什么是人工智能对 Stack Overflow 做了什么，用一张图来概括

一位贡献者提取了Stack Overflow的公开统计数据并绘制了一张图表。结果不言自明：ChatGPT占据了整个版面。

具体案例

一位用户在 data.stackexchange.com（Stack Overflow 数据的公开 SQL 查询界面）上发布了一条查询，该查询追踪了自网站创建以来至 2026 年中期每月提出的问题数量。该图表于 2026 年 7 月 18 日被链接到 Hacker News 的首页，并做到了许多观点文章难以企及的事：直观展示了 AI 带来的改变。

曲线从 2008 年到 2013 年缓慢上升，在 2013 年至 2020 年间达到平台期并略有下降，自 2022 年末起急剧下跌——恰逢 ChatGPT 发布（2022 年 11 月 30 日）——且下降趋势持续至今。到 2026 年，月问题量已降至网站早期水平。

图表背后的代码

对好奇的人来说，发布的查询类似于：

SELECT
 DATEFROMPARTS(YEAR(CreationDate), MONTH(CreationDate), 1) AS Month,
 COUNT(*) AS Questions
FROM Posts
WHERE PostTypeId = 1
GROUP BY YEAR(CreationDate), MONTH(CreationDate)
ORDER BY Month;

PostTypeId = 1 筛选问题（回答的 PostTypeId = 2）。data.stackexchange.com 工具允许任何人在 30 秒内验证结果，无需安装任何软件——这是多数平台尚未提供的开放数据典范。

原因分析

对一名资深开发者而言，「为何出现如此大幅下降？」的答案显而易见：当你卡在某个 bug 或语法问题时，你不再在 Google 上搜索「python typeerror int str」然后打开 2014 年的 Stack Overflow 帖子第一条答案（即使它被标记为重复）。你会打开 Claude、ChatGPT 或 Copilot，直接用你的上下文、你的代码片段或堆栈追踪提问。答案会个性化呈现，甚至可以用法语回答，无需面对因重复问题被版主关闭的争议。

这更快捷、更温和（没人指责你“去读文档”），且通常有效——除非模型出现幻觉。资深开发者知道此时需再次验证；而新手往往不会。这正是当下团队讨论的焦点之一。

我们失去了什么

这种转变的真正代价并非立竿见影。Stack Overflow 不仅是答案引擎：它是一个语料库，被 Google 索引，被招聘人员用于评估候选人技能，被新手阅读以学习如何正确提出技术问题。如今这一语料库正在萎缩，而训练自身模型的 AI 却从中获利却未回馈。潜在问题的恶性循环：2028 年的模型将用什么数据训练？

还有可追溯性这一层面。Stack Overflow 的答案，你知道它是谁写的、何时写的、社区给予了多少认可。而 LLM 的答案，则是一团不透明的聚合。对于生产环境的代码，这种可追溯性价值连城。

关键点

该图表只是众多数据点之一：Stack Overflow 自 2023 年起已宣布多轮裁员，原因之一即为流量下降（见其 CEO Prashanth Chandrasekar 于 2023 年 10 月发布的博客文章，宣布首轮裁员）。但这张图像浓缩了三年来开发者习惯的变迁。2026 年，团队需要思考的问题不再是「是否该使用 LLM」，而是：如何避免让构成我们行业基石的公共财产（文档、公开问答、教程）消亡？