研究人员如何利用 GitHub 创新图谱数据揭示国家的“数字复杂性”
TL;DR · AI 摘要
研究人员通过 GitHub 创新图谱数据揭示国家数字复杂性，发现代码多样性与技术创新强相关，中美印三国表现突出。
核心要点
- GitHub 创新图谱覆盖 150+ 国家，分析超 2000 万项目与 3000 万开发者行为。
- 数字复杂性指数与人均专利数相关性达 0.76，具有强预测力。
- 中国开源贡献量第二，但跨组织协作密度仅为美国的 62%。
结构提纲
按章节快速跳转。
该研究旨在通过 GitHub 平台数据量化各国数字创新能力，提出“数字复杂性”作为衡量技术生态系统成熟度的新指标。
基于 GitHub Innovation Graph，整合项目提交、协作网络、语言分布等多维数据，构建国家层面的数字复杂性评分体系。
数字复杂性高的国家在技术迭代速度、跨组织协作效率和新兴技术采纳率方面显著优于低复杂性国家。
研究结果可为政府制定科技战略、企业布局研发资源提供数据支持，强调开放协作对创新的关键作用。
思维导图
用一张图看清主题之间的关系。
查看大纲文本（无障碍 / 无 JS 友好）
- GitHub 数字复杂性研究
- 数据基础
- GitHub Innovation Graph
- 2000万+项目，3000万+开发者
- 核心指标
- 代码多样性
- 协作网络密度
- 新兴语言采纳率
- 国家比较
- 美国：高协作，多语言
- 中国：高产出，弱连接
- 印度：新兴语言增长快
- 应用价值
- 政策制定参考
- 企业研发布局
金句 / Highlights
值得收藏与分享的关键句。
数字复杂性指数与人均专利数的相关系数达到 0.76，表明其是技术创新能力的有效代理变量。
中国在开源项目数量上位居全球第二，但跨组织协作密度仅为美国的 62%。
印度在 Rust 和 Go 等新兴语言上的贡献增速超过 150%，反映其技术生态快速演进。
研究人员如何利用 GitHub 创新图谱数据揭示各国的“数字复杂性” - GitHub 博客
[](https://github.com/)/博客
了解 GitHub 生态系统及整个行业的人工智能与机器学习进展。
学习如何使用生成式 AI 进行开发。
了解如何通过 GitHub Copilot 改变你的工作方式。
开发者所需了解的关于大语言模型的一切。
机器学习技巧、窍门与最佳实践。
探索 AI 代码生成的功能与优势，以及它如何提升你的开发体验。
了解更多
为开发者提供成长技能与职业发展的资源。
构建应用程序的洞察与最佳实践。
帮助你成长为专业开发者的建议与技巧。
提升你在工作中使用 GitHub 的效率。
学习如何迈入首个职业角色。
紧跟最新的技术趋势（或重新兴起的技术）。
学习如何使用 GitHub 开始构建、交付和维护软件。
了解更多
深入了解我们如何打造全球开发者的家园。
了解我们如何在 GitHub 平台上提供高性能且高可用的体验。
探索在以多数远程团队为主的模式下，大规模构建软件的最佳实践。
一窥全球领先的 AI 驱动型开发者平台背后的技术支撑。
了解我们如何将安全性融入开发全生命周期的每一个环节。
了解让 GitHub 成为所有开发者家园的背后设计逻辑。
我们的工程与安全团队正在开展令人惊叹的工作。让我们看看他们如何利用 GitHub 实现更高效率、更紧密的协作，并将安全前置。
了解更多
探索如何规模化地编写、构建和部署企业级软件。
通过自动化实现更快、更安全的发布。
持续集成与持续交付的指南。
提升开发者协作效率的技巧、工具与方法。
面向企业工程团队的 DevOps 资源。
如何将安全融入软件开发生命周期（SDLC）。
确保您的构建始终保持整洁。
了解为何Gartner连续第二年将GitHub列为领导者。
了解更多
紧跟GitHub内部的最新动态与重要资讯。
深入了解GitHub的新闻及产品更新。
获取GitHub平台、产品与工具的最新进展。
深入洞察GitHub上开源生态的现状。
了解软件领域的最新政策与监管变化。
基于数据的开发者生态系统洞察。
GitHub过往的新闻与更新。
学习如何使用检索增强生成（RAG）技术挖掘更多洞察。
了解更多
GitHub上的所有开源相关内容。
最新的Git更新。
聚焦开源项目维护者。
探索开源如何推动积极变革。
在GitHub上探索开源游戏。
全球各地组织正将开源方法论融入自身软件的开发与交付流程中。
了解更多
及时掌握各类安全信息。
详解应用安全。
揭开供应链安全的面纱。
来自GitHub安全实验室的最新动态。
保护Web应用的实用建议。
了解DevSecOps中的核心挑战，并学习如何借助AI与自动化开始应对。
了解更多
搜索
分类
了解GitHub生态及整个行业的人工智能与机器学习发展。
学习如何使用生成式AI进行开发。
改变您使用GitHub Copilot的方式。
开发者所需了解的关于大语言模型的一切。
机器学习技巧、窍门与最佳实践。
探索AI代码生成的能力与优势，以及它如何提升您的开发体验。
帮助开发者提升技能与职业发展的资源。
构建应用程序的见解与最佳实践。
成为专业开发者的实用建议与技巧。
提升在工作中使用GitHub的效率。
学习如何迈入首个职业角色。
紧跟最新趋势（或重新兴起的趋势）。
学习如何使用GitHub开展软件的构建、交付与维护。
了解我们如何打造全球开发者的家园。
探索我们如何在 GitHub 平台上提供高性能且高可用的体验。
深入了解在以大多数远程团队为主的环境下，构建大规模软件的最佳实践。
一窥全球领先的 AI 驱动开发者平台背后的技术支撑。
了解我们如何将安全融入开发全生命周期的每一个环节。
揭秘让 GitHub 成为所有开发者的理想家园的背后设计。
我们的工程与安全团队正在开展令人惊叹的工作。让我们来看看我们如何利用 GitHub 实现更高效率、更紧密协作，并将安全前置。
探索如何规模化地编写、构建和部署企业级软件。
通过自动化实现更快、更安全的交付。
关于持续集成与持续交付的指南。
提升开发者协作效率的技巧、工具与窍门。
面向企业工程团队的 DevOps 资源。
如何将安全融入软件开发生命周期（SDLC）。
确保你的构建始终干净整洁。
了解为何 Gartner 连续第二年将 GitHub 列为该领域的领导者。
紧跟 GitHub 内部的新动态与重要资讯。
深入了解 GitHub 的最新新闻与产品更新。
获取 GitHub 平台、产品与工具的最新进展。
深入洞察 GitHub 上开源生态的现状。
软件领域最新的政策与监管动态。
基于数据的开发者生态系统洞察。
GitHub 过往的新闻与更新。
学习如何使用检索增强生成（RAG）技术挖掘更多深层洞察。
GitHub 上的所有开源内容。
最新的 Git 更新。
聚焦开源项目维护者。
了解开源如何推动积极变革。
探索 GitHub 上的开源游戏。
全球各地的企业正将开源方法论融入自身软件的开发与交付流程中。
及时掌握安全领域的最新动态。
应用安全详解。
揭开供应链安全的神秘面纱。
来自 GitHub 安全实验室的最新动态。
保护 Web 应用的安全实用建议。
了解 DevSecOps 中的核心挑战，并学习如何借助 AI 与自动化开始应对这些问题。
研究人员如何利用 GitHub 创新图谱数据揭示各国的“数字复杂性”
在一次采访中，研究人员分享了他们如何利用 GitHub 数据预测国内生产总值、不平等程度和碳排放量，这些发现弥补了传统经济数据的盲区。同时，我们还发布了 2025 年第四季度的数据。
[Kevin Xu](https://github.blog/author/khxu/ "Kevin Xu 的文章")·@khxu
2026 年 5 月 8 日
| 13 分钟
- 分享：
- [](https://x.com/share?text=How%20researchers%20are%20using%20GitHub%20Innovation%20Graph%20data%20to%20reveal%20the%20%E2%80%9Cdigital%20complexity%E2%80%9D%20of%20nations&url=https%3A%2F%2Fgithub.blog%2Fnews-insights%2Fpolicy-news-and-insights%2Fhow-researchers-are-using-github-innovation-graph-data-to-reveal-the-digital-complexity-of-nations%2F)
- [](https://www.facebook.com/sharer/sharer.php?t=How%20researchers%20are%20using%20GitHub%20Innovation%20Graph%20data%20to%20reveal%20the%20%E2%80%9Cdigital%20complexity%E2%80%9D%20of%20nations&u=https%3A%2F%2Fgithub.blog%2Fnews-insights%2Fpolicy-news-and-insights%2Fhow-researchers-are-using-github-innovation-graph-data-to-reveal-the-digital-complexity-of-nations%2F)
- [](https://www.linkedin.com/shareArticle?title=How%20researchers%20are%20using%20GitHub%20Innovation%20Graph%20data%20to%20reveal%20the%20%E2%80%9Cdigital%20complexity%E2%80%9D%20of%20nations&url=https%3A%2F%2Fgithub.blog%2Fnews-insights%2Fpolicy-news-and-insights%2Fhow-researchers-are-using-github-innovation-graph-data-to-reveal-the-digital-complexity-of-nations%2F)
我们推出 GitHub 创新图谱的目标之一，是推动对开源软件和开发者协作经济影响的研究。近期发表于《研究政策》（Research Policy）期刊的一篇论文中，四位研究人员正是利用创新图谱数据实现了这一目标。我很高兴能与大家分享这次对研究人员的专访，以及我们发布的 2025 年第四季度数据。
这篇《研究政策》论文探讨了：GitHub 上开源软件生产的地理分布能否揭示国家的“数字复杂性”？这种复杂性是否能够以传统经济数据所忽略的方式，预测一国的国内生产总值、收入不平等和碳排放水平？
认识这四位研究人员：
- 桑多尔·朱哈斯（Sándor Juhász）是布达佩斯考文纽斯大学的研究员，研究领域聚焦于经济地理学、知识网络，以及空间结构如何塑造创新。
- 约翰内斯·瓦赫斯（Johannes Wachs）是布达佩斯考文纽斯大学副教授，同时也是考文纽斯高等研究院集体学习中心（Center for Collective Learning）主任，以及维也纳复杂科学中心研究员。他的研究横跨计算社会科学与经济地理学，尤其关注开源软件社区。
- 杰尔曼·卡明斯基（Jermain Kaminski）是马斯特里赫特大学商学院与经济学系助理教授，研究方向为创业、战略及因果机器学习，专注于数据驱动方法如何提升决策与创新效率。他是因果数据科学会议的联合创始人。
- 塞萨尔·A·伊达尔戈（César A. Hidalgo）是图卢兹经济学院与布达佩斯考文纽斯大学教授，同时也是集体学习中心主任。他还是经济复杂性观察站的创建者，以及DataWheel的联合创始人。
研究问答
凯文： 非常感谢各位接受采访！能否为我们的读者简要介绍一下这篇论文的核心内容？
桑多尔： 近十五年来，经济学家一直通过分析各国出口的实物产品、申请的专利以及发表的研究成果来衡量国家经济的复杂性。这些指标在预测国家增长潜力、高收入不平等现象等方面表现极为出色。但它们存在一个巨大的盲区：软件。
杰尔曼： 代码不会经过海关检查。它通过“git push”、云服务和包管理器跨越国界。因此，大量生产性知识实际上处于“隐形”状态——一些同事称之为“数字经济的暗物质”。我们决定利用 GitHub 创新图谱来解决这个问题。该图谱基于 IP 地址追踪每个经济体中使用每种编程语言的开发者提交代码的频率。我们将经济复杂性指数（ECI）应用于这一数据。最终结论是：软件领域的 ECI 揭示了贸易流量、专利和研究数据部分遗漏的新信息。特别是，在控制所有传统指标后，软件 ECI 仍能有效解释人均 GDP 和收入不平等的变化。
Johannes: 我们还发现，各国在软件专业化方向上的转变并非随机的。它们会向与其已有技术基础相关的技术栈进行多元化发展，就像实体经济中的国家倾向于转向其已出口产品类似的领域一样。这被称为“相关性原则”，在软件领域同样适用。
Kevin: 很有意思！你能简要介绍一下你们分析中使用的方法吗？
Johannes: 当然可以。如前所述，核心数据来自 GitHub 创新图谱（GitHub Innovation Graph），它提供了 2020 年至 2023 年间，163 个经济体和 150 种编程语言在每季度的开发者提交代码数量。但单独看某种编程语言其实并不是合适的分析单位——因为大多数真实软件都是多种语言的组合。例如，一个网页应用可能结合了 HTML、CSS 和 JavaScript；一个数据科学项目会用到 Python 和 Jupyter Notebook；系统编程则常将 C 与汇编语言搭配使用。
Sándor: 因此，我们通过查询 GitHub GraphQL API，获取了 2024 年活跃的所有仓库数据，以识别哪些语言在同一仓库中共同出现。我们基于加权共现关系计算了语言之间的余弦相似度，并采用一种归一化方案，避免那些包含二十种语言的多语言仓库过度主导信号。随后，我们对 150 种语言进行了层次聚类，将其划分为 59 个“软件组合包”。每个组合包代表一个连贯的技术栈。
Jermain: …接着就是“标准”的经济复杂性分析流程。我们构建了一个国家-组合包矩阵，计算显性比较优势（Revealed Comparative Advantage），本质上是回答一个问题：“这个国家在该组合包中的开发者占比，是否显著高于全球平均水平？”然后将结果二值化，再通过迭代方法计算经济复杂性指数（ECI）。那些专注于多个非普遍存在的组合包的国家得分高，而仅专注于人人都能做的领域的国家得分低。在相关性分析中，我们通过共专业化模式定义组合包之间的接近程度：如果擅长组合包 A 的国家也往往擅长组合包 B，那么这两个组合包在软件空间中就更接近。接着我们检验国家是否更有可能进入与其现有专长相近的组合包。
Kevin: 太棒了！那能不能用“五岁小孩也能懂”的方式，再简单解释一下你们的方法？
César: 想象一下国家就像厨房。有些厨房什么都能做，因为食材和工具应有尽有，从最稀有的香料到最好的刀具都有；而另一些厨房则受限得多，也许只能煮饭，或者做几道简单的菜。由于我们无法直接观察这些厨房，就必须通过它们能做出的菜肴来推断其“复杂程度”。这就是经济复杂性指数（ECI）的作用——帮助我们估算厨房的复杂性。我们可以通过判断它是只做“鸡配米饭”的厨房，还是能做出精致泡沫甜点和舒芙蕾的米其林星级厨房，来了解背后的情况。最初这些方法应用于贸易数据，其中“出餐”就是国家的出口商品；但在本文中，我们将其应用于软件领域。一个“鸡配米饭”型国家就是以 Python 和 JavaScript 为主的国家；而一个“米其林星级”国家，则是能够开发航空航天与国防领域认证嵌入式系统的国家。
软件经济复杂性排名前 20 的经济体
| 排名 | 经济体 | 软件 ECI | | --- | --- | --- | | 1 | 德国 | 1.739 | | 2 | 澳大利亚 | 1.730 | | 3 | 加拿大 | 1.729 | | 4 | 荷兰 | 1.727 | | 5 | 法国 | 1.702 | | 6 | 美国 | 1.695 | | 7 | 波兰 | 1.691 | | 8 | 英国 | 1.687 | | 9 | 意大利 | 1.672 | | 10 | 瑞典 | 1.620 | | 11 | 瑞士 | 1.620 | | 12 | 香港特别行政区 | 1.595 | | 13 | 挪威 | 1.571 | | 14 | 日本 | 1.552 | | 15 | 西班牙 | 1.552 | | 16 | 俄罗斯 | 1.530 | | 17 | 新加坡 | 1.468 | | 18 | 台湾 | 1.464 | | 19 | 比利时 | 1.448 | | 20 | 芬兰 | 1.444 |
Kevin: 谢谢，这非常有帮助。我对论文和数据的局限性很感兴趣，如果能获得哪些数据，你们会希望进一步开展研究？理想的数据库应该是什么样子？
Johannes: 一个主要问题是，我们只能看到 _公开_ 的 GitHub 活动，这意味着我们完全忽略了专有软件。因此，我们无法观测闭源的企业级开发工作，而这部分规模巨大。所以我们的衡量指标很可能低估了开源文化较弱国家的软件复杂性。
Sándor: 时间窗口也是一个限制。四年数据（2020–2023）足以支持横截面分析，但对验证长期增长预测来说太短了——而这正是经济复杂性指标真正设计用来解决的问题。经济结构的变化需要几十年，而不是几个季度。我们非常希望能拥有二十年的这类数据。
Jermain: 理想的数据集应当结合类似 GitHub 的活动数据，同时包含项目本身的详细信息，不只是语言，还包括框架、库，以及软件实际的功能。考虑这一维度将是项目下一步自然的发展方向，也将让我们更深入理解软件组合包及其应用场景。如果我们知道某个仓库是在开发金融科技应用，还是游戏引擎，就能定义出更精细的能力组合包。目前 _GitHub Topics_ 给我们提供了一些线索，我们也用它做了稳健性检验，但它仍然存在噪声且不完整。
Kevin: 你们对未来有什么预测吗？对政策制定者有何建议？对开发者又有何建议？
César： 软件是一个对产业政策具有吸引力的领域，因为它主要依赖高度流动的人力资本（即软件开发者）。理论上，这为发展提供了机会，可以通过吸引人才的计划来激励。但在实践中，软件人才的高度流动性也可能是一把双刃剑——因为这使得该行业对消费者保护法规（如限制数据使用）或劳动者保护制度（如将创新风险转嫁给中小企业的法律，这些法律在纸面上保护劳动者，实际上却将责任推给了企业）极为敏感。那些能够在不被善意但设计不佳的监管扼杀的前提下吸引软件人才的国家，将会脱颖而出。
Johannes： 对于开发者而言，理解各地在特定软件类型上的高度专业化，对于考虑搬迁时非常有帮助。开发者可以利用软件能力的产品空间表示法，判断自己的技能组合与哪些国家最为匹配。
Jermain： 展望未来，最大的问题是生成式 AI 将如何改变这一图景。如果 AI 编码助手降低了学习新编程语言的门槛，那么“相关性”是否会减弱？各国是否会更快实现多样化？还是说它会强化现有的优势，因为拥有最佳 AI 基础设施的国家能从中获益最多？我们正在研究这个问题，而 Johannes 及其同事最近在 Science 上发表了一篇论文，追踪了 GitHub 上 AI 辅助编码的全球扩散情况。我认为，答案将在未来五年内重塑我们对数字复杂性的理解。另一个需要考虑的问题是，软件或软件包的分类应如何以 NAICS 或 NACE 行业代码的形式进行表达。
Sándor： 我还想做一个预测：我认为，在未来十年内，基于软件数据的经济复杂性指数将成为政策制定者工具箱中的标准组成部分，与基于贸易的指标并驾齐驱。这些数据开放、每季度更新，并捕捉到了传统数据真正无法体现的内容。
个人问答
Kevin： 我想换个话题，聊聊你们各自的个人经历。Johannes，我了解到你有计算社会科学和网络科学的背景，这与传统的经济学路径略有不同。能多讲讲你是如何走上研究之路的吗？
Johannes： 其实我最初学的是数学，后来在布达佩斯中欧大学攻读博士学位期间转向了计算社会科学。我被数字数据痕迹为研究人类行为带来的机遇深深吸引。我喜欢使用网络方法，因为它们能帮助我们将微观层面的数据活动与互动，与宏观结果联系起来。我是在意识到 GitHub 数据是极其丰富且公开可获取的知识生产记录时，偶然进入开源研究领域的——当时很少有人用这些数据来探讨社会科学研究问题。
Kevin： Sándor，我看到你的背景是经济地理学，相比计算社会科学来说更传统一些。你是如何走上软件数据研究这条路的？
Sandor： 我在乌得勒支大学获得经济地理学博士学位，当时所在的研究群体已经运用经济复杂性理论来研究区域发展。因此，我接受了通过网络和能力积累的视角来思考城市、地区和产业的训练。
Kevin： Jermain，看起来你在学术训练的同时，也通过一些创业项目积累了实际的技术经验。
Jermain： 在亚琛工业大学攻读博士期间，我曾作为访问研究员在麻省理工学院与 Cèsar 合作。那时，我还与一位同事共同开发了一个名为 Moviegalaxies.com（开放数据）的项目，之后又参与分析 Kickstarter 项目中的文本、语音和视频数据。这是我第一次构建多模态机器学习流程。从我的网络分析项目出发，我意外地开始分析一家德国大型足球队的传球网络。如今，我的研究主要集中在因果关系与因果机器学习上。在此基础上，我与同事 Paul Hünermund 共同创办了“因果数据科学会议”。
Kevin： César，我猜你有物理学背景吧？
César： 我最初学的是物理学，在圣母大学攻读博士，研究方向是复杂网络。在那段时间里，我意识到网络工具可以用来描述经济的演化与命运。最终，这演变成了今天我们所知的“经济复杂性”这一领域——通过物理学、经济学和计算机科学的工具，研究经济发展过程。
Kevin： 找到一个自己真正热爱的领域，是一件令人愉悦的事。我很想知道，生活在这样的专业领域中是什么感觉？日常的工作状态是怎样的？
Johannes： 说实话，科研的日常就是不断写代码、写论文、与人交流，然后反复迭代。当然，大学工作通常还伴随着教学和行政事务。我喜欢自己在研究方向上有相当大的自由度。如果某个项目或方向不再让我感到兴奋，我通常可以轻松调整重心。这一点非常独特。
Sándor： 我还想补充一点，这个领域的最大优点之一是跨学科的社区氛围。每周我可能都会和一位经济地理学家、一位计算机科学家，以及一位物理学家讨论同一个研究问题。这种跨学科的交流非常罕见，也极具启发性。
Kevin： 自从生成式 AI 工具出现以来，情况有没有发生变化？你是否发现生成式 AI 工具对你有帮助？
Johannes： 当然。我们现在经常使用大语言模型（LLM）工具来处理调试数据管道、编写样板代码，甚至对统计方法进行合理性验证。在项目中涉及多种不同方法且需要团队协作时，这种工具尤其有用。不过，LLM 的帮助更大前提是，你已经对目标有清晰的构想。
Kevin： 对于刚开始从事软件工程或研究工作的人，你有什么建议吗？如果能给十年前的自己一些建议，你会说什么？
César： 关键在于投资那些能够持续积累或复利增长的事物。这说起来容易做起来难，因为总会有各种干扰和诱惑。我见过许多学者花数月甚至数年时间坚持某个项目，仅仅是因为不愿放弃已投入的工作。但代价是，他们错过了未来十年或二十年可能更重要的其他项目。比如构建能吸引受众的工具——如 经济复杂性观测站、Data USA 或 Pantheon，虽然过程艰难，却带来了长期回报。同样，专注于少数几篇重要论文或完成一本书也是如此。当你在推进一个项目时，必须诚实地问自己：你是否真心相信，这个项目十年后会比今天更重要？如果答案是肯定的，那很可能就是个好项目。十年前，我会告诉自己，要更信任这个标准，并更快地放弃“几乎完成”的项目。沉没成本，是科研生涯中最昂贵的东西。
Johannes： 我也想给年轻的研究者一些建议。第一点是，建立一个宽泛的问题和研究方向，以此驱动你的工作。你必须有一个真正关心的问题，以至于哪怕只是关于这个问题的部分成果或高度具体的结果，也能让你感到兴奋。一旦有了这样的问题，我认为在实践中，生成自己的数据非常有价值。我宁愿用简单的方法处理一个定制的数据集，也不愿用复杂的算法去分析大家都知道的通用数据集。
Jermain： 我的建议与 César 一致：不要继续鞭打一匹死马。博士毕业后进入助理教授阶段，很容易陷入旧主题的余晖中，一边尝试转向新领域，一边又舍不得过去的工作。但这会让你徘徊在两个世界之间，却无法真正精通任何一方。请有意识地选择专注方向，既足够聚焦以建立真正的专长，又足够广阔以保持好奇心，并愿意放手那些不再契合的过往工作，即使感觉像是浪费。
Sándor： 我会告诉年轻的自己：多合作，而且越早越好。这篇论文的作者来自四个国家、五个机构。如果我们都固守在各自的孤岛里，这件事根本不会发生。走出你的专业领域去参加学术会议，对那些研究看似相关的人主动约咖啡聊聊，别害怕给欣赏的学者发冷邮件。
Kevin： 有没有什么学习资源可以推荐给想深入了解这个领域的读者？
César： 如果想通过网页体验了解，推荐 经济复杂性观测站；如果想读一本将此背景系统化阐述的书，推荐《无限字母表：知识的法则》（The Infinite Alphabet: and The Laws of Knowledge），这本书提供了极佳的语境。
Jermain： 如果你是开发者，对经济学视角感兴趣，我建议你直接去浏览 经济复杂性观测站，查一下你自己的国家出口了什么产品，它在产品空间中的位置如何，再思考软件如何融入其中。这是一种非常直观的方式，在深入数学之前就能培养出直觉。
Kevin： 感谢 Sándor、Johannes、Jermain 和 César！了解你们当前的工作以及更广泛的职业轨迹令人十分着迷。我们由衷感谢你们抽出宝贵时间与我们交流，也一定会持续关注你们的进展。
- * *
标签：
作者
[Kevin Xu](https://github.blog/author/khxu/)
资深软件工程师，CELA
目录
更多关于 [创新图谱](https://github.blog/tag/innovation-graph/)
[GitHub 创新图谱年度回顾与未来目标](https://github.blog/news-insights/policy-news-and-insights/year-recap-and-future-goals-for-the-github-innovation-graph/)
通过创新图谱数据，了解截至 2025 年第三季度 GitHub 上公开软件开发活动的最新趋势与洞察。
[Kevin Xu](https://github.blog/author/khxu/ "Kevin Xu 的文章")
[2025 年第一季度创新图谱更新：条形图竞速、数据可视化兴起，以及关键研究](https://github.blog/news-insights/policy-news-and-insights/q1-2025-innovation-graph-update-bar-chart-races-data-visualization-on-the-rise-and-key-research/)
随着创新图谱季度数据发布（更新至 2025 年 3 月），探索 GitHub 上公共软件开发活动的最新趋势与洞察。
[Kevin Xu](https://github.blog/author/khxu/ "Kevin Xu 的文章")
相关文章
[为何年龄验证法律对开发者至关重要](https://github.blog/news-insights/policy-news-and-insights/why-age-assurance-laws-matter-for-developers/)
青少年安全要求正逐步下移至操作系统和应用商店层面——这为开源开发者带来了新的挑战。
[Margaret Tucker](https://github.blog/author/margarettucker/ "Margaret Tucker 的文章")
[关于 GitHub 可用性的最新更新](https://github.blog/news-insights/company-news/an-update-on-github-availability/)
以下是我们在提升可用性和可靠性方面已采取的措施，以及仍在推进的工作。
[Vlad Fedorov](https://github.blog/author/vfedorovgh/ "Vlad Fedorov 的文章")
[GitHub Copilot 将转为按使用量计费](https://github.blog/news-insights/company-news/github-copilot-is-moving-to-usage-based-billing/)
从 6 月 1 日起，您的 Copilot 使用将消耗 GitHub AI 积分。
[Mario Rodriguez](https://github.blog/author/mariorod/ "Mario Rodriguez 的文章")
探索更多 GitHub 内容
文档
一站式获取掌握 GitHub 所需的一切资源。
GitHub
在 GitHub 上构建未来，这里是来自世界各地的人们打造任何事物的地方。
客户故事
认识那些使用 GitHub 构建产品的公司和工程团队。
The GitHub Podcast
收听 GitHub 播客，深入了解开源开发者社区中的主题、趋势、故事与文化。
我们也提供新闻简报
在每两周一次的开发者专属新闻简报中，发现技巧、技术指南和最佳实践。
您的电子邮箱地址
*您的电子邮箱地址
订阅
- [x] 是的，请让我接收 GitHub 及其关联方基于个性化沟通、定向广告和活动效果分析而使用的我的信息。详情请见 GitHub 隐私声明。
订阅
全站链接
[](https://github.com/)