7 个数据源、62 个框架交叉对比：编程语言热度和大模型到底有什么关系

TypeScript 在 GitHub 上是贡献者最多的语言，但在 TIOBE 榜单上只排第 47。同一时间、同一门语言，在两张榜单上却相差 46 个名次。这不是因为某张榜单算错了，而是因为它们衡量的根本不是同一件事。

要搞清楚"AI 到底如何改变编程语言格局"，只看一张榜单还不够。我们把 6 张语言热度榜单、OpenRouter 的 AI 生成代码分布，以及 62 个主流框架的 GitHub 更新速度放在一起对比，主要回答三个问题：编程语言热度与大模型有什么关系；AI 生成代码的语言分布，是否与开发者的实际使用情况一致；一门语言的热度，是否与其框架的迭代速度相关。数据采集于 2026-07-12，覆盖 7 个数据源、13 种语言和 62 个框架。

先理清口径：7 张榜单，测的是 7 件事

这 7 张榜单看似都在统计"热度"，实际上衡量的对象并不相同。

因此，所谓"编程语言热度"，至少要分成"谁在用""谁在学""谁在搜"和"AI 在生成什么"四个不同的维度来看。

Python 的优势在 AI 编程场景中被进一步放大

Python 并非在所有榜单上都断层领先，但在 AI 编程场景中，它的优势确实被明显放大了。

OpenRouter 的数据最直接。它统计了开发者通过 OpenRouter 调用各类 LLM 生成不同语言代码时消耗的 token。Python 的 token 使用量约为 1.7T，是第二名 JavaScript（约 754B）的 2.25 倍，也是第三名 TypeScript（约 180B）的 9.4 倍。在"AI 写代码"这个维度上，Python 的领先幅度远高于其他语言。

GitHub Octoverse 2025 显示，TypeScript 在 2025 年 8 月首次超越 Python 和 JavaScript，成为 GitHub 上月度贡献者最多的语言。这是过去十年中最显著的编程语言排名变化。在"谁在写代码"这个维度上，Python 排名第二，并没有断层领先。

从学习意愿来看，结果又不一样。PYPL 统计 Google 上"X tutorial"的搜索频率，Python 的份额约为 47.5%，是第二名 Java（约 11.4%）的 4 倍以上。在 Google Trends 过去 12 个月的周度数据中，Python 从 2025 年下半年的 18–23 逐步上升到 2026 年 5–6 月的 30–34，增长速度在主流语言中最快。

综合这些维度，Python 的领先程度从高到低依次是：AI 生成代码、开发者实际使用、搜索热度。其中，AI 维度的领先最为明显。

这里还有一个看似矛盾的信号。TIOBE 上 Python 同比下降 8.03%，是榜单中降幅最大的语言；但同期 PYPL 上升 16.5%，Google Trends 也在上升。为什么"tutorial"的搜索量在增长，"programming"的搜索量却在下降？一种可能的解释是，开发者遇到编程问题时，正在从 Google 搜索"Python programming how to..."转向直接询问 AI 工具。如果这个推断成立，TIOBE 的下降反映的可能不是 Python 降温，而是编程信息获取方式正在变化。目前没有直接数据证明，搜索量下降完全由 AI 工具替代造成，这里只能把它作为一种与现有趋势一致的解释。

AI 生成代码与开发者实际使用：整体接近，两处偏差明显

OpenRouter 的语言分布与 GitHub 的整体排名大体一致，但 Python 和 TypeScript 呈现出方向相反的偏差。需要先说明的是，OpenRouter 统计 token 使用量，GitHub 统计贡献者人数，两者的统计口径不同。因此，排名差异只能说明 AI 生成代码与开发者实际使用的语言分布并不完全同步，不能据此推断 AI 已经改变了开发者的语言选择。

把两张榜单的排名放在一起：

大部分语言在两张榜单上的排名只相差一两位，没有明显的系统性偏差。差异主要集中在 Python 和 TypeScript 上，而且方向相反。

Python 的偏差：AI 维度排名第一，GitHub 维度排名第二。在 AI 生成代码的 token 量上，Python 遥遥领先。这可能与 AI 和数据开发对 Python 的高度依赖有关：PyTorch、LangChain、Pandas 等常用框架都集中在 Python 生态中。从结果上看，Python 在 AI 场景中的领先程度，高于它在通用开发场景中的领先程度。

TypeScript 的偏差：AI 维度排名第三（180B），GitHub 维度排名第一。TypeScript 是 GitHub 上贡献者最多的语言，但它在 AI 生成代码中的 token 量只有 Python 的 1/9.4。目前没有直接数据可以解释这个落差。一种可能是，大量 TypeScript 项目仍然依赖 JavaScript 生态，AI 生成的一部分 JavaScript 代码最终被用在了 TypeScript 项目中。OpenRouter 统计的是"标注为某种语言的生成 token"，而 JavaScript 和 TypeScript 在 AI 生成场景中的边界，比在开发者实际使用时更模糊。一段 JavaScript 代码加上类型注解就可能变成 TypeScript，反过来也一样。要验证这个解释，还需要更细粒度的标签数据。

TypeScript 也是观察榜单方法差异的一个极端样本。它在 GitHub 上排名第一，在 OpenRouter 上排名第三，在 TIOBE 上却只排第 47。最高与最低排名相差 46 位。TIOBE 采用"X programming"这类搜索词统计结果，但开发者搜索 TypeScript 时，往往会加上"React""前端"等上下文，很少直接搜索"TypeScript programming"。因此，TIOBE 的统计方法难以完整反映 TypeScript 的实际热度。

OpenRouter 数据里的另一个信号：中国模型份额很高

OpenRouter 数据还呈现出一个与语言热度无关、但值得关注的现象：在 AI 代码生成场景中，中国模型的份额很高，而且呈现出一个略显反直觉的特征。

把各语言 Top 5 模型里中国厂商（腾讯 Hy3、小米 MiMo、DeepSeek、GLM 5.2、MiniMax）的份额合计：

从这组样本看，编程语言越小众，中国模型的份额往往越高。 Swift（71%）、C#（65.5%）等语言中，中国模型的合计份额最高。JavaScript 是一个明显例外：GPT-5.5 和 Gemini 2.5 Flash 在 JavaScript 上更有竞争力，将中国模型的合计份额压到了 38.3%。一种可能的解释是，OpenAI 和 Google 等公司的模型在 JavaScript、Python 等主流语言上具有更强的品牌效应，用户更愿意在这些高频场景中选择它们。在相对小众的编程语言上，用户可能更倾向免费或低价模型。腾讯 Hy3 在 OpenRouter 上可免费使用，这也会放大它的份额。

这里需要明确数据口径：这些数据只来自 OpenRouter 平台，Hy3 免费使用也会使中国模型的份额偏高，因此不能等同于整个 AI 编程行业的模型分布。但中国模型在代码生成场景中已经具有很强的竞争力。即使在竞争最激烈的 Python 上，五家中国厂商的合计份额仍达到 54.5%。

框架更新速度和语言热度，不是一回事

最后一个问题是：一门语言很热，是否意味着它的生态也同样活跃？

答案是不一定。对比 62 个框架的更新速度后，更明显的分界因素不是语言热度，而是项目背后是否有企业的全职团队支持。

将 62 个框架按语言分组，再计算 commits/天的中位数。这里的 commits/天指最近 20 次提交的日均频率；20.0 是采集方法的上限，表示一天内完成了 20 次或更多提交。

几个值得拆开看的错位：

TypeScript 热度排名第一，框架迭代速度也最快（中位数为 20.0/天），两个指标基本同步。 Bun、Deno 和 NestJS 都处于饱和区（commits/天 ≥ 20，即一天内完成 20 次或更多提交），但 TypeScript 编译器本身只有 0.25/天。这也说明，编程语言本身的迭代节奏，与框架生态的活跃程度是两个不同的指标。

C++ 的热度排名在第 3–6 位之间，但框架迭代速度并列第一。 LLVM、ClickHouse 和 TensorFlow 都处于饱和区，背后有企业全职团队维护。C++ 还出现在 80% 新仓库的 Top 5 语言中。它的热度排名不如 Python，但在对系统级性能有刚性需求的场景中，C++ 仍然有广泛用途，相关核心基础设施项目的迭代频率也远高于多数语言框架。

Python 在 AI 与学习维度明显领先，但框架提交频率的中位数只排第八。 AI 框架的更新频率很高，例如 PyTorch 为 20/天、Pandas 为 20/天、LangChain 为 6.67/天；但 Django 只有 5/天，Flask 更低至 0.24/天，拉低了整体中位数。Python 生态中既有高频迭代的 AI 框架，也有进入低频维护阶段的经典 Web 框架，因此中位数并不突出。

Rust 的满意度排名第一，在 TIOBE 上升 8 位，但框架迭代速度只排第十。 ripgrep 和 Clippy 处于饱和区（20/天），但 Actix 只有 1.0/天，Axum 只有 0.41/天。Rust 的工具链仍在高速演进，应用框架的活跃度则相对较低，整个生态还没有进入稳定阶段。

Ruby 和 Swift 的框架提交频率最低。 Ruby 生态中，Rails 为 10/天，Homebrew 为 20/天，但 Jekyll 只有 0.11/天，Sinatra 和 Vagrant 都是 0.1/天，说明不少经典项目已经进入维护期。Swift 更为明显：Alamofire 为 0.08/天，Vapor 为 0.16/天，跨平台和服务端生态的迭代速度都比较慢。

企业驱动项目的提交频率，几乎不受语言热度影响。Kubernetes（Go）、LLVM（C++）、ClickHouse（C++）、.NET Runtime（C#）、DuckDB（SQL）和 TensorFlow（C++/Python）等基础设施项目，无论使用哪种语言，都处于饱和迭代状态。相比之下，一些社区驱动的成熟框架已经进入低频维护阶段，例如 Express 为 0.22/天，Flask 为 0.24/天，Jekyll 为 0.11/天。

这组数据也有明显局限。commits/天只是一次快照，会受项目发布周期影响，例如发布前提交密集，发布后更新减少。不过，对 62 个框架进行横截面比较，仍然可以看到"企业驱动与社区驱动"之间的差异。

写在最后

综合 7 个数据源和 62 个框架的对比，有几个观察相对明确：

• AI 生成代码进一步放大了 Python 的领先优势，但在开发者实际参与的维度上，TypeScript 排名第一。
• OpenRouter 的语言分布与 GitHub 的排名大体一致，但 Python 和 TypeScript 的偏差反映了 AI 编程场景的特殊性：Python 在 AI 维度上的领先幅度更大，TypeScript 在 AI 维度上的相对排名则更低。
• 与语言热度相比，框架迭代速度更受项目驱动方式影响。
• TIOBE 上 Python 的下降可能反映了编程问题搜索正在转向 AI 工具，不一定意味着 Python 在降温。

还有一个目前无法从数据中回答的问题：AI 生成代码的语言分布，会不会反过来影响开发者的语言选择？如果 AI 更擅长生成 Python，新项目是否会因此更倾向从 Python 开始？这个反馈循环暂时还没有数据可以验证，但值得持续观察。