Harness 与 Agent 工程 · Agent架构与协作 · 2026-07-22

AI Agent 满天飞,谁来给它们“排 Sprint”?

当AI智能体涌入软件开发,谁来决定它们的工作节奏?本文从Jira二十年的演进出发,揭示其如何从记录Bug的工具,演变为调度人与AI协同交付的流程引擎。

核心内容:

  1. AI原生开发兴起带来的新问题:如何管理与协同AI智能体
  2. Jira的三次核心跃迁:从记录问题到驱动协作再到调度人机协同
  3. Jira的本质创新:将可定制的“流程”本身变为软件的核心

最近,AI 原生软件开发(AI-native Software Development)开始成为行业讨论的新话题。

越来越多的 AI 智能体(AI Agent)已经能够写代码、修 Bug、提交 PR,甚至自动完成测试。

大家讨论最多的是:哪个 Agent 更聪明、哪个模型更强、哪个工具体验更好。

但我越来越觉得,当 AI 智能体开始真正参与软件交付,一个更大的问题才刚刚出现:

谁来给它们分配任务?谁来提供上下文?谁来判断什么时候需要人工接手?又是谁来决定,它们应该参与哪个 Sprint?

回头看 Jira 二十多年的产品演进,我越来越觉得:今天看到的 AI,并不是 Jira 突然增加的一项新功能,而是它底层逻辑不断演进后的自然结果。

这不是一篇产品发布时间线,也不是一篇官方口径的能力盘点。

它更像是一个 Jira 长期用户回头看时,试着回答一个问题:

为什么这个最初看起来有些朴素、甚至有点“丑”的 Bug Tracker,能一路走到今天,变成一个正在承载人与 AI 协同交付的软件开发平台?

如果只看表面的功能变化,这二十多年当然发生了很多事:从表单页面到 Scrum 面板,从 Server 到 Cloud,从插件生态到 Teamwork Graph,再到今天的 AI 智能体、自动化和成本治理。

但如果往下看一层,你会发现,Jira 真正演进的,不只是功能,而是它对“工作”这件事的理解方式。

在我看来,Jira 这二十多年的变化,可以概括为三次跃迁: 从记录问题,到驱动团队协作,再到今天开始尝试调度人与 AI 一起交付软件。

更准确地说,Jira 二十多年的演进,不是从一个工具变成另一个工具,而是不断扩大“可被结构化管理的工作对象”范围:

从 Bug,到 Sprint,到跨团队协作关系,再到人与 AI 智能体共同参与的交付过程。

它最早不是漂亮工具,而是流程引擎

今天重新审视 Jira,我越来越觉得: Jira 最重要的创新,并不是它能记录 Bug,而是它第一次把“流程”本身变成了软件的一部分。

很多老用户对 Jira 的第一印象,大概都差不多:蓝灰色界面、表单式创建页面、字段很多、谈不上好看,但很“能干活”。

那个年代,很多团队还在用邮件、Excel、共享文件夹,或者更早一批的缺陷管理工具。

Jira 看起来也不是一个“颠覆性”的产品。

它最开始做的事情很简单:创建问题、分配负责人、更新状态、写评论、最后关闭。

但它和许多同类工具不一样的地方,从一开始就存在:

它不是把一个固定流程塞给团队,而是允许团队自己定义流程。

这件事在今天看似平常,但在当时很重要。

很多工具预设的流程大同小异:打开 -> 处理中 -> 已解决 -> 已关闭,你只能适应它。

而 Jira 的思路更像是:你们团队到底怎么工作,你们自己来决定,我给你一个工作流引擎。

很多团队第一次真正“把研发流程跑起来”,并不是因为 Jira 提供了多漂亮的界面,而是因为它第一次把不同团队真实存在的流程差异纳入了系统。

测试想要“待验证”,开发想要“待联调”,项目经理想要“已阻塞”,这些都不是额外备注,而是正式状态。

Jira 从第一天起,就不是一个只会记 Bug 的工具——它更像一个流程引擎的雏形,只不过当时承载的对象还只是缺陷和任务。

敏捷时代,Jira 成了团队的共识界面

从这个阶段开始,Jira 不再只是记录事实,而是开始塑造团队每天如何对齐事实。

后来敏捷开发流行起来,Jira 的身份第一次发生了明显变化。

2009 年 Atlassian 收购 GreenHopper 后,Scrum / Kanban 面板、燃尽图、版本规划等能力逐渐成为 Jira 敏捷体验的重要组成部分。

很多团队第一次真正体会到“敏捷管理”是什么,不是因为读了 Scrum 指南,而是因为第一次把卡片从左边拖到右边,看到 Sprint 里的工作从一堆分散任务,变成了一个可以被可视化、被统计、被复盘的交付过程。

到这一步,Jira 不再只是开发或测试的后台系统。

它成了很多团队每天站会时盯着看的那块屏幕,成了一个团队对当前工作状态的共同认知。

这里面还有一个老用户普遍很有感情的东西:JQL。第一次写出类似:

assignee = currentUser() AND status != Done

这样的语句时,很多人都会有一种“原来还能这样”的感觉。它不是一个简单搜索框,而是一种把工作对象结构化之后,允许你按任意维度提取、组合、追踪的能力。

这其实非常能体现 Jira 的底层逻辑:先把工作对象标准化、结构化,再把它们变成可查询、可统计、可自动化处理的资产。

当然,这个阶段 Jira 的另一面也开始显现:复杂度上升了。工作流方案、问题类型方案、界面方案、字段配置,这些概念把灵活性带到了一个新高度,也把门槛一起抬高了。

如果说早期 Jira 解决的是“把问题记下来”,那么敏捷时代的 Jira 解决的是“让团队围绕同一批任务、同一套状态和同一个节奏协同起来”。这是它第一次从工具走向平台。

平台化之后,Jira 开始承载复杂组织

Jira 的平台化,表面看是功能越来越多,真正重要的是,它开始承载更复杂的组织结构、协作边界和治理要求。

再后来,Jira 开始逐渐摆脱“这是开发团队才会用的东西”这个标签。

一方面,是 Atlassian 自身产品矩阵不断扩展:Confluence、Bitbucket、Jira Service Management、Opsgenie、Statuspage、Jira Product Discovery、Rovo、Jira Align 等等。

另一方面,是 Marketplace 生态的成熟:ScriptRunner、eazyBI、BigPicture、Automation for Jira 等一系列插件,让 Jira 的适用范围快速放大。

很多组织在这个阶段才真正意识到:Jira 不是一个单点工具,而是一个可以承接跨团队、跨职能、跨系统协作的工作底座。

这也是 Jira 发展路径里一个非常重要、但经常被忽略的分叉点。

有一类产品的思路,是尽可能把沟通、文档、项目、日历、流程、代码协作都收进一个统一入口里,用统一交互和统一体验降低门槛。

这样的路线有很强的直觉优势:上手快、入口少、组织推动容易。

而 Jira 走的是另一条路:开放平台 + 专业深度 + 生态扩展。

它的特点不是“什么都自己做”,而是把工作流、权限、对象模型、自动化和集成能力做到足够深,然后通过 API、Marketplace 和平台能力让生态来生长。

这条路的代价也很明显:

它不总是最轻、最顺手、最容易开箱即用的那个。

但它有两个非常强的长期优势。

第一,适配复杂组织的能力更强。

组织越大,流程差异、权限边界和合规要求就越多;这时候,单一、标准化的工具体验往往很难覆盖现实场景。

第二,生态累积会变成真正的护城河。

二十多年的插件、集成、顾问经验、管理员经验,不是靠一个漂亮的新入口就能迅速替代的。

所以,如果从老用户视角看,Jira 的平台化,不是“功能越做越多”这么简单,而是它越来越像复杂组织运行工作流的底座。

Cloud 转型,本质是为上下文连接和 AI 铺路

Cloud 的意义,当然包括不用再自己维护服务器,但更大的变化在于:工作上下文终于有机会在平台层被统一连接起来。

很多人谈 Jira 的 Cloud 转型,第一反应是部署形态变了:

不用自己维护服务器了,不用自己安排升级窗口了,不用为了一个插件兼容性问题熬夜排查了。

这些当然都对。但如果只把 Cloud 理解成“托管部署”,其实低估了这次转型的意义。

从长期使用经验看,Cloud 带来的最大变化之一是:它让原本分散的工作数据,第一次有机会成为统一的底层资产。

在 Data Center 或较早期的本地部署阶段,Jira、Confluence、代码仓库、聊天工具、知识库、告警系统之间即便能连,也常常只是“表面连通”。

链接能跳转,权限能同步一部分,但底层上依然是一个个相互独立的系统。

而 Cloud 让一件事真正变得可能:把工作对象之间的关系,以平台级方式沉淀下来。

一个需求关联了哪些文档、哪些决策、哪些代码变更、哪些讨论、哪些负责人,理论上都可以进入同一张关系网络。

这正是后面所有 AI 能力能否成立的前提。

如果数据还长期散落在彼此分隔的本地系统里,AI 最多只能做到“局部聪明”。只有当上下文在平台层被打通,AI 才有机会从“会回答问题”走向“理解工作关系”。

所以,从这个意义上说,Cloud 不是 Jira 演进故事里的一个部署章节,而是它从“工具集合”走向“统一工作底座”的关键转折点。

Teamwork Graph:AI 真正需…

— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/AISaaS/2026072261704.html