ThoughtWorks 技术雷达 Vol.35（2026 年 11 月） #

• 发布：2026 年 11 月，Volume 35
• 依据：2026 年 9 月于巴西 Recife 召开的 Technology Advisory Board 会议
• 规模：117 个 blip（Techniques 45、Platforms 22、Tools 36、Languages & Frameworks 14）

雷达速览 #

象限	Adopt	Trial	Assess	Caution	合计
Techniques	6	17	12	10	45
Platforms	1	10	11	0	22
Tools	3	16	17	0	36
Languages & Frameworks	1	6	7	0	14
合计	11	49	47	10	117

本卷的 Caution 全部集中在 Techniques 象限，说明 Thoughtworks 更关注“AI 使用方式”的反模式，而不是具体平台或工具本身的风险。

四大主题 #

1. Harness engineering at scale（规模化 harness 工程） #

Harness 指围绕 AI agent 构建的一切：记忆、上下文、反馈回路、护栏、工具与技能。本期认为它正在从零散实践成熟为一门独立学科：

• 正在形成 agent 插件生态：Agent Plugins、agent plugin marketplace、Agent Package Manager。
• Harness 是“活的资产”，需要持续拥有与维护：harness quality evaluation、self-improving harness、feedback flywheel。
• 企业级挑战是 enterprise harness：未来可能像 platform engineering 一样，成为独立产品/平台层。

2. Beyond frontier models（不再默认前沿模型） #

“遇到 LLM 任务就上最强闭源模型”不再是显然正确的选择：

• Open-weight 模型与闭源前沿模型的差距显著缩小；成本、部署灵活性、数据主权、避免厂商锁定是主要驱动力。
• GLM 系列在软件工程负载上已可作为前沿模型的替代；DeepSeek、Kimi 也在评估范围内。
• 本地编码模型、小语言模型（SLM）、结构化数据基础模型（TabPFN/TabFM）、决策模型（Jev 等）共同拓宽了选型空间。
• Model routing 成为工程团队的新职责；同时警惕 blanket frontier model usage。

3. Putting more agents to work（让更多 agent 真正干活） #

重点从“单个 coding agent”转向“开发者同时运行并操控多个 agent 会话”：

• 常见形态：多个并行会话、直接操控每个会话；把更大块的工作交给 agent 长时间运行，例如 unattended overnight agentic builds。
• 比此前的“协调式多 agent”更轻量：agent team 在预定义工作流中分配角色，agent swarm 则由编排 agent 自行分派。
• 工具生态：Claude Squad、T3 Code、Orca、Paseo、Herdr（attention inbox）、Omnigent；Git worktree 提供隔离工作副本；subagents 保护主上下文；AgentsView / Hunk 支持复盘与审查。
• 新瓶颈是 人的注意力与审查能力：审查跟不上就会出现 human-in-the-loop theater；交付流水线也可能被高频变更压垮，因此需要 path-to-production mapping。

4. Constructing the AI factory（建设 AI 工厂） #

Token 经济本质上是基础设施经济：

• Kubernetes 正在成为 AI factory 的底座：KServe、KAITO 负责模型服务与加速器感知的负载管理；llm-d 负责分布式推理与调度；LiteLLM 负责模型路由与抽象。
• 存储与网络同样关键：VAST DataStore 面向高吞吐存储，Netris 提供软件定义网络自动化与多租户。
• 趋势是：模型、GPU、推理引擎、存储、网络都被当作 可编程资源，通过统一平台层协调。

Techniques（45） #

Adopt（6） #

1. Agent sandboxing — 所有 agent 的合理默认：隔离环境、最小权限，按风险分级并结合威胁建模。
2. Mutation testing — 用自动注入的小 bug 检验测试质量；AI 生成测试变多后，防止“覆盖率虚高”。
3. Path-to-production mapping — 从开发机到生产的全流程工作坊；agent 提升编码吞吐后，瓶颈会转移到下游。
4. Post-quantum cryptography — NIST 标准（ML-KEM、ML-DSA、SLH-DSA）已定稿，2030–2035 是迁移窗口；新项目应默认量子抗性。
5. Progressive context disclosure — 按需加载上下文：精简 AGENTS.md、延迟加载 MCP 工具/技能、RAG/GraphRAG；降 token 成本并对抗 context rot。
6. Threat modeling — 人类主导、agent 辅助的常规安全实践；AI 系统需覆盖 prompt injection、自主行动等新风险，可结合 MITRE ATLAS、MAESTRO、toxic flow analysis。

Trial（17） #

• Agent plugin marketplace — 用 Git 仓库 + Agent Plugins 格式分发技能、指令、MCP server、subagent 定义；Claude Code plugin marketplace 是代表。
• Agent-maintained knowledge bases — 用 coding agent 维护 Obsidian/纯文本知识库（Karpathy 的 LLM Wiki 模式）；团队共享比个人“第二大脑”更有价值，但要防文档漂移。
• Anchoring coding agents to a reference application — 模板只保留结构，平台规则由 agent 运行时查询最新知识库，避免模板腐化。
• Coding harness for general-purpose agents — 复用成熟 coding agent 的 runtime（Claude Agent SDK、Codex SDK/app-server、OpenCode server/SDK、Pi SDK/RPC）构建非编码 agent。
• Feedback flywheel — 每次会话结束追问“共享资产要不要改”，配合 retrospective、feedback sensors、agent suggestion box、Backpass。
• Graph-grounded codebase reasoning — 把代码/文档/关系建模为图，按需检索子图；但研究显示有时不如 find/grep，需验证收益。
• Grilling — 让 agent 在动手前反向面试你，暴露歧义与假设；mattpocock/skills 是代表。
• Interactive visual plans with agents — 用可交互 HTML/MDX 计划（图、流程、线框）替代长文本计划；避免“大 upfront 设计”。
• Managed agents runtime — 在托管平台运行 agent loop，提供沙箱、触发、凭证、会话状态与可观测性；Cursor cloud agents、GitHub Copilot coding agent、Codex cloud tasks、Claude Managed Agents。
• Open-weight models — 成本、部署灵活性、数据主权；DeepSeek、GLM、Kimi 已可用于复杂推理与高质量代码生成。
• Risk-tiered human oversight — 按风险分级审查：最高风险人工执行，中风险人工审查，低风险可自动合并；可用代码区域 + LLM 变更分类。
• Self-improving harness — agent 分析执行轨迹与评估反馈，改进 prompt、上下文策略、工作流、技能、工具、记忆与中间件；需有界实验与回归测试。
• Small language models — 适合窄而高频的任务：摘要、结构化抽取、意图分类、基础编码；Apple Core AI 可在设备端运行。
• Stateful guardrails — 从单条消息扩展到整段对话，维护 strike/ban 状态，识别渐进式越狱与策略规避。
• Subagents for better context management — 把探索、工具输出、重试留在子 agent，主会话只收摘要；建议同时 2–4 个，并用 context profiling 验证主上下文是否真的缩小。
• Toxic flow analysis for AI — 针对“私有数据 + 不可信内容 + 对外通信”的 lethal trifecta，分析不安全数据路径；Agent Scan 可辅助。
• Unattended overnight agentic builds — 下班前交给 agent 一个 feature 级任务，第二天审查；前置条件是沙箱、spec-driven、反馈传感器与可验证的 harness。

Assess（12） #

• Agent pipeline responsibility — 把构建状态纳入 agent 上下文，用 pre-push / 服务端 gate 机械执行规则；别让人类充当“meat proxy”。
• Agent suggestion box — 给 agent 一个报告工具/环境问题的地方（Slack、issue tracker、memory store），避免每次会话重复踩坑。
• Context profiling — 分析 token 花在哪里；最大节省常来自简单调整（清会话、调缓存、安静构建脚本），而非复杂压缩代理。
• Enterprise harness — 组织级共享技能、工具、连接器、ADR、path-to-production 指南、hooks 与安全策略；“薄而联邦”，通过开放标准和插件市场分发。
• Foundation models for structured data — 面向关系型/表格数据的 transformer 基础模型（TabPFN、TabFM），减少特征工程。
• Harness quality evaluation — 对确定性护栏做 TDD 式测试，对非确定性技能/插件用 PluginEval；建议 nightly/CI 定期评估。
• Local coding models — 从 Caution 移至 Assess；Qwen3.8-27B 等本地模型适合代码索引、日志解析、摘要、初稿与 diff review。
• MITRE ATLAS — AI/ML 对抗战术与技术知识库，比 ATT&CK 更聚焦，适合威胁建模与 SAIF 等控制框架配合。
• Production-aware coding agents — 给 agent 生产可观测性与工具访问，让它参与变更影响分析、上线验证与故障排查。
• Programmatic tool calling — 模型写代码批量调用工具（Code Mode / Anthropic PTC / DSH PTC Mode），只把筛选后的结果返回上下文；注意细粒度授权。
• Semantic review of AI-edited prose — 在文本 diff 之上加一层语义审查，识别事实变化、冲突、验收标准与范围变化。
• Tests as data over tests as code — 用 YAML/JSON 表达测试用例，由项目专用 harness 执行；利于 AI 生成/审查，也利于遗留系统迁移时复用同一套用例。

Caution（10）— 本卷反模式清单 #

• Agent instruction bloat — 指令只增不减会变得冗长、矛盾、过时；能确定性化的转成 hook/check，并按新模型做“progression testing”删减。Anthropic 曾为最新模型删掉 Claude Code 80%+ 的 system prompt 而无明显损失。
• Agent skill cognitive surrender — 不加理解地整包引入社区技能库/重型 agent 框架；既失去系统理解，也引入安全与冲突风险。
• AI-accelerated shadow IT — 非程序员用 coding agent 自建应用，缺测试、流水线、可观测性与治理；应提供安全的实验环境与企业 harness，而不是一味压制。
• AI-driven documentation sprawl — Spec-kit/BMAD 等大量生成 Markdown，造成“big ball of documentation mud”；过时文档会污染 agent 上下文。
• Blanket frontier model usage — 所有任务都用最强模型；应按任务、子 agent、阶段切换模型，并用 context profiling 验证优化是否真的省钱。
• Coding throughput as a measure of productivity — AI 生成代码比例、token 消耗量不是生产力；应看 DORA、协作质量与业务结果，警惕 Goodhart's law。
• Human-in-the-loop theater — 让人做无法真正判断的“空审批”；应按风险分级，把审查资源留给人类能判断的变更。
• Meat proxy — 不读、不验证就把 LLM 输出转给同事；KDE 的 AI 指南直言“Don't be a meat proxy”。
• Naive context compression — 粗暴压缩会破坏 prompt cache、丢失信息，甚至用 LLM 摘要反而增加延迟与成本；应先 profiling，再选择保留原始引用的压缩方式。
• Stacked pull requests — 用 PR 堆栈拆大变更；本身不是问题，但常被当作“前期拆分没做好”的遮羞布。GitHub 已提供原生支持。

Platforms（22） #

Adopt（1） #

• VictoriaMetrics — 高性能开源时序数据库，适合大规模、高基数、自管理可观测性；某项目单集群达到 500 万 samples/s、每指标 20–30 个标签。支持 OpenTelemetry、Prometheus API 与 remote write。

Trial（10） #

• Kafka share groups — KIP-932，Kafka 4.2 起生产可用；队列式消费，突破“消费者数 ≤ 分区数”的限制；至少一次语义，可能重复处理，不保证分区内顺序；DLQ（KIP-1191）尚未可用。
• KServe — Kubernetes 上的模型服务 operator；InferenceService 面向传统 ML/简单 LLM，LLMInferenceService 基于 llm-d + Gateway API Inference Extension，支持多节点推理、prefill/decode 分离、KV-cache 感知路由。
• LibreChat — 开源自托管 AI 聊天平台；SSO、RBAC、文档 RAG，管理员控制 MCP server，用户可无代码构建并共享 agent；ClickHouse 于 2025 年 11 月收购，仍为 MIT。
• LiteLLM — 广泛使用的开源 AI gateway；100+ provider、路由、协议转换、认证、预算与护栏；核心正从 Python 重写为 Rust。因今年 25+ CVE 仍留在 Trial，需及时打补丁，并可配合 agentgateway 治理 MCP/A2A。
• Microsoft Copilot Retrieval API — 从 SharePoint、OneDrive 与 Copilot connectors 检索内容，按调用者做安全裁剪；适合依赖 Microsoft 生态组织知识的 RAG。
• Restate — 持久化执行平台；记录每一步执行，失败可恢复，服务间 exactly-once；Basic Services / Virtual Objects / Workflows；SDK 为 MIT，server 为 BSL。
• Talos Linux — 面向 Kubernetes 的最小不可变 Linux；无 SSH、包管理器与交互 shell，通过 mTLS gRPC API 声明式配置；2026 年 Yardi 收购 Sidero Labs，仍为 MPL-2.0。
• Temporal — 持久化执行平台；重试、状态持久化、超时、human-in-the-loop、可恢复与执行可见性；适合内部开发者平台与 AI 云基础设施控制面。
• vCluster — 虚拟 Kubernetes 控制平面；在 namespace 级多租户与独立集群之间取中间态；适合需要各自 GPU operator、调度器、推理框架与 CRD 的 AI 平台。
• VictoriaLogs — 高吞吐日志平台；无需预定义索引，Bloom filter + 时间戳索引，LogsQL；相比 Elasticsearch 运维更轻，相比 Loki 对高基数结构化日志更友好。

Assess（11） #

• Agent Client Protocol (ACP) — agent 与宿主环境（IDE、终端、CI）之间的开放标准，JSON-RPC 定义会话、流式更新、权限请求与取消；与 MCP 互补：MCP 管 agent-to-tool，ACP 管 client-to-agent。
• Agent Plugins — 跨厂商（Amazon、Microsoft、OpenAI 等）的开放打包标准，统一 agent skills 与 MCP server 格式；“最小互操作层”便于把现有技能仓库扩展为插件。
• agentgateway — Linux Foundation 托管的高性能 LLM 流量网关；支持 LLM 推理、MCP、A2A，成本/延迟路由、fallback、预算、护栏与 OpenTelemetry；Kubernetes 版可利用 GPU 指标做缓存感知路由。
• AWS DevOps Agent — AWS 托管的 AI 故障调查平台；关联资源、遥测、部署与代码变更，给出根因与缓解建议；按 agent-second 计费，成本可预测性差，2026 年 3 月才 GA。
• Claude Managed Agents — Anthropic 托管通用 agent 服务；团队定义模型、prompt、工具、MCP server 与技能，Anthropic 提供 agent loop、沙箱、调度与可观测性；beta，仅支持 Anthropic harness 与 Claude 模型，不适用 Zero Data Retention。
• Decision models — 新一类“系统一”模型（Jev、Laya、Nimble、Kev）；输出结构化值而非生成文本，用 RLCD 优化校准；支持 Noul（是/否概率）、Choice、Score 三类问题，可用于 Jev-as-a-judge、路由、策略门与批量标注。
• KAITO — Kubernetes AI Toolchain Operator；用 Workspace CRD 声明模型与 GPU 实例类型，经 Karpenter 自动扩 GPU 节点、估算显存、用 vLLM 提供服务；AKS 上最成熟，仅支持 Ampere 及更新 NVIDIA GPU。
• llm-d — 面向 Kubernetes 的分布式推理栈；KV-cache 感知路由、模型感知调度、prefill/decode 分离，把推理从“无状态 HTTP 后端”变成有状态协调问题。
• Netris — 物理数据中心与 AI 基础设施的带外网络自动化与多租户平台；抽象为 VPC、虚拟网络、ACL、L4 LB；支持 EVPN、RoCE 流控、BlueField DPU、UFM PKey 与 NVLink 域。
• Omnigent — Databricks 开源的 meta-harness，位于 Claude Code、Codex、Pi 等之上；统一策略、预算、审批、OS 沙箱、凭证注入、会话持久化与 ACP；仍为 alpha。
• VAST DataStore — VAST Data 平台的存储层；统一命名空间提供 NFS/SMB、S3、NVMe/TCP；分离式 shared-everything 架构，适合 GPU 集群的训练、checkpoint 与模型加载；专有且昂贵。

Tools（36） #

Adopt（3） #

• mise — Rust 编写，统一工具/语言版本、环境变量与任务执行；mise.toml 声明式配置，集成 Cosign 与 GitHub artifact attestations，兼顾供应链安全；已成为推荐默认。
• OpenAI Codex — 进入 Adopt，与 Claude Code、OpenCode 并列日常 CLI coding agent；OS 级沙箱、分级审批、集中配置与合规管理；agent loop 为 Apache-2.0，可用于构建通用 agent harness；兼容其他 agent 的配置/技能/会话，也支持非 OpenAI 模型。
• OpenCode — 最突出的开源 coding agent harness 之一；可定制、支持 headless/server 模式，适合作为企业 harness 基础；会话共享与协作仍落后于竞品。

Trial（16） #

• Act — 本地运行 GitHub Actions；让 agent 在 push 前跑 workflow，减少 build 争用，支撑 agent pipeline responsibility；并非 GitHub 环境的完美复刻。
• Agent Package Manager — agent 配置的依赖管理器；manifest 声明插件、技能、指令与 MCP server；lock file 记录哈希与来源，SBOM 导出 CycloneDX/SPDX，扫描隐藏 Unicode，policy 约束来源与权限；pre-1.0。
• ast-grep — 基于 tree-sitter 的结构化搜索、lint 与重写；YAML 规则，支持 20+ 语言；无需索引，可作为大型代码库的低摩擦第一步。
• Beads — Git 支撑的 issue tracker，供 agent 共享任务图；任务与依赖随代码存储，跨会话保留；1.0 后以 Dolt 为唯一后端，与 Linear/Jira/GitHub Issues 双向同步。
• Chaos Mesh — Kubernetes 原生混沌工程；CRD 声明故障场景，可复现、可控爆炸半径；适合 GPU 密集的 AI 基础设施韧性验证。
• Cube Core — 开源语义层；用代码定义指标、维度、join 与访问规则，统一 BI、嵌入式分析与 AI 工作流的口径。
• Figma Code Connect — 把 Figma 组件映射到生产 UI 组件；配合 Figma MCP server，让 agent 按真实组件 API 生成代码，减少返工与架构漂移。
• FluxMarkdown — macOS QuickLook 插件；在 Finder 预览 Markdown，支持语法高亮、KaTeX、Mermaid/Graphviz/Vega。
• Git AI — 开源 Git 扩展；用 git notes 记录 AI 生成代码对应的 agent、模型与 prompt，支持按行归因与历史会话查询。
• Linear — issue tracker；agent 可作为成员加入 workspace，接受 issue、被 @、展示变更推理；Cursor、Codex、Devin 可接单，远程 MCP server 供 Claude Code 读写 issue。
• mattpocock/skills — “Skills For Real Engineers”；小而可组合的 agent skills，帮助团队把工程实践带入 agentic coding；也包含 grilling 等需求澄清技能。
• OpenSpec — 轻量 spec-driven 开发框架；适配任意 coding agent，擅长 brownfield，变更以 delta 形式叠加在持久 spec 上；相比 Spec Kit/Kiro 更强调 spec-anchored 工作流。
• OpenWiki — CLI 自动生成并维护代码库/知识库 wiki；产出可被其他 agent 使用的链接式 Markdown；支持本地模型、OKF 格式与节点图可视化。
• Pi — 极简 TypeScript agent harness；刻意不含 MCP、subagent、plan mode 与权限提示，通过扩展、技能与 prompt 模板补齐；2026 年 4 月创建者加入 Earendil，核心保持 MIT。
• Sourcebot — 自托管代码搜索与理解平台；索引数千仓库，提供符号感知搜索与 IDE 级导航；MCP server 让 agent 跨组织代码库检索；付费版 Ask Sourcebot 支持自然语言问答。
• Timefold Solver — Java/Kotlin 约束优化引擎，OptaPlanner 后继；硬约束保证业务规则，软约束优化运营目标；适合车辆路径、排班、任务分配与维护计划。

Assess（17） #

• AgentsView — coding session 可观测性；浏览、搜索、context profiling 历史会话，分析 prompt cache 与成本效率；local-first，适合安全敏感组织。
• Apple container — 在 Apple silicon 上原生运行 Linux 容器；Swift 编写，每容器一个轻量 VM，hypervisor 级隔离与动态内存回收；配合 Socktainer 可兼容 Docker API。
• Deepsec — agent 驱动的漏洞扫描器；先理解架构，再对高风险区域做定向 AI 审查；确定性匹配 + 子 agent 混合架构，降低 token 成本。
• DeepSeek Harness (DSH) — DeepSeek 开源 agent runtime；“一切皆插件”，基于 Cordis kernel；模型适配器、工具注册、会话日志与 agent loop 都是插件；append-only 会话日志支持检查、恢复、fork、搜索与回放。
• Entire CLI — 通过 Git 捕获 agent 会话（prompt、transcript、工具调用、触及文件），存于仓库但不在分支历史中；适合高信任、强协作团队，但会带来“prompt 全透明”的隐私阻力。
• FreeToken — 面向消费级硬件的开源 MoE 推理引擎；自适应组合 GPU 显存、CPU、主机内存与 PCIe 带宽，动态缓存/换入换出激活专家，让超大 MoE 跑在现有或较旧硬件上。
• GLM — Z.ai 的开放权重模型家族；约 700B MoE，GLM-5.3 在编码、推理与 agentic 任务上表现突出，主要靠后训练而非单纯预训练规模；有时“想太多”，需按任务调 reasoning effort。
• Habit Hooks — 面向 AI coding agent 的代码质量教练；运行 Ruff、ESLint、Knip、PMD、deptry、jscpd 等，把 lint 违规翻译成可执行的改进建议与代码坏味上下文，确定性注入 prompt。
• Herdr — 面向多 coding agent 会话的终端复用器/runtime；pane、键盘导航、detach/reattach，暴露 working/blocked/done/idle 等 agent 状态；CLI 集成让 agent 创建 pane、交换 prompt、协调工作。
• Hunk — 终端 diff 查看器；把 PR 或 Git/Jujutsu/Sapling changeset 展示为多文件审查，支持 watch mode；agent 可加载 Hunk skill 驱动实时审查并在变更行旁加注。
• nono.sh — 开源安全 shell 与轻量沙箱；用 Linux Landlock、macOS Seatbelt 等内核能力做 OS 级隔离，无需 VM/Docker；默认阻止 SSH key 等敏感资产访问，profile 可通过 nono registry 共享。
• OpenResearch CLI (orx) — 把 Claude Code 等 coding agent 变成并行实验的 research agent；每个实验独立 Git worktree，统一 run command，固定不可变代码快照；可跑在本地、Slurm、Kubernetes 或 Modal。
• Safe Chain — Aikido 的免费工具；包装 npm/pnpm/Bun/pip/uv，经本地代理阻止 48 小时内发布的版本与威胁情报标记的恶意包；弥补包管理器“最小发布年龄”覆盖不到的场景。
• Swamp — 面向 AI agent 的自动化工具；agent 不直接执行操作，而是编写 TypeScript 模型 + YAML workflow，定义可重复流程，运行结果作为版本化数据保留；凭证运行时从 vault 注入；取代此前的 System Initiative。
• Vale — 散文 linter；解析 Markdown/AsciiDoc/reStructuredText，跳过代码块，用 YAML 规则检查文风；适合 docs-as-code 与 agent 的反馈传感器；vail-ai-tells 可标记生成文本的典型措辞。
• Varlock — 环境配置与密钥管理层；提交 .env.schema 描述变量名、类型、校验与文档，密钥运行时从 1Password/AWS Secrets Manager/Azure Key Vault 注入；credential proxy 可在网络边界替换真实值。
• zizmor — GitHub Actions 静态分析；检查模板注入、权限过宽、action 使用可变 tag、pull_request_target 等风险，并可自动修复部分问题；今年 Trivy 仓库的 pull_request_target 事件是其现实注脚。

Languages and Frameworks（14） #

Adopt（1） #

• Open Data Contract Standard (ODCS) — Linux Foundation Bitol 项目的 YAML 数据契约标准，覆盖 schema、质量期望与服务级别；2026 年 7 月从 Bitol 毕业，Data Contract CLI 已弃用 DCS 转向 ODCS；常与 ODPS 配合，适合数据网格与数据产品。

Trial（6） #

• BoTorch — PyTorch 贝叶斯优化框架；适合超参调优之外的科研与工程优化（配方、研发），配合 Ax 编排实验，在评估成本高的搜索空间中最大化有限预算。
• Deep Agents — LangChain 的开源长任务 agent harness；提供问题拆解、子 agent 委派、规划工具、技能、记忆、human-in-the-loop 与文件系统访问；Python/TypeScript，兼容 LangChain/LangGraph。
• Kagent — Kubernetes 原生 agent 框架与平台；agent 作为 CRD 部署、扩缩与治理，复用 GitOps；内置 OpenTelemetry、沙箱、记忆、MCP 与 A2A；已用于生产的多 agent 支持机器人。
• OpenFGA — 受 Google Zanzibar 启发的细粒度授权；用关系建模回答“该用户能否访问该资源”，支持层级与资源级权限；生产中以 sidecar 部署做低延迟 ReBAC。
• Presidio — 数据保护 SDK；用 NER、正则与规则识别并匿名化 PII（信用卡号、姓名、位置等）；支持自定义实体与去标识化流水线，但并非万无一失。
• Promptfoo — prompt/agent 评估与红队工具；支持工具调用评估、CI gate、按风险生成攻击并打分；已用于生产对话助手的安全回归测试；现归 OpenAI 所有，仍 MIT、模型无关。

Assess（7） #

• Apple Core AI — 在 Apple Silicon 设备端运行 AI/ML 模型的框架；Swift 原生，Core ML 的现代继任者；Xcode 的 Evaluations 框架扩展 Swift Testing，可在原生工作流中评估生成式 AI 输出。
• CALM — FINOS 的 Common Architecture Language Model；基于可扩展 JSON meta-schema，把架构定义为代码，支持架构合规校验与程序化治理。
• Hindsight — Vectorize 的开源 agent 记忆系统；LLM 抽取事实、实体与时间戳存入 Postgres，召回融合语义、关键词、图与时间搜索并重排；reflect 把记忆整合为观察与“心智模型”；对比 Mem0。
• Quint — 基于 TLA+ 演算的形式化规约语言；TypeScript 风格语法、类型检查器、REPL 与模拟器，可用 npm 安装；比 TLA+ 更易读，适合 agent 编写与审查规约。
• SolidJS — 细粒度响应式 UI 库；新增异步 client-to-server 能力，原生处理 API 调用、缓存、请求去重、竞态与 loading 状态；可精细控制 suspense 边界；配合 SolidStart。
• spartan/ui — Angular 版的 shadcn 思路；从 npm 安装基于 Angular CDK 的无样式可访问原语，样式组件留在源码中；2026 年 6 月 1.0，CLI 升级仍有粗糙处。
• TLA+ — 分布式系统形式化规约语言；agent 降低了使用成本、提高了质量保障价值；团队已能在无经验情况下用 TLA+ 模型验证应用轨迹；与 mutation testing、property-based testing 同属“polyglot verification”趋势。

对团队的行动清单 #

1. 默认沙箱化所有 agent：结合威胁建模、最小权限与 toxic flow analysis；不要等出事再补。
2. 给 AI 生成的测试上保险：引入 mutation testing，避免“测试全绿但没抓到逻辑变化”。
3. 先测交付瓶颈，再谈编码提速：用 path-to-production mapping 找出 review、CI、部署、运维环节的排队点。
4. 建设“薄而联邦”的企业 harness：技能、插件、MCP、ADR、hooks 与安全策略通过 Agent Plugins + Agent Package Manager 分发；定期做 harness quality evaluation。
5. 做模型路由，而不是 blanket frontier：按任务选择 open-weight / SLM / 本地模型 / 前沿模型；用 context profiling 验证成本与效果。
6. 并行 agent 从“多会话 + 直接操控”开始：用 attention inbox、subagents、risk-tiered oversight；先确认团队的 review 与交付能力跟得上。
7. 把 AI 基础设施当“AI factory”规划：Kubernetes + KServe/llm-d/LiteLLM + 存储/网络一起设计，别只盯 GPU。
8. 治理文档与指令：防止 agent instruction bloat 与 AI-driven documentation sprawl；把 Markdown 当一等公民，持续修剪。
9. 安全左移：PQC 迁移排期、供应链防护（Safe Chain、zizmor）、agent 权限与凭证隔离（Varlock、nono.sh）。
10. 用确定性手段兜底不确定性：mutation testing、property-based testing、TLA+/Quint、semantic review，替代无效的“空审批”。

本卷最值得关注的 10 个条目 #

条目	环	为什么重要
Agent sandboxing	Adopt	从“推荐”变成“所有 agent 的默认”
Progressive context disclosure	Adopt	上下文工程的基本功，直接降本
Open-weight models	Trial	前沿模型之外的真实生产选项
Coding harness for general-purpose agents	Trial	复用成熟 runtime 构建非编码 agent
Managed agents runtime	Trial	Agent 运行从工作站走向平台化
Enterprise harness	Assess	组织级 agent 能力的下一层抽象
KServe / llm-d / LiteLLM	Trial / Assess	AI factory 的推理与路由底座
OpenAI Codex / OpenCode	Adopt	CLI-first coding agent 的主流选择
Promptfoo	Trial	评估 + 红队，进入 CI 安全回归
TLA+ / Quint	Assess	Agent 时代形式化验证的性价比上升

相关链接 #

• 原文 PDF：https://www.thoughtworks.com/content/dam/thoughtworks/documents/radar/2026/11/tr_technology_radar_vol_35_en.pdf
• 雷达 FAQ：https://www.thoughtworks.com/radar/faq