Python热度下滑、AI能取代搜索引擎?TIOBE最新榜单揭晓!

Python热度下滑、AI能取代搜索引擎?TIOBE最新榜单揭晓!

整理 | 屠敏

出品 | ZEEKLOG(ID:ZEEKLOGnews)

日前,TIOBE 发布了最新的 3 月编程语言榜单。整体来看,本月排名变化不算大,但榜单中仍然出现了一些值得关注的小波动。

图片

 AI 工具能帮大家秒懂最新编程语言趋势?

由于 2 月天数较少,3 月的榜单整体变化有限。借着这次发布,TIOBE CEO Paul Jansen 也回应了一个最近被频繁讨论的问题:为什么 TIOBE 指数仍然依赖搜索引擎统计结果?在大语言模型流行的今天,直接询问 AI 哪些编程语言最流行,是不是更简单?

对此,Jansen 的回答是否定的。

他解释称,TIOBE 指数本质上统计的是互联网上关于某种编程语言的网页数量。而大语言模型的训练数据同样来自这些网页内容,因此从信息来源来看,两者并没有本质区别。换句话说,LLM 的判断,本质上也是建立在这些网页数据之上的。

图片

Python 活跃度仍在下降

虽然整体格局比较稳定,但榜单中还是出现了一些小变化。

其中 Python 依然稳居第一,不过近几个月热度略有下降,本月下降 2.59%,目前占比 21.25%。究其背后原因,一方面或是因为 Python 在数据科学、人工智能等领域已经逐渐成熟,增长空间相比前几年有所放缓。同时,R、Perl、Rust 和 TypeScript 等语言在特定领域的关注度上升,也在一定程度上分散了开发者的关注,使 Python 的相对比例出现小幅下滑。

此外,在前十名中,SQL 与 R 互换了位置。当前,SQL 以 2% 的份额,排在第八位,R 位居第五,占比 1.88%。这种变化在一定程度上反映出数据相关技术的持续热度。随着数据分析、商业智能以及数据工程需求的增长,SQL 作为数据查询和处理的基础语言,依然保持着稳定的关注度。而 R 虽然在统计分析和学术研究领域依然重要,但近年来在部分数据科学场景中,也逐渐受到 Python 生态的竞争。

与此同时,Swift 重新进入前二十名,而 Kotlin 则被挤出了前二十。从生态来看,Swift 的回升可能与 Apple 平台开发需求保持稳定有关,而 Kotlin 虽然仍是 Android 开发的重要语言,但近年来 Android 生态的技术关注度整体趋于平稳,也可能影响了其搜索热度。

除此之外,再往后看,Ruby 的排名也在持续下滑,目前已经逼近前三十名边缘。如果这一趋势继续,未来几个月 Ruby 可能会跌出前 30。业内普遍认为,这与 Ruby on Rails 在新项目中的采用率下降,以及部分 Web 开发逐渐转向 JavaScript、Python 或 Go 等语言有关。

图片

其他编程语言

以下为 Top 21-50 的编程语言榜单:

第 51-100 名如下,由于它们之间的数值差异较小,仅以文本形式列出(按字母排序):Algol, Alice, Apex, Awk, Bash, C shell, Caml, CL (OS/400), Clojure, Common Lisp, F#, Forth, GAMS, GML, Groovy, Hack, Icon, Inform, Io, J, J#, JScript, JScript.NET, Korn shell, ML, Modula-2, Mojo, MQL5, MS-DOS batch, NATURAL, Nim, OCaml, OpenCL, Q, REXX, RPG, S, Scheme, Small Basic, Smalltalk, Solidity, SPARK, Structured Text, Tcl, V, Vala/Genie, VHDL, WebAssembly, Wolfram, Xojo

图片

Top 10 编程语言 TIOBE 指数走势(2002-2026)

图片

历史排名(1988-2026)

编程语言“名人榜”(2003-2024)

【说明】:

TIOBE 编程语言社区排行榜是编程语言流行趋势的一个指标,每月更新,这份排行榜排名基于全球技术工程师、课程和第三方供应商的数量,其中包括了流行的搜索引擎以及技术社区,如 Google、百度、维基百科、必应、Hao 123 等等。具体的计算方式详见:https://www.tiobe.com/tiobe-index/programming-languages-definition/。请注意这个排行榜只是反映某个编程语言的热门程度,并不能说明一门编程语言好不好,或者一门语言所编写的代码数量多少。

这个排行榜可以用来考察你的编程技能是否与时俱进,也可以在开发新系统时作为一个语言选择依据。

推荐阅读:

上门安装“龙虾”几天赚26万?工程师提出质疑;雷军:未来每天上班两小时就够了;大四学生AI开源项目获陈天桥3000万投资 | 极客头条

48小时“烧光”56万!三人创业团队濒临破产,仅因Gemini API密钥被盗:“AI账单远超我们的银行余额”

全球26w+用户在线「养虾」:OpenClaw这一波泼天流量,到底让谁接住了?

未来没有前后端,只有 AI Agent 工程师。

这场十倍速的变革已至,你的下一步在哪?

4 月 17-18 日,由 ZEEKLOG 与奇点智能研究院联合主办「2026 奇点智能技术大会」将在上海隆重召开,大会聚焦 Agent 系统、世界模型、AI 原生研发等 12 大前沿专题,为你绘制通往未来的认知地图。

成为时代的见证者,更要成为时代的先行者。

奇点智能技术大会上海站,我们不见不散!

Read more

Java 常见Exception全面解析:出现场景、错误排查与代码修正实战

Java 常见Exception全面解析:出现场景、错误排查与代码修正实战

文章目录 * 课程导言 * 适用对象 * 学习目标 * 课程安排 * 教学方式 * 第一部分:Java异常体系回顾(约10分钟) * 1.1 异常是什么? * 1.2 Java异常体系结构 * 1.3 异常信息解读 * 第二课时(上):运行时异常深度剖析(约30分钟) * 2.1 NullPointerException(空指针异常) * 现象描述 * 出现场景 * 堆栈分析示例 * 排查方法流程图 * 代码修正与预防 * 2.2 ArrayIndexOutOfBoundsException(数组下标越界异常) * 现象描述 * 出现场景 * 堆栈分析示例 * 排查方法 * 代码修正与预防 * 2.3 ClassCastException(类型转换异常) * 现象描述 * 出现场景 * 堆栈分析示例 * 排查方法 * 代码修正与预防 * 2.

By Ne0inhk
腾讯云轻量服务器一键部署 OpenClaw:国内外模型秒切 + 企业微信7×24私人AI助理(保姆级)

腾讯云轻量服务器一键部署 OpenClaw:国内外模型秒切 + 企业微信7×24私人AI助理(保姆级)

2026年最火的开源AI Agent——OpenClaw(前身 Clawdbot / Moltbot),让你拥有一个真正能“动手”的7×24小时私人AI助理! 它不仅能聊天,还能帮你发邮件、管日程、整理文件、执行脚本、浏览网页……关键是数据全在你自己服务器上,隐私0泄露。 腾讯云轻量应用服务器(Lighthouse)已官方推出OpenClaw一键部署模板,新手5–10分钟就能跑起来,支持一键切换国内外大模型(Claude、Gemini、DeepSeek、通义千问、豆包等),再接入企业微信后,手机随时发指令,AI秒执行。 本次实测配置: * CPU:2核 * 内存:4GB * 系统盘:70GB SSD * 流量:600GB/月(带宽6Mbps) 性能够用,月均成本低至几块钱! * @我更多福利大放送 步骤1:购买并一键部署OpenClaw服务器(3–

By Ne0inhk
深入详解人工智能数学基础——概率论中的KL散度在变分自编码器中的应用

深入详解人工智能数学基础——概率论中的KL散度在变分自编码器中的应用

🧑 博主简介:ZEEKLOG博客专家、ZEEKLOG平台优质创作者,高级开发工程师,数学专业,10年以上C/C++, C#, Java等多种编程语言开发经验,拥有高级工程师证书;擅长C/C++、C#等开发语言,熟悉Java常用开发技术,能熟练应用常用数据库SQL server,Oracle,mysql,postgresql等进行开发应用,熟悉DICOM医学影像及DICOM协议,业余时间自学JavaScript,Vue,qt,python等,具备多种混合语言开发能力。撰写博客分享知识,致力于帮助编程爱好者共同进步。欢迎关注、交流及合作,提供技术支持与解决方案。 技术合作请加本人wx(注明来自ZEEKLOG):xt20160813 深入详解人工智能数学基础——概率论中的KL散度在变分自编码器中的应用 在人工智能,尤其是深度学习领域,**变分自编码器(Variational Autoencoders, VAE)**因其出色的生成能力而备受关注。VAE的核心在于其对潜在变量分布的建模,而这一过程离不开概率论中的一个关键概念——Kullback-Leibler散度(KL散度)。本文将以浅

By Ne0inhk
AI测试:自动化测试框架、智能缺陷检测、A/B测试优化

AI测试:自动化测试框架、智能缺陷检测、A/B测试优化

1. 自动化测试框架 1.1 概述 基于AI的自动化测试框架通过机器学习和自然语言处理技术,实现了测试用例的自动生成、执行和优化,显著提升了测试效率和覆盖率。这类框架能够理解需求文档、识别UI元素、预测测试路径,并持续优化测试策略。 1.2 核心组件 1. 需求解析引擎:使用NLP技术分析需求文档 2. 测试用例生成器:基于需求自动生成测试用例 3. 智能执行引擎:动态调整测试执行顺序 4. 结果分析器:使用ML模型分析测试结果 5. 自优化模块:根据历史数据持续改进测试策略 1.3 代码实现 import numpy as np import pandas as pd from sklearn.feature_extraction.text import TfidfVectorizer from

By Ne0inhk