آناهایم، کالیفرنیا - بخش عمدهای از هوش مصنوعی مولد (GenAI) برای مهندسان بر حلقه درونی، بهویژه کد تولیدشده توسط هوش مصنوعی، متمرکز است. با وجود این، توسعهدهندگان میخواهند زمان بیشتری را صرف نوشتن کد کنند - و هوش مصنوعی دقیقاً در این زمینه عالی نیست (البته هنوز).
آنچه واقعاً بهرهوری توسعهدهندگان را کند میکند، حلقه بیرونی است که باعث میشود مهندسان منتظر تیمها و سیستمهای دیگر بمانند. این امر بهویژه در مورد اشتراکگذاری و کشف دانش صادق است، زیرا مستندات ضعیف یا از دست رفته همچنان در صدر لیست شکایات توسعهدهندگان قرار دارد.
نوآوری واقعی در GenAI زمانی حاصل میشود که سازمانها کل چرخه حیات توسعه نرمافزار را اندازهگیری کرده و سپس هوش مصنوعی را هم برای گلوگاههای اصلی و هم برای مشکلات کوچک به کار گیرند.
شش ماه پیش، آتلاسیان (Atlassian)، که ابزارهای بهرهوری سازمانی و توسعهدهندگان را تولید میکند، مجموعه محصولات GenAI خود را با نام Rovo منتشر کرد. Rovo که اکنون در حال ورود به مرحله دسترسی عمومی است و در حال حاضر بیش از ۱ میلیون کاربر در ماه دارد، بر سه عملکرد بینسازمانی متمرکز است:
- جستجو: با بیش از 300,000 سازمانی که در حال حاضر از آن استفاده میکنند، Search با میانگین 25٪ زمانی که کارکنان دانش صرف یافتن پاسخها میکنند، مبارزه میکند.
- گفتگو: ساخته شده بر روی تمام مدلهای بزرگ زبانی (LLM) اصلی به همراه نمودار کار گروهی آتلاسیان و ابزارهای شخص ثالث، با حفظ دادهها به صورت zero-day.
- استودیو: عوامل هوش مصنوعی از پیش آماده و همچنین امکان ساخت عوامل هوش مصنوعی سفارشی و گردش کار گروهی عوامل هوش مصنوعی.
به گفته تیم آتلاسیان، پذیرندگان اولیه اکنون 60٪ موفقتر از معادلهای متن باز پیشرو با برنامه Rovo هستند. برای مهندسان خود شرکت، این شامل کاهش 45 درصدی در زمان چرخه درخواست pull از اجرای فقط یک عامل توسعه هوش مصنوعی است.
در رویداد هفته گذشته آتلاسیان تیم، Rovo، که قبلاً 20 دلار در ماه برای هر نفر هزینه داشت، اعلام شد که در هر طرح آتلاسیان گنجانده شده است و برای همکارانی که اشتراک Jira، Confluence یا Loom ندارند، 5 دلار هزینه دارد. این، به گفته این شرکت، "قدرت مغزی" پشت Rovo، نمودار کار گروهی آن را افزایش میدهد، که ارتباط متقابل تیمها، دادهها، اهداف و دانش را ترسیم میکند.
The New Stack از رهبری آتلاسیان در مورد تأثیر Rovo بر تجربه توسعهدهنده، محکم کردن شکاف بین فناوری و تجارت، مطلع شد.
به جایی بروید که توسعهدهندگان شما هستند
آتلاسیان تماماً درگیر هوش مصنوعی است، مبتنی بر این باور که هوش مصنوعی تنها در صورتی ارزشمند است که به راحتی قابل استفاده باشد - و اینکه پذیرندگان اولیه از این مزیت برخوردار خواهند بود.
جمیل والیانی، رئیس محصولات هوش مصنوعی در آتلاسیان، در یک جلسه توجیهی مطبوعاتی در تیمز ۲۵ گفت: «همه افرادی که در مراحل اولیه قطار هستند، زیرا جهان در حال بازسازی به هوش مصنوعی به همراه همکاران انسانی است.»
آتلاسیان در سراسر محصولات اصلی خود، به دنبال ایجاد تعادل بین موارد استفاده معمول از پیش آماده و توانایی سفارشیسازی هر راهحل است، زیرا، همانطور که او گفت، "هوش مصنوعی یک اندازه برای همه نیست. هیچ تیمی شبیه هم نیست.»
بر اساس گزارش وضعیت تیمهای آتلاسیان در سال ۲۰۲۵، ۷۱ درصد از تیمهای مورد بررسی پاسخ دادند که از هوش مصنوعی برای کمک به آنها در مدیریت و کشف اطلاعات به طور کامل استفاده نمیکنند. این تا حدی به این دلیل است که بخش عمدهای از پذیرش اولیه هوش مصنوعی بر تولید کد متمرکز است که در بهترین روزها، ۳۰ درصد از تجربه توسعهدهنده را تشکیل میدهد. والیانی اضافه میکند که پذیرش هوش مصنوعی زمانی با شکست مواجه میشود که عرضه به کندی انجام شود و بخش عمدهای از هوش مصنوعی در گردش کار ادغام نشده باشد.
یکی از دلایل موفقیت GitHub Copilot این است که با قرار دادن GenAI قابل جستجوی خود در کنار پایگاه کد، تعویض زمینه را کاهش میدهد. آتلاسیان این احساس را با نه تنها جاسازی Rovo در گردش کار محصولات خود، بلکه در GitHub نیز، "در زمان و مکان مناسب"، همانطور که والیانی گفت، "تقریباً بدون اینکه آنها مجبور باشند به طور فعال در مورد آن فکر کنند"، تکرار میکند.
نمودار کار گروهی به طور ذاتی روابط بین مشکلات Jira و صفحات Confluence را درک میکند. جستجوی Rovo در Slack با پیش نمایش فایل ادغام میشود - بدون نیاز به دانلود یا باز کردن در یک پنجره جداگانه برای پیش نمایش - و همچنین با مجموعهای از برنامهها مانند Google Drive، ServiceNow، Sharepoint، Workday و Outlook.
هر نتیجه نمودار کار گروهی برای هر کاربر متفاوت خواهد بود. این بر روی تمام ابزارهای یکپارچه آموزش میبیند و از آنها میکشد، با کنترل دسترسی مبتنی بر نقش (RBAC) برای هر کدام، و یک تجربه جستجوی شخصیسازیشدهتر را ایجاد میکند.
جستجوی Rovo یک خلاصه انتخابشده با جدول زمانی و مراجع مرتبط ارائه میدهد که با جستجوی معنایی تقویت شده است، که والیانی معتقد است "یکی از اولین شرکتهایی است که جستجوی معنایی را به صورت از پیش آماده در این مقیاس به مشتریان خود ارائه میدهد."
گفتگوی Rovo در حال حاضر هم در سراسر آتلاسیان - باز هم، نه فقط نقشهای فنی - و هم با سایر مشتریان پذیرنده اولیه محبوب است. به گفته وی، آتلاسیان با هر LLM اصلی رابطه دارد که هر کدام قرارداد عدم حفظ دادههای خود را دارند. این نه تنها از دادههای کاربر محافظت میکند، بلکه به Rovo اجازه میدهد تا ترکیب GenAI خود را داشته باشد که قادر به "تغییر در پشت صحنه" هنگام انتشار مدلهای جدید است.
والیانی نرخ موفقیت استفاده داخلی 90٪ را برای Rovo Chat برای انجام اقدامات مورد نیاز اعلام کرد. برای موضوعات پیچیدهتر، به زودی کاربران Chat همچنین میتوانند از Deep Research استفاده کنند، که یک برنامه تحقیقاتی شامل همکاران مرتبط مختلف، یک جستجوی گسترده و لیستی از منابع را اجرا میکند و گزارشی را تولید میکند که شامل فیلمها، نمودارها، جداول و به صورت اختیاری، نتایج وب است.
این ویژگیهای Rovo اکنون در تمام محصولات آتلاسیان، از جمله Goals نیز در دسترس هستند، که یک پوشش مکالمهای را فعال میکند که کار را به نتایج متصل میکند - چیزی که همیشه با OKRها چالشبرانگیز است و میتواند به اتصال اهداف سازمانی به مسائل Jira کمک کند.
عوامل هوش مصنوعی ساخته شده برای توسعهدهندگان
یکی از بزرگترین اطلاعیههای تیم ۲۵، راهاندازی برنامه Studio در Rovo بود که از زبان طبیعی برای خودکارسازی ایجاد عوامل هوش مصنوعی و انتخاب گروههایی از عوامل استفاده میکند. البته، The New Stack چشم خود را به عوامل توسعه Rovo دوخته است.
هدف کلی این عوامل "نجات انسان از کارهای سخت و طاقتفرسا" است، به گفته والیانی. برای نرمافزاری که به ساختن بر روی اهداف مهندسی پلتفرم ترجمه میشود، با هدف برعهده گرفتن آنچه او "کارهای مهم اما زمانبر" یا 80٪ از تجربه توسعهدهنده که در کار سخت گرفتار شده است، خواند.
حدود 20 عامل توسعه از پیش آماده هفته گذشته منتشر شد. طبق گفته جاش دوننی، رئیس محصول، هوش مصنوعی، چابک و DevOps آتلاسیان، Code Planner یک مسئله Jira و تمام اطلاعات مرتبط از نمودار کار گروهی، مانند الزامات، مستندات Confluence و هر اطلاعات شخص ثالث را میخواند.
او به The New Stack گفت: "سپس Code Planner یک طرح فنی در مورد مسئله Jira مینویسد تا به توسعهدهندگان کمک کند تا بهرهورتر باشند و سریعتر در اجرای مستقیم در سطح فردی یا تیمی به دست آورند."
"یک مورد استفاده خوب، یک توسعهدهنده است که در یک مخزن جدید است، که به طور منطقی اغلب در یک سازمان بزرگ اتفاق میافتد. شما ممکن است مجبور شوید بروید و در جای دیگری کد مشارکت کنید. ما میتوانیم به شما در نوشتن طرحی از، "اینجا جایی است که فکر میکنیم باید آن تغییرات را ایجاد کنید، ما فایلها و تغییراتی را که فکر میکنیم باید انجام شوند، در اختیار شما قرار میدهیم، کمک کنیم.""
عامل توسعه Code Planner همچنین یک توقفگاه اول خوب برای مهندسان جوان قبل از درخواست کمک از ارشدان خود است.
عامل Implementor جدید میتواند آن طرح فنی را گرفته و کد آن را بنویسد.
دوننی گفت: "توسعهدهنده میتواند یک عامل را برای پیادهسازی کدی که با آن برمیگردد، قبل از اینکه یک درخواست pull مطرح شود، انتخاب کند." عامل توسعه به توسعهدهنده اطلاع میدهد، diff را به اشتراک میگذارد و "توسعهدهنده میتواند آن را بررسی کند و هر تغییری را ایجاد کند." این اغلب شامل مکالمه بین توسعهدهنده و عامل است.
موارد استفاده برای عوامل توسعه سفارشی
در حالی که حدود 20 عامل هوش مصنوعی از پیش آماده وجود دارد، والیانی گفت که پذیرندگان اولیه یک بوم خالی برای ساختن عوامل خود، که هر کدام به یک هدف واحد اختصاص داده شدهاند، خواستار بودند.
با در نظر گرفتن این موضوع، آتلاسیان قابلیت بدون کد را برای ساختن عامل خود اضافه کرد، که حتی بخشهای غیر فنی در آتلاسیان نیز از آن استفاده کردهاند. در داخل، آتلاسیان عامل Onboarding Buddy خود را ایجاد کرد که در ماه اول 2000 سوال از 70٪ از کارمندان جدید آتلاسیان را پاسخ داد.
یک تیم مهندسی آتلاسیان، Pull Request Generator خود را ساخت و سپس به طور داخلی به اشتراک گذاشت که اعضای تیم گفتند 80٪ از وظایف توسعهدهنده را خودکار میکند - مانند افزودن پرچمهای ویژگی و اتوماسیون آزمایش - و میانگین درخواست pull را به 30 دقیقه کاهش میدهد.
این توانایی ایجاد عوامل توسعه سفارشی همچنین به مشتریان این امکان را میدهد تا استانداردهای سازمانی و صنعتی را اعمال کنند، که اغلب از مستندات Confluence موجود استخراج میشود.
والیانی گفت: "سپس میتوانید این عوامل را سفارشی کنید، میتوانید منابع دانش را مشخص کنید و عامل را محدود کنید، سپس عوامل را به طور خودکار اجرا کنید."
با توجه به زمانی که کد تولید شده توسط هوش مصنوعی بیشتر به معنای تقاضای بیشتر برای بررسی کد است، سومین مورد استفاده اولیه عامل هوش مصنوعی برای توسعهدهندگان به طور داخلی در آتلاسیان با Code Reviewer آن بررسی میشود، که یک درخواست pull را با یک مسئله Jira ترکیب میکند، دوننی گفت، تا "معیارهای پذیرش را در مسئله Jira استنباط کند، و ما نشان میدهیم که آیا کد واقعاً با آن معیارهای پذیرش مطابقت دارد یا خیر."
Code Reviewer همچنین خطاهای نحوی و املایی را بررسی میکند. اگر تغییر کد در یک قطعه حساستر یا حیاتیتر از پایگاه کد باشد، میتواند برای بررسی توسط دو بازبین علامتگذاری شود.
هفته گذشته، Code Reviewer به دوننی پیشنهاد کرد که پیچیدگی این تابع را کاهش دهد و یک مثال کد از نحوه انجام آن ارائه داد. با در نظر گرفتن این موضوع، در ماههای آینده، Bitbucket یک دکمه "اعمال پیشنهاد" را معرفی خواهد کرد.
از زمان پذیرش این عامل توسعه خاص در اواخر اکتبر، مهندسی آتلاسیان 45٪ بهبود در زمان چرخه PR برای هر درخواست pull هنگامی که از Code Reviewer استفاده میشود، در مقابل زمانی که استفاده نمیشود، تجربه کرده است.
دوننی گفت: "دلیل این کاهش جهشی تهاجمی این است که لازم نیست ساعتها یا روزها منتظر بمانید تا یک همتا وارد شود، شما بلافاصله بازخورد دریافت میکنید."
Ops Guide یکی دیگر از عوامل توسعه است که به وظایف آنکال کمک میکند و به دنبال کاهش زمان تشخیص، پاسخگویی و بازیابی از حوادث است.
هر یک از این عوامل توسعه به کاهش زمان چرخه مسئله کلی کمک میکند، اما انسان اساسی در حلقه را خودکار نمیکند.
دوننی همچنین اشاره کرد که عوامل توسعه Pipeline Fixer و Deployment Summarizer به زودی عرضه میشوند.
عامل هوش مصنوعی Feedback Decoder رونوشتهایی را از بازخورد مشتری از پلتفرم پیامرسانی ویدیویی Loom و سایر منابع ایجاد و تجزیه و تحلیل میکند، که سپس میتواند برای ایجاد خودکار بلیطهای Jira استفاده شود. عامل هوش مصنوعی Jira Product Discovery (JPD) سپس میتواند بلیطهای Jira را با دادههای مشتری مرتبط کند، که به نوبه خود به اهداف تعیین شده گره خوردهاند. Feedback Decoder همچنین میتواند تیمها را در Slack بهروزرسانی کند، فعالیت را در HubSpot ثبت کند و بیشتر.
انو بهاردواج، رئیس آتلاسیان، در سخنرانی اصلی تیمز ۲۵ گفت: "JPD دیدن اینکه چگونه ایده محصول شما سوزن را در اهداف و معیارهای مهم حرکت میدهد را واقعاً ساده میکند، بنابراین میتوانید توضیح دهید که چگونه ایده محصول عالی شما بر کسب و کار شما تأثیر میگذارد، و شما تصمیم میگیرید که چه کسی به نقشههای خود دسترسی داشته باشد." "این میتواند بخشها، تیمها یا کل شرکت باشد."
آتلاسیان حتی از آن برای به اشتراک گذاشتن نقشههای راه محصول با شرکا و مشتریان استفاده کرده است. بهاردواج همچنین از پلتفرم برنامهریزی آنلاین Doodle پذیرنده اولیه نام برد و اینکه چگونه از JPD برای "ایجاد سیستمی که بینشهای مشتری را به ایدهها تبدیل میکند، استفاده کرد و نتایج خیرهکننده هستند - 25٪ تحویل سریعتر و 93٪ کاهش در زمان صرف شده برای برنامهریزی."
دوننی گفت: این عوامل توسعه همه این کارها را بدون حفظ دادهها انجام میدهند: "ما روی دادههای شما آموزش نمیبینیم. ما به سادگی آن زمینه را در زمان اجرا در اختیار عامل قرار میدهیم."
هماهنگ کردن یک گروه از هم تیمیهای عامل هوش مصنوعی
تیمها سپس میتوانند گروههایی از عوامل هوش مصنوعی را هماهنگ کنند که وظایف به هم پیوسته را انجام میدهند و مجموعهای از عوامل هوش مصنوعی متعدد را داربستبندی میکنند.
بهاردواج گفت: "یک رویکرد بومی هوش مصنوعی برای توسعه نرمافزار واقعاً بازی را تغییر میدهد. این رویکرد سیلوهای سنتی بین نقشها را از بین میبرد و از شر وظایف تکراری خلاص میشود. "تصور کنید دنیایی را که هر عضو تیم میتواند بیش از نقش سنتی خود انجام دهد. این تیم که توسط عوامل Rovo ما پشتیبانی میشود، تیمی از متخصصان عمومی قدرتمند را برای یک دنیای بومی هوش مصنوعی ایجاد میکند."
Studio همچنین به تیمها این امکان را میدهد تا چندین مسئله را همزمان پیادهسازی کنند، مانند "تستهای واحد را برای این چهار چیز تولید کنید"، و عامل چهار پیادهسازی ایجاد میکند، یکی برای هر مسئله، و آن را به بررسی منتقل میکند، یا حتی یک اتوماسیون را راهاندازی میکند.
به تازگی، مهندسی آتلاسیان مجبور شد یک API را در 200 سرویس بهروزرسانی کند. یک عامل توسعه سفارشی 200 درخواست pull را در یک ساعت مطرح کرد.
دوننی گفت: "مردم لحظات 'آها' یا 'وای' دارند که میگویند، 'اوه، من دیگر نیازی به انجام این نوع کار ندارم.' و این یک تغییر ذهن بزرگ است. من آن را در هر مورد به صورت مثبت دیدهام، زیرا با افزایش قابلیتهای LLM، ما قادر خواهیم بود کارهای بیشتر و بیشتری را انجام دهیم."
"در حال حاضر، وظایفی که ما برای توسعهدهندگان انجام میدهیم مانند وظایف تکراری هستند، وظایفی که توسعهدهندگان در وهله اول علاقهای به انجام آنها ندارند. توانایی حذف آن از کارهایی که باید انجام دهند به این معنی است که آنها میتوانند زمان بیشتری را صرف تمرکز بر وظایفی کنند که عاشق پیادهسازی آنها هستند."
عوامل توسعه Rovo اکنون در بتای باز برای مشتریان آتلاسیان در GitHub و Bitbucket هستند. در حالی که در بتا است، هیچ هزینهای برای مشتری وجود ندارد.