Atlassian Rovo Agents技术指南：面向DevOps的AI工作流编排与落地实践
Atlassian Rovo Agents技术指南：面向DevOps的AI工作流编排与落地实践
摘要：在AI从“辅助问答”向“智能协作者”演进的关键节点，Atlassian正式推出Rovo Agents，为IT与研发团队提供可编排、可治理、可落地的自动化工作流。本文龙智（Dragonsoft）在此为您深度解读Atlassian最新发布的《Rovo Agents完全指南》，系统拆解Rovo Agents的核心架构、设计最佳实践及DevOps场景落地路径，助力技术团队构建高可靠性的AI Agent，实现研发效能的实质性跃升。
Atlassian Rovo Agents 使用指南：
了解如何构建、部署和扩展您的下一批 AI 队友
一本实用手册，包含将 Rovo Agents 添加到工作流程的蓝图、最佳实践和真实用例。
为什么选择 Rovo Agents？
Rovo Agents 是能够跨所有业务工具编排工作的 AI 队友，将人员、知识和工作流程连接在一起——无论它们分布在哪套系统中。
通过自动化重复性任务、在恰当时机呈现正确上下文，Rovo Agents 帮助团队提速、聚焦高价值工作并交付更优成果——无论企业技术栈中有哪些工具。
了解 Rovo Agents：自动化的构建模块
Agents 是由 AI 驱动的系统，通过组合指令（Instructions）、知识（Knowledge）、技能（Skills）和触发器（Triggers），借助 AI 推理能力完成特定任务。在 Atlassian 生态中，Rovo Agents 扮演「编排器」角色，在各产品间自动化工作流并交付成果。它们可以在聊天中呈现、通过自动化调用，或直接嵌入业务流程中。
从高层次来看，Rovo Agents 就像虚拟队友，具有明确的角色、访问组织知识的权限，以及代表您采取行动的能力。
这些 Agents 运行在称为 Atlassian Teamwork Graph 的共享数据层之上，它连接您组织的人员、工作、目标和知识，跨越 Jira、Confluence、第三方工具等。这使它们能够理解和推理真实的组织上下文，而不是将每个文档视为孤立的信息片段。
Rovo Agents 不仅限于 Atlassian 产品；它们通过丰富的 50 多个连接器连接到您的整个生态系统，还可以通过模型上下文协议（MCP）连接到几乎任何应用程序。您可以自动化工作流程并在所有您喜爱的工具中编排工作。借助 Rovo，您的 AI 队友可以访问完整的图景，而不仅仅是孤立的孤岛。
Rovo Agent 的核心组件
每个 Rovo Agent 都由一组小型构建模块组成：
指令（Instructions）| 知识（Knowledge）| 技能（Skills）| 场景和触发器（Scenarios and Triggers）
指令
Agent 的「职位描述」和操作手册。指令定义了：
• Agent 的角色和目标（应该做什么和不应该做什么）
• 完成任务应遵循的步骤
• 应保持的语气和护栏（例如，精确 vs. 探索性）
• 在 Rovo Studio 中，这位于 Agent 的行为和场景指令中。
知识
Agent 可以从中提取的数据和上下文。这可以包括：
• 连接到 Teamwork Graph 的第三方工具（例如 SharePoint、Google Drive）
• Atlassian 来源，如 Jira 项目和 Confluence 空间
• 通过 Confluence 智能链接引用的非常具体的业务规则或模板
• 知识可以是广泛的（整个 Teamwork Graph）或严格限定在某个领域（例如 IT 帮助台知识库）
技能（操作和插件）
Agent 可用于读取或更改工作的工具：
• 读取数据：查询 Jira 问题、查找客户记录、提取最近的工单
• 采取行动：创建或更新 Google 文档、Jira 问题、起草 Confluence 页面、发布到 Slack、通过 Forge/MCP 技能调用外部 API、发送 Microsoft Teams 消息和发送 Google 邮件
• 技能将 Agent 从被动的回答机器人转变为能够推动工作前进的积极参与的队友
场景和触发器
为了避免单一、脆弱的提示，Agents 可以有多个场景，每个场景代表要完成的特定任务（例如，「分类反馈」、「起草发布说明」、「撰写社区帖子」）。每个场景都有：
• 自己的指令、知识和技能
• 触发器根据用户意图或事件上下文告诉 Agent 何时使用该场景
• 默认场景是当没有其他场景的触发器匹配时的回退路径
结合 Rovo 的管理员和工作区设置，这使团队能够部署具有明确护栏的 Agents；您可以决定它们可以连接到哪些工具、哪些场景对哪些用户可用，以及每个 Agent 被授予的自主级别。
这些组件都由底层 LLM 协调，它充当 Agent 的「大脑」，决定如何解释请求、搜索哪些知识、调用哪些技能以及哪个场景最适合。
控制、护栏和治理
场景和触发器还充当对 Agents 何时以及如何运行的强大控制。通过严格限定每个场景的指令、知识来源和技能，您可以：
• 限制 Agent 可以访问的数据以及允许采取的操作
• 确保敏感工作流程（如人力资源或财务）仅在特定触发器或条件下运行
• 创建单独的「只读」和「行动导向型」的场景，以便您可以安全地逐步引入自动化
当用户发送提示时会发生什么？
无论是人类在聊天中输入还是自动化规则调用 Agent，流程大致相同：
I. 使用 AI 和上下文解释请求
LLM 读取提示、当前对话和任何结构化输入（例如来自 Jira 的问题字段）。它识别用户意图并选择最相关的场景（或回退到默认场景）。
II. 决定使用哪些知识和技能
根据场景的配置，Agent 要么：
i. 搜索适当的知识来源（例如特定的 Confluence 空间、Jira 项目或其他连接的应用程序）。
ii. 选择要利用的技能，例如研究相关问题、检索客户历史或收集最近的反馈。
III. 推理、编排和（可选）采取行动
然后 Agent：
i. 使用 LLM 综合来自多个来源的信息。
ii. 应用其指令中编码的业务规则（以及任何链接的模板/规则页面）。
iii. 可选地执行以下操作：
- 创建或更新 Jira 问题或 JPD 想法
- 起草或更新 Confluence 页面
- 通过 Slack 或其他工具发送通知
IV. 确认并总结结果
最后，Agent：
i. 返回一个清晰、人类可读的总结，说明它做了什么以及下一步建议
ii. 可选择输出结构化数据（例如 JSON），以便自动化可以根据其决策进行分支（例如，仅当反馈代表真正新的主题时才创建新的 Jira Product Discovery 想法）
实际上，这意味着 Rovo Agents 可以做的远不止回答问题。它们可以：
• 消除重复性或耗时的任务，例如总结会议记录或将数百张反馈工单分组
• 解决复杂的多步骤问题，例如对客户反馈进行分类、将其与现有路线图进行比较，仅在需要时创建新想法
• 通过整合来自 Atlassian 和第三方工具的上下文来改进决策，然后以您的团队可以采取行动的方式呈现
通过在 Teamwork Graph 之上组合指令、知识、技能和触发器，Rovo Agents 成为跨 Atlassian 产品及更广范围的可靠端到端自动化的构建模块。
何时使用聊天、Agents 或两者结合？
聊天
当您需要即时、临时、人工驱动的交互时，聊天是最佳选择。该功能针对快速查询、探索性问题、信息确认和单点决策进行了优化，旨在为人的后续行动提供参考依据。
• 非常适合快速搜索、故障排除步骤、头脑风暴或即时澄清产品/流程规则
• 当用户期望对话式的来回交流和手动跟进时（没有自动副作用）非常适合
• 设置成本低：无需配置知识范围、技能、场景或自动化
示例：
向 Rovo 聊天提问「如何重置我的 VPN（虚拟专用网络）？」，即可立即获得清晰的逐步说明或知识库中相关资源的直接链接，这样您就不必手动搜索文档了。
Rovo 聊天理解常见的 IT 支持问题，可以解释 VPN 等缩写，自动引导您找到正确的故障排除步骤或支持资源。
Agents
当工作需要可重复、确定性、多步骤或与其他系统集成时，Agents 是最佳选择。它们旨在编排任务、调用技能，并按计划或事件触发器运行。
• 当工作流程有 2 个以上步骤、需要数据聚合、与工具集成或必须自动运行时使用
• 当您需要结构化输出（例如 JSON）以便自动化可以确定性分支、循环和创建工件时使用
• 当您希望在多个相关任务中保持一致的语气/护栏时使用
示例：
通过将 Rovo Agent 打造成反馈分类助手，您将拥有一个 AI 助手，它持续扫描客户反馈渠道（如支持工单、NPS 评论和社区论坛）、将相关评论分组为清晰的主题、检查 JPD（Jira Product Discovery）中的现有待办事项，并在发现未满足的需求或差距时自动创建新的想法工作项。
与其手动阅读、标记和去重反馈，不如获得客户需求的优先排序、结构化视图，并直接链接回原始反馈和 Jira Product Discovery（JPD，Atlassian 用于捕获、优先级排序和管理产品想法的产品）中的相关想法。
何时两者结合使用
在许多情况下，Rovo 聊天和 Agent 协同工作最为强大：从聊天开始探索，然后在需要可重复性、自动化或集成时将验证过的流程过渡到 Agent。
• 使用聊天来原型化提示、收集示例并验证所需的输出格式
• 验证后，构建一个 Agent 场景，使用这些指令、绑定知识来源并附加自动化技能
• 示例工作流程：在聊天中原型化「起草发布说明」→「转换为带有触发器 + Confluence/Jira 技能的 Agent 场景」→「通过自动化规则安排执行」
决策清单 —「我应该使用 Rovo 聊天还是 Agent？」
这是一次性或偶尔的问题吗？ → 聊天
任务是否经常重复或大规模执行？ → Agent
是否涉及多个步骤或系统（Jira、Confluence、第三方 API）？ → Agent
您需要结构化格式（JSON）的输出来进行下游自动化吗？ → Agent
您希望它按计划或事件自动运行吗？ → 配合 Jira 自动化的 Agent
您需要探索性的来回对话或临时的人类判断吗？ → 聊天（或混合：聊天用于探索，Agent 用于生产）
如果您发现自己重复相同的提示词或流程，或者您的工作流程涉及多个步骤、触发器或集成，那么构建 Agent 是最佳方法。
构建高效 Agents 的关键考虑因素
在开始之前，请明确您要解决的问题。绘制工作流程、识别步骤，并寻找自动化或简化流程的机会。一个聚焦的问题陈述和对当前流程的清晰描述，使设计能够提供可靠价值的 Agent 变得容易得多，而不是模糊的「AI 助手」。
• 将复杂的提示分解为可管理的场景以提高可靠性
• 为每个场景定义清晰的指令、知识来源和所需技能
• 使用行为来设置 Agent 的语调并在场景间保持一致性
• 测试并迭代
最后，务必与您的团队协作，因为 Agents 可以是长期资产，受益于共同所有权。它们可以由团队（而不仅仅是个人）共同拥有和管理，这意味着您可以在团队成员之间分配更新、监控和事件响应的责任。
确保记录 Agent 的工作方式、指定明确的负责人，并鼓励团队贡献新场景、示例和改进，以便 Agent 能够随着您的工作流程不断进化。
Agent 设计和提示词最佳实践
设计一个有效的 Agent 早在您写下第一条指令之前就开始了。
最成功的 Agents 被当作产品来对待：它们有明确的目的、定义明确的受众，以及为可靠性而编写（而不仅仅是创意）的提示词。在本节中，我们将专注于如何塑造 Agent 的「职位描述」、如何编写明确且可重复的指令，以及如何使用示例、模板和结构化输出来获得一致的结果。
把这些实践视为您的 playbook，将强大的底层模型转变为一个可靠的虚拟队友，每次调用时都按照您的团队期望的方式行事。
明确定义其角色和目标
将其视为职位描述：Agent 负责解决哪些问题、什么超出范围，以及如何衡量成功？严格限定的角色使设计提示、选择正确的数据源和避免意外行为变得更加容易。
像 Agent 没有先前上下文一样编写指令
明确且分步骤进行。假设它是第一天加入您团队、从未见过您流程的人。详细说明行动顺序、决策点以及您通常会向新员工解释的任何业务规则。您消除的歧义越多，Agent 就变得越可预测和可靠。
提供正面和负面示例
这有助于 Agent 拥有一个能够更持续成功交付的框架。尽可能使用模板或业务规则的链接。就像您会向新队友展示示例工单、文档或过去的工作一样，给 Agent 具体的「优秀」示例以及应该避免什么的示例。包括指向 Confluence 页面、模板或政策文档的链接，并指示 Agent 遵循它们。这些示例充当 Agent 可以参考的模式库，从而提高响应的质量和一致性。
使用 Markdown 或表格进行结构化输出
结构是将自由形式的答案转变为可以重用和自动化的东西的关键。要求 Agent 使用标题、项目符号列表或固定表格列进行响应，以便人类可以快速扫描，下游工具可以可靠地解析结果。对于更复杂的工作流程，您甚至可以指定 Agent 应始终遵循的简单模式（例如命名部分或键值对）。
基于真实世界的测试和反馈进行迭代
您的第一个版本只是一个起点，而不是最终产品。观察人们实际如何使用 Agent，捕获失败案例，并随着时间的推移完善指令、示例或知识来源。将每次迭代视为指导队友：随着流程的发展，给予更清晰的指导、更好的示例和更新的规则。
对话启动器和场景触发器
虽然对话启动器示例可以帮助用户与 Agents 互动，但重点应该放在场景触发器上，即引导 Agent 进入正确场景的清晰、意图驱动的陈述。将对话启动器视为友好的入口点（「向 HR 助手询问您的福利」），将场景触发器视为 Agent 用来决定做什么的精确提示（「查看我本季度的 PTO 余额」）。
设计良好的场景触发器可以减少歧义、提高路由准确性，并使 Agent 的行为更可预测。
使用正面和负面示例来完善触发器。向 Agent（和您的团队）展示每个场景的「好」触发器是什么样的，例如具体的、面向行动的、与明确结果相关联的，并将其与过于模糊或不对齐的「坏」触发器进行对比。
示例：
「将这张传入的工单分类为事件、服务请求或问题」是一个强有力的触发器，而「帮助处理工单」则不是。随着时间的推移，您可以收集真实的用户查询，标记哪些应该或不应该激活某个场景，并将这些作为训练示例反馈回去，以收紧映射关系。
避免使用单词触发器；相反，提供能够准确反映真实用户意图的上下文丰富的短语。像「报告」或「访问」这样的单个词可能有很多不同的含义，使 Agent 难以可靠地选择正确的场景。相反，目标是简短的自然语言短语，同时编码动作和对象，例如「为我团队生成每周事件报告」或「请求访问营销仪表板」。
这些更丰富的触发器使 Agent 更容易区分相似的工作流程，减少误触发，并确保用户快速进入真正能解决他们问题的体验。
探索实际用例
Rovo Agents 已经为从工程到人力资源再到产品管理的广泛工作流程提供支持。它们的优势在于任何重复性、多步骤的工作，或需要从多个工具中提取上下文并将其转化为清晰、可操作成果的地方。
精选示例包括：
问题整理器
自动审查待办事项中的问题，将相关工作分组，将问题移到正确的冲刺中，并将它们分配给正确的史诗或负责人。这有助于团队保持看板整洁和专注，无需数小时的手动梳理。
发布说明起草器
从 Jira 问题中提取详细信息，如摘要、标签和修复版本，并将它们转化为清晰、用户友好的发布说明。Agent 可以提出初稿，您的团队可以快速审查、编辑并发布到 Confluence 或与利益相关者分享。
员工入职
生成结合 HR 政策、特定角色文档和团队仪式的定制入职计划。Agent 可以组装清单、阅读清单和逐周计划，帮助新员工更快、更一致地上手。
这些只是起点：一旦您了解每个用例如何组合指令、知识和技能，您就可以将它们重新组合成适合您团队独特工作流程的 Agents。
打造下一个出色的 Rovo Agent
准备好与 Rovo 一起从零到英雄了吗？从将简短、专注的学习循环与小型高价值构建相结合开始。学习核心概念，遵循一个端到端示例，然后发布一个简单的 Agent 并根据实际使用情况进行迭代。
快速入门项目：构建您的第一个 Agent
通过 4 个步骤构建一个高影响力的 Agent。每个步骤都足够小，可以在一两天内完成。
步骤 1：撰写问题陈述
撰写一个段落的问题陈述，清楚地识别用户和具体成果。
步骤 2：起草简单场景
起草一个有 3-4 个行为的简单场景（问候、收集输入、执行操作、确认）。
步骤 3：实施和测试
在 Rovo Studio 中实施场景，并与同事一起运行 5 次内部测试。
步骤 4：发布和迭代
发布给一个小型试点小组，收集反馈并进行迭代。
从一个范围狭窄的用例开始（例如，分类传入的工单、总结会议记录或自动化常规审批）。
狭窄的范围 = 更快的学习和可衡量的影响。
应遵循的最佳实践
从简单开始，尽早衡量
• 将第一个 Agent 限制在一个主要目标上
• 添加遥测以跟踪使用情况、成功率和每次会话后提供简短反馈消息
• 使用版本化更改，以便您可以快速回滚
• 在试点期间每周收集一条定性用户引述来指导优先级排序
建议的 30/60/90 天计划
第 0-30 天：
完成基础课程，观看视频，并在中心发布。起草您的问题陈述和场景。
第 31-60 天：
在 Studio 中构建 Agent，运行测试，并启动 5-10 个用户的试点。收集定量和定性反馈。
第 61-90 天：
根据反馈进行迭代，添加一个额外的行为或知识来源，并准备团队推广计划。
当您将学习与小型实际项目相结合时，Rovo Agents 可以释放可扩展的自动化潜力。选择一个明确的问题，按照上述步骤操作，立即开始构建，为您的团队提供可衡量的价值。
立即体验 Rovo
尽管 Rovo 仍处于早期阶段，但模式已经很清楚：将 Agents 视为具有明确角色、强有力指令以及学习和构建之间紧密循环的真实队友的团队，会看到最快、最持久的影响力。
从小处着手，选择一个高价值的工作流程，并使用本指南中的实践来设计一个您的团队可以信任并随着时间推移不断发展的 Agent。
将AI探索转化为可落地的研发效能，依赖严谨的架构设计与场景沉淀。作为Atlassian全球白金合作伙伴，龙智提供涵盖Rovo Agents规划、DevOps场景定制、跨工具链集成及Agent治理的全链路服务。如需获取专属AI工作流落地方案或预约技术架构师演示，立即联系我们。