Atlassian AI 负责人：聊天是通用界面，也常常是最差的界面

Atlassian 市值超过 400 亿美元，排在 eBay、Reddit、Expedia 前面。多数人对它的印象是 Jira，工程师管项目用的东西。Sherif Mansour 在播客里给了个反差的数字：今天 Atlassian 的大多数用户来自 HR、财务、法务、市场，他们照样在跑项目、照样给别的团队提供服务，只是不写代码。

Sherif 在 Atlassian 干了 16 年，入职前是这家公司的客户，在澳洲一家大型电信公司做事。现在他是 AI 负责人。这期节目录制时两人隔了 16 个时区，他在澳洲，主持人在美东。他手里另一个数字是 350 万，这是正在使用 Atlassian AI 能力的用户数。

主持人 Nathan Labenz 是创业者兼 AI 投资人，这档播客长期追踪模型能力和企业应用。两人聊了两个多小时，从 AI 输出的同质化，一路聊到浏览器、一人独角兽，以及企业到底该怎么带团队。

AI slop 是「正确但没劲」

Sherif 对 AI slop 的定义跟很多人不一样。别人说 slop 指的是答错、幻觉、胡说八道。他指的是另一件事：输出技术上没错，但创意上偷懒，所有人问同样的问题，拿到的结果 80% 相似。

这个定义抓住了要害。大家用的是同一批大模型，工具已经平权，差异化从哪里来？他给的答案是三味药。

• 品味（taste）：你的团队怎么看事情，喜欢什么不喜欢什么，用什么语气说话。这些得由人喂进去。
• 知识（knowledge）：agent 能访问哪些组织内部资料。注意「能访问」和「被训练过」是两回事。
• 工作流（workflow）：把它放在哪个环节上跑，是接到 Jira 工单里，还是接在 Confluence 页面里。

他讲了一个采购团队的例子。这个团队在 Confluence 里写了一堆页面，记录审核供应商合同时要盯哪几点，再接上 SharePoint 的补充资料。然后他们在 Jira 里配了一条流程：新工单进来，agent 先读附件里的合同，写出第一版回复，再交给人来审、来来回回改。品味、知识、工作流三样齐了。

他还给了一套三层的成熟度框架，自称埃及人所以凡事都想成金字塔。第一层是问一句答一句。第二层是让 AI 生成一个产物，写篇提案、写条 show notes、写段介绍。第三层才是把知识和指令打包进可重复的工作流，开始谈规模、谈质量、谈效率。多数人卡在第一层，觉得「也就那样」。

品味要靠二十年的开放默认来养

Nathan 分享了自己的做法。他写节目开场白的流程是：把过去几十篇开场白存成一个 PDF，加上当期文稿，配一句很简单的提示词，让模型照着写。真正干活的是那几十篇旧文，那才是他的品味样本。他明确说，用 Claude 效果最好，别的模型一直差得比较远，直到 Gemini 3 出来才有了变化。

Sherif 的观察是，绝大多数人只写提示词，不喂上下文，然后回一句「还行吧，没什么特别的」。他引用了客户最常说的一句话：

前 80% 还行，但要拿到最后那 20%，我又花了五六个小时。

Atlassian 有两个别人不太容易复制的东西，能把这一步变简单。

一个是个人记忆。Rovo Chat 会记住你的写作习惯。Sherif 自己爱在标题前加 emoji，用久了它就自动加。他提出一个概念叫「用户接近度」，指用户离 AI 有多近。程序员在 IDE 里天天跟 AI 对话，写作的人天天在 Confluence 里让 AI 改稿，这些场景本身就在无意识地积累个人记忆。

另一个是「默认开放」。在 Confluence 建文档空间、在 Jira 建项目，默认都是公开的，要限制得自己动手。这个设计坚持了二十多年，现在成了喂 AI 的巨大优势。

他给了一个很直白的对比。明天你去一家公司入职，问 AI 一个问题。在那些没有默认开放工具的公司，你大概拿不到什么结果，因为新人都没有权限，除非 IT 管理员专门改过默认设置，这几乎不可能发生。而在有开放知识库的公司，你立刻能问出那些本来要私信五十个人才能问明白的事，至少能拿到该找谁的线索。

不过他还是把话说回来了：AI 猜不出你没写下来的品味。想拿结果，先下功夫。

RAG 答不了「我团队上周做了什么」

节目里技术含量最高的一段，讲的是 RAG 在企业里的天花板。

企业数据和公网数据最大的区别是权限，而且细到字段级。Sherif 举了 Rovo 接 Salesforce 和 GitHub 的场景：同一条 GitHub issue、同一条 Salesforce 记录，你能看到某些字段，同事看不到。光是把语义索引和权限体系对上、还要跑得够快，就是一大笔投入。

更难的是另一类问题。「我团队上周做了什么」，这句话拆开全是歧义。什么叫状态更新？团队指谁？上周从哪天算起？

他给了个判断：这个问题用 RAG 是灾难性的解法，给你前五篇文档去总结，基本总结不出团队状态。正解是图遍历。

这就是 Atlassian 的 Teamwork Graph。它把用户、团队、目标，以及工作产物连成一张图：Jira 工单、拉取请求、Confluence 页面、Trello 卡片、Figma 设计稿、Google 文档、Amplitude 看板。图有两个来源，一个是客户主动接进来的，接 GitHub、接 Figma；一个是自然长出来的，你在页面里贴链接、在工单里挂设计稿，关系就记下来了。

他还提了一层很多人没想到的东西：协作信号图。谁给谁的页面点了赞、谁评论了谁的工单、谁跟谁分享过文档、谁看过什么没看过什么。这些信号可以作为权重，叠加到查询时的图遍历上，用来理解人和工作的关系。

对照关系很清楚。「公司年假怎么申请」，RAG 更合适，不用动图。「我团队上周的状态」，图遍历更合适。企业级 AI 两套都得有。

Nathan 提到自己研究过的 HippoRAG，思路几乎一样：先识别实体，做消歧和对齐，后台把关系铺开，查询时先语义搜索定位入口实体，再往外扩一到三跳，在那个范围内做匹配。Sherif 说对，多跳遍历就是核心。

接着聊到「遗忘」。Nathan 说大多数做记忆系统的团队只想着怎么记住，没想过怎么放手，人脑可是一直在清理。Sherif 讲了自己踩的坑：他让 Rovo 用团队目标重写团队章程，结果 AI 捞出来一条四五年前定的目标，因为那条目标在系统里还标着 active，他自己忘了归档。

现在他们有各种信号来衰减旧内容，时间、互动、协作活跃度都算。但他也提醒客户，接数据之前先想清楚。有个客户说要把整个 SharePoint 接进来，他问多大，对方说大概 1TB，他问你需要那么多吗，对方说不知道。垃圾进垃圾出，这条老规矩在 AI 时代一点没变。

聊天是通用界面，也常常是最差界面

Nathan 抛出一个观点：最好的界面是没有界面。他认为界面的存在，是因为软件需要人的智能和判断，如果不需要，软件自己就跑完了。所以把界面抽象成任务交给 AI，是个不错的方向。

Sherif 直接用技术史反驳，而且反驳得很漂亮。

他让人回想 MS-DOS 和终端时代。终端是操作系统的通用界面，你能算数、能打字、能画 ASCII 画。但很快大家就发现，它对某些任务是极其糟糕的界面。于是几十年里，人们在终端之上盖起了垂直应用：文字处理、电子表格、图像、音频。今天两个人录播客用的这个界面，就是在操作系统和浏览器之上专门盖起来的一层。

平移到 AI 上。聊天的地位，相当于当年的终端。大模型就是靠预测下一个 token 训出来的，对话是把这件事做到极致的方式，所以聊天一定是通用界面。但通用不等于好用。

他对内部团队说过一句话：你的 AI 功能，九成情况下用一段提示词就能做出穷人版，那是体验最差的版本。你不可能要求用户每次都手打那一长串提示词。所以真正的机会长在聊天之上，是垂直的、专门的界面。

他顺手拆了「AI 会动态生成界面」这个说法。表单是反例，表单校验、条件字段，用聊天去填就是灾难。AI 每次生成的界面都不一样，人不会喜欢，人需要可预期的东西。他小儿子在 Leonardo AI 上做游戏像素素材，做塔防角色的手部动作、换武器、不同尺寸的精灵图。用聊天能不能做？能。是不是最糟的方式？也是。专门为这件事设计的垂直界面才好用。

这里还牵出 Atlassian 收购 The Browser Company 的逻辑。他用 AOL Messenger、ICQ 到 Slack、Teams 的演化做类比：消费级聊天工具搬到工作场景能用，但不够好。把假设重置一遍，为企业场景重新设计，才长出了频道、集成、权限这些结构。浏览器的处境一样，为知识工作者重置假设，会得到一个完全不同的东西。

顺带说一句，他 11 岁的儿子从 Scratch 这种图形化编程直接跳到 vibe coding，中间那段学语法、学代码结构的阶段跳过去了。他现在的技能是学会怎么指挥 AI 拿到想要的东西，拿不到就反过来让 AI 教他怎么把需求说清楚。

火箭筒打蚊子，以及一人独角兽的账

成本这一段，企业客户最容易踩坑。

Atlassian 内部的做法是先在发现阶段让团队放开手脚，找到产品与市场的契合点，再去跟 ML 团队过 AI gateway。这个网关是一层代理，混合了本地部署的开源模型和云端模型，切换模型、做对比测试都在这里。简单的摘要任务早就下放到本地小模型跑了。今天 Atlassian 主要应用里已经有七八十个 AI 功能。

客户那边的问题正好相反，用过头。他举了个例子：一张工单进来，判断内容里有没有某几个关键词。用自动化框架里的字符串处理节点就能干，便宜、确定、只做一件事。有人非要换成 AI，效果也能到，账单不一样。一位客户的原话是：

我手里有火箭筒，然后拿它拍蚊子。

Nathan 补了一条他自己的原则：能写传统代码解决的，就用传统代码，更快、更便宜、更可靠。写正则的时候可以叫 AI 帮你写，但别让它每次现场跑一遍。

模型选择这件事，Sherif 说客户的关注度在快速下降。两年前每个客户都在问用哪个模型，现在没人问，就像没人会要求你必须用 Postgres 不许用 MySQL。GPT、Claude、Mistral 都在用，具体哪个按场景配。他给软件团队的建议是：值得花力气自建一层模型网关。他原话说，这一层的回报是数量级的。

但他留了一个重要例外：自建 agent、自己跑评测的团队，API 稳定性极其重要。模型半夜被换掉，第二天结果全变。模型会商品化，稳定性和可控性不会。

关于一人独角兽，他的态度是怀疑的，理由摆得很实在。

他刚跟一家五人的销售 AI 创业公司聊过，那家公司干的事，就是往 Jira 里编排 agent，按节奏把思想领导力内容发到 WordPress，人只负责审稿和反馈。所以高杠杆的团队自己也在做流程编排，没有人整天手动敲提示词。

第二点更硬。那些团队自己就是瓶颈，永远在招人。能把现有的人放大十倍，不代表不想再多招一个。真正在长的公司，想法永远比人手多。

第三点是监管和合规。有一整块市场，没有领域专家签字就是动不了，AI 再强也绕不过去。

第四点绕回 slop。第一个人靠 AI 做出独角兽，第二个人的东西会长得一模一样，因为模型就是那么设计的。想不同，还是得回到「让它变成你的」这件事上。他没看到别的解法。

谈到收购 AI 创业公司怎么估值，他给了两个框架。一个很实用：在 AI 领域，把「长期」定义成 12 个月。不定义时间尺度，就会陷入信息瘫痪，天天说「趋势还不明朗」，永远不做决定。另一个是工作流接近度，分用户侧和买方侧两问：谁的用户已经在做这件事？这个创业公司在「这件事要完成」的马斯洛金字塔里，站在第几层？站在越底层，越有机会往上吃。

领导力那段，他反对靠强制推。听到「必须用」这种话，大部分员工的感受是威胁。他见过最有效的做法是同步锁时间：Atlassian 办过一次 AI builders week，一千名产品经理、设计师、工程负责人、研究员同时空出几天，彼此不互相阻塞，庆祝的是学到什么，而不是做出什么。这样试错的人才不觉得自己在拖累团队。

还有一条他自己最看重的：领导者在个人生活里真的把 AI 用起来。他自己做过后院景观的方案、给孩子搭过一个不讲答案只讲思路的数学辅导 agent，还塞了 Fortnite 的梗进去，最近膝盖内侧副韧带受伤，又配了个每天提醒康复动作、顺便点评饮食的助手。他在面试里最爱问的问题是：你个人怎么用 AI。

明天就能用上的几件事

• 挑一个你团队每周都做的任务，把步骤一条条写下来。每一步旁边标清楚：人用了什么知识、给了什么指令、做了什么动作。需要 agent 接手的步骤会自己浮出来。
• 给 agent 喂二十篇你过去写过的东西，别只留一句提示词。品味是靠样本喂出来的，不是靠形容词描述出来的。
• 清理一遍要接进去的数据源。四五年没动过的目标、已经离职同事的文档、标着 active 其实早废的项目，先归档。旧数据会被当成事实引用。
• 能用 if 判断、字符串匹配、固定字段比较解决的，别上大模型。省钱、快、不会飘。
• 在个人生活里找一个真问题，用 AI 解决一次。装修、康复、孩子的作业都算。行为改变从自己身上开始，比在公司群里转发一篇 AI 文章管用。

Sherif 在节目里重复了三次的一句话，可以当整期的收尾：所有人在做的事，正在从「干活」变成「设计活怎么被干」。这句话在 350 万用户的数据里已经发生了，剩下的问题是你的团队什么时候开始写那份步骤清单。