全新推出的 Jira 與 Teamwork Graph 功能，助力工程團隊跨越“人類與 AI 智能體”的邊界，實現工作的全面規劃、指派、治理與效能度量。 無論是在與客戶交流，還是在與 Atlassian 自身的工程團隊溝通時，我聽到的反饋都高度一致：功能強大的程式設計智能體正以空前的速度被廣泛採納，並徹底改變了軟體開發的面貌。然而，軟體交付中那些真正啃硬骨頭的部分依然相當棘手。 團隊仍然需要決定該建構什麼、為什麼建構它；他們需要理解正在修改的系統以及有哪些關鍵的約束條件；他們必須明確“完成”的定義，並確保輸出的程式碼可以安全上線。 這就是“AI 生產力鴻溝”背後的現實。 在我們與 DX 聯合對專業工程團隊進行的一項長期研究中發現：雖然 AI 的使用率飆升了 65%，但開發人員的整體吞吐速度並未按比例增長。其增長率最終在 15% 封頂，許多企業的平均增幅甚至僅為 10%。 這一鴻溝的出現，並非因為模型不擅長寫程式碼，而是因為軟體開發從來都不只是寫程式碼。它的本質是在真實的組織架構中，將業務目標、戰略和上下文轉化為可運行的軟體。 二十多年來，Jira...

基於 Anthropic 的 Claude 託管智能體基礎設施，Claude Agent for Jira 允許你將工作任務直接指派給 Claude。 現在，智能體所做的工作將與其他業務無縫並存在 Jira 中：在項目中可被追蹤、在工作流中清晰可見，並與它協助交付的業務目標直接掛鉤。該智能體能夠自動解析 Jira 工單的上下文，在安全的沙盒環境中實現所需的程式碼變更，並為你建立一個待評審的草稿 PR。 “規劃到編碼”的效能瓶頸 從一個規劃好的任務走到提交 PR，中間充斥著大量重複性的流程內耗。一項針對 400 家工程組織的長期跟蹤研究發現，即便在編碼任務中 AI 的採用率高達 90%，整體生產力的提升也普遍在 10%–15% 之間觸頂。 對於日常例行任務，開發者往往需要花費大量時間將程式碼庫和業務背景手動複製到 AI 聊天介面中、組態本地分支，並把 Issue 描述翻譯成智能體可讀的規範。 此次整合徹底消除了這種上下文切換。通過將 Jira 直接與程式碼執行端連接，智能體能夠始終擁有精準建構所需的完整上下文。同時，每一步操作在團隊現有的規劃、評審和交付系統中均保持透明與可追溯。...

現在，使用 Jira 的團隊可以直接將工作任務指派給 Cursor。Cursor 的雲端智能體將自動接管任務並開始投入工作。 你可以在 Jira 介面、IDE 軟體或 Cursor 網頁端直接引導智能體。當 Cursor 需要人類反饋或準備好交付評審時，會在 Jira 中主動通知你；而當它提交 Pull Request（PR）時，該請求也會自動關聯回對應的 Jira 任務。 根據一項針對 AI 使用與工程產出的多年期開發者體驗研究，我們發現：由於缺乏上下文，AI 智能體的能力提升並未轉化為同等的研發效率增長。 調研對象指出，在 IDE 之外頻繁進行的上下文切換、任務規劃、團隊對齊、Bug 分類以及程式碼評審，是阻礙效率提升的核心痛點。 現在，Atlassian 正在為所有使用 Cursor 的團隊，在 Jira 中建構原生支援 AI 的全新工作流。 “我們現在要思考的，不再是如何讓工程師使用更多的 AI，而是如何建構一個讓‘人類’與‘智能體’基於相同上下文、朝著共同目標協作的系統。直接從 Jira 向 Cursor 指派任務並帶入完整的上下文，是規模化高效編排智能體邁出的關鍵一步...