Thoughtworks 是少數「做軟體交付、也做軟體交付研究」的機構——他們的 Technology Radar、工程師部落格（martinfowler.com）和 Looking Glass 報告不是觀察者的預測，而是從實際交付案例裡提煉出來的工程意見。 這個專欄專門整理 Thoughtworks 在 2025–2026 年對「AI 融入軟體交付工作流」的系統性論述——只做高階應用，跳過基礎，鎖定資深工程師和技術主管最需要的方法論判斷。
核心一句話：AI 加速了程式碼生成，但交付管道、品質控制、人機協作模型，才是真正決定團隊成敗的戰場。
2026 年下半年，這句話又往下游移了一格。Technology Radar Vol.35（2026-11-04）把問題重新定義為：agent 一次跑好幾個之後，誰審得完、誰付得起。 技術長 Rachel Laycock 的說法是，現在的問題「是有沒有人能夠信任、審查並負擔得起它們產出的東西」。本專欄六篇筆記都已依 Vol.35 更新。
本專欄全程標示「可佐證（有 Thoughtworks 文件 / 報告 / 資料）」vs「主張（工程意見、無嚴格對照）」。每篇原子筆記附原始 Thoughtworks 來源連結。
五個核心主題
交付管道與 AI 經濟學
- AI 加速了程式碼生成，但交付管道才是瓶頸 — CircleCI 2026 數據：吞吐量升 59%、主幹下降 7%；pipeline 是新約束；DORA 指標在 AI 時代的重要性比以前更高不更低
品質控制層
- Harness Engineering ＋ Context Engineering：AI 編碼的品質控制層 — Böckeler 的 Harness 三分類（脈絡工程、架構約束、熵管理）；Context Engineering 的決策授權模型；Radar Vol.34 相關 blip
人機協作模型
- Human-on-the-Loop：Agent 時代工程師的正確站位 — Morris 的 Why / How 迴圈框架；in / on / out 三種站位；Lässig 的控制論框架（Viable System Model）；Böckeler 的不可替代技能清單
AI 工具與方法論
- AI-Native Engineering 五支柱：超越 Vibe Coding — Thoughtworks Sunit Parekh 的五支柱框架（Agent / Model / Methodology / Specs / Context）；從 vibe coding 到工程紀律
Technology Radar 判讀
- Technology Radar Vol.35 判讀：Agent 規模化之後，瓶頸換成了「人審不審得完」 — 最新一期，2026-11-04 發布、
117個 blip；四大主題（harness 工程規模化 / 人的判斷力 / 不只前沿模型 / AI 規模化經濟學）；10個 Caution 中有7個是新的，記錄的是「我們為了應付 AI 之亂而發明的做法，本身也出了問題」 - Technology Radar Vol.34 AI 判讀：Thoughtworks 的採用指南 — April 2026 版，保留作為上一期的完整紀錄並標註哪些評等已改變；Claude Code / Cursor / Context Engineering 升 Adopt、Codebase cognitive debt 列 Caution
組織設計與治理
- Team Topology ＋ AI 治理：組織如何因應 Agent 規模化 — Skelton & Pais 的 Team Topologies + AI 更新；Enabling Team 模式；認知負載與 domain fidelity；AI/works™ 治理平台
與既有專欄的關係
- AI 編碼方法論的底層原理 → Engineering AI Coding Methodology（更一般性的方法論討論，不鎖定 Thoughtworks 來源）
- 規格先行的細節 → Problem Framing ＋ Spec-Driven Development
- Agentic 架構選擇 → AI Agentic SaaS 工程實踐
- 多代理協作模式 → Agentic Workflow 與多代理協作
本專欄的差異化定位：以 Thoughtworks 的第一手報告、Radar 評等和 martinfowler.com 系列文章為來源，每項論述可回溯到具體文章。 不依賴二手摘要或泛泛的業界觀點。
🔍 待解問題
- Thoughtworks 的「15% 典型生產力提升」數字來自哪個方法論？是否有對照組設計？
- AI/works™ 平台的「3/3/3 交付模型」具體是什麼？尚未找到公開詳細文件。
Technology Radar Vol.35 的 AI 評等會如何演變？哪些 Trial 會再升 Adopt？→ 2026-11-09 已回答：Vol.35 共6個相關 blip 升環，其中 progressive context disclosure、agent sandboxing（原 sandboxed execution for coding agents）、mutation testing 升 Adopt。- RTK 這類 context 壓縮工具的淨效益：Vol.35 的 naive context compression（Caution）點名 RTK，警告壓縮會打斷 prompt caching、使 token 變少但帳單更高。本知識庫的工作流全面使用
rtk，尚未實際量測過淨成本與任務準確度。 - Enterprise harness 的邊界：哪些資產該集中、哪些該留給團隊？Thoughtworks 自己也說「目前還沒有共識」。
- Self-improving harness 與 feedback flywheel 在實務上的差別，會不會最後只是「人介入頻率」的程度差異？
- Vol.36（預計 2027 上半年）：risk-tiered human oversight 與 managed agents runtime 會不會升 Adopt？
🕒 更新紀錄
- 2026-11-09 — 整合 Technology Radar Vol.35（2026-11-04，
117個 blip）。新增 Vol.35 判讀 一篇；其餘五篇全部就地整合而非另起新章：harness 篇補 self-improving / enterprise harness 與 harness 品質評估、human-on-the-loop 篇補 human-in-the-loop theater 與風險分級監督、交付管道篇補 agent pipeline responsibility 與 stacked pull requests 警告、五支柱篇補 open-weight models 與文件蔓延、組織治理篇補 enterprise harness 與 agent skill 認知投降。Vol.34 篇標註六個升環 blip 並保留為上一期紀錄。 - 2026-07-04 — 建立專欄。核心來源：Thoughtworks Technology Radar Vol.34（April 2026）、martinfowler.com “Exploring Gen AI” 系列（Birgitta Böckeler 主筆，2025–2026）、Thoughtworks Looking Glass 2026「AI and software delivery」、“Beyond vibe coding”（Sunit Parekh, 2026）、“Cybernetics and human-on-the-loop”（Dirk Lässig, 2026）、“Humans and Agents in Software Engineering Loops”（Kief Morris, 2026）。1 篇 hub + 5 篇原子筆記。