Jira母公司Atlassian推出Teamwork Graph,让AI真正理解团队协作

Atlassian为Jira打造Teamwork Graph,用统一数据层为AI提供团队上下文。
文章介绍了Atlassian为Jira打造的重大更新Teamwork Graph,一个被定位为“统一数据层和上下文引擎”的系统,旨在解决关键信息被困在Jira、Confluence等相互隔离应用中的数据孤岛问题。其运作分为三个层次:聚合来自各应用的数据、映射数据之间的协作与依赖关系、主动浮现关于工作方式的信号。最具想象力的部分是AI可以接入这层上下文,在权限控制下查找信息、回答问题甚至采取行动,从而弥补通用AI缺乏企业内部上下文的短板。作者指出,构建这样的数据层需要大量前期投入,但对已深度使用Atlassian生态的团队而言,长期生产力价值可能非常显著。
据YouTube创作者分享,Atlassian正在为Jira打造一项重大更新——Teamwork Graph。这个被描述为"统一数据层和上下文引擎"的系统,试图解决一个困扰企业协作多年的核心问题:关键信息被困在相互隔离的应用中。

为什么需要Teamwork Graph?
Jira的用户遍布各行各业,从软件开发到项目管理,从市场运营到客户支持。但一个不争的事实是:团队的工作方式早已超越了单一工具的边界。信息散落在Jira、Confluence以及其他各类应用中,形成一个个数据孤岛。
Atlassian花了数年时间研究人们实际的工作方式,试图找到连接这些碎片的方法。Teamwork Graph正是这一研究的产物——它不仅要连接数据,更要理解数据之间的关系。
Teamwork Graph的三大能力

根据视频中的介绍,Teamwork Graph的运作可以拆解为三个层次:
第一,数据聚合。 它将来自Jira、Confluence以及团队已连接的其他应用和工具的数据汇集到一起。这不是简单的数据搬运,而是建立在使用场景之上的整合。
第二,关系映射。 系统会梳理所有数据之间的关联——谁和谁在协作、谁在负责什么任务、哪些项目之间存在依赖。这种关系网络让原本孤立的信息点变成了有意义的连接。
第三,信号浮现。 系统会主动识别并呈现关于工作方式的信号,比如你的协作对象、当前工作重点,让正确的连接更加可见。

知识图谱与实体关系建模
“关系映射”这一层的技术基础是知识图谱:把人员、任务、项目、文档等抽象为实体(节点),把“负责”“依赖”“协作”“提及”等抽象为关系(边),从而形成可查询、可推理的网络。与全文搜索只能匹配关键词不同,图谱支持多跳查询——例如“找出与某项目有依赖关系、且负责人近期参与过相关会议的所有任务”。这种结构也让“信号浮现”成为可能:系统可以基于关系密度、活跃度等指标识别协作对象和工作重点。对Jira这类本就以工单和人员关联为核心的数据模型而言,图谱化是相对自然的延伸。
AI如何从中受益
这是整个系统最具想象力的部分。视频作者特别强调:"你使用的AI工具现在可以接入这些上下文。"

这意味着AI不再只是在真空中回答问题——它可以找到具体信息、回答与团队实际工作相关的问题,甚至直接采取行动。更重要的是,这一切都在权限控制下进行:AI只能看到你被允许看到的内容。
从产品逻辑上看,这解决了一个长期困扰企业AI落地的问题:通用AI工具缺乏企业内部的上下文,而Teamwork Graph恰好提供了这层缺失的上下文。
上下文窗口与检索增强生成(RAG)
文章所说的“AI接入上下文”,在企业场景中通常依赖检索增强生成(RAG)机制实现:模型本身并不内置企业内部数据,而是在回答前先从外部数据源检索相关片段,再将其拼入提示词交给模型生成答案。Teamwork Graph扮演的正是这个“检索层”——它不仅提供原始文档,还提供“谁负责什么、哪些任务相互依赖”这类结构化关系,使检索结果更精准。相比把全部数据塞进有限上下文窗口,RAG可以按需取用,兼顾成本与准确性。这也解释了为何权限控制至关重要:检索阶段就必须过滤掉用户无权访问的内容,否则敏感信息可能通过模型输出泄露。
一个值得关注的信号
视频作者在结尾处的评价很直白:"如果我在负责一个制作项目,这听起来工作量很大,但对团队生产力来说,这会是全垒打。"
这句话点出了Teamwork Graph的双面性。一方面,构建这样的数据层需要大量前期投入;另一方面,一旦运转起来,它可能从根本上改变团队与AI协作的方式。
对于已经深度使用Jira和Confluence的团队而言,这项更新的价值可能远超预期——它让AI从"通用助手"变成了"了解你团队的助手"。
相关推荐

Anthropic创始团队自述:我们为何押注AI安全
Anthropic创始团队亲述创业初衷:从理论物理到AI安全,为何选择公益公司架构,早期模型如何笨拙,以及Mythos模型揭示风险后启动Glasswing项目的决策取舍。

黑洞不是洞:用蹦床比喻讲透引力弯曲时空
黑洞不是空洞而是物质之山。视频用蹦床和铁砧的比喻,解释引力如何弯曲时空,揭示黑洞名称的误导性来源,帮助读者建立更准确的物理直觉。

Genie One精准度背后:精选Agent为何需要治理上下文
Genie One 的准确度问题揭示了精选 Agent 的核心挑战:缺乏治理上下文时,财务与核保对同一问题给出矛盾答案。本文分析治理上下文的三个层次、精选 Agent 的准确度陷阱,以及构建可治理上下文层的工程方向。