Atlassian Teamwork Graph 開放測試：MCP 與 CLI 對企業 AI 代理有何意義

Atlassian 這次推出了什麼

這不是單純多放一個 AI 聊天視窗在產品裡。Atlassian 要做的是把 Teamwork Graph 暴露給外部代理與開發者工具，讓它們能在需要時取得工作脈絡。

這兩條路徑的差異很重要。MCP 是偏「代理執行時」的路徑：相容的 AI 系統可以在任務進行中請求相關工作脈絡。CLI 則更貼近開發者日常，將圖譜查詢帶進終端機與編碼環境；發布報導提到，Claude Code、Cursor 等 coding agent 可透過它查詢工作與關係資料 。

Teamwork Graph 補上的，是工作關係這一層

Atlassian 將 Teamwork Graph 描述為其 AI 體驗背後的共享脈絡層。Team ’26 相關報導稱，它是一張連結人員、專案、文件、決策，以及 Atlassian 與第三方工具中工作的動態地圖，並且已有超過 1500 億個連結 。Atlassian 的產品頁也表示，團隊可將代理連到圖譜，從 Jira、Confluence、Jira Service Management、Loom 與已整合的第三方工具拉取相互連結的 Atlassian 脈絡 。

這一層關係資料，正是企業 AI 經常缺少的部分。大型語言模型可以處理文字，但企業工作往往不只是一段文件內容，而是「這張 Jira issue 卡在哪個版本」、「哪份 Confluence 頁面記錄了決策」、「哪個團隊負責」、「哪張服務單與客戶問題相關」。Teamwork Graph 的企圖，是把這些關係變成可查詢的結構化脈絡，而不是把一大包未整理的內容全部塞進提示詞。

MCP beta：讓代理少撈一點，但撈得更準

MCP 工具讓 AI 代理能以更窄、更精準的方式從 Teamwork Graph 取得工作脈絡。TechTarget 報導指出，這次 beta 的 MCP 與 CLI 工具，會讓 Rovo 以及第三方平台中的代理，更細緻地存取 Teamwork Graph 資料，包括資料資產之間的關係，以引導自動化 。SiliconANGLE 也報導，Atlassian 正透過 Rovo 的 MCP server 所提供的 Teamwork Graph 工具，把圖譜開放給外部代理與工具 。

對企業團隊來說，關鍵字是「選擇性」。過去常見做法是把搜尋結果、文件片段或長篇歷史紀錄大量送進模型；現在的思路則是讓代理向圖譜詢問更相關的連結脈絡。圖譜越能反映真實工作關係，這層檢索就越有機會變得有用。

CLI beta：把圖譜帶進開發者的終端機

Teamwork Graph CLI 是偏向終端機與工程流程的存取方式。Atlassian 的 Team ’26 部落格表示，Teamwork Graph 將可在瀏覽器、行動 app 與終端機等代理使用情境中存取，並推出 Teamwork Graph CLI open beta 。SiliconANGLE 報導稱，這個 CLI 含有超過 300 個指令，並可讓 coding agent 查詢圖譜中的工作與關係 。

這對已經在終端機、IDE 與 AI 編碼助理中工作的軟體團隊特別有感。例如 coding agent 在建議實作方式前，可能需要理解相關 Jira issue、Confluence 頁面、專案關係或依賴脈絡；CLI 的定位，就是把這些圖譜脈絡帶到開發者原本工作的地方 。

為什麼它可能降低 token 成本

token 成本的邏輯，不是神奇壓縮，而是「檢索更精準」。TechTarget 報導指出，Atlassian 的 beta MCP 與 CLI 工具，目標是透過更細緻地存取 Teamwork Graph 脈絡，減少代理之間嘈雜的資料交換 。Atlassian 也表示，根據其內部基準測試，將回應建立在 Teamwork Graph 資料上，可帶來 44% 更高準確度，同時使用 48% 更少 token 。

簡單說，如果代理能只抓出相關 issue、頁面、負責人、決策、依賴或關係，就不必把大量不相干文字一起送進模型。企業 AI 工作流中的 token 成本與延遲，常常正是累積在這類過度膨脹的提示詞裡 。

不過，這裡也要打上星號：44% 準確度提升與 48% token 減少，是 Atlassian 的基準測試主張，不代表每家企業都會自動得到同樣結果 。實際效果仍取決於圖譜覆蓋率、資料品質、所用模型、檢索設定，以及企業如何把 MCP 或 CLI 接進自己的代理工作流。

企業導入前該驗證什麼

由於這些存取方式仍屬 beta 或 open beta，企業不宜一看到「省 token」就直接預設會大幅降本，而應先拿自己的資料與治理需求做測試 。幾個實務問題值得先問：

• 圖譜是否涵蓋你的代理真正需要的 Jira、Confluence、Jira Service Management、Loom 與第三方資料來源 ？
• 透過 MCP 的代理，是否比既有搜尋或檢索流程抓到更相關的脈絡 ？
• token 監控數據是否顯示提示詞變小，同時回答品質沒有下降 ？
• 對於能跨工具搜尋、推理與行動的代理，安全、存取控制與稽核要求是否足夠 ？
• CLI 是否真的融入開發者流程，特別是 coding agent 需要專案與依賴脈絡的場景 ？

結論

Atlassian 這次開放 Teamwork Graph 的核心，是兩個 beta 管道：透過 Rovo MCP server 提供的 Teamwork Graph 工具，以及 Teamwork Graph CLI 。前者服務 AI 代理在執行時取得脈絡，後者服務開發者、終端機與 coding agent 工作流。

它的戰略意義在於，代理若能從一張連結團隊、專案、文件、決策與工作的圖譜中取得結構化脈絡，就可能比單純依賴大量提示詞填充更有用 。至於是否真的能降低 token 成本、提高回答品質，仍需要企業在自己的資料環境中驗證 。