ai agent的开发的编程语言类型分析统计Python 是 AI Agent 开发的绝对主力语言；TypeScript

1. 总体结论

GitHub 上 AI Agent 项目的编程语言分布大致呈现：

语言	估计占比	主要使用场景
Python	60% - 75%	通用 Agent、Multi-Agent、RAG Agent、科研实验、LLM 编排、数据分析、Coding Agent
TypeScript / JavaScript	15% - 30%	Web Agent、前端/全栈 Agent、浏览器 Agent、聊天机器人、Agent UI、Node.js Agent 框架
Jupyter Notebook	3% - 8%	原型实验、论文复现、教程、评测
Go	1% - 4%	高性能服务端 Agent、DevOps Agent、云原生工具
Java	1% - 4%	企业级 Agent、后端系统、Spring AI 生态
C# / .NET	1% - 3%	企业应用、Microsoft 生态、Semantic Kernel 相关项目
Rust	< 2%	高性能 Agent Runtime、CLI Agent、边缘端工具
C++	< 2%	机器人、具身智能、仿真、推理引擎集成

总体来看：

Python 是 AI Agent 开发的绝对主力语言；TypeScript/JavaScript 是 Web 化、浏览器化、产品化 Agent 的主要语言；Java、C#、Go 更多出现在企业级、后端服务和工程化场景。

2. 按 AI Agent 类型划分的语言统计

2.1 通用自主 Agent / Autonomous Agent

代表方向：

AutoGPT 类
BabyAGI 类
AgentGPT 类
Jarvis / JARVIS-like Agent
通用任务规划、工具调用、记忆系统、自主执行

典型项目：

AutoGPT
BabyAGI
SuperAGI
OpenAGI
AgentGPT
MetaGPT 部分能力
CrewAI 部分能力

语言分布估计：

语言	占比
Python	70% - 80%
TypeScript / JavaScript	10% - 20%
Jupyter Notebook	3% - 5%
Go / Java / C# / Rust	5% 左右

特点：

早期 AI Agent 项目大量基于 LangChain、OpenAI SDK、向量数据库、Python 工具链构建。
Python 生态更适合快速集成 LLM、RAG、工具调用、爬虫、自动化、数据处理。
TypeScript 项目多用于 Web UI、Agent 可视化和在线执行平台。

总结：

通用自主 Agent 基本是 Python 主导，TS/JS 主要负责前端和 Web 产品化。

2.2 Multi-Agent / 多智能体协作框架

代表方向：

多角色协作
Agent 团队
任务分解
Workflow + Agent
软件公司模拟
群体决策
Multi-Agent Simulation

典型项目：

AutoGen
CrewAI
MetaGPT
ChatDev
CAMEL
AgentVerse
LangGraph
OpenBMB AgentVerse

语言分布估计：

语言	占比
Python	75% - 85%
TypeScript / JavaScript	5% - 10%
Jupyter Notebook	5% - 8%
Java / Go / C#	3% - 5%
Rust / C++	较少

特点：

多智能体系统需要 LLM 调用、Prompt 管理、状态机、消息传递、工具调用、记忆系统。
Python 在这些能力上的生态最成熟。
很多 Multi-Agent 框架来自研究机构、论文项目，因此 Python 和 Notebook 占比较高。

总结：

多智能体框架是 Python 最集中的领域之一，科研属性明显。

2.3 Coding Agent / 软件开发 Agent

代表方向：

自动写代码
自动修 Bug
代码审查
SWE Bench Agent
DevOps Agent
AI IDE Agent
CLI Coding Assistant

典型项目：

OpenHands / OpenDevin
SWE-agent
Aider
GPT Engineer
Smol Developer
Continue
Tabby
Devin-like 开源实现
Cursor/IDE 插件生态相关项目

语言分布估计：

语言	占比
Python	40% - 55%
TypeScript / JavaScript	25% - 40%
Go	3% - 8%
Rust	2% - 6%
Shell	3% - 6%
Java / C#	较少，但在 IDE 插件中存在

特点：

Python 常用于 Agent 核心逻辑、代码分析、任务规划、LLM 调用。
TypeScript 常用于 VS Code 插件、Web IDE、前端交互。
Rust/Go 出现在 CLI 工具、代码索引、执行沙箱、高性能服务中。
Shell/Dockerfile 比例也较高，因为 Coding Agent 经常需要运行、测试、构建项目。

总结：

Coding Agent 是 Python 与 TypeScript/JavaScript 双核心生态，Python 负责智能体逻辑，TS/JS 负责 IDE、前端和插件。

2.4 Browser Agent / Web Agent / GUI Agent

代表方向：

自动浏览网页
表单填写
网页任务执行
RPA + LLM
Playwright/Selenium Agent
Computer Use Agent
UI 操作 Agent

典型项目：

Browser-use
WebVoyager
Agent-E
OpenAI Computer Use 相关开源实现
Playwright Agent
Selenium Agent
WebArena 相关项目

语言分布估计：

语言	占比
Python	40% - 55%
TypeScript / JavaScript	35% - 50%
Go	2% - 5%
Java	2% - 4%
C#	少量
Rust	少量

特点：

浏览器自动化生态中，Playwright 和 Puppeteer 的 TypeScript/JavaScript 基础很强。
Python 也通过 Playwright Python、Selenium、browser-use 等项目占据重要位置。
GUI Agent 越靠近桌面自动化、截图分析、OCR，Python 占比越高。
越靠近浏览器插件、网页应用、前端交互，TypeScript 占比越高。

总结：

Browser Agent 是 Python 和 TypeScript/JavaScript 最接近五五开的 Agent 类型。

2.5 RAG Agent / Knowledge Agent / 企业知识库 Agent

代表方向：

文档问答
企业知识库
检索增强生成
工具调用 + RAG
数据库 Agent
Search Agent

典型项目：

LangChain 生态项目
LlamaIndex 生态项目
Dify
FastGPT
AnythingLLM
RAGFlow
Flowise
Haystack
DB-GPT

语言分布估计：

语言	占比
Python	55% - 70%
TypeScript / JavaScript	20% - 35%
Java	3% - 8%
Go	2% - 5%
C#	1% - 3%
SQL	辅助角色
Jupyter Notebook	3% - 5%

特点：

Python 用于 RAG Pipeline、Embedding、向量数据库、文档解析、LLM 调用。
TypeScript/JavaScript 用于 SaaS 化、可视化编排、Web 后台。
Java 在企业知识库、Spring AI、传统后端集成中有一定占比。
Go 常用于高并发 API 服务、网关和中间件。

总结：

RAG Agent 是 Python 主导，但 TS/JS 和 Java 在产品化、企业化场景中增长明显。

2.6 Workflow Agent / Agent 编排平台

代表方向：

可视化工作流
Agent Orchestration
Low-code / No-code Agent
Prompt Flow
Tool Flow
企业自动化

典型项目：

Dify
Flowise
LangFlow
n8n AI Agent 生态
AutoGen Studio
PromptFlow
LobeChat Agent 能力
Coze 类开源替代项目

语言分布估计：

语言	占比
TypeScript / JavaScript	35% - 50%
Python	35% - 50%
Go	3% - 8%
Java	2% - 5%
C#	少量
Rust	少量

特点：

这类项目往往是完整产品，需要前端、后端、数据库、工作流引擎。
TypeScript/JavaScript 比例较高，因为低代码编排平台通常有复杂 UI。
Python 常用于 LLM 调用、Agent 执行器、插件系统、文档处理。
Go 适合做工作流引擎、任务调度、后端服务。

总结：

Workflow Agent 平台是 TypeScript/JavaScript 占比最高的 AI Agent 类型之一。

2.7 Chatbot Agent / 对话式 Agent

代表方向：

客服 Agent
Telegram/Discord/Slack Bot
企业微信/飞书 Agent
个人助理
多工具聊天助手

典型项目：

ChatGPT-Next-Web 类项目
LobeChat
Chatbot UI
Botpress 相关项目
Rasa + LLM Agent
LangChain Chatbot
Telegram GPT Bot
Discord GPT Bot

语言分布估计：

语言	占比
TypeScript / JavaScript	35% - 50%
Python	30% - 45%
Java	5% - 10%
C#	2% - 5%
Go	2% - 5%
PHP / Ruby	少量

特点：

前端聊天界面、Bot 平台 SDK、Node.js 服务推动 TS/JS 占比较高。
Python 仍常用于 LLM Agent 核心逻辑和后端。
Java/C# 在企业 IM、客服系统、内部平台中有一定存在。

总结：

对话式 Agent 更偏产品应用，因此 TypeScript/JavaScript 占比通常高于纯研究型 Agent。

2.8 Data Agent / 数据分析 Agent

代表方向：

自然语言查数
Text-to-SQL Agent
Pandas Agent
BI Agent
数据分析助手
数据科学 Agent

典型项目：

PandasAI
DB-GPT
SQLChat
Vanna
Dataherald
LangChain SQL Agent 示例
LlamaIndex SQL Agent 示例

语言分布估计：

语言	占比
Python	70% - 85%
TypeScript / JavaScript	8% - 18%
SQL	辅助角色
Jupyter Notebook	5% - 10%
Java / Go	少量

特点：

数据分析生态天然以 Python 为核心。
Pandas、NumPy、SQLAlchemy、DuckDB、Jupyter、Matplotlib、Plotly 等工具链集中在 Python。
TS/JS 多用于 Dashboard、BI 前端、查询界面。

总结：

数据分析类 Agent 是 Python 占比最高的方向之一。

2.9 Robotic Agent / Embodied Agent / 具身智能 Agent

代表方向：

机器人 Agent
仿真环境
游戏 Agent
视觉语言动作模型
自动控制
ROS Agent

典型项目：

Voyager Minecraft Agent
MineDojo
Habitat 相关 Agent
ALFWorld
WebShop / MiniWoB 相关环境
ROS + LLM Agent 项目

语言分布估计：

语言	占比
Python	45% - 60%
C++	15% - 30%
Jupyter Notebook	5% - 10%
TypeScript / JavaScript	5% - 10%
Lua / C#	特定游戏或仿真环境中出现
Rust / Go	少量

特点：

Python 用于模型推理、训练、策略、Agent 调度。
C++ 用于机器人控制、ROS、仿真引擎、底层性能模块。
游戏 Agent 可能涉及 C#、Lua、JavaScript 等具体引擎语言。

总结：

具身智能 Agent 是少数 C++ 占比较高的 AI Agent 类型。

3. 汇总表：不同 Agent 类型的语言倾向

Agent 类型	第一语言	第二语言	语言特点
通用自主 Agent	Python	TypeScript	Python 快速集成 LLM 与工具链
Multi-Agent	Python	Jupyter / TS	研究属性强，Python 绝对主导
Coding Agent	Python	TypeScript	Python 做 Agent 核心，TS 做 IDE/插件/UI
Browser Agent	Python / TypeScript	JavaScript	浏览器自动化推动 TS/JS 占比高
RAG Agent	Python	TypeScript / Java	Python 做检索和推理，TS/Java 做产品化
Workflow Agent	TypeScript / Python	Go	低代码平台和 UI 导致 TS 占比高
Chatbot Agent	TypeScript / Python	Java / C#	产品化、Web 化明显
Data Agent	Python	SQL / Notebook	数据科学生态决定 Python 主导
Robotic Agent	Python	C++	控制、仿真、ROS 带来 C++ 占比

4. GitHub AI Agent 项目的语言趋势

4.1 Python 仍是核心语言

原因：

LLM SDK 和 Agent 框架最早以 Python 为主。
LangChain、LlamaIndex、AutoGen、CrewAI、Haystack 等生态成熟。
Python 易于集成向量数据库、爬虫、数据处理、自动化、模型推理。
研究人员和 AI 工程师更熟悉 Python。

典型使用：

Agent Core
Tool Calling
RAG Pipeline
Memory
Planner
Executor
Evaluation
Fine-tuning
Embedding

4.2 TypeScript/JavaScript 增长很快

增长场景：

Web Agent
Browser Agent
Chatbot UI
低代码 Agent 平台
VS Code 插件
Agent SaaS 产品
前后端一体化应用

典型使用：

Next.js
Node.js
React
Vue
Express
NestJS
Playwright
Puppeteer
VS Code Extension
Electron

趋势判断：

越接近用户界面和产品交付，TypeScript 占比越高。

4.3 Java、C# 主要在企业 Agent 场景

Java 典型场景：

Spring AI
企业知识库
ERP/CRM Agent
微服务 Agent
金融、政企、传统 IT 系统

C# 典型场景：

Semantic Kernel
Microsoft Copilot 生态
Office / Teams / Azure 集成
企业内部 Agent

趋势判断：

Java 和 C# 在 GitHub 开源热度上不如 Python/TS，但在企业内部落地中占比可能更高。

4.4 Go 和 Rust 偏工程化、运行时和基础设施

Go 典型场景：

Agent 服务端
高并发 API
调度系统
云原生工具
DevOps Agent

Rust 典型场景：

高性能 CLI
本地 Agent Runtime
代码索引
安全沙箱
推理服务组件

趋势判断：

Go/Rust 在 repo 数量上不大，但在高性能和工程化 Agent 项目中价值较高。

5. 如果按 Star 权重看，语言分布可能有所变化

如果不是按仓库数量，而是按 GitHub Star 数量加权，TypeScript/JavaScript 的比例通常会上升。

原因：

面向用户的聊天 UI、Agent 平台、可视化工具更容易获得 Star。
Next.js、React、Node.js 项目用户群更大。
很多 Python Agent 框架虽然技术核心强，但前端项目传播更广。

大致估计：

统计口径	Python	TS/JS	Java/C#/Go/Rust	Notebook/其他
按仓库数量	60% - 75%	15% - 25%	5% - 10%	5% - 10%
按 Star 加权	50% - 65%	25% - 40%	5% - 10%	3% - 8%
按企业落地	40% - 55%	20% - 30%	15% - 30%	较少

6. 可复现的 GitHub 统计方法

如果你想做严格统计，可以按以下流程：

6.1 GitHub 搜索关键词

建议使用这些关键词和 topic：

ai-agent
llm-agent
autonomous-agent
multi-agent
agent-framework
rag-agent
coding-agent
browser-agent
web-agent
llm-agents
autogpt
babyagi
crewai
autogen
langgraph
llamaindex-agent
langchain-agent

GitHub 搜索示例：

topic:ai-agent stars:>10
topic:llm-agent stars:>10
topic:multi-agent stars:>10
"AI Agent" stars:>10
"LLM Agent" stars:>10
"autonomous agent" stars:>10
"coding agent" stars:>10
"browser agent" stars:>10

6.2 分类维度

可以用关键词把项目粗分为：

categories = {
    "autonomous_agent": ["autogpt", "babyagi", "autonomous", "planner", "executor"],
    "multi_agent": ["multi-agent", "multiagent", "crew", "autogen", "metagpt", "chatdev", "camel"],
    "coding_agent": ["coding", "swe", "developer", "devin", "code", "programming", "aider"],
    "browser_agent": ["browser", "web", "playwright", "selenium", "puppeteer", "webarena"],
    "rag_agent": ["rag", "retrieval", "knowledge", "vector", "document", "search"],
    "workflow_agent": ["workflow", "flow", "orchestration", "low-code", "no-code"],
    "chatbot_agent": ["chatbot", "assistant", "discord", "telegram", "slack", "wechat"],
    "data_agent": ["data", "sql", "pandas", "bi", "analytics"],
    "robotic_agent": ["robot", "embodied", "ros", "minecraft", "simulation", "habitat"]
}

6.3 GitHub API 统计脚本示例

下面是一个简化版 Python 脚本，用于搜索 GitHub 仓库并统计语言。

需要先申请 GitHub Token：

export GITHUB_TOKEN=你的_token

脚本：

import os
import time
import requests
from collections import defaultdict, Counter

TOKEN = os.getenv("GITHUB_TOKEN")

HEADERS = {
    "Authorization": f"Bearer {TOKEN}",
    "Accept": "application/vnd.github+json"
}

QUERIES = [    'topic:ai-agent stars:>10',    'topic:llm-agent stars:>10',    'topic:multi-agent stars:>10',    '"AI Agent" stars:>10',    '"LLM Agent" stars:>10',    '"autonomous agent" stars:>10',    '"coding agent" stars:>10',    '"browser agent" stars:>10',    '"rag agent" stars:>10']

CATEGORY_KEYWORDS = {
    "autonomous_agent": ["autogpt", "babyagi", "autonomous", "planner", "executor"],
    "multi_agent": ["multi-agent", "multiagent", "crew", "autogen", "metagpt", "chatdev", "camel"],
    "coding_agent": ["coding", "swe", "developer", "devin", "code", "programming", "aider"],
    "browser_agent": ["browser", "web", "playwright", "selenium", "puppeteer", "webarena"],
    "rag_agent": ["rag", "retrieval", "knowledge", "vector", "document", "search"],
    "workflow_agent": ["workflow", "flow", "orchestration", "low-code", "no-code"],
    "chatbot_agent": ["chatbot", "assistant", "discord", "telegram", "slack", "wechat"],
    "data_agent": ["data", "sql", "pandas", "bi", "analytics"],
    "robotic_agent": ["robot", "embodied", "ros", "minecraft", "simulation", "habitat"]
}

def github_search(query, page=1):
    url = "https://api.github.com/search/repositories"
    params = {
        "q": query,
        "sort": "stars",
        "order": "desc",
        "per_page": 100,
        "page": page
    }
    resp = requests.get(url, headers=HEADERS, params=params)
    resp.raise_for_status()
    return resp.json()

def get_languages(languages_url):
    resp = requests.get(languages_url, headers=HEADERS)
    resp.raise_for_status()
    return resp.json()

def classify_repo(repo):
    text = " ".join([
        repo.get("name") or "",
        repo.get("description") or "",
        " ".join(repo.get("topics") or [])
    ]).lower()

    matched = []

    for category, keywords in CATEGORY_KEYWORDS.items():
        if any(keyword.lower() in text for keyword in keywords):
            matched.append(category)

    if not matched:
        matched.append("other_agent")

    return matched

def main():
    repos = {}

    for query in QUERIES:
        for page in range(1, 4):
            data = github_search(query, page)
            items = data.get("items", [])

            if not items:
                break

            for repo in items:
                repos[repo["full_name"]] = repo

            time.sleep(1)

    print(f"Total unique repos: {len(repos)}")

    overall_primary_language = Counter()
    overall_language_bytes = defaultdict(int)
    category_primary_language = defaultdict(Counter)
    category_language_bytes = defaultdict(lambda: defaultdict(int))

    for full_name, repo in repos.items():
        primary_language = repo.get("language") or "Unknown"
        categories = classify_repo(repo)

        overall_primary_language[primary_language] += 1

        try:
            languages = get_languages(repo["languages_url"])
        except Exception as e:
            print("language fetch failed:", full_name, e)
            languages = {}

        for lang, bytes_count in languages.items():
            overall_language_bytes[lang] += bytes_count

        for category in categories:
            category_primary_language[category][primary_language] += 1
            for lang, bytes_count in languages.items():
                category_language_bytes[category][lang] += bytes_count

        time.sleep(0.5)

    print("\n=== Overall primary language by repo count ===")
    for lang, count in overall_primary_language.most_common(20):
        print(lang, count)

    print("\n=== Overall language by bytes ===")
    for lang, count in sorted(overall_language_bytes.items(), key=lambda x: x[1], reverse=True)[:20]:
        print(lang, count)

    print("\n=== Category primary language ===")
    for category, counter in category_primary_language.items():
        print(f"\n[{category}]")
        for lang, count in counter.most_common(10):
            print(lang, count)

if __name__ == "__main__":
    main()

7. 统计时需要注意的问题

7.1 GitHub 的主语言不一定等于 Agent 核心语言

GitHub 的 primary language 由代码字节数决定。

例如：

一个 Python Agent 项目如果带了大量前端代码，可能显示为 TypeScript。
一个 TypeScript 平台如果嵌入 Python 执行器，可能仍显示 TypeScript。
Notebook 项目可能只是教程，不一定是完整 Agent 框架。

所以建议同时统计：

仓库 primary language
languages_url 返回的语言字节占比
README 中技术栈
目录结构
Star / Fork 权重
最近更新时间

7.2 AI Agent 的定义比较宽泛

GitHub 上很多项目会把以下项目都标成 AI Agent：

Chatbot
RAG 应用
Workflow 工具
Prompt Flow
AutoGPT 类工具
Bot
LLM App
Copilot 插件

所以如果要严谨统计，最好先定义：

AI Agent = 具备感知输入、任务规划、工具调用、状态记忆、执行反馈中至少两项能力的 LLM 应用。

否则统计结果会被普通 ChatGPT Wrapper 干扰。

8. 技术选型建议

如果你要开发自己的 AI Agent，可以按类型选语言：

目标	推荐语言
快速做 Agent 原型	Python
做 Multi-Agent 框架	Python
做 RAG / 数据 Agent	Python
做 Web Agent / 浏览器自动化	Python 或 TypeScript
做 VS Code / IDE Agent	TypeScript + Python
做企业知识库 Agent	Python + Java / Go / TypeScript
做低代码 Agent 平台	TypeScript + Python
做聊天助手产品	TypeScript + Python
做高并发后端 Agent 服务	Go / Java + Python
做本地高性能 CLI Agent	Rust / Go + Python
做机器人 / 具身智能 Agent	Python + C++

9. 最终总结

GitHub 上 AI Agent 项目的语言格局可以概括为：

Python 是绝对主流，尤其在通用 Agent、多 Agent、RAG、数据分析、科研项目中。
TypeScript/JavaScript 是产品化主力，尤其在 Web Agent、Chatbot、低代码平台、前端 UI、浏览器自动化中。
Java 和 C# 偏企业生态，在开源 GitHub 上声量不如 Python/TS，但在实际企业落地中重要性更高。
Go 和 Rust 偏底层工程化，适合高性能、CLI、运行时、调度和基础设施。
C++ 主要集中在机器人、仿真和具身智能 Agent。
如果按仓库数统计，Python 占比最高；如果按 Star 加权，TypeScript/JavaScript 占比会明显上升。

一句话结论：

GitHub AI Agent 生态当前是“Python 做智能核心，TypeScript/JavaScript 做产品界面，Java/C#/Go 做企业工程化，Rust/C++ 做高性能和底层能力”的格局。