Technology Radar

Um guia de opinião sobre o universo de tecnologia atual

O Thoughtworks Technology Radar é um panorama semestral de ferramentas, técnicas, plataformas, linguagens e frameworks. Essa ferramenta de compartilhamento de conhecimento é baseada na experiência de nossas equipes globais e destaca coisas que você pode querer explorar em seus projetos.

Novo
Modificado
Sem alteração

Sem blips

techniques platforms tools languages-and-frameworks .all-quadrants.js-enabled { display: none; }

Cada insight que compartilhamos é representado por um ponto. Os pontos podem ser novos no Radar mais recente, ou podem mudar de anel conforme nossa recomendação muda.

Os anéis são:

Adote: Pontos que achamos que você deve considerar seriamente usar.
Experimente: Opções que achamos que estão prontas para uso, mas não tão comprovadas quanto as do anel Adote.
Avalie: Opções para observar atentamente, mas não necessariamente experimentar ainda, a menos que você ache que seja um encaixe particularmente bom para você.
Evite: Proceda com cautela.

Explore a versão interativa por quadrante ou baixe o PDF para ler o Radar completo. Se quiser saber mais sobre o Radar, como usá-lo ou como ele é construído, consulte as Perguntas Frequentes (FAQ).

Baixe o PDF

English | Español | Português | 中文

Inscreva-se para receber a newsletter do Technology Radar

Seja assinante

Temas para este volume

Em cada volume do Radar Tecnológico, buscamos padrões emergentes nos pontos que discutimos. Esses padrões formam a base de nossos temas.

Agentes supervisionados em assistentes de programação

Dois dos nossos temas destacam a rápida inovação em IA generativa, e um deles trata da crescente evolução dos assistentes de programação. Cada vez mais, essas ferramentas permitem que desenvolvedoras conduzam a implementação diretamente a partir de um chat com IA dentro do seu IDE — um modo também chamado de “agentic”, “prompt-to-code” ou “chat-oriented programming (CHOP)”. Nesta abordagem, os assistentes de IA não se limitam a responder a perguntas ou a gerar pequenos fragmentos de código; eles navegam e modificam o código, atualizam os testes, executam comandos e, em alguns casos, corrigem proativamente erros de linting e compilação. Enquanto permanecemos céticas em relação a agentes de programação que prometem desenvolvimento de tarefas grandes de maneira totalmente autônoma, vemos resultados promissores com essa abordagem supervisionada, em que as desenvolvedoras guiam e supervisionam as ações do agente. Cursor, Cline e Windsurf estão liderando essa tendência no espaço das ferramentas integradas ao IDE, com o GitHub Copilot também evoluindo nesse espaço. Assistentes agentes, como aider, goose e o Claude Code são alternativas baseadas em terminais. Apesar desses avanços, continuamos cautelosos sobre como isso aumenta a complacência com código gerado por IA, pois, apesar de alguns resultados muito bons, ainda vemos uma necessidade significativa de orientação e vigilância na revisão do código.

Observabilidade em evolução

Notamos um movimento significativo no espaço da observabilidade, impulsionado pela crescente complexidade das arquiteturas distribuídas. Ainda que a observabilidade sempre tenha sido crucial, ela continua a evoluir em paralelo ao resto do ecossistema de desenvolvimento de software. Um foco emergente é a observabilidade de modelos de linguagem de grande porte (LLMs), uma peça crítica na operacionalização de IA. Observamos também um aumento em ferramentas para monitoramento e avaliação de desempenho de LLM, incluindo Weights & Biases Weave, Arize Phoenix, Helicone e HumanLoop. Outra tendência é a integração de observabilidade assistida por IA, onde ferramentas utilizam IA para melhorar análises e insights. Além disso, a adoção crescente do OpenTelemetry está promovendo um ambiente de observabilidade mais padronizado, permitindo que as equipes permaneçam independentes de fornecedores (vendor-agnostic) e tenham mais flexibilidade na escolha das ferramentas. Várias ferramentas líderes de observabilidade — como Alloy, Tempo e Loki — agora suportam OpenTelemetry. A rápida inovação nas ferramentas de observabilidade demonstra uma crescente conscientização sobre a importância da observabilidade, criando um ciclo de práticas e tecnologias que se reforçam mutuamente.

R em RAG

Esperamos que diferentes aspectos do ecossistema de IA generativa evoluam em ritmos variados, e nesta edição do Radar, vemos isso acontecendo com o “R” em RAG (geração aumentada por recuperação). Uma das interações principais com a caixa preta dos modelos de linguagem de grande porte (LLMs) é personalizar as entradas do prompt para gerar respostas relevantes e úteis. A crescente necessidade de recuperação eficaz em RAG levou ao surgimento de novas ferramentas e técnicas apresentadas nesta edição. Por exemplo, discutimos o RAG corretivo, que ajusta dinamicamente as respostas com base em feedback ou heurísticas; o Fusion-RAG, que combina múltiplas fontes e estratégias de recuperação para respostas mais abrangentes e robustas; e o Self-RAG, que evita completamente a etapa de recuperação, buscando dados sob demanda. Também destacamos o FastGraphRAG, que auxilia na compreensão ao criar gráficos navegáveis por humanos. Com base nas discussões e indicações da nossa equipe, o “R” em RAG é um tema quente e está evoluindo rapidamente.

Domando a fronteira dos dados

Big data tem sido uma preocupação fundamental para a indústria há muito tempo, mas as conversas em torno desta edição do Radar não se concentraram tanto no tamanho, e sim em como lidar com dados ricos e complexos. Com a crescente presença — e importância — de dados não estruturados nas empresas, garantir que os dados sejam gerenciados e organizados de maneira eficaz para que possam ser aproveitados com sucesso em tudo, desde aplicações de IA até análises de clientes, tornou-se essencial para os negócios.

Isso se reflete em muitos blips: desde ferramentas de bancos de dados vetoriais até produtos de análise como o Metabase. É surpreendente como grande parte do ecossistema de software está sendo impulsionada pelo que queremos e precisamos fazer com os dados. No entanto, não se trata apenas de ferramentas — nesta edição, destacamos a abordagem da mentalidade de produto para dados, um framework que incentiva as equipes a aplicarem os princípios da mentalidade de produto às partes analíticas de seu ecossistema. O surgimento dessa "mentalidade de produtos para dados” é, em certa medida, um reflexo do desafio contínuo de utilizar os dados de forma adequada (algo discutido há anos, muito antes da ascensão da IA). O fato de esse conceito ter ganhado destaque — e estar presente em nossas conversas no Radar — demonstra que a necessidade de disciplina na gestão de dados é tão grande quanto sempre foi. Sem isso, as organizações podem ter dificuldades para inovar e acabar em desvantagem competitiva a médio e longo prazo.