本文以Atlassian Teamwork Graph 的工具视角阐述，但在其他工具生态里，文中提到的挑战都广泛存在。

https://clozeworld.feishu.cn/wiki/UQcwwRrrFio3qrkEwy7ceKZXnWe

释放 Teamwork Graph 的力量

从碎片到上下文

在大型企业里，团队不仅是分布式的，更是在不同节奏、不同工具、不同语境下各自推进。Jira 和 Confluence 虽是协作中枢，但信息依然容易碎片化，大家常常感叹：“工具没错，但还是看不清项目情况，无法通过现有数据快速获取洞察。”

管理层要全局视角，项目经理要细节透明，系统管理员要干净、智能的集成，一线同学则只想少一点应用切换。核心痛点不在“有没有工具”，而在“信息是否能自动在正确的时间、正确的地方出现”。

一个比喻：从“智能家居”到“智能协作”

想象一个半智能的家：灯、空调、音响、摄像头各自能用，但彼此不“说话”，你被迫在多个 App 里来回切换，能用但总是乱。Teamwork Graph 就像 Atlassian 生态的“智能中枢”：

• 它不仅连接，更理解关系和语境
• 减少人为粘合信息的成本，减少来回跳转
• 把碎片化信息组织成“可被发现、可被理解、可被行动”的上下文

当连接足够丰富且有结构，团队从“找信息”变成“被信息找到”。这不是炫技，而是效率红利。

什么是 Teamwork Graph（技术与价值双视角）

技术视角：一个基于图模型的统一数据层

Teamwork Graph 来源于图论思想(graph theory,)：用“点与边”表达对象及其关系。在 Atlassian 语境里，它连接人与团队、项目与目标、页面与工作项、系统与决策，并可扩展到外部系统。

业务视角：让系统“知道你要干什么”

当 Teamwork Graph 为你正常运行时，你会感觉系统仿佛清楚你想要做什么。

• 搜索更懂你：刚看了某条 Jira 需求，再搜索时更容易命中相关 Confluence 页面
• 推荐更相关：Rovo 推送的不是“热门”，而是与你的角色、团队、当前工作、历史关联更强的内容
• 上下文自动出现：减少“页面切换、复制链接、补充背景”的体力活

“把分散的信息连起来，人们就知道去哪儿找答案——很多时候甚至不用换工具。”

—— Reddit 高级系统工程师 Matt Chester

目标为何很难对齐

无论是项目负责人，老板，还是团队中的每一位成员，都深刻意识到一个反复出现的重要事实：在项目管理过程中，实现透明化不仅非常困难，而且往往会带来额外的团队负担，甚至可能导致工作效率的降低。

现实情况是：项目计划通常只存在于PPT中，项目状态则记录在Jira系统里，而项目背后的原因和思考往往仅仅保存在个人的脑海中。文档资料可能分散在Confluence上，甚至有时根本不存在。同时，许多关键决策是在微信、飞书、钉钉等即时通讯工具的聊天过程中做出的，缺乏系统化的记录和管理。

团队成员之间的对齐工作主要依赖于“人肉编织”，即通过人工沟通和协调来完成。然而，这种方式导致信息传递常常出现延迟，信息内容容易失真或被曲解，最终影响项目的整体推进和团队的协作效率。

Teamwork Graph 如何补位

Teamwork Graph 不取代治理与方法论，但为其提供坚实的“数据与关系地基”。当系统默认记住“人-事-文档-优先级”的关联，项目经理不再到处追上下文——它会自己出现，出现在工作发生的地方。

从而能切实掌握工作流程的实际情况，而非仅了解工作的汇报方式。

这是一种结构性优势：不是用 PPT 报告“如何流动”，而是实时看见“正在如何流动”。

从“找”到“涌现”

• 在 Jira 的工单页面，AI自动呈现关联 Confluence 页面，潜在的提问题列表，引导用户的下一步动作
• 在某个 Goal 详情页，AI 自动汇总：近期关联 Jira issue 的状态变更、高权重 PR 合并情况、关键决策文档的最新更新
• Rovo 基于模式(pattern)识别，不靠“手动打标签”，主动给到相似场景的政策或流程

这些不是花哨功能，而是“摩擦力消除器”。连接越好，提示越准，体验越像“智能家居学会你的作息”。

AI 为什么在这里更“聪明”

AI 凭借对上下文的理解、而非仅局限于内容解读，实现规模化落地应用。依托 Teamwork Graph 图谱，AI 能够理清人员、工作事项、文档资料、团队组织与工作目标之间的内在关联。

这种区分至关重要。单看Confluence页面，它仅仅是文字内容；Jira工作项也只是一条工单。但当系统能够明确相关参与人员、工作的关联对象、设立该项工作的初衷，以及它在整体全局目标中的定位时，人工智能便无需再进行盲目推测，转而能够以切实有效的方式提供辅助支持。

这就是 Teamwork Graph 在 Atlassian 工作系统中所扮演的角色——它为人工智能提供了使其变得实用而非杂乱无章的连接纽带。

我们从客户身上看到的是，Rovo 之所以具有价值，并非因为它有多智能，而是因为它具备丰富的信息。

• 搜索更相关：召回与排序基于团队与任务的真实关联
• 总结更贴边：输出与项目实际语境一致
• 推荐更有用：推的不是噪音，而是对发问者真的有价值的工作

而且随着时间推移，当团队有意识地整合更多工作内容后，这些由人工智能驱动的体验会不断优化，无需任何人专门对系统进行“训练”。

人工智能是一种放大器。团队关系图决定了这款放大器是输出有效信号，还是只制造更多噪音。

“AI 不是魔法，而是倍增器。真正的改变发生在，当连接的数据与一致的工作方式让 AI 像队友而不只是工具。” —— Atlassian 现代工作教练 Mark Cruth

落地方法

这是为 Atlassian Cloud 团队用户提供的 Teamwork Graph 落地实践，同时也是所有想要构建自己 Teamwork Graph 体系团队的经验参考。

即便你在使用 Atlassian Cloud 版本，Teamwork Graph 也未必已在为你的团队提供助力。我们仍旧需要对协作本身进行规划，并调整基础的工具配置。

同时，我们也不用等等“大而全”或“更高智能”，我们仅需从日常工作场景中，找一个企业内用户范围广、使用高频的需求场景进行落地，随着AI能力的持续迭代，团队自然会从中收益。

Teamwork Graph实践五步

1. 【聚焦】选择高优先级需求，如常见痛点场景：团队新人培训、跨团队评审/审批、产品工作透明化、日常工作与团队目标校准。
2. 【扫障】梳理阻碍断点：信息丢失在哪、谁需使用多个工具、哪些数据应该流动。
3. 【定责】确认“工具 Owner”和“业务 Owner”：谁管理 Slack/企业微信集成？哪些 Confluence 空间权限适用？谁维护 Rovo 关键文档？
4. 【归档】规划团队的数据源与关联，例如目标管理在 Goal；工作项统一沉淀于 Jira；文档集中在 Confluence；且相互之间有特定关联。让AI学习并理解这套底层框架。
5. 【洞察】通过“结构化连接”丰富 Teamwork Graph，获得跨工具、可行动的洞察。

注意：数据在云端不等于图谱已生效。仍需刻意的模型设计、权限与流程共识，以及持续的内容养护。

常用Tips

• 定义跨团队的“真相源”地图：需求/缺陷/任务归 Jira，知识与决策归 Confluence，系统组件归 Compass，目标归Goal，跨组织项目汇报归Project，异步沟通归Loom
• 规范链接策略：Jira-Confluence-Compass 双向互链；决策沉淀为结构化页面并回链到相关工作项
• 打通沟通工具：规划与 Slack/企业微信/飞书的集成边界与落点，减少“复制粘贴型协作”
• 设定权限与可见性模型：既满足安全合规，又保证跨团队最小可用透明度
• 建立内容养护机制：关键页面设定责任人与时效，Rovo 可见内容定期体检
• 高频场景试点原则：2-4 周内闭环，观察“提示、搜索、推荐”的提升，再逐步扩展

常见问题（FAQ）

Teamwork Graph 是单独产品吗？要不要“安装”？

不是。它是一层平台级的关系智能与数据模型，贯穿 Jira、Confluence、Rovo 等云端产品。价值取决于你是否完成了“结构化连接与治理”。

和传统 PPM、OKR 工具的关系是什么？

Teamwork Graph 不取代方法与框架，而是为其提供高质量、可追溯的上下文与实时数据，让对齐与复用更顺畅。你仍可采用原有治理与度量，只是更“活”。

为什么我现在感觉不到它的存在？

典型原因：信息未互链、真相源分散、权限阻断、文档陈旧、沟通工具未纳入治理。先从一个用例下手，补齐连接，效果会逐步显性化。

结语：现在就动手，把线连起来

不要等“大版本上线”。从一个用例入手，把其上下文的“点与点”连成“图”，让信息在正确的时间与场景自动显现。随着连接变密、结构变清，Teamwork Graph 会持续放大价值，AI 也会从“聪明点子”进化为“可靠队友”。

如果你对 Teamwork Graph 或 Atlassian 感兴趣，欢迎和我们直接沟通，预约 Demo、申请试用或获取评估与方案。

填空题咨询团队

隶属 杭州填空题科技有限公司

日子好起来了，Rovo Skills 终于来了

Jira 和 Confluence DC下线 12 个高频误解