技术雷达-针对当今科技领域发展的前沿指南

第32期2025年4月 针对当今科技领域发展的前沿指南 关于技术雷达雷达一览贡献者制作团队人员本期主题本期雷达技术平台工具语言和框架 3 29 39 关于技术雷达 Thoughtworkers始终对技术怀有炽热激情。我们致力于构建技术、开展研究、实施测试、推动开源、撰写洞见，并不懈追求技术的持续优化――这一切努力皆以普惠大众为宗旨。我们的使命是倡导软件卓越理念，引领信息技术革命。为此，我们创建并持续分享Thoughtworks技术雷达，将其作为实现这一使命的重要载体。 Thoughtworks技术顾问委员会――由公司资深技术领袖组成的核心团队――负责技术雷达的编撰工作。该委员会定期召开会议，深入探讨Thoughtworks全球技术战略，以及对本行业产生深远影响的技术趋势。技术雷达以高度凝练的形式，系统呈现技术顾问委员会研讨成果，旨在为从开发者至首席技术官等广泛利益相关方提供价值参考。 我们诚挚邀请您共同探索这些前沿技术。技术雷达采用可视化设计，将技术要素划分为四大象限：技术、工具、平台以及语言与框架。对于可能跨象限分布的技术条目，我们依据其核心属性进行精准归类。同时，通过四个同心环的布局设计，清晰展现我们对各项技术当前所处发展阶段的专业判断。 如需获取技术雷达的更多背景信息，请访问thoughtworks.com/cn/radar/faq 雷达一览 技术雷达的核心使命是追踪具有价值的技术动向，我们将其定义为技术脉冲。本雷达通过两大核心维度对技术脉冲进行系统化组织：象限与评估环。技术象限区分技术脉冲的领域属性，评估环则体现我们对各项技术的应用建议层级。 技术脉冲指在软件开发领域产生影响力的技术或方法。这些脉冲始终处于动态演进之中――其在雷达图谱中的位置会持续变化――通常随着评估环的递进，标志着我们对其推荐力度的逐步增强。 采纳：我们坚定认为行业应当广泛采用此类技术。在项目条件适配时，我们会优先应用这些技术。 试验：具备显著探索价值。建议重点构建相关技术能力，企业可在风险可控的项目中开展实践验证。 评估：值得进行深度调研，重点评估其对组织产生的潜在影响。 暂缓：建议采取审慎态度对待技术应用。 技术雷达具有前瞻导向性 。为保持内容时效性，我们对近期未发生位移的技术条目进行视觉淡化处理，此举并非否定其技术价值，而是受限于雷达版面的空间约束 。 贡献者 技术顾问委员会（Technology Advisory Board，简称TAB）由21位资深技术专家组成，是Thoughtworks技术治理体系的核心智库。该委员会采用"线下深度研讨+线上持续协同"的运作机制：每年举行两次线下全体会议，双周召开线上例会。其核心职能是为Thoughtworks首席技术官Rachel Laycock提供战略决策支持，驱动企业技术愿景的落地实施。 作为跨领域技术治理机构，TAB聚焦影响企业技术演进与技术人才发展的关键议题，构建覆盖技术战略、创新实践与组织能力的全景洞察。本年度技术雷达的内容体系，源于该委员会2025年2月在曼谷举行的专项研讨成果，汇集了全球顶尖技术专家对行业趋势的前瞻判断。 NimishaAsthagiri 制作团队人员 设计与多媒体部 编审委员会 •William Amaral—产品负责人•Preeti Mishra—项目及活动经理•Richard Gall—内容编辑•Michael Koch—文字编辑•Gareth Morgan—内容与思想领导力总监 •Leticia Nunes—首席设计师•Sruba Deb—视觉设计师•Kevin Barry—多媒体专家•Ryan Cambage—多媒体专家•Anish Thomas—多媒体设计师•唐蓉—中文版设计师 传播与公共关系 数字与网络体验部 •Shalini Jagadish—内部传播专员•Hiral Shah—社交媒体运营专家•Abhishek Kasegaonkar—社交媒体运营专家•Linda Horiuchi—公共关系专员•Kathryn Jansing—公共关系专员•Soumyajit Dey—活动与广告策划专家•Anushree Tapuriah—活动与广告策划专家 •Rashmi Naganur—业务分析师•Brigitte Britten-Kelly—数字内容策略师•Vandita Kamboj—用户体验设计师•Anisha Thampy—视觉设计师•Lohith Amruthappa—数据分析专家•Neeti Thakur—营销自动化专员 中文翻译 •廖燊—软件开发工程师•张霄翀—专家级软件开发工程师•余琦—专家级软件开发工程师•李天舒—软件开发工程师•程显通—软件开发工程师 本期主题 监督式智能编码代理 我们的多个主题都强调了生成式AI领域的快速创新，其中之一尤其聚焦于编码助手能力的快速提升。越来越多工具开始支持开发者直接在IDE内通过与AI聊天来驱动代码实现，这种方式也被称为Agentic、“Prompt-to-code”或“基于对话的编程（Chat-oriented Programming, CHOP）”。在此模式下，AI辅助工具不再局限于回答问题或生成代码片段，而是可以主动导航并修改代码、更新测试、执行命令，甚至主动修复lint错误和编译问题。尽管我们对声称能完全自主完成大型开发任务的代码agent持谨慎态度，但这种由开发者指导并由agnet完成行动的“受监督的Agents”模式已有了一些值得肯定的实践效果。Cursor、Cline和Windsurf正在IDE集成工具领域引领这一趋势，GitHub Copilot也在持续进步。此外，aider、goose和Claude Code等终端型工具同样具备类似的agent助手的能力。然而，即使取得了显著进步，我们仍对这一趋势可能引发开发者对AI生成代码的过度信赖与自满保持谨慎。尽管目前在辅助代码便携上已有了不错的成果，但在代码审查过程中仍需要保持高度的警惕与审慎。毕竟，能力越强，责任越大…… 可观测性的演进 随着分布式架构复杂性的不断增加，可观测性领域正经历深刻的变革。尽管可观测性一直是软件开发的基础能力，但它正在与整个软件开发生态系统一起不断演进。当前的一个新兴重点是LLM observability（大语言模型可观测性），这是将AI应用于生产环境的关键环节。我们见证了众多用于监控和评估LLM性能的工具的涌现，包括Weights & Biases Weave、Arize Phoenix、Helicone和HumanLoop。此外，AI辅助可观测性也成为一大趋势，这类工具借助AI提升分析和洞察能力。同时，OpenTelemetry的广泛采用正在推动可观测性走向标准化，帮助团队摆脱对特定供应商的依赖，并在工具选择上具备更大的灵活性。许多领先的可观测性工具（如Alloy、Tempo和Loki）都已支持OpenTelemetry。可观测性领域的快速创新反映了行业对其重要性的日益重视。这种演进不仅推动了技术和实践的更迭，也形成了一个良性循环，使得可观测性作为现代软件开发的核心能力不断得到巩固和提升。 RAG中的“R”：检索的进化 我们预计生成式AI生态系统的不同部分将以不同的速度演进，而在本期技术雷达中，我们观察到RAG中的“R”（检索增强生成中的检索）正在快速发展。与LLM这一“黑箱”的关键交互之一是定制提示词的输入，以生成相关且有用的响应。而RAG中对高效检索的需求日益增长，也催生了许多新工具和新技术，这些内容在本期雷达中得以重点呈现。例如，我们探讨了纠正型RAG，它可以根据反馈或启发式规则动态调整响应；融合型RAG，通过结合多种数据源和检索策略，提供更全面且稳健的响应；以及自助型RAG，它完全避开传统的检索步骤，按需获取数据。此外，我们还强调了FastGraphRAG，通过生成可供人类浏览的图表，提升了数据的可理解性。基于团队的讨论和提名，RAG中的“R”已成为一个备受关注且快速演进的话题，展现出其在生成式AI领域中的关键作用。 驾驭数据疆界 大数据一直是行业关注的核心，但在本期技术雷达的讨论中，焦点不再仅仅是数据的规模，而是如何处理丰富而复杂的数据。随着非结构化数据在企业中的日益普及和重要性，如何有效管理和包装这些数据，使其能够成功应用于AI技术、客户分析等领域，已成为当今企业发展的关键。 这一趋势在多个雷达条目中得到了体现：从矢量数据库工具到分析产品（如Metabase），令人惊叹的是，软件生态系统的驱动力越来越多地来自于我们对数据的需求和期望。但这不仅仅是关于工具的讨论――在本期中，我们还关注到数据产品思维，这一框架鼓励团队将产品思维的原则应用于数据生态系统中的分析部分。数据产品思维的兴起在某种程度上反映了长期以来如何正确利用数据这一持续挑战（早在AI崛起之前，这个议题就已被广泛讨论）。如今它走到聚光灯下（并进入我们的雷达讨论），表明数据管理的重要性正前所未有地凸显。如果没有足够的数据纪律，组织可能会在创新中遇阻，甚至在中长期内面临商业竞争劣势。 本期雷达 本期雷达 技术 平台 采纳23.GitLab CI/CD24.Trino 采纳 1.数据产品思维2.Fuzz测试3.软件物料清单（SBOM）4.威胁建模 试验 25.ABsmartly26.Dapr27.Grafana Alloy28.Grafana Loki29.Grafana Tempo30.Railway31.Unblocked32.Weights & Biases 试验 5.API请求集合做为API产品的制品6.架构建议流程7.GraphRAG8.按需特权访问管理（Just-in-time PrivilegedAccess Management）9.模型蒸馏10.提示工程（Prompt Engineering）11.小语言模型（SLMs）12.利用生成式AI理解遗留代码库 评估 33.Arize Phoenix34.Chainloop35.DeepSeek R136.Deno37.Graphiti38.Helicone39.Humanloop40.模型上下文协议（MCP）41.Open WebUI42.pg_mooncake43.推理模型（Reasoning Models）44.Restate45.Supabase46.Synthesized47.Tonic.ai48.turbopuffer49.VectorChord 评估 13.AI友好的代码设计14.AI驱动的UI测试15.能力边界作为理解系统故障的模型16.从LLMs获取结构化输出 暂缓 17.AI加速影子IT（AI-accelerated Shadow IT）18.自满于AI生成的代码19.本地编码助手20.使用AI代替结对编程21.逆向ETL（Reverse ETL）22.SAFe™ 暂缓 50.Tyk hybrid API management 语言和框架语言和框架 工具工具 采纳83.OpenTelemetry84.React Hook Form 采纳51.Renovate52.uv53.Vite 试验 试验 85.Effect86.Hasura GraphQL engine87.LangGraph88.MarkItDown89.Module Federation90.Prisma ORM 54.Claude Sonnet55.Cline56.Cursor57.D258.Databricks Delta Live Tables59.JSON Crack60.MailSlurp61.Metabase62.NeMo Guardrails63.Nyx64.OpenRewrite65.Plerion66.软件工程代理（software engineeringagents）67.Tuple68.Turborepo 评估 91..NET Aspire