Atlassian团队图谱:让AI智能体更懂上下文

Atlassian用Teamwork Graph为AI智能体提供组织上下文,提升输出质量并降低token消耗。
文章介绍Atlassian基于Jira的广泛使用构建Teamwork Graph,为AI智能体提供丰富的组织上下文。Teamwork Graph连接人员、项目、文档和代码,构建关系地图,使智能体无需从零理解工作环境。基准测试显示,有权限访问该图谱的智能体输出质量更好,且消耗更少token。文章指出,上下文工程正成为企业级AI智能体实用性的关键变量,拥有丰富协作数据的平台具备天然优势,能绕过冷启动问题。对技术团队而言,选择AI工具时不仅要看模型能力,更要审视其能否接入已有知识网络。
AI智能体正逐渐融入技术工作者的日常,但一个尴尬的现实是:如果配置智能体所花费的精力超过直接完成任务本身,它的价值就会大打折扣。Atlassian——Jira背后的公司——正试图用“上下文”来解决这个问题。
上下文:AI智能体的隐形瓶颈
Jira是全球使用最广泛的项目管理与问题追踪工具之一,这赋予它一项独特优势:上下文。据视频中的介绍,Atlassian正在利用这一优势构建名为“Teamwork Graph”(团队协作图谱)的系统。

对于任何在科技行业工作的人来说,AI智能体已成为日常生活的一部分。但智能体的有效性高度依赖于它所能获取的信息环境。缺乏上下文的智能体往往需要用户反复补充背景,反而增加了工作量。
上下文窗口(Context Window) 是大语言模型单次推理时能够处理的最大token数量,它决定了智能体在一次对话或任务中能“看到”多少信息。上下文窗口越大,模型可参考的资料越多,但并非所有信息都等价——无关内容会稀释注意力,导致“迷失在中间”(lost in the middle)现象。因此,上下文工程不仅追求窗口容量,更强调信息的结构化与相关性筛选。Teamwork Graph的价值正在于将组织知识预先组织成高信噪比的上下文,而非简单堆砌原始数据。
Teamwork Graph如何工作
Teamwork Graph的核心能力在于连接。它把你工作中使用的应用和工具串联起来,构建出一张包含人员、项目、文档和代码的地图,并揭示它们之间的相互关系。

这种关系映射让任何AI工具都能通过更丰富的上下文变得更高效、更贴合需求。换句话说,智能体不再需要从零开始理解你的工作环境,而是可以直接调用已经结构化的组织知识。
知识图谱(Knowledge Graph) 是一种以图结构组织数据的技术,节点代表实体(如人、项目、文档),边代表实体间的关系(如“负责”“引用”“属于”)。与关系型数据库不同,知识图谱擅长表达多跳、异构的关联,支持语义查询与推理。Teamwork Graph本质上是一个面向企业协作场景的知识图谱,它把Jira中的问题、Confluence文档、代码仓库等异构数据统一建模,使AI智能体能够沿关系路径检索到传统关键词搜索难以发现的上下文。
基准测试:有上下文与无上下文的差距
Atlassian对有权限访问Teamwork Graph和没有权限的AI智能体进行了基准测试,结果差异相当明显。

据视频披露,使用Teamwork Graph时,智能体输出质量更好,同时消耗的token更少。这一发现指向一个关键洞察:上下文质量直接影响智能体的效率与成本。Teamwork Graph承担了繁重的底层工作,确保智能体真正有用,从而让用户不必亲力亲为。
Token消耗 是衡量大模型调用成本的核心指标,输入与输出token均会计费。智能体若缺乏上下文,往往需要通过多轮追问、反复试错来补齐信息,导致token消耗成倍增加。反之,结构化的上下文能让智能体一次命中关键信息,减少冗余交互。因此,“输出更好且token更少”并非巧合,而是上下文质量提升带来的效率红利——它同时改善了结果质量与推理经济性,这对企业级规模化部署尤为关键。
对AI智能体落地的启示
这一案例揭示了企业级AI应用的一个重要趋势:模型能力之外,上下文工程正在成为决定智能体实用性的关键变量。拥有丰富协作数据的平台在构建智能体时具备天然优势,因为它们可以绕过“冷启动”问题,直接为智能体提供结构化的组织记忆。
对于技术团队而言,这意味着在选择AI工具时,不仅要关注模型本身的能力,更要审视其能否接入团队已有的知识网络。Atlassian的尝试表明,当上下文足够丰富时,智能体可以用更少的资源做更多的事——这或许比单纯追求更大的模型更具现实意义。
冷启动问题 指智能体在缺乏历史数据与领域知识时,难以给出贴合组织实际的回答,需要大量人工配置与提示工程来弥补。拥有丰富协作数据的平台(如Jira、Slack、GitHub)天然积累了人员关系、项目脉络与决策记录,可以直接将这些数据转化为智能体的“组织记忆”,绕过冷启动阶段。这也是平台型厂商在AI智能体竞赛中的结构性优势:模型可以外购,但上下文资产难以复制。
相关推荐

GPT-6.2 Astra与Sol争议:测评两极分化背后
OpenAI 发布 Astra 与 Sol 6.2 后陷入测评争议:早期访问者集体差评,随后官方称版本已更新。本文梳理事件脉络,结合实测展示模型在 computer use、视频剪辑上的优势与沟通短板,并分析成本与订阅配额格局的变化。

Anthropic IPO与GPT-6.2 Astra:模型竞争背后的数据依赖与安全隐忧
深度解读Anthropic IPO与GPT-6.2 Astra发布背后:模型性能取决于训练数据而非通用智商,各领域表现分化明显;思维链监控作为安全支柱正在失效;Anthropic的向上竞争叙事面临内部员工质疑。

DeepMind CTO:产品才是通往AGI的真实路径
Google DeepMind的Koray Kavukcuoglu在播客中阐述:AGI没有测试,产品才是通往AGI的真实路径;Gemini每代均为手工定制,架构持续演化,安全依赖对思维链的实时监控。