# JetBrains 2025开发者生态调查报告推荐

关联知识库：# JetBrains 2025开发者生态调查报告推荐

JetBrains 2025开发者生态调查报告推荐

** 报告链接**：https://devecosystem-2025.jetbrains.com/

⚡ 一页纸核心数据概览（快速决策版）

使用说明：如果你时间有限，只看这部分就能了解2025年报告的核心价值。如需深入了解，再继续阅读后续章节。

调查基本信息

样本规模：24,534名开发者（2024年：34,000+）
调查时间：2025年4月-6月
覆盖范围：全球开发者社区

2025年五大核心发现

发现	关键数据	与2024年对比
TypeScript爆发式增长	语言承诺指数+223，位居榜首	从"可选"到"必选"
AI工具个人使用普及，企业采用滞后	大部分开发者使用，但企业多处于探索阶段	个人vs组织的差距扩大
生产力测量危机	66%开发者不相信当前指标	新问题，2024年未涉及
PostgreSQL超越MySQL	成为最受欢迎数据库	首次超越
地域差异显著	日本/韩国在上下文切换方面表现更好	新洞察

四大核心问题（问题导向速查）

AI工具到底有没有用？ → 看" AI工具：个人使用vs企业采用的巨大鸿沟"
如何正确测量开发者生产力？ → 看" 生产力测量危机：66%开发者不相信指标"
为什么有些团队效率更高？ → 看" 地域差异：环境如何塑造开发体验"
TypeScript是否值得投入？ → 看" 编程语言：TypeScript的爆发式增长"

报告四大章节速查

章节	核心内容	关键洞察
工具与趋势	编程语言、平台、数据库	TypeScript崛起，PostgreSQL超越MySQL
人工智能	AI工具使用、企业采用、开发者情感	个人使用普及，企业采用滞后
生产力	测量方法、责任归属、投资优先级	66%不相信指标，缺乏专门角色
生活与工作	工作模式、薪资、职业发展、地域差异	远程工作44%，地域差异显著

报告来源与权威性

关于JetBrains

JetBrains 是全球领先的软件开发工具提供商，成立于2000年，总部位于捷克布拉格。公司以开发高质量的集成开发环境（IDE）而闻名，旗下产品包括：

IntelliJ IDEA（Java开发IDE的黄金标准）
PyCharm（Python开发的专业工具）
WebStorm（JavaScript/TypeScript开发利器）
Rider（.NET开发环境）
CLion（C/C++开发工具）

关于开发者生态调查

JetBrains 开发者生态调查（Developer Ecosystem Survey）是业界最具权威性的开发者调查之一，自2017年开始每年发布。2025年调查覆盖了来自全球的24,534名开发者，是了解全球软件开发趋势的重要数据来源。

调查权威性体现在：

✅ 样本代表性强：涵盖从初级到资深的各层次开发者
✅ 地域覆盖广泛：全球主要技术中心都有足够样本
✅ 问题设计专业：基于JetBrains多年IDE开发经验的深度洞察
✅ 数据质量高：严格的数据清洗和统计分析方法

⚠️ 数据局限性：由于JetBrains用户可能更倾向于参与调查，可能存在一定偏差。

2024 vs 2025：关键变化对比

样本规模变化

2024年：34,000+名开发者
2025年：24,534名开发者
变化：样本量减少约28%
** 解读**：样本量减少可能影响某些细分领域的统计显著性，但核心趋势仍然可靠

编程语言生态变化

语言	2024年状态	2025年变化	趋势判断
TypeScript	38%采用率，大型项目必选	语言承诺指数+223，位居榜首	⬆️ 爆发式增长
Python	AI/数据科学49%使用率	仍为最常用语言之一	➡️ 稳定增长
Java	主流语言	仍为最常用语言之一	➡️ 稳定
Rust	缓慢上升	语言承诺指数+187，排名第2	⬆️ 加速增长
Go	缓慢上升	语言承诺指数+115，排名第4	⬆️ 稳定增长

** 核心洞察**：TypeScript从"可选"变为"必选"，Rust和Go加速增长，传统语言（PHP、Ruby、Objective-C）持续下降。

AI工具应用变化

维度	2024年	2025年	变化解读
个人使用率	55%开发者使用AI编程助手	大部分开发者定期使用	⬆️ 持续增长
企业采用	未详细统计	多数处于探索/试点阶段	⚠️ 个人vs组织差距
主要工具	GitHub Copilot 55%	ChatGPT、GitHub Copilot、Cursor等	➡️ 工具多样化
应用场景	代码补全、审查、文档生成	重复任务委托，创造性工作保持控制	➡️ 应用深化

** 核心洞察**：个人使用率持续增长，但企业层面的系统化采用仍然滞后，存在明显的"个人先行，组织滞后"现象。

新增关注点（2025年独有）

生产力测量危机：66%开发者不相信当前指标能反映真实贡献
地域差异分析：深入分析不同地区开发体验的差异
开发者情感：对AI的复杂情感（希望、兴奋、焦虑并存）
企业AI采用阶段：详细统计企业AI集成的不同阶段

问题导向：2025年报告核心洞察

问题1：AI工具到底有没有用？

数据呈现：

✅ 个人使用率：大部分开发者定期使用AI工具进行编码和开发
✅ 主流工具：ChatGPT、GitHub Copilot、Cursor、JetBrains AI Assistant、DeepSeek等
✅ 效率提升：使用AI的开发者中，大部分每周节省超过1小时，部分节省8小时以上
⚠️ 企业采用滞后：多数企业仍处于探索阶段（Exploratory）或试点阶段（Pilot），全面集成（Extensive adoption）仍属罕见

核心矛盾：

个人层面：AI工具已成为日常开发的一部分
企业层面：系统化采用仍然滞后，多数处于"测试中"而非"已集成"

** 深度解读**：

个人vs组织的差距：开发者个人已经拥抱AI工具，但企业层面的流程、政策、培训尚未跟上
"测试中"vs"已集成"：AI工具在大多数组织中仍被视为实验性工具，而非核心工作流的一部分
效率提升vs系统化：个人使用带来效率提升，但缺乏系统化的企业级应用

** 批判性思考**：

为什么企业采用滞后？ 可能是政策限制、安全顾虑、成本考虑，还是组织惯性？
个人使用率是否被高估？ 样本中JetBrains用户可能更倾向于使用AI工具
效率提升是否可持续？ 短期效率提升vs长期技能发展的平衡

问题2：如何正确测量开发者生产力？

数据呈现：

❌ 信任危机：66%的开发者不相信或不确信当前指标能反映真实贡献
⚠️ 责任归属：主要由团队负责人（Team leads）和开发者自己承担，缺乏专门角色
✅ 开发者需求：要求更高的透明度和清晰度

核心问题：

测量方法：技术指标（部署频率、变更前置时间）vs非技术因素（工作设计、沟通、支持）
责任归属：专注于交付的团队同时被要求掌握测量方法论，往往缺乏资源和培训
投资差距：技术管理者希望2倍关注沟通问题，近2倍投资减少技术债务，但公司实际投入不足

** 深度解读**：

测量vs现实：当前的生产力指标可能无法捕捉开发者的真实贡献（如代码审查、知识分享、团队协作）
技术vs非技术：开发者认为非技术因素（工作设计、沟通、支持）同样重要，但测量往往偏重技术指标
责任vs资源：团队负责人和开发者被要求测量生产力，但缺乏专业的方法论和资源支持

** 批判性思考**：

为什么66%不相信？ 是指标设计问题，还是测量方法问题，或是沟通问题？
专门角色的必要性：是否需要专门的"开发者生产力工程师"角色？
平衡测量：如何在技术指标和非技术因素之间找到平衡？

问题3：为什么有些团队效率更高？

数据呈现：

地域差异显著：
上下文切换：日本和韩国开发者在这方面表现更好，东欧和英国开发者面临4倍挑战
学习压力：韩国开发者面临2倍技术技能提升压力（vs英国）
基础设施：印度开发者CI/CD延迟是日本开发者的3倍

核心发现：

环境vs个人能力：开发效率不仅取决于个人技能，更受工作环境、基础设施、组织文化影响
可学习的模式：日本和韩国证明了软件开发不一定需要频繁的上下文切换，其他组织可以学习
基础设施投资回报：印度的延迟vs日本的高效，说明基础设施投资直接转化为日常生产力提升

** 深度解读**：

环境塑造体验：相同技能水平的开发者，在不同环境下的体验和效率可能截然不同
上下文切换不是必然：日本和韩国的经验证明，通过组织设计可以减少上下文切换
基础设施的重要性：CI/CD等基础设施投资直接影响开发者的日常体验

** 批判性思考**：

文化因素vs组织设计：日本和韩国的优势是文化因素，还是可复制的组织设计？
样本偏差：不同地区的样本是否具有代表性？
因果关系：是环境导致效率，还是高效团队选择了更好的环境？

问题4：TypeScript是否值得投入？

数据呈现：

语言承诺指数：+223，位居榜首（远超第2名Rust的+187）
使用趋势：过去5年使用率持续上升
采用意愿：Go、Rust、Python、Kotlin、TypeScript是开发者最想采用的前5名语言

核心发现：

从"可选"到"必选"：TypeScript从大型项目的"推荐"变为"标准配置"
增长动力：代码质量、维护性、类型安全的需求推动
生态系统：与JavaScript生态的完美兼容

** 深度解读**：

爆发式增长：语言承诺指数+223说明TypeScript不仅在使用，还在快速增长
企业采用：从个人项目到企业级应用，TypeScript已成为现代Web开发的标准
技能要求：掌握TypeScript正从"加分项"变为"基本要求"

** 批判性思考**：

增长是否可持续？ 还是只是短期趋势？
学习成本vs收益：对于已有JavaScript经验的开发者，学习成本如何？
替代方案：是否有其他类型系统方案（如Flow、JSDoc类型）？

2025年报告核心发现（详细版）

1. 编程语言生态：TypeScript爆发式增长

** 语言承诺指数Top 5**

TypeScript：+223（爆发式增长）
Rust：+187（加速增长）
Python：+131（稳定增长）
Go：+115（稳定增长）
C++：+104（稳定）

** 下降趋势**

Objective-C：-3（持续下降）
Ruby：-21（持续下降）

** 核心洞察**：

TypeScript从"可选"变为"必选"，语言承诺指数远超其他语言
Rust和Go加速增长，反映了对系统编程和并发编程的需求
传统语言（PHP、Ruby、Objective-C）持续下降，但仍有稳定用户群

2. 开发工具与平台

** 应用部署平台**

浏览器：Web开发仍为主流
服务器/云：云原生持续增长
桌面：仍有重要地位
移动：稳定需求

☁️ 云平台使用

Amazon Web Services：保持最大市场份额
Google Cloud Platform：约四分之一开发者使用
Microsoft Azure：约四分之一开发者使用
区域提供商：在各自市场保持显著存在（如阿里云在中国）

** 数据库趋势**

PostgreSQL：首次超越MySQL，成为最受欢迎的数据库
MySQL：仍为第二大数据库
SQLite：轻量级应用首选
Redis：缓存和实时应用
MongoDB：NoSQL代表

** 核心洞察**：

PostgreSQL的超越反映了对数据完整性和高级功能的需求
云平台三足鼎立，但AWS仍保持领先
数据库选择多样化，关系型和非关系型各有应用场景

3. AI工具：个人使用vs企业采用的巨大鸿沟

** AI使用现状**

个人使用率：大部分开发者定期使用AI工具进行编码和开发
主流工具：
- ChatGPT（Web/桌面/移动应用）
- GitHub Copilot
- Cursor
- JetBrains AI Assistant
- DeepSeek（自托管/本地安装）
- Google Gemini
- Anthropic Claude
- 通义灵码（TONGYI Lingma）

⚡ 效率提升

使用AI的开发者中，大部分每周节省超过1小时
部分开发者每周节省8小时以上

** 报告的主要收益**

提高生产力
更快完成重复性任务
减少信息搜索时间
更快编码和开发
更快学习新技术

⚠️ 企业采用滞后

探索阶段：研究AI但尚未实施
试点阶段：在有限工作流或领域实验AI
部分采用：在某些工作流或领域使用AI
全面采用：在大多数开发工作流中使用AI（仍属罕见）

** 核心洞察**：

个人先行，组织滞后：开发者个人已广泛使用AI工具，但企业层面的系统化采用仍然滞后
效率提升明显：使用AI工具的开发者普遍报告效率提升
工具多样化：从通用AI助手到专业编码工具，选择丰富

4. 生产力测量危机

❌ 信任危机

66%的开发者不相信或不确信当前指标能反映真实贡献
需求：要求更高的透明度和清晰度

⚠️ 责任归属问题

团队负责人：承担主要责任
开发者自己：也被要求负责
专门角色：缺乏专门的生产力专家或团队

** 开发者认为影响生产力的因素**

非技术因素：工作设计、清晰沟通、同伴和经理支持、可操作的反馈
技术因素：开发工具的性能和可靠性

** 最常见的7个生产力指标**

开发者参与度
开发者满意度
部署频率
开发者情感
变更前置时间
感知/自我报告的生产力
交付便利性

** 投资差距**

技术管理者希望：
- 2倍关注沟通问题（7% → 14%）
- 近2倍投资减少技术债务（6% → 10%）
公司实际投入：往往不足

** 核心洞察**：

测量vs现实：当前指标可能无法捕捉开发者的真实贡献
技术vs非技术：非技术因素同样重要，但测量往往偏重技术指标
责任vs资源：团队被要求测量，但缺乏专业支持

5. 生活与工作：地域差异显著

** 工作模式**

完全远程：22%
主要远程：22%
同等远程和办公室：17%
主要办公室：21%
完全办公室：17%

** 薪资趋势**

专业化程度越高，薪资越高：Scala、Go、Kotlin、Rust、C++等语言的使用者薪资更高
Scala：尽管只有2%的开发者作为主要语言，但在高收入者中领先
公司规模影响：大公司（1000+员工）的高收入者比例是小公司（50人以下）的近2倍

** 职业发展挑战**

初级开发者：调试是最具挑战性的部分
资深开发者：上下文切换是最具挑战性的部分
经验增长：工作从技术问题转向团队协调

** 地域差异**

上下文切换：
- 日本和韩国：表现更好
- 东欧和英国：面临4倍挑战
学习压力：
- 韩国：2倍技术技能提升压力（vs英国）
- 可能反映技术采用周期快于技能发展资源
基础设施：
- 印度：CI/CD延迟是日本的3倍
- 说明基础设施投资直接转化为生产力提升

** 职业倦怠**

1-2年经验：倦怠率较高
16+年经验：倦怠率较低
公司规模：大公司提供更多心理健康支持

** 核心洞察**：

环境vs个人能力：开发效率不仅取决于个人技能，更受工作环境、基础设施、组织文化影响
可学习的模式：日本和韩国证明了可以减少上下文切换，其他组织可以学习
基础设施投资回报：基础设施投资直接转化为日常生产力提升

批判性分析：如何正确解读这些数据

⚠️ 数据局限性

1. 样本偏差

JetBrains用户倾向：由于调查主要通过JetBrains渠道，用户可能更倾向于使用JetBrains产品和AI工具
技术栈偏差：可能高估某些技术栈的使用率
地域偏差：某些地区的样本可能不足

2. 方法论限制

自我报告：数据基于开发者自我报告，可能存在记忆偏差或社会期望偏差
时间窗口：调查在4-6月进行，可能无法反映全年趋势
样本量变化：2025年样本量（24,534）比2024年（34,000+）减少约28%

3. 因果关系vs相关性

地域差异：是环境导致效率，还是高效团队选择了更好的环境？
AI工具效率：是AI工具带来效率提升，还是高效开发者更倾向于使用AI工具？

如何正确应用这些数据

1. 趋势vs绝对数值

✅ 关注趋势：相对变化比绝对数值更有意义
⚠️ 谨慎绝对数值：不要过度解读具体百分比

2. 相关性vs因果关系

✅ 识别相关性：数据可以揭示相关性
⚠️ 避免因果推断：不要从相关性直接推断因果关系

3. 样本代表性

✅ 理解偏差：了解样本可能的偏差
⚠️ 谨慎泛化：不要将结论过度泛化到所有开发者

4. 结合其他数据源

✅ 交叉验证：结合Stack Overflow调查、GitHub数据等其他来源
⚠️ 单一数据源：不要仅依赖单一数据源做重要决策

批判性思考框架

在阅读和使用这些数据时，问自己：

数据来源：谁收集的数据？为什么收集？可能存在什么偏差？
样本代表性：样本是否代表我想了解的人群？
方法论：数据如何收集？方法是否可靠？
因果关系：这是相关性还是因果关系？还有其他解释吗？
适用性：这些数据是否适用于我的具体情况？
时间性：数据是否仍然相关？趋势是否持续？

报告应用建议

‍ 个人开发者

技能规划

✅ TypeScript：从"可选"到"必选"，建议优先学习
✅ Rust/Go：如果关注系统编程或并发，值得投入
✅ Python：AI/数据科学领域仍为必选

工具选择

✅ AI工具：尽早接触和使用，但注意平衡效率提升和技能发展
✅ 数据库：PostgreSQL值得深入学习
✅ 云平台：根据项目需求选择，AWS仍为最主流

职业发展

✅ 全栈技能：现代开发者需要全链路技能
✅ AI工具熟练度：可能成为基本要求
✅ 软技能：沟通、协作、学习能力重要性提升

技术团队

技术栈决策

✅ 参考趋势：但结合实际业务需求
✅ TypeScript：新项目建议采用
✅ PostgreSQL：新项目建议优先考虑

工具采购

✅ AI工具：考虑系统化采用，而非仅个人使用
✅ 生产力测量：建立专门角色，而非仅由团队负责人承担
✅ 基础设施：投资CI/CD等基础设施，直接转化为生产力

团队建设

✅ 减少上下文切换：学习日本和韩国的组织设计
✅ 平衡测量：技术指标和非技术因素并重
✅ 沟通和协作：技术管理者希望2倍关注沟通问题

企业决策者

技术投资

✅ AI工具：从试点转向系统化采用
✅ 基础设施：投资CI/CD等基础设施，回报明显
✅ 减少技术债务：技术管理者希望近2倍投资

人才战略

✅ AI工具熟练度：可能成为基本要求
✅ 远程协作：44%主要或完全远程，需要适应
✅ 地域差异：考虑不同地区的开发体验差异

文化建设

✅ 生产力测量：提高透明度和清晰度
✅ 专门角色：考虑建立开发者生产力专家角色
✅ 沟通和协作：重视非技术因素对生产力的影响

个人深度解读

最值得关注的三大趋势

1. AI工具：从"个人先行"到"组织滞后"的鸿沟

现象：个人使用率持续增长，但企业采用滞后
原因：可能是政策限制、安全顾虑、组织惯性
影响：个人效率提升vs组织系统化应用的差距
预测：未来1-2年，企业层面的系统化采用将加速

2. 生产力测量：从"技术指标"到"平衡测量"的转变

现象：66%开发者不相信当前指标
原因：当前指标偏重技术，忽视非技术因素
影响：需要重新思考如何测量和提升生产力
预测：未来将出现更多平衡技术指标和非技术因素的测量方法

3. 地域差异：从"个人能力"到"环境塑造"的认知转变

现象：相同技能水平在不同环境下的体验差异显著
原因：工作环境、基础设施、组织文化的影响
影响：组织设计可以直接影响开发体验和效率
预测：更多组织将学习日本和韩国的经验，优化组织设计

未来3-5年预测

技术层面：

TypeScript将成为Web开发的标准配置
Rust和Go在系统编程领域持续增长
AI工具从"辅助"到"核心工作流"的转变
生产力测量方法的创新和标准化

行业层面：

企业AI采用从"试点"到"系统化"的加速
开发者生产力专家角色的出现
组织设计对开发体验的影响被更广泛认识
地域差异的缩小（通过学习和借鉴）

个人层面：

AI工具熟练度成为基本要求
全栈+AI技能的开发者更具竞争力
软技能（沟通、协作、学习能力）重要性提升
远程协作能力成为竞争优势

assemble

老一套和新方法，二者都将指引我们。

# JetBrains 2025开发者生态调查报告推荐

JetBrains 2025开发者生态调查报告推荐

⚡ 一页纸核心数据概览（快速决策版）

** 调查基本信息**

** 2025年五大核心发现**

** 四大核心问题（问题导向速查）**

** 报告四大章节速查**

报告来源与权威性

** 关于JetBrains**

** 关于开发者生态调查**

2024 vs 2025：关键变化对比

** 样本规模变化**

** 编程语言生态变化**

** AI工具应用变化**

** 新增关注点（2025年独有）**

问题导向：2025年报告核心洞察

** 问题1：AI工具到底有没有用？**

** 问题2：如何正确测量开发者生产力？**

** 问题3：为什么有些团队效率更高？**

** 问题4：TypeScript是否值得投入？**

2025年报告核心发现（详细版）

** 1. 编程语言生态：TypeScript爆发式增长**

** 2. 开发工具与平台**

** 3. AI工具：个人使用vs企业采用的巨大鸿沟**

** 4. 生产力测量危机**

** 5. 生活与工作：地域差异显著**

批判性分析：如何正确解读这些数据

⚠️ 数据局限性

** 如何正确应用这些数据**

** 批判性思考框架**

报告应用建议

‍ 个人开发者

** 技术团队**

** 企业决策者**

个人深度解读

** 最值得关注的三大趋势**

** 未来3-5年预测**

相关资源推荐

公告

调查基本信息

2025年五大核心发现

四大核心问题（问题导向速查）

报告四大章节速查

关于JetBrains

关于开发者生态调查

样本规模变化

编程语言生态变化

AI工具应用变化

新增关注点（2025年独有）

问题1：AI工具到底有没有用？

问题2：如何正确测量开发者生产力？

问题3：为什么有些团队效率更高？

问题4：TypeScript是否值得投入？

1. 编程语言生态：TypeScript爆发式增长

2. 开发工具与平台

3. AI工具：个人使用vs企业采用的巨大鸿沟

4. 生产力测量危机

5. 生活与工作：地域差异显著

如何正确应用这些数据

批判性思考框架

技术团队

企业决策者

最值得关注的三大趋势

未来3-5年预测