Blog
Macro trends in the tech industry | April 2025
Thoughtworks 技术雷达 (Tech Radar) 是一份每半年发布一次的技术报告，涵盖了工具、技术、平台、语言和框架等方面的内容。这一知识成果来自于我们全球团队的经验，重点介绍了您可能想要在项目中探索的内容。
我们分享的每个见解都由一个点（blip）表示。点在最新的雷达报告中可能新增，也可能随着我们建议的改变而移动到不同的环。
环的含义如下：
- 采纳 (Adopt)。我们认为您应该认真考虑使用的点。
- 试验 (Trial)。我们认为可以放心使用的点，但还没有达到“采纳”环中那么成熟的程度。
- 评估 (Assess)。值得关注的点，但除非非常适合您的需求，否则目前可能不需要试用。
- 暂缓 (Hold)。需要谨慎对待的点。
您可以按象限探索互动版本，也可以下载 PDF 完整阅读雷达报告。想要了解更多关于雷达报告、如何使用或其构建方式的信息，请参阅常见问题解答 (FAQ)。
本期的主题
在技术雷达的每一期中，我们都会讨论并提炼雷达图中出现的新模式。这些模式构成了我们的主题。
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。
精选洞见
温馨提示：此内容或许无法匹配您所选的语言
贡献者
技术雷达由Thoughtworks 技术顾问委员会（TAB）创建，成员包括：
Rachel Laycock (CTO) • Martin Fowler (Chief Scientist) • Bharani Subramaniam • Birgitta Böckeler • Bryan Oliver • Camilla Falconi Crispim • Chris Chakrit Riddhagni • Effy Elden • Erik Doernenburg • James Lewis • Ken Mugrage • Maya Ormaza • Mike Mason • Neal Ford • Ni Wang • Nimisha Asthagiri • Pawan Shah • Selvakumar Natesan • Shangqi Liu • Vanya Seth • Will Amaral
订阅，保持关注
订阅获取Thoughtworks最新技术雷达的信息，以及双月发布的技术洞见邮件。