开发者究竟让AI智能体写了多少代码？
"100% 的代码都是由［插入当下最流行的 AI 编程 Agent］写的！"你可能今年已经多次听到过这种说法。
我们想要弄清楚，究竟有多少开发人员已经完全把编写代码的工作外包给了 Agent，以及 Agent 生成的代码占比在不同地区、技术栈和资历级别之间有何差异。
幸运的是，我们大规模、全球代表性的《2026 开发者生态系统调查》为我们提供了揭示这些趋势的绝佳机会。2026 年 5 月至 7 月，我们采访了全球 15,000 多名专业开发人员：
"上个月你为工作所生成的代码中，有多大比例是……
- 完全由 AI Agent 生成的
- 在你使用一些 AI 辅助的情况下由你编写的
- 在完全没有 AI 辅助的情况下由你编写的"
答案选项为：0%、1%–20%、21%–40%、…、81%–99%、100%，以及 我不知道。
以下是我们发现的内容：
不出所料，手工编写代码正在迅速消失，但并非所有人都已经过渡到完全 Agentic 的开发工作流。
[LOADING...]
平均而言，专业开发人员报告：
- 约 47% 的代码完全由 Agent 编写。
- 约 38% 是在一些 AI 辅助下编写的。
- 约 27% 是完全手工编写的。
然而，采用情况千差万别。现在有一半以上的开发人员手工编写的代码不足 20%，五分之一的人在没有 AI 帮助的情况下编写的代码完全为零。与此同时，几乎完全依赖编码 Agent（超过 80% 的代码由 Agent 生成）的群体仍然是少数，约占 22%。大多数开发人员处于中间地带。
按专业经验划分的 Agentic 编码情况
有趣的是，资深开发人员是最先把编码工作交给 Agent 的人之一。大约四分之一的资深开发人员使用 Agent 生成绝大多数（超过 80%）的代码，而在初级开发人员中，这一比例较小，他们更倾向于 AI 辅助工作流，而不是完全 Agentic 编码。
也就是说，并非所有资深开发人员都已率先采用 Agentic。这一群体内部的采用情况差异很大。请参见下图。
[LOADING...]
按最常用 AI 编程工具划分的 Agentic 编码情况
在报告 Claude Code 是自己最常用 AI 编程工具的开发人员中，约有 32% 的人用 Agent 生成了超过 80% 的代码。
有趣的是，在使用 Codex 的开发人员中，这一比例明显更高，达到 42%。在 Codex 用户中，有 37% 的人完全没有编写过不带 AI 辅助的代码，这一比例明显高于其他 AI 编程工具的用户。
我们的解读是：虽然 Claude Code 正日益成为主流的 AI 编程工具（事实上已成为事实标准，在工作中采用率达 39%），但它的受众不再以高级 Agent 用户为主。相比之下，Codex 在知名度和采用率方面正在迎头赶上，其用户群中可能有更多追求更高性价比的高级用户（Codex 历来提供更高的配额）。
Cursor 用户与 Claude Code 用户类似——平均 58% 的代码由 Agent 生成，对于 28% 的 Cursor 用户，编码 Agent 生成了他们 80% 以上的代码。
[LOADING...]
按主要编程语言划分的 Agentic 编码情况
按技术栈划分，Agentic 编码的采用情况存在明显差异。以 Go、JavaScript 和 TypeScript 为主要编程语言的开发人员报告称，Agent 生成代码的占比最高，平均为 54%–55%。
在另一个极端，C 和 C++ 开发人员仍然是最不依赖 Agent 的群体，他们手工编写代码的比例要高得多——平均为 38%。
Java 和 Python 开发人员则处于中间水平，为 48%–51%。
[LOADING...]
按地区划分的 Agentic 编码情况
地理差异非常显著。东亚（尤其是中国、日本和韩国）的开发人员在 Agentic 编码方面处于领先地位：那里约有 32%–35% 的开发人员使用 Agent 生成了绝大多数（超过 80%）的代码，而欧洲和英国这一比例约为 16%。
[LOADING...]
按 AI 使用情况划分的开发人员细分
我们很好奇，能否根据开发人员当前编写代码的方式，将他们划分为同质化的细分群体。我们得出了三种不同的画像：
有关具体方法，请参阅方法论说明。
我们在这里特意使用"写代码者"（coders）这个词，以强调这指的是代码生成过程，而不是整个开发过程。
Agentic 写码者（约 31% 的开发人员） 如今主要依靠 Agent 编写代码：
- 平均而言，他们 84% 的代码完全由 Agent 生成。
- 约 15% 是在一些 AI 辅助下编写的。
- 约 6% 是完全不用 AI 手工编写的。
尽管他们是 Agentic 编码的"火车头"，但在 Claude Code 和 Codex 的重度用户中，只有 46%–57% 是 Agentic 写码者。
AI 辅助写码者（约 47% 的开发人员） 尚未完全进入 Agentic 模式，但已经有一部分代码由 Agent 编写。他们仍然更喜欢 AI 辅助的开发工作流，并且在需要时也会毫不犹豫地手工编写一些代码：
- 平均 40% 的代码完全由 Agent 生成。
- 约 60% 是在 AI 辅助下编写的。
- 约 20% 是手工编写的。
手工写码者（约 23% 的开发人员） 大部分代码仍然是手工编写的，不过他们偶尔也会使用 AI，而且多数是以 AI 辅助的方式而不是完全 Agentic 的方式：
- 平均约 10% 的代码由 Agent 生成。
- 约 25% 为 AI 辅助。
- 约 75% 为手工编写。
[LOADING...]
无论你是全面拥抱 Agentic 工作流，还是更喜欢亲自动手写代码，这一转变都很明确：纯手工编码正迅速成为过去。
在我们上一篇文章中，基于相同的调查数据，我们探讨了行业内 AI 编程 Agent 的采用趋势以及这个市场的主要参与者。
我们计划很快与社区分享更多来自《2026 开发者生态系统调查》的 Agentic 开发相关资料。
敬请期待，并在下方订阅 JetBrains Research 博客更新！
方法论说明
如果受访者的回答不切实际——即所选答案区间的下限之和超过 150%，或所选答案区间的上限之和低于 80%——则未纳入本次分析。此过滤是在《开发者生态系统调查》数据常规数据清理过滤的基础上额外应用的。
我们使用每个答案区间的中点（0%、10.5%、30.5%、50.5%、70.5%、90%、100%）来计算平均值。由于答案是分桶的，同一组（例如资深开发人员）内三类代码编写方式的平均值之和可能超过 100%，而且受访者的自我报告也可能并非总是完全准确。
我们采用 Ward 方法的分层聚类分析和欧氏距离（基于未标准化的桶中点，例如 0%、10.5%、30.5%）来根据开发人员编写代码的方式将其聚类为同质化细分。
在本报告中，"专业开发人员"是指报告自己从事以下任一职位角色并参与编码或编程的受访者：
- 开发人员 / 程序员 / 软件工程师
- AI/ML 工程师
- DevOps 工程师 / 基础设施开发人员
- 架构师
- 数据科学家 / 数据工程师 / 数据分析师
- QA 工程师
大约 90% 的样本属于 开发人员 / 程序员 / 软件工程师 职位类别。
《开发者生态系统调查》被本地化为八种语言：英语、西班牙语、中文、日语、韩语、德语、法语和葡萄牙语。我们按地区对所需回应数量进行配额，以帮助实现准确的全球代表性。配额与每个地区的开发人员数量成比例，该数量基于我们数据科学团队的估算。这些估算的详细方法描述在这里。
《开发者生态系统调查》经过统计加权，以更好地代表全球开发人员人群（按地区、就业状况、编程语言和对 JetBrains 产品的熟悉程度加权），以避免数据偏向于过度熟悉 JetBrains 的受众。你可以在此处阅读《开发者生态系统调查》的加权方法：点击这里。