GitHub 与耶鲁调查：八成受访开发者想要节能编程工具，但缺乏测量方法

发生了什么

GitHub 在官方博客发表研究文章（2026 年 9 月 23 日发布、9 月 24 日更新），作者为 Paull Young。据 GitHub 表示，这项调查由 GitHub 与耶鲁大学气候变化传播项目共同开展，从美国的 GitHub 月活跃用户中获得 1,039 份回复，询问他们对气候变化、AI、软件效率与科技行业组织责任的看法。

GitHub 归纳的核心结论是：开发者知道高效软件很重要，但许多人缺乏找出浪费、测量改进并说服团队处理的明确方法。

阅读完整文字说明

消息会先收集来源、独立核查，再交由 Jev 判断。

调查的主要数字

据 GitHub 公布，79% 受访者担忧全球变暖，71% 关注 AI 系统在能源、用水与碳排放方面的环境影响，75% 认为雇主积极减少环境影响很重要。在需求方面，80% 对节能编程工具感兴趣，78% 想学习减少软件环境足迹的最佳实践，74% 希望衡量软件或开发流程的环境影响，70% 有兴趣参与可持续发展相关的开源项目。

GitHub 还将部分题目与耶鲁全国代表性调查“Climate Change in the American Mind”中的美国成年人结果进行对照，受访 GitHub 用户在多数题目上表现出更高的关注程度。

差距在哪里：有意愿，但缺少可行的路径

据 GitHub 公布，仅 10% 受访者认为自己编写软件的方式对减少个人环境影响有很大作用，28% 认为有中等作用，63% 认为作用很小。GitHub 表示，开放式回答中有人希望能估算代码仓库（存放项目代码的地方）与 CI/CD 工作流（代码提交后自动构建、测试和发布的流程）的足迹、找出不必要的 GitHub Actions（GitHub 提供的自动化任务服务）运行，并比较 AI 使用与其他计算需求；也有受访者警告不要在没有证据时做出环境方面的宣称。

GitHub 特别指出，程序变快可以减少资源使用，但运行时间本身不能证明能耗或排放下降，因为硬件、工作负载、地点、时间与电力来源都会影响结果。

GitHub 建议的做法与 AI 智能体工具

GitHub 建议从四个方面寻找可测量的浪费：代码（重复计算、低效算法等）、数据（过度拉取、缺少缓存等）、网络与 I/O（即数据的读取和写入，如重复请求、传输过大等），以及前端（用户直接看到的页面部分，如不必要的渲染、过早加载屏幕外资源等）。运行时间、CPU 使用、内存分配与网络传输量都可作为代理指标（间接反映计算量的指标），但 GitHub 提醒每种指标都有局限，应说明测了什么、没测什么。

同时，GitHub 介绍了其开源的 Daily Efficiency Improver 工作流（属于 GitHub Agentic Workflows，即由 AI 智能体自动执行任务的工作流）。据 GitHub 表示，它会检查代码仓库中的效率改进机会、运行测试，并可创建附有证据与权衡说明的草稿 pull request（向项目提交的修改提议，需项目维护者审核后才会并入），但不会自行合并。GitHub 建议启用前先检查权限、配置、模型使用、运行频率与计算成本，先在测试仓库中或以手动方式试用，并表示最终仍由人来判断证据及是否采纳。

对普通读者的实际影响

• 对普通用户：这项调查反映出部分开发者关心软件与 AI 的能耗问题，但它是意见调查，不代表任何服务已实际变得更省电。
• 对开发团队：GitHub 建议的重点是“先测量、再宣称”，用具体数据与可复现的测试支撑效率改进，而不是仅称变更“更环保”。
• 对考虑使用 AI 智能体工具的团队：GitHub 自己也提醒，自动化工作流本身会消耗计算资源并需要配置权限，建议仅作为提出假设的辅助，由维护者审核。

查看同分类最新消息

• 科技新闻