เทรนด์ AI Coding Agent ในเดือนสิงหาคม 2569

เราได้ดำเนินการไซต์ที่เรียกว่า AI Coding.Info ตั้งแต่เดือนกรกฎาคม 2025

นี่คือไซต์ที่สังเกตแนวโน้มการใช้งานที่เกี่ยวข้องกับ AI Coding Agent เช่น Claude Code, Codex CLI, Github Copilot และ Gemini จากจุดคงที่จากข้อมูลในที่เก็บ Github เพื่อพิจารณาการใช้ AI Coding Agent เราจะทำการสำรวจรายวันภายใต้เงื่อนไขต่อไปนี้

การตรวจสอบพื้นที่เก็บข้อมูลสาธารณะ 9,000 แห่งบน Github ทุกวัน
- TOP 300 Github stars ตามภาษาการเขียนโปรแกรม
- วิจัยจากภาษาโปรแกรม 30 ประเภท
กำหนดเป้าหมายเอเจนต์การเข้ารหัส AI 16 ประเภท
เฉพาะเมื่อไฟล์กฎที่ใช้โดย AI Coding Agent ต่างๆ อยู่ในพื้นที่เก็บข้อมูล Github เท่านั้น จึงจะถือว่า AI Coding Agent ถูกใช้อยู่

#เทรนด์เดือนที่แล้ว

https://ai-coding.info/reports/articles/20260703

อัตราการใช้งาน AI Coding Agent อยู่ที่ 13.0%

อัตราการใช้พื้นที่เก็บข้อมูล AI Coding Agent อยู่ที่ 13.0% เพิ่มขึ้น 0.9% จาก 12.1% ในครั้งก่อน

อัตราการใช้ AI Coding Agent ในวันที่ 1/8/2569

https://ai-coding.info/?date=2026-08-01#adoption-rate

อัตราการใช้งาน AI Coding Agent ในวันที่ 1 กรกฎาคม 2026

https://ai-coding.info/?date=2026-07-01#adoption-rate

แนวโน้มอัตราการใช้งาน AI Coding Agent ตั้งแต่ 1/7/2569 ถึง 1/8/2569

https://ai-coding.info/?date=2026-04-01&since=2026-07-01&until=2026-08-01#share-trend

ส่วนแบ่ง AI Coding Agent ตามผลิตภัณฑ์

แบ่งตามสินค้าดังนี้

อันดับ	ชื่อสินค้า	อัตราการแบ่งปัน
อันดับที่ 1	Codex CLI	40.8%
อันดับที่ 2	รหัสคลอด	32.0%
อันดับที่ 3	ตัวแทนนักบิน	15.1%
อันดับที่ 4	ราศีเมถุน CLI(ต้านแรงโน้มถ่วง)	5.3%
อันดับที่ 5	เคอร์เซอร์	4.4%

ในขณะที่ส่วนแบ่งของ Codex CLI เพิ่มขึ้น แต่ Claude Code ก็ยังคงเท่าเดิม Copilot Agent และ Gemini CLI (Antigravity) ก็ลดลงเล็กน้อยเช่นกัน เคอร์เซอร์เป็นสิ่งที่ฉันให้ความสนใจเล็กน้อย เคอร์เซอร์ถูกซื้อโดย SpaceX มีข่าว.

https://www.nikkei.com/article/DGXZQOGN16BC70W6A610C2000000/

ดังนั้นอัตราการแชร์ของเคอร์เซอร์นี้จะมีการเปลี่ยนแปลงหรือไม่? ฉันคิดอย่างนั้น แต่เดือนที่แล้วอยู่ที่ 4.7% และเดือนนี้อยู่ที่ 4.4% ดังนั้นจึงไม่มีการเปลี่ยนแปลงมากนัก เมื่อดูจำนวนที่เก็บข้อมูลที่กล่าวถึงด้านล่าง ในวันที่ 1 กรกฎาคม มีที่เก็บข้อมูล 85 แห่งที่ใช้เคอร์เซอร์ และ ณ วันที่ 1 สิงหาคม จำนวนยังคงไม่เปลี่ยนแปลงที่ 85 ดังนั้น จากปรากฏการณ์นี้ จำนวนประชากรของที่เก็บข้อมูลที่ใช้ AI Coding Agent ได้เพิ่มขึ้นโดยรวม แต่จำนวนการใช้เคอร์เซอร์ไม่ได้เพิ่มขึ้น ส่งผลให้ส่วนแบ่งการตลาดโดยรวมลดลง สิ่งนี้ได้กลายเป็นปรากฏการณ์ อย่างไรก็ตาม เนื่องจากคุณลักษณะของการวิจัย AI Coding.Info จำนวนพื้นที่เก็บข้อมูลที่มีไฟล์การกำหนดค่าเฉพาะเคอร์เซอร์ (.cursor) จะไม่เปลี่ยนแปลง ดังที่กล่าวไปแล้ว Cursor นั้นรองรับ AGENTS.md AI Coding.Info ระบุว่าจำนวนพื้นที่เก็บข้อมูลที่มี AGENTS.md = จำนวนการนำ Codex CLI มาใช้ ดังนั้นถึงแม้จะมีการใช้เคอร์เซอร์ แต่ก็เป็นไปได้ที่จะถูกนับเป็น Codex CLI และมีความเป็นไปได้ที่จำนวนการใช้งานจะเพิ่มขึ้นในส่วนที่มองไม่เห็น

อัตราการแชร์ AI Coding Agent ในวันที่ 1/8/2026

https://ai-coding.info/?date=2026-08-01&since=2026-07-01&until=2026-08-01#agent-share

อัตราการแบ่งปัน AI Coding Agent ในวันที่ 1/7/2569

https://ai-coding.info/?date=2026-07-01&since=2026-07-01&until=2026-08-01#agent-share

สถานะการใช้งาน AI Coding Agent ตามภาษาการเขียนโปรแกรม

ภาษาโปรแกรมที่ AI Coding Agent ถูกใช้มากที่สุดคือ "TypeScript" ภาษาที่สองคือ "Python" ภาษาที่สามคือ "Rust" ภาษาที่สี่คือ "Go" และภาษาที่ห้าคือ "C#" อัตราการนำ AI Coding สำหรับ TypeScript มาใช้ยังคงสูง ในขณะที่องค์ประกอบของ Python'', Rust'' และ Go'' เป็นกลุ่มที่สอง และ C#'' เป็นกลุ่มที่สามมีแนวโน้มอย่างต่อเนื่องในปีที่ผ่านมา

การจัดอันดับ AI Coding Agent ตามภาษาการเขียนโปรแกรมในวันที่ 1/8/2569

https://ai-coding.info/?date=2026-08-01&since=2026-07-01&until=2026-08-01#language-agent-rank

การจัดอันดับ AI Coding Agent ตามภาษาการเขียนโปรแกรมในวันที่ 1 กรกฎาคม 2026

https://ai-coding.info/?date=2026-07-01&since=2026-07-01&until=2026-08-01#language-agent-rank

แนวโน้มรายเดือนในจำนวนพื้นที่เก็บข้อมูลที่ใช้โดย AI Coding Agent

จำนวนที่เก็บข้อมูลคือ 1,794 ณ วันที่ 2026/07/01 แต่เพิ่มขึ้นเป็น 1,940 ณ วันที่ 08/08/2026 และจำนวนที่เก็บข้อมูลที่ใช้ AI Coding Agent เพิ่มขึ้น 146 แห่ง

การเปลี่ยนแปลงจำนวนพื้นที่เก็บข้อมูลโดยใช้ AI Coding Agent จาก 1/7/2569 เป็น 1/8/2569

https://ai-coding.info/?date=2026-08-01&since=2026-07-01&until=2026-08-01#time-based-bar-chart

LLM ท้องถิ่นสามารถใช้สำหรับการเข้ารหัส AI ได้หรือไม่

ในเดือนมิถุนายน LLM รุ่นต่อไป Mythos และ Fable 5 ได้รับการเผยแพร่โดย Claude และทำให้อุตสาหกรรมตกใจกับผลงานของพวกเขา อย่างไรก็ตาม หลังจากนั้นบริษัท Kimi ของจีนได้เปิดตัวโมเดลน้ำหนักเปิดที่เรียกว่า Kimi-K3 ซึ่งเกือบจะเป็นคลาส Fable นั่นกลายเป็นประเด็นร้อน แม้จะดูเกณฑ์มาตรฐานจริงแล้วตัวเลขก็ยังใกล้เคียงกัน

https://artificialanalysis.ai/#intelligence-category-tabs

เมื่อฉันคิดว่าอย่างนั้น

**LLM ในพื้นที่เป็นตัวเลือกสำหรับการเข้ารหัส AI ไม่ใช่หรือ **

ฉันคิดว่าคุณอาจจะคิดอย่างนั้น ฉันสำรวจพื้นที่นั้นแล้ว ตารางด้านล่างแสดงรายการโมเดล LLM น้ำหนักเปิดที่สำคัญจากกราฟด้านบน

ชื่อรุ่น	ชื่อบริษัท	วันที่ประกาศ	จำนวนพารามิเตอร์	จำนวนพารามิเตอร์ที่ใช้งานอยู่	ความยาวบริบท	ดัชนีข่าวกรอง
Kimi K3(สูงสุด)	Kimi(จีน)	2026/07	2,800B	104B	1M	60
GLM-5.2(สูงสุด)	Z AI(จีน)	2026/06	756B	40B	1M	53
DeepSeek V4 แฟลช 0731	DeepSeek(จีน)	2026/07	284B	13B	1M	52
MiMo-V2.5-Pro	Xiaomi(จีน)	2026/04	1,023B	42B	1M	43
มิวส์ กลิมเมอร์ (สูง)	เมตา(สหรัฐอเมริกา)	2026/08	30B		256K	35
เจมม่า 4 31B (การใช้เหตุผล)	กูเกิล (สหรัฐอเมริกา)	2026/04	30.7B		256K	30

อย่างไรก็ตาม สิ่งเหล่านี้ใช้งานได้จริงบนพีซีของคุณหรือไม่? ฉันไม่เข้าใจสิ่งนั้นจริงๆ ดังนั้นวิธีการตัดสินที่เราพิจารณาก็คือ

หน่วยความจำ VRAM ที่ต้องการคือ

2[GB] ต่อพารามิเตอร์ 1[B]

เป็น. คุณสามารถประมาณคร่าวๆ ได้ว่าจะใช้งานได้หรือไม่โดยพิจารณาจากความจุหน่วยความจำ VRAM ของพีซีของคุณและจำนวนพารามิเตอร์ของรุ่นที่คุณต้องการใช้งาน ดังนั้น,

**ในทางคณิตศาสตร์ ต้องใช้หน่วยความจำ 5.6TB (5,600GB) เพื่อรัน Kimi-K3 **

ฉันจะอธิบายเหตุผลนี้ ในโมเดล LLM แบบกระจายมาตรฐาน น้ำหนักจะแสดงโดยใช้ตัวเลขทศนิยมที่มีความแม่นยำ bf16 หรือ fp16 สิ่งเหล่านี้ต้องการ 2 ไบต์สำหรับแต่ละพารามิเตอร์ สัญกรณ์ที่คุณพบเห็นบ่อยๆ เช่น 30[B] คือจำนวนพารามิเตอร์ และ B หมายถึงพันล้านและแสดงถึง 10^9 ดังนั้น จะเห็นได้ว่าแบบจำลองเช่น 30[B] มีข้อมูลน้ำหนัก 30×10^9 และ 1[GB]=1*10^9[ไบต์] เมื่อพิจารณาเช่นนั้น เราได้กล่าวไว้ก่อนหน้านี้ว่าน้ำหนักมาตรฐานจะถูกจัดเก็บใน 2 ไบต์ ดังนั้นจึงต้องใช้ 2 ไบต์ต่อน้ำหนัก ซึ่งหมายความว่า 2 [GB] เพื่อจัดเก็บพารามิเตอร์ 1 [B] ในหน่วยความจำ นี่คือการคำนวณ นี่คือความหมายของ "2[GB] ต่อพารามิเตอร์ 1[B]" ที่กล่าวถึงก่อนหน้านี้ อย่างไรก็ตาม นี่เป็นเพียงการประมาณเท่านั้น นี่เป็นข้อกำหนดขั้นต่ำในการโหลดตุ้มน้ำหนักลงใน VRAM และเนื่องจากอาจใช้หน่วยความจำเพิ่มเติมได้ ขอแนะนำอย่างยิ่งว่าอย่าเกินน้ำหนักดังกล่าว นี่คือความจุ VRAM

นี่คือจุดที่แนวคิดเรื่องการหาปริมาณเข้ามามีบทบาท คุณอาจเคยเห็น Q4_0 หรือ Q4_K_M นี่เป็นเทคนิคที่บีบอัดน้ำหนักให้เหลือจำนวนบิต ดังนั้น ในกรณีของ Q4_0 พูดคร่าวๆ ความจุน้ำหนักคือ 4 บิต (ส่วนที่ 4 ของ Q4_0) ดังนั้น ในกรณีนี้ ความจุคือ 0.5[GB] ต่อ 1[B] ตารางอ้างอิงโดยย่อของสิ่งเหล่านี้มีลักษณะดังนี้:

วิธีการหาปริมาณ	จำนวนหน่วยความจำที่ต้องการต่อ 1[B] [GB]
bf16,fp16(มาตรฐาน)	2.0
Q8_0	1.0
คำถามที่ 4_0	0.5

คุณอาจเห็นสัญลักษณ์เช่น Q4_K_M แต่พูดโดยคร่าวๆ ว่าเป็นรุ่นที่เพิ่มความแม่นยำเมื่อเทียบกับ Q4_0 แต่ใช้ความจุหน่วยความจำมากกว่าเล็กน้อย เป็นการดีที่จะทราบเรื่องนี้ มีอีกวิธีหนึ่งที่จะบอกได้ เพียงดูขนาดไฟล์ของไฟล์น้ำหนัก (safetensor หรือ gguf) หากเกินความจุหน่วยความจำ VRAM โดยทั่วไปจะไม่ทำงาน ฉันคิดว่าคุณคิดอย่างนั้นได้

จากที่นี่ เราได้สร้างตารางอ้างอิงโดยย่อเกี่ยวกับจำนวนหน่วยความจำ VRAM วิธีการหาปริมาณ และจำนวนพารามิเตอร์

ความจุหน่วยความจำ VRAM [GB]	จำนวนพารามิเตอร์ (bf16,fp16)[B]	จำนวนพารามิเตอร์ (Q8_0)[B]	จำนวนพารามิเตอร์ (Q4_0)[B]
8	4	8	16
16	8	16	32
24	12	24	48
32	16	32	64
64	32	64	128
128	64	128	256
256	128	256	512
512	256	512	1024
1024	512	1024	2048
2048	1024	2048	4096

สามารถทำได้นานประมาณเท่าไร? โดยหากเป็นรุ่นที่มี VRAM 8GB จะเป็น RTX 5050 และราคา Amazon อยู่ที่ 55,000 เยน สิ่งนี้อาจใช้ได้หากโมเดลมีค่าประมาณ 8[B] เทียบกับ Q8_0 ระดับนั้นเลย

https://link.amazon/B0brulI9R

เมื่อ VRAM เพิ่มขึ้นเป็น 16GB ก็จะกลายเป็นรุ่นประมาณ RTX 5060 Ti ซึ่งมีราคาประมาณ 108,000 เยน ณ จุดนี้ ด้วยการหาปริมาณ Q4_0 LLM คลาส 30[B] จะทำงานได้หรือไม่ ระดับนั้นเลย

https://link.amazon/B0ghUQISo

เมื่อ VRAM เพิ่มเป็น 32GB ก็จะกลายเป็นรุ่นเรือธง RTX 5090 และราคา 795,000 เยน เรื่องนี้ผมคิดว่าอยู่ในระดับที่คุณไม่สามารถทำได้เว้นแต่คุณจะมีความมุ่งมั่นมาก ฉันคิดอย่างนั้น. นี่คือการหาปริมาณของ Q8_0 และโมเดลคลาส 30[B] ใช้งานได้หรือไม่ มันก็จะประมาณระดับเดียวกัน

https://link.amazon/B03EseQp5

พื้นที่นี้เป็นบรรทัดบนสุดของระดับสินค้าอุปโภคบริโภค ในตอนนี้ เมื่อพูดถึงระดับมืออาชีพ RTX PRO 6000 Blackwell มาพร้อมหน่วยความจำขนาด 96GB **ราคา 2.35 ล้านเยน ** ที่นี่ แม้ในระดับปริมาณของ Q4_0 ก็มีเพียงรุ่น 192[B] เท่านั้นที่ใช้งานได้ ดังนั้นรุ่นเรือธงจึงไม่ทำงาน

https://link.amazon/B0g76ngZz

และเนื่องจากมีข้อมูลสำหรับคลัสเตอร์ GPU ที่จะติดตั้งบนเซิร์ฟเวอร์ ฉันจะโพสต์ไว้เพื่อใช้อ้างอิงเท่านั้น ในกรณีของ NVIDIA B300 หน่วยความจำ 288GB ราคา 8.63 ล้านเยน. หากเป็นแบบใดแบบหนึ่ง DeepSeek V4 Flash 0731 ที่มีการวัดปริมาณ Q8_0 อาจใช้งานได้ Q4_0 จะทำงาน หากคุณมีสองอัน (เทียบเท่ากับ 17 ล้านเยน) MiMo-V2.5-Pro ที่มีการวัดปริมาณ Q4_0 อาจใช้งานได้

https://www.nttpc.co.jp/cgi-bin/gpu/simulation/custom/index.cgi

ดังนั้นหากคุณเปรียบเทียบจำนวนหน่วยความจำกับจำนวนพารามิเตอร์ก็จะประมาณนี้ แน่นอนว่ายังมีข้อถกเถียงมากกว่านี้ และจะรวมไว้ในความทรงจำหรือไม่ แล้วมันสร้าง TOK/s เพียงพอที่จะใช้ตามปกติหรือไม่? มีอีกประเด็นหนึ่ง บทความนี้พูดถึงพื้นฐานจริงๆ LLM มีสถาปัตยกรรมที่เรียกว่า Dense และ MoE และใน MoE จะมีการคำนวณเฉพาะพารามิเตอร์ที่ใช้งานจริงเท่านั้น และมีวิธีในการลดจำนวนหน่วยความจำกายภาพโดยการอ่านผู้เชี่ยวชาญที่จำเป็นจากพื้นที่จัดเก็บข้อมูล ฯลฯ ทั้งนี้ขึ้นอยู่กับวิธีดำเนินการ แทนที่จะจัดเก็บผู้เชี่ยวชาญทั้งหมดไว้ในหน่วยความจำตลอดเวลา อย่างไรก็ตาม มีแง่มุมพิเศษบางประการเกี่ยวกับวิธีการดำเนินการโมเดล และการโหลดจากที่จัดเก็บข้อมูลไปยังหน่วยความจำอาจกลายเป็นปัญหาคอขวดได้ มีเรื่องราวเช่นนี้อยู่บ้าง แต่ที่นี่เราเพิกเฉยต่อรายละเอียดดังกล่าว และเพียงพิจารณาความจุเมื่อน้ำหนักทั้งหมดของแบบจำลองถูกเก็บไว้ในหน่วยความจำ

ดังนั้น หากคุณต้องการใช้งานรุ่นเรือธงเชิงปริมาณ Q4_0 หรือ Q8_0 ปัจจุบัน คุณจะต้องมีเครื่องจักรที่มีราคาอย่างน้อย 10 ล้านเยน นั่นคือความรู้สึกของมัน ในทางกลับกัน อาจใช้งานได้หากคุณใช้ฮาร์ดแวร์พิเศษเพื่อให้ได้ปริมาณที่มากขึ้น ตัวอย่างเช่น มีคนที่ใช้ quantization 2 บิตและ 3 บิตบน M4 Mac ที่มีหน่วยความจำ 128GB (ขายหมดแล้ว) และ DGX Spark (หน่วยความจำ 128GB)

https://zenn.dev/tkhr_sait/articles/20260508_try-local-deepseek-v4

https://dev.classmethod.jp/articles/dgx-spark-deepseek-v4-flash-0731-llama-cpp/

ในทางกลับกัน นี่อาจเป็นขีดจำกัดของแต่ละบุคคล มันเป็นความรู้สึกผิว โดยส่วนตัวแล้ว ฉันกำลังให้ความสนใจกับการหาปริมาณ 1 บิต โมเดลที่มีชื่อเสียง ได้แก่ Bonsai และเทคโนโลยีเช่น BitNet แต่ความรู้ความชำนาญสำหรับการวัดปริมาณ 1 บิตยังไม่ได้เปิดเผยต่อสาธารณะ ดังนั้นฉันจึงไม่ได้ลองใช้ (อาจใช้เวลานานมากและลดความแม่นยำในการอนุมาน)

โดยส่วนตัวแล้ว หากมีการเปิดตัว DeepSeek เวอร์ชัน 1 บิต (ประมาณ 35.5 GB) ในปริมาณ 1 บิต ฉันสามารถเห็นโลกที่สามารถเรียกใช้ภายในเครื่องด้วย GPU ระดับผู้บริโภค ขึ้นอยู่กับความฉลาดบางอย่าง แต่เนื่องจากเราไม่มีสิ่งนั้นอยู่ในปัจจุบัน จึงค่อนข้างยาก นั่นคือความจริงที่ซื่อสัตย์

ดังนั้น,

**การใช้โมเดลเรือธงกับ LLM ท้องถิ่นนั้นไม่ใช่เรื่องจริง **

นั่นคือความประทับใจโดยทั่วไปของฉัน หากคุณต้องการให้มันใช้งานได้จริง ฉันคิดว่าคุณต้องทำการทดสอบบ้าง

#ความคิด