В ноябре 2026 года вышел
35-й выпуск технологического радара от компании Thoughtworks. Мы внимательно изучили новый выпуск и подготовили краткий обзор. Технологический радар выходит два раза в год на протяжении уже 16 лет, за это время на радаре появилось свыше 2000 практик, платформ, инструментов и фреймворков. В подготовке радара участвуют эксперты компании Thoughtworks, входящие в Technology Advisory Board. Технологии на радаре группируются по четырем категориям: практики (Techniques), платформы (Platforms), инструменты (Tools), языки и фреймворки (Languages and frameworks).
В новом выпуске на радаре
представлены 117 технологий: 45 практик, 22 платформы, 36 инструментов, 14 языков и фреймворков. Дополнительно технологии распределяются по четырем кольцам, в соответствии с рекомендациями экспертов Thoughtworks:
- Adopt. Следует активно внедрять и использовать данные технологии;
- Trial. Стоит опробовать технологии в проектах, допускающих приемлемый уровень риска;
- Assess. Стоит изучить, чтобы понять, как технологии могут повлиять на вашу организацию;
- Caution. Требуют осторожного подхода, технологии связаны с существенными рисками или ограничениями и требуют внимательной оценки в контексте вашей организации.
Отчет начинается с четырех инсайтов в индустрии на конец 2026 года:
- Масштабирование Harness engineering. Harness engineering, то есть формирование окружения AI агента от памяти и контекста до циклов обратной связи и защитных ограничений (Guardrails), становится отдельной дисциплиной. Harness требует постоянного развития и поддержки, а ключевым вызовом становится его масштабирование под потребности Enterprise компаний по аналогии с развитием платформ и Platform Engineering;
- Выход за пределы Frontier моделей. Использование проприетарных Frontier моделей перестает быть очевидным выбором: разрыв с Open-weight моделями для многих задач существенно сократился. Open-weight модели снижают стоимость и зависимость от вендора и позволяют выполнять требования к приватности, поэтому осознанный выбор модели под задачу и маршрутизация моделей становятся ответственностью инженерных команд;
- Увеличение числа агентов в работе. Разработчики все чаще запускают несколько сессий агентов параллельно и передают им крупные задачи на длительное выполнение. Узким местом становятся внимание разработчиков и пропускная способность ревью, что создает риск Human-in-the-loop theater и перегрузки конвейера поставки;
- Построение AI фабрики. Стоимость AI все больше определяется экономикой инфраструктуры, где Kubernetes становится основой платформ для запуска и масштабирования AI, а модели, GPU, хранилища и сети управляются как ресурсы через общий платформенный слой.
Далее в отчете перечисляются все отмеченные технологии. Мы подготовили краткое описание практик (Techniques), упомянутых на радаре Thoughtworks.
Практики в статусе Adopt:- Agent sandboxing. Практика запуска AI агентов в изолированных средах с ограниченными привилегиями и доступом к внешним системам. Подход снижает риски и ограничивает последствия неожиданного поведения, непреднамеренных действий и злонамеренной эксплуатации агентов. Thoughtworks рекомендует изоляцию как разумный стандарт для всех агентов с выбором ее уровня на основе моделирования угроз;
- Mutation testing. Практика оценки качества тестового набора, при которой в код автоматически вносятся небольшие искусственные ошибки (мутации) и проверяется, что хотя бы один тест их обнаруживает. С ростом объема AI generated кода и тестов подход защищает от поверхностных тестов, искусственно повышающих покрытие кода. AI агенты могут выполнять Mutation testing самостоятельно, а для экономии времени его стоит запускать на отдельных пакетах или только на недавно измененном коде;
- Path-to-production mapping. Практика картирования пути изменений от рабочей станции разработчика до Production, обычно в формате воркшопа со всеми участниками проектирования, разработки, релиза и эксплуатации ПО. Участники фиксируют шаги процесса и болевые точки, выявляя задержки, риски и несоответствия. С ростом скорости генерации кода агентами практика помогает находить узкие места и оптимизировать сквозной поток поставки;
- Post-quantum cryptography. Криптографические алгоритмы, защищающие данные от атак будущих квантовых компьютеров, включая утвержденные NIST стандарты ML-KEM, ML-DSA и SLH-DSA. Наиболее срочной областью миграции является обмен ключами из-за риска Harvest now, decrypt later. Организациям стоит требовать квантово-устойчивую криптографию в новых проектах и ускорить миграцию унаследованных систем;
- Progressive context disclosure. Практика Context engineering, при которой модель получает базовый контекст, а дополнительные данные подгружаются по запросу. Практика переведена в Adopt, так как применяется практически во всех серьезных AI решениях, от лаконичного AGENTS.md со ссылками на документацию до отложенной загрузки MCP инструментов и Agent Skills. Подход снижает потребление токенов и стоимость и помогает бороться с деградацией контекста (Context rot);
- Threat modeling. Практика выявления потенциальных угроз для систем, особенно важная для генеративных AI приложений с рисками инъекции промптов и автономных действий, которые пропускают проверки на основе правил. Моделирование угроз должно быть регулярной частью жизненного цикла разработки под руководством людей при поддержке агентов с опорой на MITRE ATLAS, MAESTRO, STRIDE и Toxic flow analysis. Сессия завершается явными решениями о том, где недетерминированное поведение модели допустимо и где нужны детерминированные ограничения.
Практики в статусе Trial:- Agent plugin marketplace. Механизм распространения Harness артефактов внутри организации: Agent Skills, инструкций, MCP серверов, определений субагентов и других. Thoughtworks реализует его через документированные Git репозитории с плагинами в формате Agent Plugins, которые агенты используют напрямую или через Agent Package Manager. Подход позволяет сделать Enterprise harness доступным всей организации;
- Agent-maintained knowledge bases. Практика хранения общих знаний команды в связанных текстовых файлах, например в Obsidian vault, которые сопровождает агент для разработки кода. Паттерн описан в LLM Wiki от Andrej Karpathy, контроль версий обеспечивает Git. Без регулярных усилий людей по поддержанию актуальности база знаний рискует привести к AI-driven documentation sprawl;
- Anchoring coding agents to a reference application. Подход к борьбе с устареванием шаблонов приложений через разделение легких структурных шаблонов и развивающихся правил платформы. Агенты во время работы обращаются к централизованным актуальным источникам, например OpenWiki или Agent-maintained knowledge bases, получая текущие соглашения и настройки. Подход позволяет генерировать код по актуальным стандартам без постоянного обновления инструментов скаффолдинга;
- Coding harness for general-purpose agents. Подход к созданию агентов для задач вне разработки на основе среды выполнения зрелых агентов для разработки кода через Claude Agent SDK, Codex SDK, OpenCode или Pi. Такие Harness уже решают сложные задачи агентного цикла: сжатие контекста, сохранение сессий и работу в Headless режиме. Командам стоит проверять системные промпты и встроенные инструменты на соответствие своему домену и следить за потреблением токенов;
- Feedback flywheel. Практика улучшения Harness агента на основе прошлых сессий: в конце каждой сессии определяется, что стоит изменить в общих артефактах, и команда на ретроспективе решает, что обновить. Практика переведена в Trial, так как изменения Harness стали рутиной. Цикл включает удаление устаревших правил и бесполезных сенсоров, чтобы избежать Agent instruction bloat;
- Graph-grounded codebase reasoning. Подход к представлению кода, документации и их связей в виде структурированного графа, из которого агенты извлекают релевантные подграфы в качестве контекста. Инструменты вроде Graphify фиксируют структурные зависимости, которые может пропустить текстовый поиск, и снижают затраты на токены. Исследования показывают, что в ряде случаев агенты работают с графовым контекстом хуже, чем с find и grep, поэтому применимость подхода стоит оценивать;
- Grilling. Практика, при которой агент для разработки кода интервьюирует пользователя о плане до начала работы и устраняет неоднозначности. Подход снижает вероятность того, что агент будет угадывать намерения, и выявляет скрытые допущения. Grilling также помогает бороться с когнитивным долгом кодовой базы, так как заставляет проверить собственные допущения и лучше понять план реализации;
- Interactive visual plans with agents. Практика подготовки с помощью агентов самодостаточных HTML или MDX планов с диаграммами, пользовательскими сценариями и вайрфреймами, которые команда изучает до реализации. Такие артефакты упрощают проверку намерений и ревью сложных изменений по сравнению с длинными текстовыми планами. Практика применяется итеративно небольшими шагами и формирует точку ревью человеком до внесения изменений агентами;
- Managed agents runtime. Практика запуска агентов поставки ПО на платформе, которая управляет их выполнением, инфраструктурой и операционными потребностями вместо рабочей станции разработчика. Среда предоставляет изолированные вычисления, триггеры, управление учетными данными, состояние сессий и наблюдаемость, команды определяют модель, промпт, инструменты и навыки. Среду выполнения стоит рассматривать как Production инфраструктуру с Agent sandboxing и версионируемыми определениями агентов;
- Open-weight models. Модели с публично доступными весами, архитектурой и кодом инференса, такие как DeepSeek, GLM и Kimi, которые показывают хорошие результаты в задачах со сложными рассуждениями и генерацией кода. Помимо снижения совокупной стоимости владения, такие модели обеспечивают гибкость развертывания, независимость от вендора и суверенитет данных. Организациям стоит оценивать Open-weight модели для широкого спектра Enterprise задач за пределами разработки;
- Risk-tiered human oversight. Практика соотнесения глубины ревью с рисками изменений: самые рискованные изменения применяют люди, изменения среднего риска проходят ревью человеком, изменения низкого риска агенты сливают автоматически через CI пайплайн. Для классификации изменений используются зоны кодовой базы с повышенными требованиями к ревью и классификация с помощью LLM. Подход позволяет эффективно использовать ограниченное внимание людей и избегать Human-in-the-loop theater;
- Self-improving harness. Подход, при котором агенты анализируют трассы выполнения и результаты оценки, затем предлагают или внедряют улучшения окружения модели: промптов, стратегий контекста, процессов, навыков, инструментов и памяти. Ключевыми условиями являются наблюдаемость и программируемость компонентов Harness, примерами служат расширения Pi, Claude Code Mods и DeepSeek Harness (DSH). Thoughtworks рекомендует ограниченные эксперименты с регрессионным тестированием, где цели и границы изменений определяют люди;
- Small language models. Компактные языковые модели, эффективные для узких высокочастотных задач без сложных рассуждений: суммаризации, извлечения структурированных данных, классификации намерений для маршрутизации запросов и базовой генерации кода. SLM также подходят для периферийных вычислений, как показывает Apple Core AI. Если агентный сценарий не требует многошаговых рассуждений или надежного вызова инструментов, командам стоит рассматривать SLM как более дешевую альтернативу с меньшими задержками;
- Stateful guardrails. Расширение защитных ограничений LLM с отдельных сообщений на весь диалог с оценкой последних реплик и сохранением состояния предупреждений и блокировок в рамках сессии. Подход позволяет выявлять постепенно проявляющиеся попытки обхода политик, джейлбрейка и извлечения промптов. Проверки добавляют задержку и стоимость, пороги срабатывания требуют настройки для предотвращения ложных блокировок легитимных пользователей;
- Subagents for better context management. Практика делегирования работы субагентам, при которой исследование, вывод инструментов, повторные попытки и промежуточные рассуждения остаются вне контекста оркестрирующего агента, получающего краткую сводку. Рекомендуется запускать два-четыре субагента одновременно и использовать более дешевые модели для узких задач. Эффект подхода пока не измерен систематически, поэтому сокращение контекста оркестратора стоит проверять с помощью Context profiling;
- Toxic flow analysis for AI. Практика выявления небезопасных маршрутов данных в агентных системах, сочетающих доступ к приватным данным, работу с недоверенным контентом и возможность внешних коммуникаций (Lethal trifecta). Подход помогает предотвращать инъекции промптов и отравление инструментов (Tool poisoning), включая вредоносные Agent Skills со скрытыми инструкциями для эксфильтрации данных. Для анализа применяются инструменты, такие как Agent Scan;
- Unattended overnight agentic builds. Практика передачи агенту для разработки кода задачи размером с фичу в конце рабочего дня с ревью результатов на следующее утро. Практика требует изолированного выполнения, заранее подготовленной спецификации, Feedback sensors и проверенного Harness для валидации изменений вместо построчного ревью кода. Для команд без такой базы практика служит целью, оправдывающей ее создание.
Практики в статусе Assess:- Agent pipeline responsibility. Практика включения агентов для разработки кода в ответственность команды за зеленый билд. Статус пайплайна и логи передаются агенту через инструменты, чтобы он видел ошибки и помогал их исправлять, важные правила обеспечиваются механически через Pre-push и серверные проверки. Подход исключает ситуацию, когда человек вручную пересылает логи ошибок агенту и становится Meat proxy;
- Agent suggestion box. Механизм, позволяющий работающему агенту сообщать о возникших проблемах, например об ошибке в инструменте или отсутствующей зависимости в окружении. Отчеты собираются в Slack канале, хранилище памяти или трекере задач, что позволяет устранять проблемы вместо их повторного обхода в следующих сессиях. Предложения требуют ревью и обработки, например через Self-improving harness;
- Context profiling. Практика анализа того, на что расходуются токены в сессиях агентов, например на чтение файлов или вызовы MCP инструментов. Зрелых инструментов пока нет, поэтому анализ выполняется по сессиям агентов или данным Entire CLI и AgentsView. Наибольшая экономия часто достигается простыми изменениями: своевременной очисткой сессий, настройкой кэширования и снижением объема вывода сборочных скриптов;
- Enterprise harness. Общеорганизационный слой артефактов для агентов: навыков, инструментов, коннекторов к внутреннему контексту, одобренных технологий, ADR, правил пути в Production, хуков и политик безопасности. Подход аналогичен платформе Developer Experience для опыта агентов (Agent Experience) и дополняет инструкции отдельных команд. Thoughtworks рекомендует распространять артефакты через открытые стандарты и Agent plugin marketplace, сохраняя Enterprise harness тонким и федеративным;
- Foundation models for structured data. Фундаментальные модели на основе трансформеров, предобученные на последовательностях событий и журналах транзакций организации для формирования переиспользуемых представлений бизнес-поведения. Модели поддерживают несколько прикладных задач с легким дообучением без трудоемкого Feature engineering. Инструменты TabPFN и TabFM позволяют улучшать оценку рисков, предиктивную аналитику и удержание клиентов напрямую на табличных и реляционных данных;
- Harness quality evaluation. Практика проверки эффективности Harness, включающего Agent Skills, плагины, AGENTS.md и детерминированные ограничения. Для недетерминированных компонентов применяется PluginEval, для детерминированных создается тестовый набор, позволяющий разрабатывать ограничения в стиле TDD. Оценки рекомендуется запускать по расписанию, например еженощно или вместе с CI;
- Local coding models. Языковые модели для разработки кода, запускаемые локально, такие как Qwen3.8-27B, которые эффективны для задач без необходимости во Frontier моделях. Модели подходят для индексации кодовой базы, разбора и суммаризации логов, начальных задач разработки и автоматического ревью Git изменений. Локальный запуск позволяет избежать дополнительных затрат на облачные токены, выполнять длительную фоновую обработку и иметь офлайн резерв;
- MITRE ATLAS. База знаний тактик и техник атак на AI и ML системы, дополняющая MITRE ATT&CK и предоставляющая таксономию угроз для ML пайплайнов, LLM приложений и агентных систем. Фреймворк формирует общий язык для анализа рисков безопасности и поддерживает моделирование угроз. ATLAS также дополняет фреймворки контроля, такие как SAIF;
- Production-aware coding agents. Практика предоставления агентам для разработки кода доступа к данным и инструментам наблюдаемости Production окружения. Такой контекст помогает агентам планировать изменения, оценивать влияние развернутых изменений и участвовать в расследовании инцидентов. Подход расширяет Feedback sensors за пределы Pre-commit проверок до уровня Production;
- Programmatic tool calling. Паттерн использования инструментов, при котором модель пишет код, объединяющий вызовы инструментов в программу с циклами, фильтрацией и обработкой результатов в среде исполнения. В контекст модели возвращаются только отобранные результаты или итоговый вывод. Реализации известны под разными названиями: Code Mode у Cloudflare и Pi, Programmatic tool calling у Anthropic и PTC Mode в DeepSeek Harness (DSH);
- Semantic review of AI-edited prose. Практика анализа изменений смысла в текстовых артефактах, таких как спецификации, ADR и планы, с помощью LLM поверх текстового диффа. Подход выявляет измененные факты, противоречия, переопределенные критерии приемки и изменения скоупа. Практика реализуется как Agent Skill и снижает когнитивную нагрузку и усталость от ревью;
- Tests as data over tests as code. Практика описания тест-кейсов в виде структурированных данных, обычно YAML или JSON, которые исполняет специфичный для проекта тестовый Harness. Заданная схема ограничивает результат работы агентов, упрощая генерацию и ревью тестов. При модернизации унаследованных систем одни и те же тест-кейсы можно запускать на старом и новом коде за счет смены адаптера Harness.
Практики в статусе Caution:- Agent instruction bloat. Антипаттерн накопления инструкций для агентов, которые со временем становятся длинными, противоречивыми и устаревшими. Инструкции стоит по возможности превращать в детерминированные хуки и проверки и пересматривать для каждой новой модели, удаляя ненужные. Anthropic удалила более 80% системного промпта Claude Code для последних моделей без измеримых потерь качества;
- Agent skill cognitive surrender. Антипаттерн внедрения больших библиотек навыков от сообщества или тяжеловесных AI фреймворков без понимания их работы. Подход ведет к потере понимания системы, рискам безопасности из-за непроверенных инструкций и конфликтам между навыками из разных источников. Инструкции навыков стоит проверять перед адаптацией и развивать предметно-ориентированные навыки под контекст проекта;
- AI-accelerated shadow IT. Риск роста теневых IT решений, которые с помощью агентов для разработки кода создают как сотрудники без опыта программирования, так и разработчики. Такие решения несут риски безопасности и обычно лишены тестов, пайплайнов развертывания и наблюдаемости. Организациям стоит выстраивать управление с ограничениями и правилами, предоставлять среды и Enterprise harness для безопасных экспериментов и четкий путь передачи полезных инструментов на поддержку;
- AI-driven documentation sprawl. Антипаттерн генерации больших объемов Markdown файлов и документации с помощью AI агентов и инструментов Spec-driven development, таких как Spec-kit и BMAD, который создает иллюзию качества и прогресса. Устаревшая и противоречивая документация занимает контекст агентов, вводит их в заблуждение и ухудшает генерацию кода. Командам стоит рассматривать Markdown как полноценный артефакт и целенаправленно сокращать, уточнять и консолидировать сгенерированные файлы;
- Blanket frontier model usage. Антипаттерн использования самой мощной модели для любых задач без учета стоимости, задержек и требуемых возможностей. Рутинные задачи, такие как исследование кода, простые правки и суммаризация, эффективнее решаются меньшими или Open-weight моделями, переключение моделей стоит выполнять на естественных границах для сохранения кэша промптов. Более мощные модели иногда расходуют меньше токенов, поэтому эффект оптимизации стоит проверять с помощью Context profiling;
- Coding throughput as a measure of productivity. Антипаттерн оценки продуктивности по метрикам активности, таким как % кода, сгенерированного AI, или объем потребленных токенов. Эти метрики отражают уровень внедрения AI и плохо отражают реальный рост продуктивности, их использование в качестве целей ведет к эффекту Goodhart’s law. Thoughtworks рекомендует DORA metrics, оценку качества совместной работы и связь улучшений с бизнес-результатами;
- Human-in-the-loop theater. Антипаттерн формального участия человека в цикле агента, при котором он одобряет действия, промпты или диффы, которые не может реально оценить. Шаг одобрения размывает ответственность за решение. Ревью человеком стоит оставлять для изменений, которые он способен оценить, с помощью Risk-tiered human oversight, для остальных изменений переходить к управлению системой через Mutation testing, Property-based testing, формальные модели TLA+ и Quint и семантическое ревью с помощью агентов;
- Meat proxy. Антипаттерн, при котором человек пересылает коллегам непроверенный результат LLM без прочтения, валидации и собственной оценки. Такое поведение перекладывает проверку на получателя и снимает с отправителя ответственность за качество работы. Антипаттерн аналогичен Human-in-the-loop theater с подменой авторства вместо подмены одобрения;
- Naive context compression. Антипаттерн использования инструментов сжатия промптов, таких как Headroom, RTK и Tamp, без оценки последствий. Сжатие может нарушать кэширование промптов и увеличивать итоговые расходы, приводить к потере информации и снижению точности агентов, добавлять задержки и затраты при суммаризации через LLM. Перед внедрением стоит профилировать контекст и оценивать итоговую стоимость и точность выполнения задач;
- Stacked pull requests. Практика разбиения крупного изменения на упорядоченную цепочку небольших зависимых Pull requests, каждый из которых нацелен на ветку предыдущего. Интерес к практике вырос с распространением AI инструментов, GitHub добавил ее нативную поддержку. Практика часто компенсирует плохую декомпозицию задач, поэтому предпочтительнее планировать и поставлять работу небольшими независимыми частями.
Подробнее про практики, платформы и инструменты читайте в 35-м выпуске технологического радара на
сайте Thoughtworks и
в текстовом отчете.