AI-кодинг, Observability, RAG та дані нового покоління — головне з Thoughtworks Technology Radar (квітень 2025)

💡 Усі статті, обговорення, новини про DevOps — в одному місці. Приєднуйтесь до DevOps спільноти!

Привіт, з вами Артур.

Хочу вам повідомити, що у квітні Thoughtworks опублікували новий Technology Radar. (pdf можна скачати тут)

Що це таке

Thoughtworks Technology Radar двічі на рік робить список інструментів, методів, платформ, мов і фреймворків та свої рекомендації до впровадження та вивчення цих новинок — що на паузу поставити, а що впроваджувати можна. Знову ж таки, чисто з їхньої точки зору.

У них є чотири категорії:

1. Adopt — варто серйозно розглянути.
2. Trial — те, що готове до використання, але не настільки перевірене, як те, що в Adopt.
3. Assess — те, на що варто придивитися, але ще не обов’язково пробувати. Якщо тільки ви не вважаєте, що вони особливо добре підійдуть вам.
4. Hold — використовувати з обережністю.

Теми в цьому випуску

1. Кодінг асистенти

Думаю, зараз тільки той, хто в бункері, не знає про такі інструменти як GitHub Copilot, Cursor, Cline, Windsurf. Трошки менше на слуху консольні агенти, як-от aider, goose та claude-code (жре бабки як не в себе) але Thoughtworks все ще нагадує про те, що With great power... Тому будьте уважними до згенерованого коду. Vibe coding — це добре, але баги в проді самі себе не пофіксять.

2. Observability

Видно фокус у сторону LLM observability. Багато інстурментів нових для моніторингу та вимірювання перфомансу LLM як Weights & Biases, Arize Phoenix, Helicone та HumanLoop. Ще одним напрямком є інтеграція з ШІ для покращення observability — інструменти починають використовувати штучний інтелект для покращення аналізу та отримання інсайтів. Все ширше впроваджується OpenTelemetry, що сприяє стандартизації підходів до observability. Багато інструментів таких як Alloy, Tempo and Loki уже підтримують OpenTelemetry.

3. R in RAG

Зростаюча потреба в ефективному пошуку у рамках RAG спричинила появу нових інструментів і технік. Наприклад, corrective RAG, який динамічно коригує відповіді на основі зворотного зв’язку або евристик; Fusion-RAG, що поєднує кілька джерел і стратегій пошуку для отримання більш повних і надійних відповідей; а також Self-RAG, який взагалі уникає етапу попереднього пошуку, отримуючи дані за потреби; також FastGraphRAG, який покращує зрозумілість відповідей, створюючи графи.

4. Дані нового покоління

Біг дейта вже давно є ключовим викликом для індустрії, однак у цьому випуску Radarʼу увага фокусується на роботі з складними та насиченими даними. Це відображається у багатьох моментах: від інструментів для роботи з векторними базами даних до аналітичних продуктів по типу Metabase .

Однак мова не лише про інструменти, а і про підхід — data product thinking — концепцію, яка закликає команди застосовувати принципи продакт-менеджменту до аналітичної частини своєї екосистеми.

Також є відеоверсія цієї статті — можете послухати або подивтись youtu.be/WUsnojeZplY

Що з цікавого із секції Adopt

Техніки, які варто розглянути

🔶 Data product thinking — управління даними як продуктом з повним життєвим циклом, орієнтацією на споживача та високими стандартами якості.

🔶 Fuzz testing — техніка тестування, яка подає до системи некоректні або випадкові вхідні дані для виявлення неочікуваних збоїв або помилок. З огляду на зростання обсягів коду, згенерованого ШІ, зараз особливо важливо впроваджувати fuzz testing для забезпечення надійності та безпеки програмного забезпечення.

🔶 Software Bill of Materials(SBOM) — прозорість залежностей і підтримку безпеки як для звичайного програмного забезпечення, так і для ШІ-систем.

🔶 Threat modeling, набор технік які дозволяють виявляти загрози на всіх етапах життєвого циклу програмного забезпечення та ефективно поєднуються з іншими практиками безпеки.

Платформи

🔷 GitLab CI/CD — думаю тут описувати не треба шо це та для чого. Додам тільки що у нього українське коріння і він дуже зручний :)

🔷 Trino — опенсорсний, розподілений SQL-двіжок для біг дейта, який дозволяє об’єднувати дані з різних джерел у єдину таблицю, підтримує роботу як у хмарі, так і локально.

Інстурменти

🔶 Renovate — гнучкий інструмент для автоматизованого управління залежностями, який забезпечує ширші можливості та налаштування порівняно з Dependabot, дозволяючи оновлювати всі типи залежностей і зменшувати навантаження на розробників через автоматичне злиття pull request’ів.

🔶 uv — мегашвидкий інструмент для керування Python-проєктами та пакетами, написаний на Rust, який об’єднує можливості таких інструментів, як Poetry, pyenv і pipx; попри свою новизну, він уже активно рекомендується командами як найкращий варіант сьогодні.

🔶 Vite — інструмент для збирання фронтенду з надшвидким hot-reloading, який стає новим стандартом у таких фреймворках, як Vue, SvelteKit і React.

Фреймворки та мови

🔷 OpenTelemetry стрімко стає стандартом для обсервабіліті, забезпечуючи стандратизовану обробку трейсів, метрик і логів через OTLP-протокол, що спрощує інтеграцію, знижує залежність від вендорів і забезпечує масштабованість для мікросервісних архітектур.

🔷 React Hook Form — бібліотека для роботи з формами, легко інтегрується з валідаційними бібліотеками (Yup, Zod) і бібліотеками компонентів (shadcn, AntD).

А шо ще?

Також хотілось би виділити деякі речі, які зацікавии субʼєктивно мене у репорті з секцій trial та assess.

🔸 API request collection as API product artifact —створювати та підтримувати колекції API-запитів як частину API-продукту, для покращення онбордингу — ПАТАМУШО ЦЕ ЗАВЖДИ БІЛЬ, коли нема документованої апішки.

🔸 Architecture advice process — децентралізований підхід, за якого будь-хто може приймати архітектурні рішення, якщо перед цим порадиться з тими, на кого ці рішення впливають, а також з експертами у відповідній галузі. Головне на забувати також про Architecture Decision Records (ADR).

🔸 GraphRAG — підхід, що поєднує графи знань і RAG, дозволяючи покращити результати відповіді LLM шляхом розширення запиту на основі зв’язків між фрагментами інформації.

🔸 У Prompt engineering — цікаве для мене стало те, шо для reasoning моделей few-shot prompting може працювати гірше, ніж zero-shot prompting, а chain-of-thought prompting іноді навіть погіршує роботу reasoning-моделей. І шо академічні дослідження кажуть, шо просунуті моделі можуть зменшити або й усунути потребу у prompt engineering.

🔸 Using GenAI to understand legacy codebases — бачимо, шо ШІ все більше і більше використовується для аналізу та рефакторінгу легасі коду.

🔸 AI-friendly code design — наразі це — просто пишіть хороший код, бо то шо хорошо для людини і хорошо для ШІ, але у майбутньому ми можемо очікувати появу нових AI-специфічних ппатернів.

🔸 AI-powered UI testing — активніше набуває обертів UI-тестування, що використовує LLM для інтерпретації графічних інтерфейсів. Прикладами є QA.tech або LambdaTests’ KaneAI. Але не дивно, шо воно в Assess секції, бо дійсно ще доволі сире.

🔸 AI-accelerated shadow IT— ШІ-інструменти дозволяють людям без навичок програмування створювати неконтрольовані рішення, що може призвести до масштабних серйозних ризиків для безпеки та управління даними. Та в принципі, думаю, ви уже бачили багато мемів про вайб-кодінг, та як чуваки роблять проєкти, які потім gracefuly обсіраються. Вангую буде більше і більше такого. Ну і це перетинається з ще одним пунктом у репорті — Complacency with AI-generated code. Короче вайбкодери — будьте уважними пліс)))

🔸 Local coding assistants — локальні AI-асистенти допомагають з простими задачами, але поки суттєво поступаються хмарним моделям у складності запитів, інтеграціях і глибокому контексті.

🔸 Grafana йде вперед. Це і Grafana Alloy, і Grafana Loki і Grafana Tempo. Тому ребята з thoughtworks рекомендують придивитись до їхніх існтурментів.

🔸 Unblocked — ШІ-асистент, який забезпечує швидкий доступ до бази знань про код і процеси. Цінник починається від $29 на місяць. Штука прикольна (по фічам, які анонсовані на сайті), але не знаю, наскільки гарно працює. Тріалку шось не знайшов.

🔸 На диво в assess попав Deepseek R1 — комуністи атакують))

🔸 Deno — як альтернатива Node.js із нативною підтримкою TypeScript, покращеною безпекою та сумісністю з npm.

🔸 Model Context Protocol (MCP) — стандарт від Anthropic, який дозволяє LLM-інструментам інтегруватись із локальними джерелами даних для покращення контексту відповідей, хоча наразі його застосування ще потребує технічної підготовки, і поки невідомо, як буде розвиватись, але це прорив як на мене.

🔸 Open WebUI — селфхостед AI-платформа з підтримкою локальних моделей, RAG, кастомних функцій і оцінки LLM, придатна як для особистого, так і для корпоративного використання.

🔸 Reasoning models — новий клас LLM, здатний до глибоких міркувань і самокорекції, але з вищими витратами. Власне, тут ми уже на практиці відчули потужність OpenAI o1/o3, DeepSeek R1, Gemini 2.0 Flash Thinking. Доволі класні, доволі зручні.

🔸 Synthesized — платформа для безпечного і реалістичного генерування або маскування тестових даних (чи копіювання, і навіть з анонімізацією окремих атрибутів), що легко інтегрується у пайплайни.

🔸 І ще одна платформа для генерації штучних даних це Tonic.ai, яка ще й підтримує як структуровані, так і неструктуровані дані для тестування, RAG та AI-розробки.

🔸 Claude Sonnet — LLM для коду, дизайну й аналітики з підтримкою візуального контенту. Багато доволі хороших фідбеків про неї, проте субʼєктивно на мене openAI все одно краще.

🔸 Cline — open-source розширення для VSCode з локальною обробкою, що дозволяє керувати реалізацією коду через чат і добре працює з великими кодовими базами, доволі прозоро веде обілк токенів, має режим Plan&Act і підтримує MCP.

🔸 Cursor — ну тут, думаю, тіки лінивий не чув про цей форк VSCode з додаванням красівостей ШІ.

🔸 D2 — альтернатива Mermaid з відкритим кодом для створення діаграм у вигляді коду (diagrams-as-code). Виглядає прикольно! На замітку точно візьму собі його.

🔸 JSON Crack — прикольний екстеншн для Visual Studio Code, яке візуалізує текстові дані у вигляді інтерактивних графів. Незважаючи на назву, воно підтримує не лише JSON, але також YAML, TOML та XML.

🔸 MailSlurp — зручний сервіс для автоматизації й тестування email/SMS-функціоналу з REST API та no-code підтримкою. Рекомендую теж подивитись.

🔸 Metabase — зручний open-source BI-інструмент для інтерактивних дашбордів і аналітики, може брати дані з різних джерел, включаючи як реляційні, так і NoSQL-бази даних.

🔸 OpenRewrite — open-source інструмент для автоматизованого рефакторингу коду за правилами. Сам не юзав, але демки виглядають прикорльними.

🔸 Software engineering agents — серед лідерів у цій сфері — Cursor, Cline та Windsurf, тоді як GitHub Copilot дещо відстає, але швидко наздоганяє. По суті це режим, коли інструмент не лише редагує кілька файлів, а й виконує команди, проганяє тести, реагує на lint-помилки чи проблеми компіляції. Цей підхід також називають CHOP (chat-oriented programming) або prompt-to-code.

🔸 Tuple — класний інструмент для віддаленого парного програмування, який тепер підтримує повноцінну співпрацю поза IDE, але потребує уважного налаштування приватності. Ну і не забувайте, шо коштує він 30 баксів.

🔸 AnythingLLM — доволі прикольна штука! Це open-source застосунок для взаємодії з документами через LLM, що підтримує кастомні агенти, RAG і може працювати як локально, так і у вигляді вебзастосунку. По суті скарвлюєш йому всі свої файли, книжки, доку — і він може відповідати на запитання по ним. Варто спробувати!

🔸 Hurl — а тут я хочу сказати своє ФЕ! Тому шо це перший інструмент, який мені не сподобався! Простіше ж уже написати кодом, ніж тим синтаксисом, шо у нього є. Тим паче на кого це розраовано? Девам простіше кодом описати, мануалам простіше з постмана чи бруно запит відправити. Короче кейс непонятний, публіка теж непонятна. Хто користувався, розкажіть про досвід, чи сподобався?

🔸 kubenetmon — це open-source інструмент для детального моніторингу мережевого трафіку в Kubernetes, який допомагає виявити й контролювати витрати на передачу даних у хмарі.

🔸 System Initiative — альтернатива класичному IaC, яка пропонує нове бачення DevOps. Їх демки на сайті дійсно дуже новаторські та виглядають красиво дуже. Але чи готове до проду це рішення? Невідомо.

🔸 v0 — це AI-інструмент від Vercel для швидкого створення UI-коду з скріншотів, макетів або промптів, що може підійти для прототипів і стартових шаблонів. Генерує подекуди дійсно прикольні штуки, але це скоріше дійсно для прототипування більше.

🔸 Windsurf — ще один AI-асистент для програмування від Codeium, який має агентні можливості. Подібно до Cursor і Cline, він дозволяє керувати реалізацією через AI-чат, який може переміщатися по коду, змінювати його та виконувати команди. Чисто субʼєктивно моє — я все ж віддаю перевагу Cursor’у. Але все одно 99% часу проводжу у пайчармі з АІ асистентом від джетбрейнс :D

🔸 YOLO11 — швидка та точна модель комп’ютерного зору, що підтримує кілька задач в одному фреймворку та ідеально підходить для real-time сценаріїв на edge-пристроях.

🔸 MarkItDown — будь шо в md (Markdown) файл. Просто і працює наче непогано.

🔸 Prisma ORM — це типобезпечний, сучасний ORM для Node.js.

🔸 Browser Use — Python-бібліотека, що дозволяє LLM-агентам взаємодіяти з вебзастосунками через браузер, виконуючи дії, витягуючи дані й координуючи дії між вкладками. Мені самі демки на сайті сподобались, спробую покрутити її! Доволі перспективно виглядає!

🔸 Presidio — прикольна ідея щодо анонімізації PII, SDK, яка гнучко налаштовується, але потребує обережного використання через можливі неточності.

🔸 А які з цих технологій ви вже впровадили або в процесі впровадження? Або що сподобалось вам у цьому репорті?

P.S. Якщо сподобалось, підписуйтесь на мій Telegram-канал, де я пишу про розробку, менеджмент та тестування, або на YouTube.