软件工程领域正在经历一场由人工智能驱动的深刻变革。从单一工具形态的 “AI 编程助手” 演进到 “智能体规模化并行运作” ，底层技术的迭代速度远超预期。本期雷达将目光聚焦于生成式 AI 与智能体引发的深层工程化变革，归纳出 四大核心趋势主题。企业该如何在这场浪潮中拨开迷雾，做出明智的技术选择与投入？
今日，Thoughtworks 正式发布《技术雷达》第 35 期。
作为每年发布两次的全球技术趋势快照，我们汇总了 Thoughtworks 全球一线技术团队的实战经验，对当下极具潜力的技术、工具、平台、语言与框架进行系统化评估。本期雷达提炼出以下 四大核心趋势主题：
主题一：规模化智能体驾驭工程
尽管 “驾驭（Harness）” 这个概念并不新鲜，但我们在本期雷达中看到，围绕 AI 智能体构建的生态环境正日趋成熟。从 上下文记忆、反馈循环到安全护栏（Guardrails） ，这些要素正在凝聚为一门高度内聚的系统工程学科。
行业内正在形成一个新兴的插件生态系统，例如 Agent Plugins 与智能体包管理器。与此同时，我们认识到 驾驭机制是一种“活”的资产，需要持续维护与质量评估。未来几个月，满足企业级需求的 “企业智能体驾驭体系” 极有可能像几年前的平台工程一样，作为一种独立的产品形态在企业中崛起。
主题二：超越前沿模型
我们正在进入 AI 模型应用的新阶段——盲目且下意识地选择闭源的“前沿大模型（Frontier Models）”已不再是唯一答案。
开源权重模型（Open-weight models） 在成本与能力上实现了显著突破，例如 GLM 家族在编码任务中的表现便是一个明证。除了成本优势，开源模型还能灵活部署在公有云、本地硬件或混合云环境中，更贴合企业严格的数据隐私要求，同时降低对单一供应商的依赖。本地编码模型、面向结构化数据的基础模型以及 Jev 等决策模型的涌现，正促使工程团队将 模型路由（Model routing） 视为架构设计的核心考量，以保持模型选择的多样性与开放性。
主题三：让更多智能体投入工作
如果说上一期雷达的焦点是“编码智能体的兴起”，那么本期的重点则转向了 规模化并行会话——开发者开始同时运行、引导 多个智能体协同工作 （例如开展无人值守的夜间智能体构建）。
相比复杂的“多智能体集群自治协作”，这种由人类开发者直接统筹多个并发会话的模式 更加轻量且更契合当下实际，可以借助 Herdr、Omnigent、Paseo 等注意力收件箱工具进行管理。但这也带来新的隐患：当开发者并发运行的智能体数量不断攀升，人类的“代码审核带宽”将成为最严峻的瓶颈。
如果不加以控制，这一模式很容易退化为敷衍的 “人工审核剧场（human-in-the-loop theater）” 。因此，在引入更多并发智能体之前，团队必须重新审视自身的代码审查与持续交付流水线的承载能力。
主题四：构筑 AI 工厂
随着企业对生成式 AI 与智能体的使用密度不断增大，一个事实逐渐浮出水面：Token 的经济学本质，最终是基础设施的经济学。要让 AI 在企业中具备经济可持续性，创新必须下沉到技术栈的更底层。
我们观察到一个围绕 Kubernetes 的活跃 AI 基础设施生态正在成形，共同构筑起能够大规模运行 AI 负载的 “AI 工厂” 。无论是支持模型服务与硬件感知的 KServe 和 KAITO、提供模型路由的 LiteLLM，还是满足高吞吐量存储需求的 VAST DataStore 以及提供软件定义网络自动化的 Netris，其核心理念高度一致：模型、GPU、推理引擎、存储和网络，正在被整合为通过通用平台层统一协调的“可编程资源”。
如何获取完整版洞见？
想要探索以上四大主题背后的全部 技术脉冲（Blips）？想知道本期又有哪些技术被建议 “采用（Adopt）” 、哪些需要 “暂缓（Caution）” ？
你可以通过以下方式深入获取：
- 访问 Thoughtworks 官网，探索交互式《技术雷达》，按四大象限进行深度检索
- 下载完整版《技术雷达》第 35 期 PDF 报告
- 订阅《技术雷达》邮件，持续接收前沿技术洞察
| 
发表于 半小时前
|
查看: 4|
回复: 0
/1 
