میلیون مشارکت‌کننده‌ی ماهانه‌ی تازه گرفته و پایتون حدود ۳.۲۳ میلیون. زبان راست دو برابر شده و سریع‌ترین رشد را میان زبان‌های بزرگ داشته است.
حدود ۴۰ تا ۴۴ درصد پول‌ریکوست‌های مرج‌شده در تایپ‌اسکریپت، پایتون و راست نشانه‌هایی از دخالت هوش مصنوعی دارند. از نظر جغرافیایی، آمریکا با ۳۸.۳ میلیون و هند با ۳۲.۰ میلیون توسعه‌دهنده در صدر هستند و هر دو بیش از ۱۰ میلیون نفر در همین سال اضافه کرده‌اند. برزیل با ۳.۲۸ میلیون نفر سومین رشد بزرگ را ثبت کرده است.
جالب‌تر، تفاوت صنایع است. پول‌ریکوست‌های بازشده توسط ایجنت در صنعت ساخت‌وساز با حدود ۹ درصد مخزن‌ها بیشترین سهم را دارد و پس از آن تولید و صنعت قرار می‌گیرد. در معدن، بهداشت و درمان، کشاورزی و خدمات اداری، بیش از ۴۰ درصد مخزن‌ها به هوش مصنوعی اشاره می‌کنند، اما پول‌ریکوست ایجنتی هنوز زیر ۳ درصد است. برای نگاه کلی‌تر به اینکه هوش مصنوعی در کسب‌وکار کجا اثر می‌گذارد، اهمیت هوش مصنوعی در کسب‌وکار را ببینید.
۷. گلوگاه تازه: بازبینی و امنیت
وقتی تولید کد ارزان می‌شود، گلوگاه به جای دیگری می‌رود. حالا سؤال اصلی این است که چه کسی این همه کد را می‌خواند و تأیید می‌کند. گزارش گیت‌هاب نشان می‌دهد صنعت دارد به همین سمت می‌رود: رشد بازبینی هوشمند، پشته‌ای کردن پول‌ریکوست‌ها (Stacked PRs) که تا سپتامبر بیش از ۲۶۴ هزار توسعه‌دهنده امتحانش کرده‌اند، و ابزارهای امنیتی بیشتر.
بخش امنیت نگران‌کننده‌تر است. گزارش می‌گوید سیستم محافظت پوش در این دوره ۵.۸ میلیارد اسکن اسرار انجام داده، رقمی نزدیک به چهار برابر سال قبل. اما با توجه به ۱۷.۹ میلیارد پوش، تحلیل‌گران یادآوری می‌کنند که همه‌ی پوش‌ها لزوماً بررسی نمی‌شوند. شرکت GitGuardian هم در تحلیل خود به این نکته اشاره کرده که نشت اسرار در کامیت‌های عمومی رو به افزایش است و کامیت‌های همراه با کمک ابزارهای هوش مصنوعی در نمونه‌ی آن‌ها نرخ نشت بالاتری از میانگین داشته‌اند. این ادعاها مربوط به تحلیل خود GitGuardian است و نباید به‌عنوان نتیجه‌ی قطعی کل صنعت خوانده شوند.
برای تیم‌ها، توصیه‌ی عملی روشن است: اسرار را در مدیر اسرار نگه دارند، روی اجرای ایجنت‌ها بررسی پیشگیرانه اضافه کنند، از اعتبارنامه‌های کوتاه‌عمر استفاده کنند و دسترسی ایجنت‌ها را محدود نگه دارند. اگر درباره‌ی واقعیت‌ها و محدودیت‌های هوش مصنوعی کنجکاو هستید، پتانسیل و محدودیت‌های واقعی هوش مصنوعی را هم بخوانید.
۸. برنامه‌نویسان و تیم‌ها چه کنند؟
از این گزارش می‌شود چند درس عملی گرفت. اول، مهارت بازبینی کد از همیشه ارزشمندتر شده است؛ کسی که بتواند خروجی ایجنت را سریع و دقیق بسنجد، گلوگاه را باز می‌کند. دوم، تعریف روشن وظیفه و فایل پیکربندی ایجنت در مخزن، همان چیزی است که در گزارش با رشد کامیت‌ها همراه بوده است. سوم، تست خودکار و پایپ‌لاین قوی، سپر اصلی در برابر خطای ایجنت‌هاست.
برای تازه‌کارها هم پیام مهمی دارد: ایجنت‌ها جای فهم مهندسی را نمی‌گیرند. گزارش خودش یادآوری می‌کند که آدم‌ها هنوز تصمیم می‌گیرند نرم‌افزار چه کاری باید بکند و آیا خوب است یا نه. برای ادامه‌ی مسیر یادگیری، آموزش‌های ChatGPT سایت نقطه‌ی شروع مناسبی است. اگر با OpenAI و نقش آن در این موج آشنا نیستید، OpenAI چیست؟ را بخوانید.
۹. پرسش‌های متداول
آیا ایجنت‌ها جای برنامه‌نویسان را گرفته‌اند؟
خیر. گزارش می‌گوید ایجنت‌ها پیش‌نویس اول را می‌نویسند و تصمیم‌گیری و بازبینی همچنان با انسان است. تغییر اصلی در توزیع کار است، نه حذف نقش انسان.
چرا سهم ایجنت‌ها از ۱۷ به ۴۰ درصد رسید؟
بهبود مدل‌ها، ابزارهای ایجنتی در Copilot، فایل‌های پیکربندی ایجنت در مخزن‌ها و پذیرش بیشتر توسط تیم‌ها از عوامل اصلی‌اند. نرخ مرج سریع هم نشان می‌دهد خروجی ایجنت‌ها بهتر شده است.
Copilot Fusion چیست؟
قابلیتی در گیت‌هاب کوپایلوت که برای هر کار کدنویسی مدل مناسب را خودکار انتخاب می‌کند و پس از آزمایش با نام HydraFusion، حالا به‌صورت عمومی در دسترس است.
خطر امنیتی اصلی چیست؟
نشت اسرار و کلیدهای API، دسترسی بیش‌ازحد ایجنت‌ها و بازبینی ناکافی حجم بالای کد. کنترل‌های پیشگیرانه و مدیریت اسرار ضروری است.
نسخهٔ فوری این مطلب در تلگرام: اینجا بخوانید
