ThoughtWorks
PulseAugur coverage of ThoughtWorks — every cluster mentioning ThoughtWorks across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
代码的人工审查仍然至关重要，具体取决于复杂性
两篇近期评论文章表明，代码的人工审查仍然至关重要，尽管其程度因代码库的复杂性和领域而异。Valentina Servile 认为，无需审查代码的观点过于片面，应探索抽象层。Miikka Holkeri 在 Swarmia 关于代码审查的观点强调了风险因素，而作者的观点则侧重于复杂系统所需的人工理解。模块化和系统设计是决定何时需要人工干预的关键。
-
微服务专家 Sam Newman 讨论弹性系统和 AI 的影响
《构建微服务》的作者 Sam Newman 在最近一期 The Pragmatic Engineer 播客中，讨论了他对微服务作为最后手段架构的看法。他分享了关于常见的采纳误区、独立部署的重要性以及微服务如何促进团队自主性的见解。Newman 还详细介绍了他的新书《构建弹性分布式系统》，概述了分布式系统的三条规则、可观测性的必要性以及业务背景在错误处理中的作用。
-
AI代理工具Superpowers引发关于规范所有权和生命周期的辩论
一款名为Superpowers的AI代理工具引发了对生成代码和规范的所有权及生命周期管理的担忧。该工具默认会将所有生成的代码提交到公共文档中，正如Python金融库okama的内部计划被无意中公开时所见。为解决此问题，文章提出了三条规则：将规范文件夹的所有权分配给特定的团队，区分团队产物和个人规范，并清楚地标记规范的状态，包括何时被取代。
-
Thoughtworks工程师利用涌现的Agent协调在4天内构建了航空公司IROps系统
Thoughtworks的技术人员在西班牙巴塞罗那进行了一项为期四天的实验，涉及10名工程师，以探索“超Agent式”软件开发。该团队成功构建了一个模拟航空公司IROps系统，这是一项通常需要大量时间和资源的复杂任务。在此过程中，他们无意中发现，通过在monorepo中共享的、持续更新的计划进行协调的Agent能够促进涌现行为和高效的任务分配。
-
人工智能在金融咨询中的应用：报告强调信任和以人为本的设计
Thoughtworks和Iress发布的一份新报告探讨了在金融咨询领域负责任地采用人工智能。报告强调了在日益受到人工智能影响的领域中，信任、人类判断和关系的重要性。报告概述了在优先考虑人员和客户成果的同时整合人工智能的四个实用经验。
-
Harness工程旨在确保AI生成的代码保持正确和连贯
Harness工程是一种管理AI生成代码的新方法，旨在随着时间的推移保持其正确性和连贯性。该概念由Birgitta Boeckeler提出，与传统软件工程中的测试Harness类似，但扩展到更广泛的代码库标准，如命名约定和架构决策。它包括为AI助手创建特定的知识库，并实施具有确定性工具或基于代理的审查的验证槽来强制执行这些标准。
-
Thoughtworks成为Anthropic Claude合作伙伴网络的精选合作伙伴
Thoughtworks已被认可为Anthropic Claude合作伙伴网络中的精选合作伙伴。这一指定突显了Thoughtworks在协助公司部署由Claude驱动的应用程序和代理系统方面的专业知识，帮助它们从初步测试过渡到全面生产。该合作伙伴关系旨在加速企业的AI采用并提高AI转型的经济可行性。
-
Martin Fowler 探讨 AI 代码重构的经济学
Martin Fowler 的文章探讨了重构 AI 代理生成的代码所带来的经济优势。他详细介绍了一个实验，其中一个大型的 17,000 行 Rust 文件（属于一个主要由 Claude Code 和 Cursor 等 AI 代理编写的 150,000 行代码库的一部分）被重构。该实验旨在证明，现在投入 token 进行重构将减少未来开发任务的 token 消耗，并在每个重构阶段都指派一个新的代理来执行相同的更改，以避免学习偏差。
-
本地AI采用对代理编码中的风险降低进行辩论
将AI模型引入内部进行本地执行是一种日益增长的趋势，但其在降低风险方面的有效性仍有争议。Thoughtworks的专家Ben O'Mahony和Rich Stokoe正在探讨这一主题，旨在阐明本地AI在代理编码方面的实际好处和缺点。
-
人工智能治理而非速度将决定企业成功：Teneo 和 Thoughtworks 的 CEO
CEO们正处于人工智能采用的关键阶段，重点已从快速实施转向可持续价值提取。最初认为人工智能将以更低的成本取代人力劳动的假设已被证明是错误的，一些公司如 Ford Motor Company 由于机构知识的流失而不得不重新聘用工程师。投资者期望人工智能带来快速回报与 CEO 面临更长的实施时间表之间也存在脱节。关键在于建立健全的人工智能治理，将人工智能支出视为资本配置决策而非 IT 费用，并将工作负载与最具成本效益的模型相匹配。
-
QCon AI New York 2026 开放注册，聚焦生产环境AI部署演讲
QCon AI New York 2026 现已开放注册，会议将于12月15日至16日举行。本次会议将汇集工程师，分享他们在生产环境中部署AI的实际经验，重点关注成功、失败和经验教训，而非供应商的演示。本次活动由Red Hat的Eder Ignatowicz担任主席，知名演讲者包括Google的Faye Zhang和Thoughtworks的Wes Reisz。
-
Thoughtworks为拜耳构建AI聊天机器人，以解锁临床前研究数据
Thoughtworks为拜耳开发了一款AI聊天机器人，帮助研究人员访问和分析多年的临床前数据。该工具允许使用自然语言查询数十年的研究成果，快速提取见解，同时遵守对科学研究至关重要的严格的信任和合规标准。
-
AI 采用使僵化组织失败；容器化为变革提供了模型
Mphasis 首席执行官 Nitin Rakesh 认为，组织押注于通过投资 AI 来弥补僵化结构是一个错误的策略，他将其比作在未改进底层系统的情况下增加智能。他将此与 Malcolm McLean 的集装箱化创新进行了类比，后者通过标准化货物处理而非仅仅提高船舶速度彻底改变了物流。Rakesh 认为，如果核心架构保持不变，AI 就像之前的技术一样，只会加速现有的组织惯性。Thoughtworks 和 IDC 的一项最新研究发现，虽…
-
Thoughtworks 和 Databricks 发布关于 AI 治理的数据平台手册
Thoughtworks 与 Databricks 合作发布了“数据平台手册”。该指南探讨了由智能体驱动的系统内治理不断发展的格局，并提供了行业领袖关于实时问责制和数据架构未来的见解。
-
Thoughtworks推出Agent/works™以实现企业AI代理治理
Thoughtworks推出了Agent/works™，这是一个旨在解决企业环境中扩展代理式AI所带来的治理挑战的新平台。该平台为跨各种云平台运行的AI代理提供了一个受治理的运行时、集中可见性和成本控制。此次发布是在Databricks Data + AI峰会上进行的，凸显了随着AI代理在业务运营中日益普及，对强大管理解决方案日益增长的需求。
-
Thoughtworks推出AI就绪度评估工具
Thoughtworks推出了一款新的AI就绪度评估工具，旨在帮助组织评估其当前能力。该评估侧重于六个关键维度，以识别优势和劣势。此举旨在指导企业有效扩展其AI项目并实现可持续的业务价值。
-
Thoughtworks通过Unity Catalog和Backstage简化数据访问
Thoughtworks发布了一篇博客文章，详细介绍了如何跨多个服务简化访问控制和审计日志记录。文章解释了Unity Catalog如何吸收操作数据库，从而允许Spotify的Backstage从一个位置管理访问策略。此集成提供了数据操作的统一审计跟踪。
-
AI 开发风险引发对安全编码环境的呼吁
一篇近期文章强调了使用生成式 AI 进行应用程序开发相关的安全风险，特别是“Vibe Coding”方法，该方法使非技术用户能够快速创建原型。AI 倾向于选择阻力最小的路径，这可能导致不安全的配置，例如暴露数据存储或授予过多的权限。作者强调，虽然 AI 加速了开发，但人工监督至关重要，并且必须辅以技术控制。提出的解决方案包括使用引导和感知机制来指导和验证 AI 输出的“安全环境”工程方法，以及组织变革，以确保 AI 驱动的软件开发中的效率和安全。
-
Thoughtworks Radar：AI代理通过新实践重塑软件工程
Thoughtworks最新的Technology Radar报告强调了AI代理驱动的软件工程的重大转变。报告强调了上下文工程、零信任、Harness工程和编码代理质量门等概念日益增长的重要性。这些发展正在重塑工程经理、架构师和技术主管如何进行软件开发及其周边环境。
-
LLM驱动的传记生成
Eugene Yan 使用了包括 GPT-4、Claude-v1.2 和 Cohere-xlarge 在内的几款大型语言模型，要求它们生成他的传记。他观察到，尽管模型捕捉到了他职业生涯的大致要点，但关于他的教育和就业历史，模型常常包含事实性错误。Yan 指出，GPT-3.5 和 GPT-4 在测试模型中表现最好，但仍然存在错误，这表明它们的知识仅限于其训练数据。