填空题科技 » 主頁 » 洞见 » AI » Atlassian 官宣 AI-Native 研发新范式：从“编程助手”进化为“数字队友”
Atlassian 官宣 AI-Native 研发新范式

图片💡导语：从“意图驱动”到“工具落地”，AI 原生研发的最后一块拼图在本系列的前两篇文章中，我们深度拆解了《AI 时代软件研发范式全景：7大权威机构如何定义下一代 SDLC》，并分享了《2026 从 SDLC 到 AIDLC：5 个实操方法实现研发效能跃迁》。

很多研发负责人问我们：“道理都懂，但具体的工具链长什么样？”

在 2026 年 5 月最新的 Team ’26 大会上，Atlassian 给出了终极答案。CEO Mike Cannon-Brookes 指出：“2026 年，算力（Smarts）可以按 Token 购买，但真正的护城河是你的组织记忆（Institutional Memory）。”

这标志着研发 AI 正式从“外挂插件”进化为“原生队友”。填空题咨询将带你深度拆解 Atlassian AI-Native 研发全家桶，看它如何通过Teamwork Graph重构研发全生命周期。

神经中枢：Teamwork Graph 解决“AI 懂代码但不懂你”

要实现 AI 原生研发，核心不是模型多强，而是“上下文”多准。

  • Atlassian Teamwork Graph：这是贯穿 Jira、Confluence、Bitbucket 甚至第三方工具的“组织大脑”。它不再是封闭的内部总线，而是通过MCP Server和CLI开放给整个 AI 生态。
  • Rovo 家族：作为统一的 AI 交互层，Rovo 提供了搜索（Search）、对话（Chat）和智能体（Agents）能力。
  • Rovo Dev：专为开发者打造的“生产力引擎”，它不仅能写代码，更能理解 Jira 里的验收标准（AC），在 IDE、终端和 Bitbucket 之间自由穿梭。

最新数据（Team ’26）：Teamwork Graph 已积累超过150 亿条连接。Atlassian 官方 benchmark 显示，有了 Graph 赋能，AI 回答准确度提高 44%，token 消耗降低 48%。更关键的是，Graph 正在从”内部数据层”升级为企业 AI 生态的统一上下文层：

  • Teamwork Graph CLI（open beta）：开发者和编码代理（Claude Code、Cursor 等）可通过终端/CI 管道直接查询 Graph，支持 300+ 命令。
  • Teamwork Graph MCP Server（open beta）：任何兼容 MCP 协议的第三方 AI 助手（如 Claude Code、Cursor）均可集成使用。
  • Forge 自定义 Connectors（GA）：支持将企业自有或遗留系统数据接入 Graph。

图片

Software Collection：重构人机协作的四个关键环节

Atlassian 提出的Software Collection套件，是 AIDLC 范式落地的核心产品矩阵：1. Rovo Dev：你的“数字架构师”与“高级评审员”当你被指派一个 Jira 任务时，Rovo Dev 已经基于上下文生成了代码计划。它不仅能批量生成单测、补全埋点，还能在 PR 阶段根据团队规范进行“上下文感知评审”。它不是编程助手，而是懂业务的开发伙伴，能融合需求标准与组织代码史给出建议。最新能力：

  • Code Intelligence in Rovo：支持跨多仓库的意图级代码查询——不是搜索文件名或函数名，而是用自然语言问”哪里处理了用户权限降级的逻辑？”
  • Rovo Dev CLI：与 Teamwork Graph CLI 深度集成，开发者在终端即可获取完整的组织上下文

2. DX (Developer Intelligence)：让 AI 提效不再是“黑盒”DX 现已正式取代 Compass 成为开发者体验度量的主力产品（Compass 已宣布停售），支持 DORA、Flow 和 SPACE 等指标体系，DX 新增三大能力：

  • Agent Experience：度量 AI 代理在工作流中的表现（完成率、准确率、人工干预频率）
  • AI Code Insights：追踪 AI 生成代码的质量指标（PR 通过率、回归率、review 轮次）
  • AI Pulse：团队级 AI 采纳度和满意度调查

据 Deviniti 2026 年报告，使用 AI 代码生成工具的团队在 Jira 中创建的任务量增加约 5%——这说明 AI 并非简单”减少工作”，而是改变了工作的形态，更需要 DX 这样的度量工具来理解真实影响。

填空题咨询观察：
很多 CTO 问我们：“买了 AI 账号，研发效能真的提升了吗？”DX 模块就是答案。它能定量衡量人机协作的流速，识别出 AI 引入后哪里变快了，哪里因为“代码膨胀”变慢了。

3. Bitbucket SCM：为速度、规模与协作而生的源代码管理Bitbucket 是 Software Collection 中的源代码管理（SCM）核心，与 Jira 和 JSM 同处 Atlassian 云平台，代码天然贯穿从规划到事件管理的整个 DevOps 生命周期。它不只是一个代码托管仓库，而是深度融合 AI 的协作开发平台：

  • AI 生成 PR 描述：提交 Pull Request 时自动生成结构化描述，减少手动撰写的时间
  • AI 辅助代码评审：针对复杂 diff 优化的评审体验，结合安全合规的 AI 供应商，让开发者保持心流状态
  • Teamwork Graph 集成：代码变更自动关联 Jira 任务、Confluence 文档和团队上下文，实现跨工具的完整可追溯性

4. Bitbucket Pipelines：具备“自愈能力”的交付流水线Pipelines 是 Bitbucket 内置的 CI/CD 引擎，也是 Software Collection 中的自动化交付层。它不是一个独立的 CI/CD 工具，而是与 Jira、Bitbucket 和 Rovo Dev 深度编织的智能流水线。

  • Pipeline Troubleshooter：当流水线失败时，AI 自动诊断根因——分析构建日志、定位失败步骤，并将修复建议直接回写到关联的 Jira 任务，无需开发者反复翻阅日志
  • AI 生成部署洞察（Deployment Insights）：自动生成每次部署的影响分析，包括变更范围、风险评估和关联工单
  • 动态流水线（Dynamic Pipelines）：根据代码变更范围智能决定执行哪些构建和测试步骤，避免全量构建的资源浪费
  • 自定义合并检查（Custom Merge Checks）：自动化执行代码质量标准，在合并前强制通过安全扫描（密钥泄露、依赖漏洞、IaC 检查）

图片

 AI‑Native SDLC 落地建议

  • 从左到右全链路：产品发现与规划（Jira/Confluence + Rovo/Studio）→ 编码与评审（IDE/SCM + Rovo Dev）→ 构建发布与运维（Pipelines/JSM + Agents）→ 体验与生产力度量（DX/Analytics）。
  • 数据先行：以 Teamwork Graph 为统一上下文底座，减少提示工程成本、提升 AI 输出的相关性与可信度。
  • 人机协作：将 AI 设为“值得信赖的队友”（Trusted Teammate），而非黑箱；可审可控、逐步放权。
  • 规划与工作分解：用 Rovo 在 Jira 中将 PRD/会议纪要转化为结构化需求列表，预填描述/优先级/负责人；减少前置对齐与抄写成本。
  • 编码与评审：Rovo Dev 结合验收标准与团队代码规范进行上下文感知评审，支持自动生成单测、修复草案与“Ready‑for‑Review” PR。
  • CI/CD 与发布：Pipeline Troubleshooter/Deployment Summarizer 等代理自动诊断失败、生成变更摘要与回滚建议，并把结果回写至 Jira。
  • 知识与可搜索性：Rovo Search/Chat 对跨 Jira/Confluence/外部 SaaS 的知识进行权限感知检索、摘要与行动。
  • 度量与改进：用 DX 持续跟踪人/机工作流的 PR 周期、部署频率、等待时间、回归率，以及 DevEx 热点；将洞察回馈到团队节奏与技术债治理。

实施建议：选择一到两个“高摩擦环节”（如 PR 周期长、流水线不稳定）作为试点；先启用只读/建议式代理，设定明确的质量门槛与回滚机制；用 DX 建立前后对比与成功判据，逐步推广至更多团队与流程。图片

研发效能的提升不是一道选择题，而是一道需要你自己定义答案的“填空题”。💡 开启你的 AIDLC 转型？

Categories:

AISDLC

Tags:

No Tag

Comments are closed