22期技术雷达，https://assets.thoughtworks.com/assets/technology-radar-vol-22-cn.pdf。
image.png
主题：
- Zoom里的大象，大象源于（Elephant in the room，指显而易见却被集体选择性忽略的问题），全球瘟疫的爆发使得我们更加关注于远程协作，以及他的重要性。
- X也是软件，建议团队引入有益的工程实践，例如软件设计原则、自动化、持续集成、测试。
- 数据视角的成熟和扩展：数据分析和机器学习领域的新技术和工具。
- Kubernetes生态系统的寒武纪爆发：围绕Kubernetes的工具，平台和技术推陈出新，整个生态系统日趋成熟。
技术：
在技术部分中提到的内容，可以粗略分为几类：
产品：
将产品管理思维应用于内部平台，内部平台是服务于企业内部的开发人员的支撑平台，与ToC系统一样重要，同样需要应用产品管理思维打造内部平台。避免成为空中阁楼，花费大力气打造的系统并没有人使用，或者并不好用。
测试：
道德偏见测试
DevOps：
基础设施即代码
流水线即代码
机器学习下的持续交付，机器学习也需要一整套端到端、持续可重复的模型训练、测试、部署、监控和运维周期。 机器学习下的持续交付（CD4ML） 是一种可靠的端到端开发、部署和监控机器学习模型的技术。
平台工程产品团队，一些组织通过创建平台工程产品团队 来应对集中式运维和基础设施，这些团队维护着一个内部的应用平台，该平台使交付团队能够自助部署和运维系统。
数据网格
通过容器编排管理有状态系统
预检构建：基于 Pull Request 的构建，针对只在流水线运行期间存在的为每个 commit 建立的微型分支，出现了类似的程序如Bors(https://bors.tech/)。
前端：
微前端
移动微前端
远程协作：
务实的远程结对
使用原生的远程工作方法
后端：
最简特性开关
GraphQL 用于服务端资源聚合
去中心化身份识别
声明式数据管道定义：以Page Object模式实现步骤定义与步骤组合之间的分离，第一个开源工具A La Mode
机器学习：
半监督学习循环，是一类迭代式的机器学习工作流，它们利用未标记数据中尚待发现的关系，来提升学习性能。这些技术通过不同方式组合已标记和未标记的数据集，从而改进模型。
型。
NLP 的迁移学习，从 ELMo、 BERT 和ERNIE 等预训练模型开始，然后根据项目需求进行微调。
DeepWalk，有助于将机器学习应用于图的算法。将图视为一种语言，图中的每一个节点都是该语言中的唯一单词，DeepWalk 通过随机遍历图中有限的节点来将单词构造成句子。
安全：
安全策略即代码
零信任架构
平台：
后端：
.NET Core
Istio：服务网格的一个实践。
Crowdin，一个有助于简化项目本地化工作流程的平台。能促使团队持续和增量地完成翻译工作，而不是在最后阶段大批量地管理这些工作。
Firebase，一个综合性平台，可用于构建移动和 Web应用，并运行在谷歌可伸缩基础设施上。
IOS：
Anka，一组辅助 iOS 和 macOS 应用开发的工具，用于创建、管理、分发、构建和测试可复制的 macOS 虚拟环境。
DevOps：
Argo CD，能够在Kubernetes 指定的目标环境中，自动将应用部署至所期望的状态，并且能够帮助排查失效部署的故障原因、验证日志以及监控部署状态。
后端：
Hot Chocolate，用于.NET的GraphQL服务器。
Hydra，自托管的 OAuth2 解决方案。
OpenTelemetry， 是一个开源可观测性项目。
Snowflake，一个健壮的 SaaS 大数据存储、数仓或数据湖解决方案。
Anthos，实现混合云和多云策略，提供高级管理和控制平面（plane）。
Apache Pulsar，一个开源的 pub-sub（发布-订阅）消息与流媒体平台，类似Apache Kafka。
Matomo，（前身为 Piwik）是一款开源的网站分析平台，可以完全控制对分析数据的访问。
MeiliSearch，是一个快捷、易用且易部署的文本搜索引擎，对标Elasticsearch，但是没有Elasticsearch流行。
区块链：
Cosmos
Trillian，一种可加密验证的集中式数据存储。
机器学习：
Google BigQuery ML，一 个 数 据 仓 库 ，能 针 对 数 据 分 析 场景，使用 SQL 进行大规模查询。
JupyterLab，Jupyter 项目的下一代基于web 的用户操作界面。
Marquez，是相对年轻的开源项目，用于数据生态系统中元数据的采集和托管。
工具：
测试：
Cypress。视觉回归测试工具，推荐BackstopJS和Loki。
设计：
Figma，协作设计的工具。
Optimal Workshop，用于验证产品原型和配置数据收集的相关测试。
Devops：
Dojo，旨在通过 Docker 镜像的版本化和发布来创建标准的开发环境，它可以简化从本地开发到生产流水线中的开发、测试和构建过程。
k9s，对于 Kubernetes，k9s为kubectl 的所有功能都提供了一个交互界面。
kind，一个用于在 Docker 容器节点中运行本地 Kubernetes 集群的工具。
机器学习：
DVC，基于 Git ，用于机器学习（ML）项目中管理实验，实现了对处理数据的代码以及数据本身的版本管理，而且还实现了对流水线的各个阶段的追踪。
用于机器学习的实验跟踪工具，例如MLflow 的工具以及诸如Comet 和 Neptune 平台，可以使得整个机器学习的工作流程变得更加的严谨和可重复。
Apache Superset，用于与大型数据湖和数据仓库一起，进行数据探索和可视化。
Manifold 是机器学习的一个与模型无关的可视化调试工具。
测试：
Goss，供应测试工具。
后端：
Jaeger 是一个开源的分布式追踪系统。类似于 Zipkin。
mkcert 是一个用于创建本地信任的开发证书的便捷工具。
Phrase，用于管理产品的多语言翻译，还可以通过使用标签实现了翻译的版本管理。
Visual Studio Live Share，remote结对编程工具。
AsyncAPI ,旨在构建急需的事件驱动和异步 API 标准以及开发工具。
ConfigCat, 支持简单的特性开关、用户细分和 A/B 测试，但是收费。
Gitpod 通过为 Github 或 GitLab 仓库提供基于云的、现成的代码环境来建立一个完整编码环境。
Gloo 是一个支持这种变化的轻量级API 网关，它使用 Envoy 作为其网关技术，同时为外部用户和应用程序提供附加价值，如 API 的内聚视图等。
Lens 通过一个集成环境用以查看集群的当前状态和工作负载，可视化集群指标，并通过内嵌的文本编辑器修改配置，是试图驯服 Kubernetes 管理复杂性的几种方法之一。
管理：
MURAL 自诩为“视觉协作的数字工作空间”，并允许团队在基于白板和便利贴构建的共享工作空间内进行交互。
安全：
ScoutSuite，一个增强版工具，提供跨AWS、 Azure、 GCP 和其他云提供商的安全状态评估。
前端：
Sizzy，用于在一个浏览器窗口内展示多个视窗。应用会被同时渲染到所有的视窗中，并且对应用的交互也会同步到所有视窗中。Snowpack 是 一个JavaScript 构建工具，可以使用 React.js， Vue.js Angular 等现代框架来构建应用程序，而无需打包器，由于省去了打包的环节，对代码的任何修改都几乎可以立即显示在浏览器上。
安全：
tfsec，一个静态分析工具，可以用来扫描 Terraform 模板并查找潜在的安全问题。
语言&框架
前端：
React Hooks 引入了一种管理状态逻辑的新方法。
React Testing Library，react.js单元测试框架。
Vue.js。
CSS-in-JS，在JS代码中书写CSS，避免全局命名冲突，例如Linaria。
Tailwind CSS,提供了较低层次的 CSS 样式类来构建模块，且没有自带任何多余的复杂样式，如此可以使开发者不需要编写任何新的样式类或 CSS 样式。
XState，一个简单的 JavaScript 和 TypeScript 框架，用于创建有限状态机并将其可视化为状态图。
后端：
Exposed，轻量级的对象关系映射器（ORM）。
GraphQL Inspector可以比较两个GraphQL 模式（schema）之间的变更，用于集成到团队的CI 流水线中，能够捕获 GraphQL模式中潜在的重大变化。
Koin是一个 Kotlin 框架，用于处理软件开发中的依赖注入。
NestJS是一个让 Node.js应用开发更安全、更不易出错的基于 TypeScript 优先风格的框架。
Rust。
Tamer，标榜为“驯化的 Kafka JDBC数据源连接器”，在处理大量数据时，比 Kafka JDBC 连接器更高效。
Wire，是一种编译时依赖注入工具，可以同时生成代码并将组件连接在一起。
测试：
Karate 是一种 API 测试框架，其独特之处在于它不依赖通用编程语言，而直接使用基于 Gherkin 的语法编写测试。Sarama 是 Apache Kafka 的 Go 客户端库。
Clinic.js Bubbleprof，一款用于性能剖析工具，能够可视化 Node.js 进程中的异步操作，绘制程序调用流中的延迟图。
机器学习：
PyTorch一个机器学习框架，类似TensorFlow。
Deequ，一个 建立在 Apache Spark 之上，用来为数据集编写类似单元测试的库。
ERNIE，和 BERT 一样， ERNIE 也提供了无监督预训练语言模型，百度出品的NLP预训练模型。
MediaPipe是一个用于构建多模态（例如视频，音频，时间序列数据等），跨平台（例如Android， iOS， Web 和边界设备）的应用类机器学习流水线。
IOS：
SwiftUI，框架用于在 macOS 和 iOS 平台上实现用户界面。
参考：技术雷达，https://assets.thoughtworks.com/assets/technology-radar-vol-22-cn.pdf
网友评论