川海智库

报告概述

报告由CNCF委托SlashData完成，基于对400多名云原生开发者的调研，评估平台工程工具在三个关键领域——工作流自动化、应用交付、安全与合规管理——的成熟度、实用性及推荐意愿。报告采用技术雷达形式，将工具分为“采用”、“试用”和“评估”三类，帮助开发者快速理解社区对各项技术的实际看法，从而指导技术决策。此外，报告还探讨了组织内平台所有权模式与AI工作流集成策略的关系。

报告的核心结论

GitHub Actions、Armada、Buildpacks、Jenkins、ArgoCD是工作流自动化领域的首选技术。

基于开发者对成熟度、实用性和推荐意愿的综合评分，这五项工具被归为“采用”类别，表明它们被广泛认为可靠且适用于大多数用例，其中GitHub Actions在推荐率上领先，Armada成熟度评分最高。

Helm、Backstage、kro是应用交付领域的首选技术。

Helm在成熟度和实用性上均领先，拥有最大用户群；Backstage和kro也获得高度认可，kro作为新项目表现出色，其高推荐率反映开发者对其未来潜力的期待。

Keycloak、Open Policy Agent (OPA)、cert-manager是安全合规领域的首选技术。

这三项工具在各自细分领域获得“采用”评级，其中Keycloak拥有最大用户基数，cert-manager成熟度评分最高，而OPA在实用性和推荐率上表现均衡，是策略管理的主要选择。

大多数组织采用多团队协作模式构建内部平台，且倾向于混合方式管理AI工作流。

41%的开发者表示其组织由多个团队（如DevOps、SRE、基础设施）共同提供平台能力；在AI工作流方面，35%采用混合模式（分开实验、共享生产部署），拥有自建平台团队的组织更倾向于扩展现有平台以支持AI。

报告回答的关键问题

云原生平台工程工具中哪些值得采用？

报告根据开发者调研，将工作流自动化领域的GitHub Actions、Armada、Buildpacks、Jenkins、ArgoCD，应用交付领域的Helm、Backstage、kro，以及安全合规领域的Keycloak、OPA、cert-manager列为“采用”技术。这些工具在成熟度、实用性和推荐率上均获高分，适合大多数场景。

Karmada和Crossplane在实用性和成熟度上表现如何？

Karmada在实用性上领先（91%给4-5星），但成熟度评分较低；Crossplane则相反，成熟度较好但实用性评分偏低（65%给4-5星）。这种差异源于二者处理任务的底层方式不同：Karmada专注于多集群管理，开发者认为其实用性极高但仍在成熟中；Crossplane的基础设施预置能力在日常开发中可能不够直接。

组织如何构建内部开发者平台并整合AI工作流？

最常见的方式（41%）是多团队协作提供平台能力。对于AI工作流，35%组织采用混合方法（分开实验、共享生产部署）。拥有自建平台团队的组织更倾向于扩展现有平台而非新建专属平台，反映了统一平台理念的优势。

Keycloak在安全合规工具中的地位如何？

Keycloak是安全合规领域用户最广的技术，在成熟度、实用性和推荐率上均表现突出，95%熟悉它的开发者会推荐。它作为身份和访问管理解决方案，在Kubernetes内外均被广泛采用，是企业的首选。

报告中的代表性数据

96%

Armada成熟度评分：4-5星占比

Q1 2026，96%熟悉Armada的开发者给予4星或5星成熟度评价，其中36%为5星，表明其被视为高度稳定可靠的技术。

91%

GitHub Actions推荐率：推荐占比

Q1 2026，91%熟悉GitHub Actions的开发者表示会推荐，其中53%为“非常可能”，反映了极高的用户满意度。

41%

多团队协作平台模式占比

Q1 2026，41%的开发者报告其组织采用多团队（DevOps、SRE、基础设施）协作方式提供平台能力，是最常见的平台所有权模式。

以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。

完整报告包含什么

  • 完整的技术雷达图表：涵盖工作流自动化、应用交付、安全与合规管理三个领域共20余款工具在“采用/试用/评估”中的分布，并标注其CNCF成熟度等级（沙盒、孵化、毕业）。
  • 详细的分析方法论：说明样本规模（400+云原生开发者）、数据收集方式（第三方面板）、评测量表（成熟度、实用性、推荐意愿）以及技术雷达归类的计算逻辑。
  • 各领域工具的深度对比：按成熟度、实用性、推荐意愿分别展示每项工具的星级分布百分比，并附有文字解读，帮助理解评分背后的原因。
  • 平台所有权模式分析：探讨七种平台组织方式（如自建平台团队、多团队协作、独立团队选型等）的分布及其与AI工作流集成策略的交互，揭示不同模式下的决策逻辑。
  • AI工作流集成策略的交叉分析：按平台团队类型分组，展示组织如何应对AI工作流（扩展现有平台、新建专属平台、混合模式、依赖厂商平台等），呈现统计数据与洞察。
  • 开发者人口统计与公司画像：包括受访者地域分布（北美和西欧为主）、公司规模（1-100人和1000+人为主）、行业分布（软件、金融服务、AI等）以及技术采用偏好（早期尝试型 vs. 保守型）。
  • 结论与建议：基于技术雷达和平台趋势的综合判断，为技术选型、团队建设和AI集成提供指导性建议。

本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。

相关报告