Atlassian 想把你的 Agent 循环管起来：在 AI 原生 SDLC 中规模化运行编码 Agent

Atlassian 在 2026 年 9 月 10 日的发布，以一个让任何平台团队都不好受的数字开场。在它的 2026 年 AI SDLC 研究中，94% 的工程负责人表示已经使用 AI，但只有 6% 表示有能力把它扩展到整个软件生命周期。几乎所有人都在试验 Agent，但几乎没有人能让 Agent 大规模运行又不把事情搞砸。这次发布的新 Jira 功能，正是试图用上下文与治理来补齐这个缺口，而不是塞进更多自主性。本文讲清它改了什么，以及如何在你的仓库里落地。

从演示走向数百名工程师

一、没有上下文的 Agent 循环为何会失败

Atlassian 的表述很直接：当 Agent 不理解你的世界——你的架构、你的决策、你的规范，以及活在团队脑子里的组织记忆——它就会失败。一个只能读单个文件、却看不到周边多仓库上下文的编码 Agent，会自信地产出能编译却违反你团队约定的代码。Code Context 构建在 Atlassian 的 Teamwork Graph 之上，目标是让 Rovo 与编码 Agent 获得跨多仓库代码库的安全智能，让规划、分诊与根因定位都扎根于系统真实的运作方式。

# jira-work-item.yaml — an agent-ready work item with explicit acceptance criteria
key: APP-4821
type: Task
summary: "Add idempotency keys to POST /payments"
agent_eligible: true
context:
  repos: [payments-api, shared-lib]      # Code Context scopes what the agent can read
  standards: [api/error-handling.md, security/idempotency.md]
acceptance_criteria:
  - "Duplicate POSTs with the same Idempotency-Key return the original response"
  - "Keys expire after 24h and are stored in Redis, not Postgres"
  - "Unit tests cover the replay path and a concurrent-duplicate race"
definition_of_done:
  - "PR opened and linked to APP-4821"
  - "AI Review and CI both green"
# Only well-defined, unassigned items should be agent_eligible.
# Vague tickets are the #1 cause of agent loops that never converge.

二、让工作项「Agent 友好」

第一个实用的抓手不是模型，而是工单卫生。Jira Coding Agent 会挑走「定义清晰且未分配」的工作项，执行开发工作，并开出一个供人审查的 Pull Request。关键词是「定义清晰」。代码示例 1 展示了 Agent 友好工作项的形状：明确的验收标准、可读取的具体仓库、必须遵循的规范，以及完成定义。含混的工单是 Agent 循环永远不收敛的头号原因——因为 Agent 无法知道自己什么时候算做完。

// agent-context-controls.json — who can run, where, and what they may see
{
  "space": "ENG-PLATFORM",
  "agents": {
    "jira-coding-agent": {
      "allowed_repos": ["payments-api", "shared-lib"],
      "denied_paths": ["**/secrets/**", "**/.env*", "infra/prod/**"],
      "data_classification_ceiling": "internal",
      "requires_human_approval_for": ["dependency-add", "schema-migration", "infra-change"]
    },
    "rovo-research-agent": {
      "allowed_repos": ["*"],
      "read_only": true,
      "data_classification_ceiling": "confidential"
    }
  },
  "default": "deny"
}
// Agent Context Controls let platform teams decide exactly which agents
// operate in a space and what each one is allowed to read.

三、治理哪个 Agent 能碰什么

没有边界的自主性，就是你让 Agent 去改生产环境的 Terraform 的方式。Agent Context Controls 让平台团队决定哪些 Agent 可以在某个空间运行、以及每个 Agent 具体能看到什么，默认策略是拒绝。代码示例 2 是一份治理策略：允许读取的仓库列表、对密钥与生产基础设施的路径拒绝、数据密级上限，以及一份「永远需要人工审批」的变更清单。这就是「演示级 Agent」和「敢让数百名工程师共用的 Agent」之间的差别。

# standards/api-error-handling.md — the policy an AI Review actually enforces
rules:
  - id: ERR-1
    must: "All 4xx/5xx responses use the shared error envelope"
    pattern: 'res.status(4|5)\{2\}\).json\(\{ error: \{ code, message \} \}\)'
  - id: ERR-2
    must: "No raw stack traces returned to clients"
    forbid: "stackTrace"
  - id: IDEMP-1
    must: "Mutating endpoints accept an Idempotency-Key header"
    applies_to: ["POST", "PUT", "PATCH"]
severity:
  ERR-1: blocking
  ERR-2: blocking
  IDEMP-1: warning
# Store standards as files in the repo so every review is deterministic
# and every change to policy goes through a pull request.

四、把规范写成代码，让审查可复现

只有当 AI Review 执行的规则被写下来并纳入版本管理时，它才有用。代码示例 3 把规范变成一等工件：每条规则有 id、must 或 forbid 条款、匹配模式与严重级别。把规范存成仓库里的文件，意味着每次审查都可复现，每次策略变更都可经 Pull Request 审计。当审查者对某条阻断规则有异议时，这场争论只发生一次，在规范文件里，而不是在 Agent 开出的每一个 PR 里。

// mcp-agent.manifest.json — expose only the tools an agent needs
{
  "agent": "jira-coding-agent",
  "mcpServers": {
    "repo-tools": { "tools": ["read_file", "search_code", "open_pr"] },
    "test-runner": { "tools": ["run_unit_tests"] }
  },
  "token_budget": { "per_task_usd": 2.5, "per_task_minutes": 20 },
  "network": { "egress": "deny-by-default", "allow": ["registry.npmjs.org"] }
}
// Any agent works: Claude, Cursor, Codex, GitHub Copilot, or a custom MCP agent.
// Keep the manifest in version control next to the code it touches.

五、用清单收敛工具与预算

这些功能跨任意 Agent 生效：Claude、Cursor、Codex、GitHub Copilot，或你自己的 MCP Agent。这意味着你需要一个地方集中声明每个 Agent 能做什么。代码示例 4 是一份 Agent 清单，列出 MCP 工具、每次任务的 token 与时间预算，以及默认拒绝的出网策略。这正是成本控制与安全的交汇点：一个只能调用 read_file、search_code、open_pr 与 run_unit_tests、且上限两美元的 Agent，不可能悄悄做出灾难性的事。

# .github/workflows/agent-gate.yml — never merge agent output on trust alone
name: agent-gate
on: pull_request
jobs:
  gate:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v5
      - run: npm ci && npm test
      - name: Standards check
        run: npx evergreen-standards lint --standards standards/
      - name: Require human approval from CODEOWNERS
        if: contains(github.event.pull_request.labels.*.name, 'agent-authored')
        run: |
          echo "Agent-authored PR must be approved by a CODEOWNER."
# The Jira Coding Agent opens the PR; a human still merges it.
# Keep that gate explicit so autonomy never equals unreviewed code.

六、把人工闸门显式保留下来

Atlassian 这套模型里最重要的设计决策，恰恰是它没有移除的那一步：Agent 开 PR，人来合并。代码示例 5 把这一点接进 CI——凡是被标记为 agent-authored 的 PR 都要求 CODEOWNER 审批，并先跑一遍规范检查与测试套件。agent loops、Standards 与 AI Review 处于私有早期访问，Code Context 正以公开测试向付费客户逐步开放，Atlassian 也将在 2026 年 9 月 22 日举办 State of AI SDLC 峰会。方向已经很清晰：赢家不是自主性最高的团队，而是循环治理得最好的团队。