2026 年 8 月 AI Coding Agent 趋势

那么这个Cursor的份额会不会有变化呢？我是这么认为的，但是上个月是4.7%，这个月是4.4%，所以变化不大。从下面提到的仓库数量来看，7月1日，采用Cursor的仓库数量为85个，截至8月1日，数量保持在85个不变。因此，就这一现象而言，使用AI Coding Agent的仓库数量总体有所增加，但Cursor使用数量并没有增加。因此，整体市场份额正在下降。这已经成为一种现象。但由于AI Coding.Info研究的特点，具有Cursor特定配置文件（.cursor）的存储库数量不会改变。话虽这么说，Cursor 本身支持 AGENTS.md。 AI Coding.Info 指出，带有 AGENTS.md 的存储库数量 = Codex CLI 采用数量，因此虽然使用了 Cursor，但有可能将其算作 Codex CLI，并且使用数量有可能在无形的部分中增加。

2026 年 8 月 1 日 AI Coding Agent 份额

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

2026年7月1日AI Coding Agent占有率

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

按编程语言划分的 AI Coding Agent 使用情况

AI Coding Agent 使用最多的编程语言是“TypeScript”，第二位是“Python”，第三位是“Rust”，第四位是“Go”，第五位是“C#”。 TypeScript 的 AI 编码采用率仍然很高，而“Python”、“Rust”和“Go”作为第二组、“C#”作为第三组的构成是近年来的一致趋势。

2026年8月1日AI Coding Agent按编程语言排名

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

2026年7月1日AI Coding Agent按编程语言排名

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

AI Coding Agent 使用的存储库数量的每月趋势

截至2026/07/01，存储库数量为1,794个，但截至2026/08/01已增加至1,940个，使用AI Coding Agent的存储库数量增加了146个。

2026年7月1日至2026年8月1日使用AI Coding Agent的存储库数量变化

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

本地LLM可以用于AI Coding吗？

6月，Claude发布了下一代LLM《Mythos》和《Fable 5》，其表现震惊了业界。不过，在此之后，中国的Kimi公司发布了一款名为Kimi-K3的开放重量型号，几乎是寓言级别的。这成为了一个热门话题。即使看看实际的基准，数字也很接近。

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

当我这么想的时候，

**本地法学硕士不也是人工智能编码的一个选择吗？ **

我想你可能会这么想。我调查了那个地区。下表列出了上图中主要的开放权重法学硕士模型。

型号名称	公司名称	公告日期	参数数量	活动参数数量	上下文长度	智力指数
基米K3(max)	基米(中国)	2026/07	2,800B	2,800B 104B	1M	60
GLM-5.2(最大)	Z AI(中国)	2026 年 6 月	756B	756B 40B	1M	53
DeepSeek V4 Flash 0731	DeepSeek（中国）	2026年7月	284B	13B	1M	52
MiMo-V2.5-Pro	小米(中国)	2026/04	1,023B	1,023B 42B	1M	43
缪斯微光（高）	梅塔(美国)	2026/08	30B	30B	256K	35
杰玛 4 31B（推理）	谷歌（美国）	2026/04	30.7B	30.7B	256K	30

然而，这些真的可以在你的电脑上运行吗？我不太明白。因此，我们考虑的判定方法是

所需的 VRAM 内存是

每个参数 2[GB] 1[B]

是。您可以根据您的 PC 的 VRAM 内存容量和您要运行的模型的参数数量来粗略估计它是否可以工作。所以，

**从数学上讲，运行 Kimi-K3 需要 5.6TB (5,600GB) 内存。 **

我将解释其原因。在标准分布式LLM模型中，权重使用十进制数表示，精度为bf16或fp16。每个参数需要 2 个字节。你经常看到的符号，比如30[B]，就是参数的个数，B代表十亿，代表10^9。因此，可以看出，像30[B]这样的模型有30×10^9的权重数据。 1[GB]=1*10^9[字节]。这样想，我们前面提到标准权重以 2 字节存储，因此每个权重需要 2 字节，这意味着 2 [GB] 可以在内存中存储 1 [B] 个参数。这就是计算。这就是前面提到的“每个参数 1[B] 2[GB]”的含义。然而，这只是一个近似值；这是将权重加载到 VRAM 的最低要求，并且由于除此之外还可能使用内存，因此严格建议不要超过它。这是 VRAM 容量。

这就是量化概念发挥作用的地方。您可能见过 Q4_0 或 Q4_K_M。这是一种将权重压缩为其位数的技术。因此，在Q4_0的情况下，粗略地说，权重容量为4位（Q4_0的4部分）。因此，在这种情况下，容量为每 1[B] 0.5[GB]。这些的快速参考表如下所示：

量化方法	每 1[B] [GB] 所需的内存量
bf16,fp16(标准)	2.0
Q8_0	1.0
Q4_0	0.5

您可能会看到诸如 Q4_K_M 之类的符号，但粗略地说，它是一个与 Q4_0 相比提高了精度的模型，但使用的内存容量略多。意识到这一点是件好事。还有另一种方法可以判断，只需查看权重文件（safetensor 或 gguf）的文件大小即可。如果超过了 VRAM 内存容量，通常将无法工作。我想你可以这么想。

从这里，我们创建了 VRAM 内存量、量化方法和参数数量的快速参考表。

VRAM 内存容量 [GB]	参数数量 (bf16,fp16)[B]	参数数量 (Q8_0)[B]	参数数量 (Q4_0)[B]
8	4	8	16
16	16 8	16	16 32
24	12	12 24	48
32	32 16	16 32	32 64
64	64 32	32 64	64 128
128	128 64	64 128	128 256
256	256 128	128 256	256 512
512	512 256	256 512	512 1024
1024	512	512 1024	1024 2048
2048	1024	1024 2048	2048 4096

大约需要多长时间可以完成？考虑到，如果是8GB VRAM的型号，那就是RTX 5050，亚马逊售价为55,000日元。如果模型使用 Q8_0 量化大约 8[B]，则这可能有效。就是这个水平。

https://link.amazon/B0brulI9R

当VRAM增加到16GB时，它成为围绕RTX 5060 Ti的型号，售价约为108,000日元。此时，通过 Q4_0 量化，30[B] 级 LLM 是否有效。就是这个水平。

https://link.amazon/B0ghUQISo

当VRAM增加到32GB时，它成为RTX 5090旗舰型号，售价795,000日元。说到这，我想除非你有很大的决心，否则你就无法做到这一点。我想是的。这是Q8_0的量化，以及30[B]类模型是否有效。这将是大约相同的水平。

https://link.amazon/B03EseQp5

该区域是消费产品级别的顶线。现在，说到专业级，RTX PRO 6000 Blackwell 配备了 96GB 内存。 **价格为235万日元。 ** 这里，即使在 Q4_0 量化级别，也只有 192[B] 模型有效，因此旗舰模型不起作用。

https://link.amazon/B0g76ngZz

而且由于服务器上有安装GPU集群的数据，所以我贴出来仅供参考。 以NVIDIA B300为例，内存为288GB，价格为863万日元。如果是，则具有 Q8_0 量化功能的 DeepSeek V4 Flash 0731 可能会起作用。 Q4_0 可以工作。如果你有两个（相当于1700万日元），带有Q4_0量化的MiMo-V2.5-Pro可能会起作用。

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

因此，如果比较内存量和参数数量的话，也就这个了。当然，值得争论的还不止于此，以及这是否会被包含在内存中。那么，它生成的TOK/s是否足够正常使用呢？还有一个问题。本文讨论的是非常基础的知识。 LLM 具有称为 Dense 和 MoE 的架构，在 MoE 中，实际上只计算活动参数，并且根据执行方法，有一种方法可以通过从存储等中读出必要的 Expert 来减少物理内存量，而不是始终将所有 Expert 存储在内存中。然而，模型的执行方式有一些特殊的方面，从存储加载到内存可能会成为瓶颈。有一些这样的故事，但这里我们忽略这样的细节，简单地考虑模型所有权重都存储在内存中时的容量。

所以，如果你想运行目前的Q4_0或Q8_0量化旗舰机型，你需要一台至少1000万日元的机器。这就是它的感觉。另一方面，如果您使用特殊硬件来实现更大的量化，它可能会起作用。例如，有人在具有 128GB 内存（已售完）的 M4 Mac 和 DGX Spark（128GB 内存）上运行 2 位量化和 3 位量化。

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

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

另一方面，这可能是个人的极限。这是一种皮肤的感觉。就我个人而言，我关注 1 位量化。著名的模型有Bonsai和BitNet等技术，但1位量化的技术尚未公开，所以我没有尝试过（这可能会花费大量时间并降低推理精度）。

因此，就个人而言，如果 DeepSeek 的 1 位量化版本（大约 35.5 GB）发布，我可以看到一个可以在消费级 GPU 上本地运行的世界，这取决于一些独创性，但由于我们目前还没有，所以这是相当困难的。这是诚实的事实。

所以，

**用本地法学硕士来运行旗舰模型是不现实的。 **

这是我的总体印象。如果你真的想让它工作，我认为你需要做一些测试。

想法

这次我的演讲重点是当地的LLM。当Kimi-K3出来的时候，我相当震惊，寓言类搬到了当地的LLM！这是相当令人印象深刻的，但我什至无法以我拥有的设备移动它。这是我的真实印象。我以前发过一篇关于本地LLM的文章，但当时效果不是很好，所以我想自己深入挖掘一下。我是这么想的。

本地LLM可以用于AI Coding吗？ ~从数据看2026年7月AI Coding趋势总结~

2026 年 8 月 AI Coding Agent 趋势

上个月的趋势

AI Coding Agent使用率为13.0%

AI Coding Agent 按产品划分的份额

按编程语言划分的 AI Coding Agent 使用情况

AI Coding Agent 使用的存储库数量的每月趋势

本地LLM可以用于AI Coding吗？

想法