Wykorzystanie Jiry w inżynierii agentowej

Inżynieria agentowa działa w Jirze. W miarę jak inżynieria przechodzi od pisania kodu do kierowania agentami sztucznej inteligencji, zmienia się również charakter istotnych zadań. Programiści już teraz poświęcają zaledwie około 16% czasu na pisanie kodu, a w miarę jak agenty przejmują coraz więcej zadań związanych z tworzeniem, najtrudniejsze staje się wszystko, co dzieje się wokół tego procesu: przekazywanie agentom kontekstu, ich koordynacja, przeglądanie danych wyjściowych i zarządzanie agentami.

To właśnie zadania, z którymi Jira zawsze sobie radziła, a które teraz zostały rozszerzone na agenty. Jira i Teamwork Graph stanowią system rejestracji, niezbędną warstwę, która przekłada aktywność sztucznej inteligencji na realny wzrost produktywności w miarę skalowania zespołów.

W tym przewodniku opisano, jak Jira wspiera inżynierię agentową, jak wpisuje się w zestaw używanych narzędzi i jak rozpocząć pracę. W skrócie, Jira oferuje trzy rzeczy, których nie ma sam agent kodowania:

• Zapewnia agentom odpowiedni kontekst, dzięki czemu mogą działać precyzyjnie

• Przekazuje rutynowe zadania do zautomatyzowanych procesów uwzględniających uprawnienia

• Prowadzi wiarygodny rejestr w ramach Teamwork Graph

Czym jest inżynieria agentowa?

Inżynieria agentowa polega na tworzeniu oprogramowania poprzez kierowanie agentami sztucznej inteligencji, które planują i realizują wieloetapowe zadania, podczas gdy użytkownik określa cel i ocenia rezultat, zamiast samodzielnie pisać każdy wiersz kodu.

Zmienia to kierunek zaangażowania — zamiast pisać kod, projektuje się system, w którym działają agenty. Określasz, co należy utworzyć, przekazujesz agentom kontekst, kierujesz ich pracą i decydujesz, czy dane wyjściowe spełniają wymagania. Gdy funkcja autouzupełniania oparta na sztucznej inteligencji podpowiada kolejny wiersz, jeden agent może zrealizować opisany rezultat aż do utworzenia pull requestu. Inżynieria agentowa to wyższa warstwa: polega na orkiestracji wielu agentów na dużą skalę, koordynowaniu ich pracy i zarządzaniu tym, co trafia do użytkowników.

Sprawia to, że inżynieria agentowa jest dziedziną wymagającą koordynacji i umiejętności podejmowania decyzji, a nie tylko programowania. Gdy agenty przejmują kodowanie lub wykonywanie zadań, ich dostęp, działania i dane wyjściowe muszą być objęte zabezpieczeniami, którym zespół już ufa. Pytania, które się pojawiają, dotyczą najpierw zarządzania zgłoszeniami, a dopiero potem kwestii związanych z kodowaniem, dlatego opierają się na systemie rejestracji takim jak Jira.

Czy Jira została stworzona z myślą o inżynierii agentowej?

Jirę opracowano z myślą o natywnym rozwoju oprogramowania z wykorzystaniem sztucznej inteligencji — podejściu polegającym na planowaniu, koordynowaniu i skalowaniu pracy z udziałem agentów sztucznej inteligencji. Gdy pojawia się pytanie, czy Jira „wspiera” inżynierię agentową, w rzeczywistości chodzi o to, czy może pełnić rolę warstwy, w której praca agentów jest osadzona w kontekście i gdzie ich działania są koordynowane, weryfikowane i nadzorowane. Właśnie to robi Jira, a sam agent kodowania nie może tego zapewnić.

Agent kodowania wprowadza zmiany, ale nie decyduje, co należy zbudować, nie ocenia, czy rezultat spełnia wymagania, ani nie uwzględnia, jak dane zgłoszenie łączy się z pozostałymi równoległymi zadaniami. Są to decyzje dotyczące zarządzania zgłoszeniami i zespołem: agent kodowania działający na komputerze jednej osoby służy wyłącznie tej osobie, natomiast zespół osób i agentów potrzebuje wspólnej koordynacji, przejrzystości i pojedynczego źródła rzetelnych informacji. Jira zarządza tą warstwą — przechowuje plan, kieruje zgłoszenie do odpowiedniego agenta, umożliwia kontrolę nad tym, co zostaje wydane, i zapisuje przebieg zdarzeń jako trwały kontekst, który wspiera przyszłe działania. Dzieje się to podczas przepływu pracy w Jirze, a nie jako dodatkowe czynności wymagane od programisty.

Co oferuje Jira, czego nie zapewnia sam agent kodowania?

Nawet jeśli agent otrzyma szczegółową specyfikację, nadal może się rozminąć z założeniami. Zapomina o podjętych decyzjach, ponownie wykonuje już ukończone zadania i napotyka ograniczenia swojego okna kontekstowego. Przechowywanie planu w pliku markdown nie stanowi rozwiązania, podobnie jak użycie lepszego agenta. Rozwiązanie polega na tym, że specyfikacja i stan są przechowywane poza pamięcią agenta. Efekt ten kumuluje się w całym zespole, dlatego inżynieria agentowa jest w rzeczywistości wyborem dotyczącym systemu rejestracji, a nie narzędzia programistycznego. Poniższe możliwości wynikają z faktu, że Jira sama pełni funkcję takiego systemu.

Łączniki przekazują dane z łańcucha narzędzi do Teamwork Graph. MCP udostępnia tę wiedzę organizacyjną dowolnemu modelowi SI, z którego korzystają już zespoły.

• Jeden system rejestracji obejmujący pracę ludzi i agentów. Podczas pracy agent odczytuje i zapisuje dane w Teamwork Graph, aktualizując wszystkie decyzje i zapisy związane z zadaniem, dzięki czemu żaden kontekst nie zostaje utracony w lokalnej sesji.

• Zarządzanie dziedziczy istniejące mechanizmy kontroli w firmie. Dostęp agentów opiera się na modelu uprawnień, któremu firmy już ufają, dzięki czemu te same mechanizmy kontroli automatycznie obejmują pracę agentów, zamiast wprowadzać nowe zasady zarządzania.

• Dowolny agent, dowolny model, jedna platforma. Przypisz zgłoszenia narzędziom Claude, Cursor, Codex, GitHub Copilot lub natywnemu agentowi kodowania Jiry i zarządzaj nimi z jednego miejsca. Ponieważ agenty działają w ramach istniejących przepływów pracy, zmiany po stronie agentów nie wpływają na dotychczasowy proces. Pojedynczy agent kodowania ogranicza użytkowników do jednego dostawcy, natomiast Jira jest niezależna od agentów.

• Inżynieria kontekstu z całego pakietu, a nie tylko zgłoszenia.Teamwork Graph zapewnia agentom dostęp do zgłoszeń, decyzji i historii w Jirze, Confluence, kodzie oraz narzędziach, w których faktycznie toczy się dyskusja o pracy, takich jak Slack i Teams, dzięki czemu działają zgodnie z rzeczywistymi intencjami, a nie na podstawie pustego promptu. W ten sposób Jira staje się warstwą kontekstu otaczającą agenta.

• Zapewnia jedno centrum kontroli pracy agentów. Agent kodowania działa w ramach własnej sesji, niezależnie od planu i innych prac zespołu. Jira dodaje tę warstwę, aby decydować, jakie zadania trafiają do agentów, dostarcza im odpowiedni kontekst i łączy każdą sesję kodowania z realizowanym zadaniem, nie wprowadzając dodatkowych czynności do codziennej pracy programistów. Podczas gdy system rejestracji dokumentuje, co się wydarzyło, centrum kontroli umożliwia zarządzanie pracą agentów i jej koordynowanie w tle.

Rola Jiry w cyklu tworzenia oprogramowania z wykorzystaniem sztucznej inteligencji

Jira wspiera pracę agentów na czterech etapach: planowania, koordynowania, przeglądu oraz skalowania. Pracę rozplanowuje się na zadania gotowe do realizacji przez agentów, koordynuje pracę agentów nad nimi oraz sprawdza i testuje jej wyniki. Wypracowane schematy można następnie wdrażać w całej organizacji, wykorzystując mechanizmy nadzoru i uprawnień zapewniające bezpieczeństwo. Oto, jak wygląda rola Jiry na każdym z tych etapów.

Planowanie: jak przygotować zadania do wykonania przez agenta?

Zamieniaj plany i dokumentację na sugerowane zadania jednym kliknięciem, a następnie przeglądaj je i dostosowuj w razie potrzeby przed zaakceptowaniem.

Planowanie to etap, na którym intencja jest przekładana na zadanie gotowe do realizacji przez agenta: prawdziwą specyfikację z jasnymi wymaganiami i kryteriami akceptacji oraz kontekstem niezbędnym agentowi przed rozpoczęciem pracy.

• Rejestruj pracę gdziekolwiek się zaczyna. Wnioski napływają z różnych źródeł: wątku w aplikacji Slack, strony w Confluence, nagrania w Loom, spotkania. Skorzystaj z funkcji @Jira lub użyj Rovo, aby przekształcić je w zgłoszenia. Pobranie informacji i danych pozwala nie tylko zrezygnować z ponownego wpisywania: przekształca niejasny wniosek, nawet jeśli początkowo był tylko rozmową, w zgłoszenie zawierające kontekst z Teamwork Graph pokazujący, jak wpisuje się on w pracę zespołu.

• Przekaż agentowi jasno określoną specyfikację, a nie tylko prompt. Przy tworzeniu oprogramowania w oparciu o specyfikację stanowi ona główne dane wejściowe — agent pracuje nad zgłoszeniem na podstawie specyfikacji, a nie jednorazowego promptu, który znika po zakończeniu sesji. Ta specyfikacja współdziała z bazą kodu, standardami zespołu oraz historią projektu, dzięki czemu agent ma pełny kontekst potrzebny do przygotowania kodu zgodnego ze standardami Twojego zespołu. Planer Jiry tworzy specyfikację na podstawie Teamwork Graph, bazy kodu oraz historii Confluence. Następnie można ją dopracować i dodać kryteria akceptacji, dzięki czemu specyfikacja staje się dokumentem, według którego agent realizuje zadanie i na podstawie którego jest oceniany.

• Dostarczaj agentom kontekst, który się kumuluje. To kontekst stanowi rzeczywiste ograniczenie jakości agenta. Jira korzysta z Teamwork Graph, aby zapewnić agentom dostęp do celów, decyzji i historii we wszystkich narzędziach, a nie tylko do zgłoszenia. Współpracuje z każdym agentem MCP, a kontekst ten się kumuluje — im więcej zgłoszeń przechodzi przez system, tym bardziej agenty mają z czego czerpać, a wyniki się poprawiają.

Koordynacja: jak przypisywać i kierować zgłoszenia do agentów?

Przydzielaj zadania agentom, w tym natywnemu agentowi kodowania Jiry, w jednym miejscu.

Przydziel zadanie najodpowiedniejszemu agentowi, a następnie pokieruj jego pracą i ją nadzoruj — a wszystko to w miejscu, w którym Twój zespół już śledzi jego pracę.

• Przypisuj zgłoszenia do dowolnego agenta w jednym miejscu Przypisz zgłoszenie do Claude, Cursor, Codex, GitHub Copilot lub natywnego agenta kodowania Jiry, a następnie sprawdź podjęte działania i decyzje w sesjach sieciowych, IDE oraz terminala, aby szybko wychwycić rozbieżności i skorygować je bez przerywania przepływu.

• Kontaktuj się z agentami tam, gdzie już pracujesz Koordynuj działania za pośrednictwem platform używanych przez zespół: skorzystaj z funkcji @Jira w aplikacji Slack, aby utworzyć zgłoszenie i rozpocząć cykl rozwiązywania, połącz Cursor, Claude Desktop lub dowolnego klienta MCP z kontekstem Jiry albo zapewnij agentom dostęp do wiersza poleceń / terminala, aby mogły płynnie przechodzić od kontekstu do działania.

• Automatyzuj rutynowe zadania. Uruchom agenta z poziomu reguły automatyzacji lub zmiany statusu w przepływie pracy (albo dodaj go do kolumny tablicy), aby automatycznie wykrywał zgłoszenia wraz ze zmianą statusu i przekazywał dane wyjściowe z powrotem w ramach tego samego przepływu pracy. Najlepiej zacząć od rutynowych, powtarzalnych zadań.

• Aktywność agenta pozostaje widoczna i powiązana ze zgłoszeniem. Gdy agent wykonuje zadania, jego aktywność oraz otwierany przez niego pull request pozostają powiązane ze zgłoszeniem, dzięki czemu postęp jest widoczny tam, gdzie znajduje się zgłoszenie, a nie ukryty w osobnym narzędziu. Widać, które zgłoszenia zostały wykryte przez poszczególnych agentów, jakie działania zostały wykonane oraz co oczekuje na przegląd — a wszystko to w jednym miejscu.

Przegląd: jak weryfikować dane wyjściowe agenta?

Przeglądanie danych wyjściowych agenta powinno obejmować etap z udziałem człowieka.

Dane wyjściowe agenta mogą wyglądać na ukończone, a mimo to zawierać błędy, dlatego nie należy ich wysyłać, dopóki nie zostaną przez kogoś przejrzane, sprawdzone i zatwierdzone.

• Testowanie i weryfikacja Dane wyjściowe agenta muszą jeszcze przejść standardowe kontrole. Kontrole te odbywają się w pipeline'ie CI, a ich status pojawia się w zgłoszeniu, dzięki czemu na etapie przeglądu można wstrzymać zmianę statusu na gotowe do czasu weryfikacji zgłoszenia. Część tego procesu można zautomatyzować: zanim dane wyjściowe trafią do człowieka, agent samodzielnie je sprawdza i tworzy kolejne iteracje, aż kontrole zostaną zaliczone.

• Przegląd z udziałem człowieka, wbudowany w przepływ pracy Wymagaj przeglądu przeprowadzonego przez człowieka: dane wyjściowe pojawiają się w zgłoszeniu i nie mogą zmienić statusu na „gotowe”, dopóki ktoś ich nie zatwierdzi. Pull request oraz jego status przeglądu są widoczne w panelu prac programistycznych zgłoszenia, dzięki czemu przegląd ma miejsce tam, gdzie następuje jego śledzenie.

• Połączenie i rejestracja tego, co wysłano Po przeglądzie zmiana zostaje połączona, a zgłoszenie zmienia status na „gotowe”. Łącz i wdrażaj uruchomienia w połączonych narzędziach; Jira prowadzi rejestr.

Skalowanie: jak bezpiecznie zarządzać agentami w różnych zespołach na przestrzeni czasu?

Jeden spójny system pracy ułatwia skuteczne skalowanie w całej organizacji.

Skalowanie pracy agentów to zmiana na poziomie całej organizacji. Wyzwanie polega nie tyle na tym, aby pojedynczy programista uruchamiał więcej agentów, ile na utrzymaniu jakości, zaufania i przejrzystości na stałym poziomie, gdy agenty są wykorzystywane przez różne zespoły.

• Delegowanie rutynowych zadań. Agenty obsługują powtarzalne, jasno określone zadania w tle, pull requesty pojawiają się, gdy są gotowe, a kontrolę zapewniają współdzielone uprawnienia i standardy bezpieczeństwa.

• Iteracja. Inżynieria agentowa to proces cykliczny, a nie liniowy: wyniki są wykorzystywane w kolejnej specyfikacji, a zgłoszenie wraca do cyklu. Ta informacja zwrotna gromadzona jest w Jirze, co pozwala udoskonalać przyszłe zgłoszenia.

• Nadzór i audyt. Zabezpieczenia znajdują się w przepływie pracy, a nie w dokumencie zawierającym zasady, a każda czynność pozostawia w zgłoszeniu ścieżkę audytu kontrolowaną przez własne uprawnienia Jiry.

• Pomiar wpływu. Śledź, jak SI zmienia sposób, w jaki Twój zespół wysyła oprogramowanie, korzystając z danych dotyczących dostarczania, takich jak czas cyklu i łączna liczba pull requestów, aby móc mierzyć efekty zamiast samej aktywności oraz inwestować w to, w co warto inwestować.

Jak Jira wpisuje się w pozostałe elementy Twojego pakietu SI?

Jira nie zastępuje agentów kodowania, IDE ani używanych modeli. To zawarty w nich system koordynacji i rejestracji, dzięki czemu praca pozostaje widoczna i pod kontrolą, niezależnie od używanych narzędzi. Nie jest on opcjonalny w przypadku pracy na dużą skalę — bez wspólnego systemu rejestracji danych praca agentów zostaje rozproszona między różnymi narzędziami i nie da się osiągnąć pełnej produktywności.

Jak zacząć korzystać z inżynierii agentowej w Jirze

Wyświetlaj działania i decyzje podejmowane przez agentów. Przeglądaj pełną historię sesji, szybko wykrywaj odchylenia i wprowadzaj korekty w razie potrzeby.

Do rozpoczęcia nie jest potrzebne pełne wdrożenie. Najszybszy sposób na pierwszy sukces to podłączenie agenta kodowania, przypisanie mu jednego niewielkiego zadania i przejrzenie pull requestu, który otworzy — wszystko to można zrobić z poziomu jednego zgłoszenia.

1. Wybierz jedno rutynowe, jasno określone zadanie. Najbezpieczniej zacząć od niestabilnego testu, aktualizacji zależności lub rozwiązania drobnego błędu.

2. Zarejestruj jako zgłoszenie. Przekształć stronę Confluence, wątek na Slacku lub krótki prompt w zgłoszenie z podsumowaniem i opisem.

3. Przypisz agentowi. Połącz swoje repozytorium Git, a następnie przypisz zgłoszenie agentowi kodowania Jiry w panelu Agenty.

4. Sprawdź pull request. Agent otwiera pull request powiązany ze zgłoszeniem, dzięki czemu możesz go przejrzeć w tym samym miejscu, w którym był planowany.

5. Zautomatyzuj. Po pierwszym uruchomieniu określ zadania, które wykonujesz wielokrotnie, i przekształć je w reguły automatyzacji. Powtarzalne zadania to obszar, od którego warto zacząć — przynoszą największy zwrot przy najmniejszym ryzyku.

Chcesz zacząć szybciej? Skonfiguruj raz, a szablon inżynierii agentowej utworzy przestrzeń gotową dla agenta wraz z odpowiednimi przepływami pracy, statusami i krokami agenta, dzięki czemu możesz rozpocząć od działającej pętli zamiast pustego projektu. Czy w Twojej przestrzeni działają już agentowe przepływy pracy i sprawdzają się w praktyce? Klienci korzystający z planów płatnych mogą zapisać szablon jako własny, dzięki czemu zespół może tworzyć nowe przestrzenie z tymi samymi agentami i wbudowanym przepływem pracy.

Najczęściej zadawane pytania dotyczące inżynierii agentowej

Czym zajmuje się inżynier w inżynierii agentowej?

Inżynier agentowy określa cele, kontekst i zabezpieczenia, które kierują agentami sztucznej inteligencji podczas realizacji wieloetapowych zadań, a następnie weryfikuje i zatwierdza wyniki. System rejestracji taki jak Jira zapewnia spójność i odpowiedzialność.

Czym różni się inżynieria promptów od inżynierii agentowej?

Inżynieria promptów polega na opracowywaniu pojedynczych instrukcji, które pozwalają uzyskać od modelu odpowiedź wysokiej jakości, natomiast inżynieria agentowa koordynuje działania agentów planujących, działających i iterujących w ramach całego zadania. Jednostka pracy przechodzi od promptu do celu.

Co oferuje Jira, czego nie zapewnia sam agent kodowania?

Agent kodowania pisze kod, natomiast Jira to miejsce definiowania, ustalania priorytetów, koordynowania i przeglądania zgłoszeń oraz zarządzana nimi w ramach jednego spójnego systemu rejestrowania. Koordynuje pracę każdego agenta, zapewniając jednocześnie ścieżkę audytową każdego zgłoszenia.

W jaki sposób agenty sztucznej inteligencji uzyskują kontekst z Jiry?

Agenty czerpią kontekst bezpośrednio ze zgłoszenia (wymagania i kryteria akceptacji) i z Teamwork Graph, co pozwala połączyć powiązane zgłoszenia, dokumentację i kod. To sprawia, że agent jest osadzony w kontekście jeszcze przed podjęciem działania, a nie tylko na podstawie promptu.

Czy Jira jest nadal potrzebna, jeśli kod tworzy sztuczna inteligencja?

Tak, a nawet w jeszcze bardziej, ponieważ gdy agenty generują coraz więcej kodu w krótszym czasie, głównym wyzwaniem staje się koordynacja, przegląd i zarządzanie tą pracą. Jira to centrum zarządzania, które zapewnia widoczność, rozliczalność i powiązanie danych wyjściowych agenta z pracą, do której zostały przeznaczone.