Az AI kódolási asszisztensek forradalma: 400 ezer repozitórium tanulságai

Az elmúlt években az AI alapú kódolási eszközök a fejlesztők mindennapos kellékeivé váltak. A Cursor, a GitHub Copilot és a hasonló megoldások már nem újdonságnak számítanak, hanem valódi produktivitást segítő eszközökké. A kérdés azonban továbbra is az, hogy melyikük nyer teret igazán, és hogyan használják őket a csapatok a gyakorlatban.

A kutatók most egy nagyszabású elemzéssel próbáltak választ adni erre. Több mint 400 ezer nyilvános GitHub repozitóriumot vizsgáltak meg, hogy feltérképezzék az AI kódolási segédeszközök valódi elterjedtségét. A eredmények érdekes képet festenek – nem csak arról, hogy mennyire népszerűek ezek az eszközök, hanem arról, hogy milyen mértékben és hogyan használják őket.

Hogyan gyűjtöttek adatokat

A kutatók egy egyszerű, de hatékony módszert használtak. Minden egyes AI eszközhöz meghatározott fájlmintákat keresettek a repozitóriumokban – például a Cursor esetében a .cursorrules fájlt. Ezt a keresést a GitHub REST API-ján keresztül végezték, csak a nyilvános repozitóriumokra koncentrálva.

De a nyers számok csak egy részét alkotnak a képnek. A kutatók tovább finomították az adatokat a GraphQL API segítségével. Így nemcsak a fájlok létezését tudندوا számolni, hanem azokon a repozitóriumokban valóban aktívan használják-e ezeket az eszközöket – ezt az update historyból és fájlméret változásából lehet látni. Aktive használati jelzést csak azoknál a repozitóriumoknál találtak, akik rendszeresen frissítik a konfigurációkat.

Mit mutatnak a számok

A 400 ezer repozitórium már jelentős számnak نظر می‌رسد. Tény, hogy ezek a fájlok inkább az intenciót mutatják – valaki döntött úgy, hogy egy adott AI eszközt használ. A repozitóriumok azonban nem mutatnak be teljesen a használatról, mert sok csapat használ AI kódolási segédeszközöket nélkül teljes konfigurációt.

Több fontos aspektusról beszéltek a kutatók:

Eszközök piaci részesedése: Az adatokat egy jelzésként segítettük meg, egyes eszközok közül谁 által használtaknak.

Konfigurációs mélység: A fájl méret és frissítési gyakoriság kimutatását segített őket a csapatok által vordesen teljes konfigurációs gyakorlatban.

Több eszköz együttes használata: Sok csapat több AI segédeszközét használ egyszerre – ez a fent genannten eszközok közül ki mutatta a elcurrenten.