01 背景介绍

随着人工智能技术的蓬勃发展，越来越多企业开始关注将 AI 技术应用于业务。作为一家备受瞩目的协作软件工具提供商，Atlassian 积极探索并应用人工智能技术。

在人类历史上，团队一直是最伟大成就的核心。Atlassian 的使命在于释放每个团队的潜力，协助他们完成单独难以完成的任务。其协作工具和实践已经帮助全球超过 25 万家 客户处理各种任务，涵盖从太空任务到气候变化，从代码错误到设备请求。

多年来，Atlassian 一直在利用机器学习增强其产品的核心体验。拥有被称为“智能功能”的特性已经有一段时间了，从个性化搜索到智能推荐。让我们简要回顾一下 Atlassian 智能化的历程。

Atlassian 智能化战略

早在 2020 年，Atlassian 宣布全面推出 Atlassian 云产品的智能功能，以实现更强大、更无缝的协作体验。新功能包括 Confluence、Jira Software（简称：JSW）和 Jira Service Management（简称：JSM）云产品中的智能搜索，以及 Bitbucket 云产品中的预测拉取请求体验。每天提供数百万个智能预测，以简化团队协作。智能功能能够在 JSM 中汇聚相似的工单，从而提高 IT 团队的效率。

Percept.AI 智能客服

在 2022 年 1 月，Atlassian 宣布成功收购 Percept.AI，这是一家专注于自动化人工智能支持工具的公司。Percept.AI 凭借其先进的虚拟代理技术，借助人工智能提供支持，帮助组织实现一线支持（1st line support）的自动化。同时，它允许顺畅过渡到人类专家，而不会失去对话的上下文。这次收购进一步加强了 JSM 在“服务左移”方面的能力。

Atlassian 意识到客户对支持方式的期望已经发生了变化，知识库提示不再足够满足需求。据了解，71% 的客户更愿意与虚拟助手进行互动，而不是依赖像知识库门户那样非人性化的静态页面。客户追求更加沉浸式的体验，期望以他们熟悉的语言获得个性化且即时的响应。人们希望能够像与真实代理交流一样处理虚拟助手，而 Percept.AI 在这方面表现出色，通过其对话式人工智能引擎实现这一目标。该引擎能够分析和理解用户的意图、情绪、上下文和个人资料信息，从而实现高度个性化的交互。

基于大语言模型的 Atlassian Intelligence

从根本上说，生成式人工智能（Generative AI）已经彻底改变了人类与机器互动的方式。如今，机器不再要求开发人员使用特定的编程语言或编写抽象概念的代码来与其进行通信，而是能够理解人类常用于相互交流的自然语言。这使得任何人都能够利用用于构建生成式人工智能平台的大型语言模型，从而实现自动完成日常任务，甚至生产代码。

Atlassian Intelligence 为我们的团队引入了一位全新的“虚拟队友”，他深入了解我们协作的方式，以此来加速工作进程。通过 Atlassian 内部的 AI 模型，以及与 OpenAI 的合作，我们能够充分利用人工智能 ChatGPT。Atlassian Intelligence 已经内置于 Atlassian 云平台中，成为跨产品的 AI 能力集合，就像“团队协作”一样，是 Atlassian 所有云产品的通用技术基础（如上图）。这让我们能够更加智能地使用和整合 Atlassian 工具，提升协作效率。

Atlassian 拥有专用的 OpenAI 基础设施，并与其签署了一系列协议。通过 Atlassian Intelligence 提交的数据和收到的回复严格遵循隐私原则，不会被用于微调或改进 OpenAI 的模型或服务。每个数据请求都经过 SSL 加密，单独发送到 OpenAI 进行处理，然后将结果安全返回给 Atlassian。

因此，客户提交的数据和接收到的回复仅用于优化该客户的体验，绝不会用于跨客户训练模型或在客户之间共享。OpenAI 严格遵循不存储客户提交数据或回复的原则，确保数据的隐私和安全性得到充分保护。这种保护措施确保用户可以信任 Atlassian Intelligence 提供的智能化服务，而不必担心其数据会被滥用或泄露。

Atlassian Intelligence 将现有的机器学习模型与注入企业内部知识和数据的新大型语言模型相结合，以解决各种用例和场景，充分发挥人工智能和大型语言模型的力量，提升我们的生产力。

团队合作图 Teamwork Graph

Atlassian 团队合作研究

Atlassian 团队的协作模式如何呢？尽管每家公司都有其正式的组织架构图，用以展示其内部结构和层级关系（包括部门、团队和个人），但这样的组织架构图是否足以准确反映公司内部团队的协作呢？Atlassian 团队分布在全球 10 个主要地区，拥有超过 200 个部门。为了更深入了解团队是如何协同工作的，Atlassian 的数据科学家对公司的协作网络进行了可视化呈现。

为了回答这个问题，Atlassian 数据科学家总结了 250 万次聊天交流，汇集了来自全球员工的 25,000 多次独特互动。他们运用强大的算法，结合 Python 和 Gephi，创建了以下图示的网络图可视化。在这个图中，每个点代表一个 Atlassian 员工，而每一条线则代表聊天中的一个对话。

从这张图中可以观察到：所有人之间联系紧密，几乎看不到孤立的节点，而是呈现出一个高度融合的整体，宛如人类心脏的有机结构。Atlassian 以开放的工作方式为特点，这意味着想法可以自由流动，任何人都可以参与、提供观点或伸出援手。这种开放的工作方式展示了人们相互连接、超越传统结构、作为一个紧密团结整体共同工作的重要性，正如上图中所描绘的一颗跳动的心。

在整个工程领域，Atlassian 的协作文化在构建产品的方式中得到了充分体现。从支持团队到客户倡导团队再到开发团队，大家保持紧密联系，密切关注客户的需求和反馈（如下图）。通过传统的组织架构图，我们永远无法全面了解人们如何跨越各自的领域展开复杂而紧密的合作。

Atlassian 团队合作理念

团队合作 vs. 团队协作团队合作是当合适的人汇聚在一起，携带着实现共同目标所需的一系列实践和工具，无论是推出新产品、发起政治运动，还是提供美味的餐点。在讨论一个团队如何共同解决问题时，可能更倾向于使用团队协作。而在讨论一个团队如何有效地完成任务和达成目标时，可能更倾向于使用团队合作。

Atlassian 将团队合作归纳为一个简明的公式：团队合作 = 正确的工具 + 正确的人员 +正确的实践，以团队为核心，结合强大的文化、成熟的实践和协作工具，体现了 Atlassian 对于构建协作效能的全面理解。

有效的团队合作是每个人的共同责任（shared responsibility），从 CEO 到经理再到单个团队成员。当公司能够清晰定义团队合作对于他们的意义，并强调其重要性并将其付诸实践时，公司文化就会发生积极变化，从内到外都能感受到这一变革。

Atlassian 将生成式人工智能引入其**劳动力管理（workforce management）**云产品中，旨在帮助员工提高效率，同时确保用户对数据保持控制。劳动力管理是一种从传统员工排班方法发展而来的管理方式，致力于改善时间管理和提高员工排班的效率。在公司内，有效的劳动力管理对于优化生产力至关重要。

团队合作图

Atlassian 凭借超过 20 年的数据积累，涵盖数百万软件、IT 和业务团队的工作计划、跟踪和交付数据，形成了对团队合作独特而深刻的理解。这些丰富的知识构建了团队合作图的基础，该图以两种最常见的团队合作类型为模型：

• 基于服务的工作：团队接受传入的帮助请求，利用自定义工作流和数据，更高效地解决员工和客户的问题；

• 基于项目的工作：团队管理整个项目流程，从概念到交付，涵盖路线图、计划、任务、目标和文档管理等多个方面，实现全方位的项目管理；

Atlassian Intelligence 利用大型语言模型推断特定公司的团队协作模式，并创建定制的团队合作图，清晰地展示正在进行的工作类型及其相互关系。通过 Atlassian 平台的开放性，团队合作图还会整合团队在第三方应用程序中使用的上下文和数据，以丰富其数据源。图中的 Graph 详细描述了 Atlassian APIs 集合、产品与服务、数据以及用户在产品中使用的名词（如 PR、Issue、Deployments）等要素。这样的综合性图谱为团队提供了深入的洞察，有助于更全面、协同地了解工作的动态和关联。

02 生成式 AI 技术

LangChain 是一个强大的框架，致力于帮助开发人员使用语言模型构建端到端的应用程序。该框架提供了一套工具、组件和接口，简化了由大型语言模型（LLM）和聊天模型支持的应用程序的创建过程。

ChatGPT 是由 OpenAI 开发的语言模型，采用深度学习技术生成类似人类的文本响应。通过大量文本数据的训练，采用 Transformer 架构，使其能够处理文本生成、翻译以及回答问题等任务。这为 LangChain 提供了强大的语言处理工具，有助于构建更智能、交互式的应用程序。

RAG Chain（检索增强生成）是一种在运行时接收用户查询、从索引中检索相关数据，然后将用户查询和检索到的数据（上下文）构造成提示词（Prompt），传递给聊天模型，并解析输出的过程。这种联合使用检索和生成技术的方法可能有助于提高模型的准确性和适应性，使其更好地满足用户需求。

对于那些对数据安全性要求特别高的企业（如银行）来说，将数据和业务计算全部放在本地完成是一个理想的选择。同时，可以利用在线的大型语言模型（LLM）进行归纳功能，甚至将 LLM 完全本地化部署。这种方法可以充分发挥人工智能的能力，同时确保企业数据的安全性。

03 AI 应用场景加速工作

Atlassian 云平台中使用 Atlassian Intelligence 的产品包括：Atlas、Analytics、Bitbucket、Compass、Confluence、JSW、JSM、Jira Work Management（简称：JWM）和 Trello，这些产品支持多种用例，比如：

• 缩短文本以使您的进度更新简洁明了

• 在写作时生成、转换和总结拉取请求中的描述和评论

• 在搜索栏中提出问题，并根据 Confluence 中的最新信息立即获得答案

• 搜索问题时使用自然语言，而不是 Jira 查询语言 (JQL)

• 在 Atlassian Analytics 中将自然语言转换为 SQL

• 描述要自动化的任务，人工智能将创建自动化规则

• Atlassian Intelligence 答案：允许您的虚拟代理根据知识库中的信息生成响应

即时学习 Learn on the fly

随着组织的不断发展，项目描述、缩写词和术语也在不断演进。理解这些概念的含义以及形成共识是一项相当困难的任务。

为了应对这个挑战，Atlassian Intelligence 提供了一项创新的解决方案，即通过为公司、团队和具体工作创建按需词典，提供共享上下文。用户可以突出显示特定术语，随后请求 Atlassian Intelligence 提供详细解释，包括定义、信息来源、内部专家，以及它与基于团队合作图的相关工作的关联。这种个性化的智能服务有助于更深入地理解和整合组织内部的专业术语和概念。

回答任何问题

Atlassian Intelligence 在 Confluence 中可以回答关于公司机构知识和政策的问题，比如：“我可以花多少钱来设置家庭办公室？”、“如何设置我的开发环境？”

快速总结会议纪要中的决策和行动项

Atlassian Intelligence 使用 OpenAI 的生成式 AI 技术来创建、总结和提取内容中的信息，使我们的团队能够加快工作速度。

在 JSW 中定义产品更新的测试计划

自然语言搜索生成 JQL

释放 Jira 查询语言 (JQL) 的强大功能来查找所有 Jira 云产品中的事务。

Atlassian Analytics 生成 SQL

Atlassian Analytics 通过生成 SQL 实现了对自然语言问题的理解。用户可以提出问题，并通过 Atlassian Analytics 分析和可视化来自 Atlassian 产品和其他连接的多个来源的数据，而无需深入了解 SQL 编写。这项技术是在 Atlassian Intelligence 框架下运作的，使用户能够从数据中获得有价值的洞察，而无需具备 SQL 编程的专业知识。作为一个横跨多个 Atlassian 产品和连接的第三方工具，Atlassian Analytics 提供了全面分析和可视化数据的功能。

AI Code Reviewer 更快、更全面的代码审查

在 Bitbucket 云产品中，Atlassian Intelligence 通过提出更改建议来提高代码质量，以便审查人员更快、更全面地完成代码审查。

• 根据提交消息自动生成拉取请求描述，以便审核者对他们正在审核的更改有足够的背景信息；

• 审查拉取请求差异，并自动留下评论以及建议的更改。这意味着审查者可以花更少的时间来审阅语法、代码约定，而花更多的时间来审查关键更改；

帮助运维和支持团队加快服务速度

速度是现代服务管理的命脉。员工和客户都期望立即响应并快速解决。Atlassian Intelligence 为 JSM 中始终在线的虚拟队友提供支持，可在团队最需要时提供即时帮助。

始终在线的 JSM 虚拟代理（高级版/企业版支持）

JSM 虚拟代理可以直接在 Slack 和 Microsoft Teams 里自动提供支持与人性化交互。员工无需离开他们最喜欢的协作工具即可获得帮助。通过 Chatbot，支持团队能够将重复的请求转移，使他们能够更专注于更重要的工作。虚拟代理的设置速度非常快，无需编码、数据科学或昂贵的顾问。

虚拟代理具备根据对知识库文章的深刻理解立即解决帮助请求的能力。在必要时，虚拟代理还可以提出后续问题，以采取任何必要的行动。具体价值体现在：

• 释放客服人员的时间来专注于重要的工作

创建自定义意图或利用现有知识库的力量来立即自动化一线支持工作流程。对于需要个性化处理的复杂问题，可根据预先收集的背景信息将请求发送给正确的团队去处理。

• 通过 24/7 自助服务支持让寻求帮助者满意

与已经在 Slack 中工作的寻求帮助者见面，以提供快速、始终在线的服务。员工可以随时获得个性化帮助，而无需离开他们最喜欢的协作工具。

• 快速开始使用人工智能，快速交付价值

轻松设置虚拟代理，无论技术知识如何，利用开箱即用的知识库答案和预构建模板，立即开始为员工提供支持。

总结帮助请求相关信息，以使代理了解最新情况

帮助制定深思熟虑的应对措施，让客户在紧张的情况下放松下来

支持人员利用 AI 优化回复的内容，调整语气以展现得更专业或富有同理心，同时可以将冗长的知识库文章精炼为简明的指导，使客户在紧张的情境中能够更轻松地理解和采纳建议。

此外，Atlassian Intelligence 还可以通过以下方式帮助运维和支持团队加快服务速度：

• 显示先前已解决或相关的问题，以加快事件解决速度；

• 聚合类似事件，以便上升为重大事件处理；

• 智能展示相关上下文信息，如知识库文章、历史问题和事件，以更快地解决请求和事件；

• 智能指派或推荐适合的支持人员处理请求；

• 自动分类和设置事件及变更的优先级；

• 识别潜在的服务、团队及时间安排上的变更冲突；

Atlas 简化文本

Atlas 是第一个将团队、团队使用的工具和团队工作串联在一起的团队合作目录，能够实现企业内部不同级别的目标管理与对齐。Atlassian Intelligence 简化了 Atlas 状态更新按钮：以便更轻松地保持在 280 个字符的限制之内。

04 关键总结

Atlassian Intelligence 利用内部开发的人工智能和 OpenAI 开发的人工智能，使用项目或服务工作特有的团队合作图，以及内部语言模型和 OpenAI 来提供特定于客户环境的结果。然而，人工智能能为用户做的事情仍然有限，例如：如果开发人员请求人工智能帮助制定最新 iPhone 型号的开发计划，他们必须记住，OpenAI 的数据模型目前仅支持到特定时间（非最新）。因此人工智能将无法告诉用户最新的 iPhone 型号。

Atlassian 拥有 OpenAI 独立的专用基础设施，并与他们签订了一系列协议。通过 Atlassian Intelligence 提交的数据和收到的回复不会用于微调或改进 OpenAI 的模型或服务。每个数据请求都会通过 SSL 加密服务单独发送到 OpenAI，进行处理并发返回 Atlassian。

尽管 Atlassian Intelligence 很大程度上遵守了公司现有的隐私政策，但 Atlassian 用户也需要选择使用该技术。虽然该技术可以帮助代理制作响应，但只有当用户手动按下发送按钮时才会传递该消息。在没有用户首先确认的情况下，技术永远不应该做任何事情。

Atlassian 将持续探索人工智能的应用场景，以使关键工作流程更加便捷，比如：工作流等配置管理、关于内容或人员的建议、查询与搜索等。Atlassian Intelligence 的发展路线图将在正式发布（GA）后，根据从用户获取的反馈进行动态调整。因此，Altassian 用户有机会尽早使用并积极参与其发展，最终受益于每位 Atlassian 客户。

如果你喜欢这篇文章，请记得收藏+点赞+关注，让更多的朋友了解到 Atlassian 云平台的 AI 能力。更多精彩视频请关注 跟 YY 哥学 Jira 视频号~

如果你想亲自体验 AI 能力，那么可以参照如下两篇开箱文，注册 Atlassian 站点，然后打开 Atlassian Intelligence 功能开关进行体验。

10人免费 | Jira Cloud 开箱

10人免费 | Confluence Cloud 开箱

如果您需要相关咨询或交流，那么请微信联系 YY 哥（vx: craigyoung1985）