Atlassian Rovo (Robo) 深度解析

Matt (K15T) 访谈摘要：关于 AI Agent 的残酷真相与正确姿势

🗣️

Matt | K15T

Atlassian 生态专家。本次访谈中，Matt 并没有只谈“如何点击按钮”，而是深度强调了构建 AI Agent 背后的思维方式、数据治理和迭代痛苦。

🔥 作者深度强调：残酷真相 (Reality Check)

Matt 在视频中反复警告用户，不要对 AI 抱有“即插即用”的幻想。以下是他强调的三大核心冲突。

真相一：关于“自动化”的误解
常见迷思 我创建了一个 Agent，它马上就能完美工作，帮我节省时间。
Matt 的警告

这需要大量的折腾 (Fiddle)、测试、重建、甚至对它发火。这是一个需要时间投资的过程。

核心观点： 有时候你投入了时间，结果发现它这一周还做不到这件事（但可能下周更新后就可以了）。你必须接受这种不确定性和持续迭代。

真相二：关于“数据质量” (GIGO 原则)
常见迷思 Rovo 能自动帮我整理混乱的团队文档，它是魔法。
Matt 的警告

如果你的 Teamwork Graph（Jira 工单、Confluence 页面）里充满了垃圾和过时信息，Rovo 产出的也是垃圾。

核心金句： "Investing in Rovo means cleaning up your knowledge."

投资 AI 不仅仅是写 Prompt，更多的是花时间去清理你过去创建的那些过时文档。AI 救不了烂数据。

真相三：关于“Prompt Engineering”
常见迷思 我需要学习复杂的提示词工程，绞尽脑汁去写 Agent 的行为描述。
Matt 的建议

千万别自己写！(Don't just write into this box)

最佳实践： "Rovo is actually very good at writing prompts for Rovo."

打开另一个聊天窗口，把你脑子里混乱的想法告诉 Rovo，让它帮你生成结构化的行为描述（Behavior）和指令（Instructions）。用 AI 来配置 AI。

🧠 核心概念解析 (翻转学习)

🤖

Rovo Agent

它是什么？

(悬停翻转)

它不是简单的聊天机器人，而是你的“虚拟队友”。

关键特征：

  • 拥有专业角色 (如: 编辑, 策划)
  • 能访问Teamwork Graph
  • 能执行具体行动 (Actions)
🎭

Agent vs Scenarios

如何区分？

这是“职位”与“任务”的区别。

  • Agent: 内容审核员 (职位)
  • Scenario A: 检查拼写 (具体任务)
  • Scenario B: 检查品牌语气 (具体任务)
🛡️

Knowledge Scope

知识范围控制

不要给全权！

Matt 强调：尽管默认场景拥有全部访问权限，但你应当限制知识来源。

例如：只让“HR Agent”访问“HR 空间”，防止它根据无关的 Jira 工单产生幻觉。

🛠️ 构建流程：从对话开始

  1. Chat to Build: 在 Studio 中，直接用语音或文字告诉 Rovo 你想要什么 Agent。
  2. Define Behavior (Meta-Prompting): 打开第二个窗口，让 Rovo 帮你写好“Behavior”描述，然后粘贴回去。
  3. Add Scenarios: 为 Agent 添加具体技能。例如“当用户要求校对时，执行 X 指令”。
  4. Tinker & Test: 最重要的一步。在发布前反复测试，像调试代码一样调试它。
  5. Share: 分享给团队，甚至添加协作者（Collaborators）共同维护。

"An agent is not going to fix your out-of-date Confluence pages. You need to do that."

—— Matt, on the necessity of human effort

原文

源链接