Atlassian Team ’26 欧洲站解读:AMP 协议、Teamwork Graph 升级与 Rovo 计费规则
当 AI 不再只是对话框里的“单兵工具”,而是拥有身份、权限、能被 @ 提及、甚至直接担任 Jira 经办人的“数字新成员”,企业的研发协作方式正在被重新定义。
此前,Atlassian Team ’26 Europe 在阿姆斯特丹盛大举行。作为 Atlassian 全球白金合作伙伴,龙智(DragonSoft Digital,DSD)技术支持部门负责人及 Atlassian 认证专家叶燕秀受邀前往参会,在现场近距离感受了大会氛围。
从 AMP 协议到 Teamwork Graph,从 Agent 正式进入 Jira 工作流到 Rovo 计费规则明确,大会释放的信号密集而具体。这些发布对企业意味着什么?Rovo 计费有哪些容易踩的误区?生态伙伴又该如何在 AI 时代找准定位?本期专访,叶燕秀老师将围绕这些问题,与我们分享她的一线观察与解读。
叶燕秀现场记录Atlassian Team ’26 Europe大会
Q1:本次大会上,最让您印象深刻的瞬间或发布是什么?
叶燕秀:毫无疑问是 AMP(Agentic Multiplayer Protocol,智能体多玩家协议)。这是全场分量最重的一项发布,Atlassian 官方对此强调——
“Agents aren’t replacing people, they’re joining teams.”
“Agent 并不是要替代人类,而是加入团队。”
全新推出的 AMP 为 AI Agent 确立了运作规则,赋予它明确的身份(Identity)、所有者(Owner)与权限边界。这意味着 Agent 不再是某个员工私下的对话窗口,而是团队中一个有归属、有权限、有记录、可审计的“数字新成员”。
这一发布的分量不在于多了一个协议,而在于 Atlassian 把 Agent 从“工具”正式纳入了“组织”——一旦进入组织,权限、审计、责任归属就必须被认真对待,而这恰恰是企业规模化使用 AI 的前置条件。
Q2:这次大会的“AI 味”和往年相比有什么不同?
叶燕秀:一句话概括就是——AI 正在从“单人提效”走向“多玩家协同”。
过去是“单人提效(Single-player AI)”模式,AI 大多局限在个人私密的聊天框内,进行文本总结或写代码,本质上是 Assist 阶段——用完即走,成果留在个人手里,无法沉淀为团队资产。
现在则是“多玩家协同(Multiplayer AI)”。AI 跨越了单人聊天模式,贯穿软件研发全生命周期(AI-native SDLC)、服务管理与业务团队。例如在 Jira 中,Agent 可以被直接指派任务,或在评论中被 @ 提及,每一次执行都有可视化记录,并需要经过人工复核。
从“我用 AI”到“我们和 AI 一起交付”,这是今年尤为明显的分水岭。
Q3:大会将“Context +Teamwork Graph”作为AI差异化的核心,您对此如何理解?又如何向客户解释它的价值?
叶燕秀:在我看来,AI 的差异化已经不在算法或模型本身。市场上的通用大模型无法决定企业的竞争壁垒,真正的差异化核心在于企业独有的上下文数据(Context)。
我们不妨思考一个问题:通用大模型已经这么强了,为什么它还是给不出你想要的答案?——因为 AI 不了解你的公司。它不知道谁在负责哪个项目、这段代码三年前为什么这样改、上一个客户投诉最后如何收场。这些信息不在模型参数里,而沉淀在企业自己的关系网络中。
Teamwork Graph 就是这张网络。大会公布的数据是,它已连接超过 2500 亿个对象和关系链。在最新升级中,“代码”与“结构化数据”也被全面纳入上下文。
对于客户而言,有了 Teamwork Graph,AI Agent 才能理解全公司内“谁在做什么、涉及哪些项目、历史代码更改逻辑是什么”。这种基于完整业务上下文驱动的 AI,比没有企业背景信息的普通 AI 能够输出更精准、更可落地的业务成果。
Q4:对于Rovo Studio、Agents in Jira、MCP/CLI、Jira Planner,哪些现在能用,哪些还是方向?
叶燕秀: 这也是客户非常关注的问题,我按现场的发布节奏分成三档。
已经正式可用:
Rovo Studio:已面向非技术用户开放。任何的业务人员都可以利用低代码界面,创建定制化 Agent、自动化流程和应用,无需等待 IT 排期。
Agents in Jira:Agent 可被直接指派为 Jira 经办人(Assignee),可在评论区被 @ 提及,并且执行过程能够在看板上可视化。
公开测试中:
MCP 服务器与 CLI:现已开放测试。Claude、ChatGPT、Cursor 等外部 AI 工具,可在严格继承用户权限的前提下,直接调取 Teamwork Graph 的组织上下文数据。
还在早期访问阶段:
Jira Planner:该功能可将初步的想法结合上下文自动转化为技术规范(Specs),并拆解为 Jira 任务看板项。
Q5:SmartBear 和 Zephyr 的案例是官方分享,还是您的观察?它说明了什么趋势?
叶燕秀: 需要说明一下,我没有参加有关 SmartBear 的案例分享。在第一天的 Partner Day 上,Atlassian 官方面向 Marketplace 生态伙伴提出了一个新方向:不要停留在功能增强,而要开发能真正融入客户工作流的 AI Agent。会上提到,SmartBear 已经在推进相关产品,会后我专门查阅了他们的插件主页,看到了这款产品。
在我看来,这个案例至少说明了三个趋势。
插件生态正从“被动功能增强”走向“主动智能体协同”。
传统的 Marketplace 插件大多扮演的是“工具属性”。例如,在 Jira 中添加一个测试看板、提供报表,或者做简单的数据同步,用户依然需要手动在插件界面中点选、配置和查看。
而 SmartBear 推出的 BearQ(面向 Jira 的AI测试Agent)及其 MCP Server,可以让 Agent 直接作为经办人被分配到工作项中,自主探索应用、执行测试、定位 Bug 并回传结果。这标志着插件正在从“静态的功能模块”,演变为具有自主执行能力的“数字同事”。
Context(上下文)与开放标准(如 MCP)已成为应用厂商的必争之地。
头部厂商不再局限于自闭环。通过支持 MCP 等开放标准,SmartBear 等厂商能够让测试数据(Zephyr 数据)无缝流转到外部 AI 客户端,如 Claude Code、Cursor、GitHub Copilot 或 Atlassian Rovo。
这表明行业正在走向“数据随上下文流动”——用户在哪里工作、用什么 AI 工具,专业测试和研发数据就能实时注入到哪里,传统软件的数据孤岛将被打破。
Marketplace 生态伙伴的技术重心与商业模式正在全面 AI 原生化。
Atlassian 在 Partner Day 上鼓励生态伙伴开发 AI Agent,SmartBear 的迅速跟进印证了头部伙伴的判断:AI Agent 正在成为下一代产品的核心竞争力。
对于整个市场而言,单纯依靠传统销售许可证的模式正受到挑战,厂商必须思考如何将自身的核心专业领域(如测试、安全、代码审查)与 Atlassian 的 Teamwork Graph 及 Agent 架构深度绑定,提供“AI 驱动的自动化工作流”,才能在 AI 时代不被淘汰。
Q6:据悉,12月起 Rovo 开始计费,哪些是明确的,哪些需要查阅官方文档?客户最容易误解什么?
叶燕秀: 先说明确的部分。
生效时间:官方通告的 90 天通知期已于 2026 年 9 月 1 日触发,超量计费(Overage billing)将于 2026 年 12 月 3 日正式启用。
超量单价:开启按量计费后,超出部分将按照每 1,000 Credits 收取 10 美元结算,即 0.01 美元 / Credit。
另外,Rovo Dev(面向开发者的 Agent)拥有独立的点数池。Free 版本按人/月/站点提供 350 credits;Standard版本为 20 美元/人/月(含 2,000 credits),且超量计费自第一天起就已执行,超出部分同样为 0.01 美元/credit。
额度池因产品而异:针对Confluence、Jira、Jira Service Management 的 Standard/Premium版本,以及 Service Collection、Teamwork Collection套件,Atlassian 官方每月配给的免费 Credit 额度大小,需要查阅对应的产品定价页面。
再来说客户容易误解的地方。
误解1:以为买了 Jira/Confluence 订阅,Rovo 就可以免费无限使用。
事实是,Rovo 确实包含免费额度,但自2026年12月3日起,若未设置硬性上限,超出部分会自动按量产生实际扣费。
误解2:认为超量扣费无法控制,AI 成本会无限失控。
事实是,管理员可在 Atlassian Administration 后台实时监控 Credit 使用率,并在达到 80%、100% 时接收预警;也可以手动开启超量限制,或借助 AI Capital Management 衡量使用 ROI。
另外,目前的使用量是按照组织级别进行汇总计算的,后续会推出针对每个用户设定使用量的功能。
Q7:作为 Atlassian 生态服务商,龙智建议客户未来 6—12 个月优先建设哪些能力?哪些不必跟风?
叶燕秀:以下是我们基于公开信息与现场观察,给客户的一些建议,不代表 Atlassian 官方口径。我们建议客户优先建设的几项能力:
AI 工作流嵌入与上下文治理能力。
企业当下缺的不是“再买一个 AI 工具”,而是把 Rovo、Agent、MCP 接进现有的研发与服务流程,同时把权限、审计、用量边界管起来。Teamwork Graph 与 AMP 释放的信号很明确:上下文是资产,治理是前提。因此,客户应该先梳理清楚哪些项目、文档、代码和业务数据可以交由 AI 使用,再谈规模化推广。
测试与质量场景的 Agent 闭环能力.
在大会期间,我结合 Atlassian 提及的信息,进一步调研了 SmartBear 测试管理工具 Zephyr 及其 AI Agent——BearQ,我发现测试 Agent 嵌入 Jira 工作流是可行的。企业不必从零打造一个平台,可以优先补齐需求、测试、缺陷、发布等流程之间的断点,让 AI 生成的代码和 AI 验证的质量在同一个工作流里实现闭环。重点不是“生成用例”这个单点动作,而是让测试真正嵌入交付流程。
AI 用量与 ROI 度量能力。
12 月ROVO的计费变化,可能会直接推动企业追问“AI 花了多少、值不值”。对此,我们建议客户提前建立用量基线、设定超额策略,并按场景评估 ROI。Atlassian 也在陆续推出 DX、Agent Effectiveness、Model Fit Score、AI Pulse,企业可以在此基础上做成本诊断与价值复盘。
不建议客户跟风的方向:
不建议急于把仍处于早期访问或测试阶段的功能(如 Jira Planner、TeamworkGraph CLI 等)纳入生产环境或大规模推广计划,建议先小范围试用、观望官方进展,避免过早投入造成资源浪费;
不建议依赖非官方渠道的计费解读,应以 Atlassian 官方文档为准,或咨询 Atlassian 官方授权合作伙伴——龙智。
不建议因为“Agent 热”就自建通用 Agent 平台。企业更应优先利用 Atlassian 生态内的场景深度、上下文与治理能力,把 AI 嵌进已有流程,而不是另建一套平台。
如果客户在以上的能力建设过程中有任何疑问,都可以咨询龙智,我们作为 Atlassian 本地化服务商,为客户提供从场景评估到落地实施的一站式支持。
最后,我想强调的是,企业真正要买的不是 Rovo 本身,而是 Rovo 嵌进流程之后可度量、可治理的结果。在这条路上,选择熟悉 Atlassian 生态的本地化服务商(如龙智)同行,往往比独自摸索更高效。
写在最后:让 AI 真正落地的,不只是工具
大会的每一项关键发布—— AMP 的权限体系、Teamwork Graph 的上下文资产、Rovo Studio 的低代码构建等——都不是装上就能生效的功能,它们都需要与企业现有的研发流程、权限模型和数据资产逐一对齐。
作为 Atlassian 全球白金合作伙伴与授权服务商,龙智(DragonSoft Digital,DSD)在 DevSecOps 领域深耕二十年,曾服务游戏、汽车、金融、芯片等行业的1000+ 企业客户。面对这一轮变化,我们为客户提供的支持包括:
咨询评估:梳理企业的上下文资产与数据边界,判断哪些内容可以开放给 AI、哪些必须隔离,避免在权限尚未理清时就仓促规模化。
方案设计与实施:将 Rovo、Agent、MCP 接入企业现有的 Jira / Confluence / Jira Service Management 流程,而不是另建一套体系,并同步完成与既有工具链的集成。
成本与用量治理:在 12 月 3 日 Rovo 计费生效前,协助企业建立用量基线、超额预警与额度策略,把 AI 成本纳入可预算的范围。
场景验证:围绕测试与质量、需求到交付的闭环等高频场景做小范围验证,用可度量的结果支撑后续推广。
如果你的团队正在评估 Rovo 的用量成本、规划 Agent 的落地场景,或希望了解 12 月计费变化对贵司的具体影响,欢迎与龙智团队交流。
电话:400-666-7732
邮箱:marketing@shdsd.com
网站:www.shdsd.com
最新文章
相关产品


