Technology Radar 是 Thoughtworks 每半年出一次的技術評鑑報告。Vol.34（2026 年 4 月）的核心主題是：「AI 加快了程式碼生成，卻加深了認知債——是時候回歸工程基本功了。」 這篇把 Vol.34 中所有 AI 相關 blip 整理成可操作的判讀清單，附每個評等背後的工程理由。
核心主題：AI 認知債（Codebase Cognitive Debt）
Thoughtworks 在 Vol.34 新增了「Codebase cognitive debt」作為 Caution blip：
「隨著 AI 增加變更速度，實作與團隊理解之間的鴻溝在擴大，讓開發者愈來愈難以有效引導 agent。」
這是一個反直覺的警告：AI 生的程式碼越多，工程師越可能失去對系統的理解；失去理解的工程師更難有效指揮 AI——形成惡性循環。 這也是為什麼 Vol.34 把「回歸工程基本功」當作主題，而不是加碼更多 AI 工具。
Adopt（立即採用）
Thoughtworks 已在多個客戶案例驗證，認為現在就可以在大多數情境採用：
| Blip | 核心理由 |
|---|---|
| Claude Code | 2026 年 agent 工具的代表性成熟產品；supervised agentic mode 已被廣泛驗證 |
| Cursor | AI 編碼 IDE 的領先者；plan mode、hooks、subagent 讓它成為完整的 agentic 環境 |
| Context engineering | 把 context 視窗當設計面；progressive context disclosure 已成為 AI 編碼的核心紀律 |
| Curated shared instructions | CLAUDE.md / AGENTS.md 等——把 AI 引導固化進 service template；讓 AI 輔助在整個團隊一致且高品質 |
| DORA metrics | AI 時代生產力不能用行數衡量；lead time / deploy freq / MTTR / change failure rate / rework rate 是真正的量測工具 |
| Structured output from LLMs | 限制模型輸出預定義格式（JSON、class），用 Instructor / Pydantic AI，讓 AI 輸出可靠地程式化消費 |
| Zero trust architecture | 「永遠驗證、絕不信任」——在 agent 部署中應用，使用 SPIFFE 和 OIDC impersonation 的短期 token |
Trial（值得投資試驗）
有足夠跡象顯示值得，但仍需要在能容忍一定風險的專案上試驗：
| Blip | 核心理由 |
|---|---|
| Agent Skills | 把 instructions / scripts / 資源打包成模組；減少 token 消耗，防指令膨脹 |
| Feedback sensors for coding agents | 把 compiler / linter / tests 接進 agentic workflow，讓失敗觸發自我修正 |
| Progressive context disclosure | Agent 先輕量探索再選需要的資訊，而非一次前置所有 context |
| Sandboxed execution for coding agents | 隔離環境執行，限制檔案存取、網路和資源——安全基本線，不只是實驗性技術 |
| Mutation testing | 刻意注入 bug 驗證測試集——在評估 AI 生成的測試時格外重要（AI 測試覆蓋率高但不一定真的能抓問題） |
| Mapping code smells to refactoring techniques | 透過 Agent Skills / AGENTS.md 指示 agent 針對特定 code smell 採用定義好的重構手法 |
| Team of coding agents | 有角色分工的小型 agent 組；Claude Code 已有 orchestration 支援，但組成仍需謹慎 |
| Browser-based component testing | Playwright 等工具在真實瀏覽器測試的成熟度已可取代模擬環境 |
Assess（值得持續觀察）
技術本身有潛力，但仍不夠成熟，先做評估、不宜大規模採用：
| Blip | 說明 |
|---|---|
| Architecture drift reduction with LLMs | 結合確定性分析工具與 LLM 評估，偵測 AI 輔助開發引入的架構違規 |
| Context graph | 把決策、政策、例外和先例建模成相連節點，讓 agent 做機器可讀的機構推理 |
| Feedback flywheel | 捕捉 coding agent session 的成功與失敗，持續改善 prompt、指令和感測器 |
| Code intelligence as agentic tooling | 給 agent 存取 AST-aware 工具（LSP、OpenRewrite codemods），而非依賴文字搜尋 |
| Ralph loop | 單一 agent 以新鮮 context 視窗反覆從 spec 選取任務——避免長 session 中 context 累積的品質下滑 |
| MITRE ATLAS | AI / ML 系統的對抗性戰術知識庫，提供 threat modeling agentic 部署的共同詞彙 |
| Measuring collaboration quality with coding agents | 追蹤 first-pass 接受率、迭代次數、重工量和審查負擔，而非只是速度 |
| Toxic flow analysis for AI | 檢查 agentic 系統中的不安全資料路徑和攻擊向量，特別針對高權限 agent 和惡意 Skills |
| Small language models（SLMs） | 比 LLM 更有成本效益，在摘要和基本編碼任務上已改善；distillation 和 quantization 持續提升 |
| Agentic reinforcement learning environments | 結合脈絡、工具和反饋的訓練環境；multi-step agentic 任務的獎勵式後訓練 |
| Skills as executable onboarding documentation | 用 Agent Skills 做 setup、API 文件和 platform onboarding，結合腳本與 LLM 語義 |
Caution（要小心的）
Thoughtworks 明確警告，或說「若要繼續用，需要充分理由」：
| Blip | 為什麼要小心 |
|---|---|
| Agent instruction bloat | 指令隨時間堆積、互相衝突；模型對深埋內容注意力下降；手寫版本通常優於 LLM 生成版本 |
| AI-accelerated shadow IT | AI 降低了非工程師建立 agentic workflow 的門檻，但缺乏治理，造成安全漏洞和方案重複 |
| Codebase cognitive debt | AI 加深了理解鴻溝；工程師對系統的理解減少，引導 agent 的能力也隨之降低——惡性循環 |
| Coding agent swarms | 動態部署數十到數百個 agent；成本仍高、技術不成熟；只適合問題規格明確且測試套件完整的場景 |
| Coding throughput as productivity | 單純的行數和 PR 數掩蓋了隱性重工、糟糕的 review 流程和安全風險；和 CircleCI 2026 數據完全吻合 |
| Ignoring durability in agent workflows | Agent 若沒有狀態持久化，網路中斷就會造成不完整狀態；應使用 durable execution 框架 |
| MCP by default | 加入 MCP 的抽象 overhead 不一定值得；簡單的 CLI 通常對 agent 整合有足夠精確度 |
| Pixel-streamed development environments | VDI 式遠端桌面造成延遲摩擦、影響 flow；雲端開發環境（Codespaces 等）通常是更好的選擇 |
如何閱讀 Radar 評等
閱讀這份清單的原則：
- Adopt 不是「所有人都必須用」，而是「對大多數適合的情境，採用風險已足夠低」
- Trial 是「值得投資理解，可在低風險專案上試驗」——不是「可以直接上 production」
- Caution 是警告而非禁令，但需要充分理由才能繼續
- 評等是 Thoughtworks 的工程意見，基於客戶工作和技術觀察——不是學術研究，也不是全球數據的統計結論
來源：
- Technology Radar Vol.34 — Thoughtworks, 2026-04（完整 PDF）
- Software Engineering Agents — Radar blip — Thoughtworks
- As AI Accelerates Software Complexity, Thoughtworks Technology Radar Urges a Return to Engineering Fundamentals to Combat Cognitive Debt — Thoughtworks press release, 2026