Atlassian今日发布新产品，旨在帮助IT部门更容易区分AI编写的代码与人工编写的代码。问题在于，在企业环境中，这种区分如今很少是非黑即白的，因为大量代码中混杂着两者的成分。
Atlassian人工智能产品负责人Jamil Valliani在接受采访时表示，缺乏对代码来源的有效可见性，是大多数大型企业面临的重大问题。“对大多数企业而言，这正是阻碍它们进一步采用AI的原因。”
Atlassian的新产品名为智能体多人协作协议（Agentic Multiplayer Protocol，简称AMP），该公司将其描述为“人类与智能体在Atlassian平台上协作的基础”，定义了智能体如何“以具备身份标识、权限范围、共享上下文与任务、以及可供审查的结果，参与多人协作工作”。
AMP包含团队协作图谱（Teamwork Graph），Atlassian表示该功能可以将源代码索引至函数、符号和类的级别，使开发者无需克隆代码仓库即可更轻松地在Bitbucket和GitHub中进行搜索。该公司还表示，团队协作图谱提供完整的溯源与责任归属功能，包括版本历史记录，能够清晰展示在Claude、Codex、Figma和Rovo等工具中，哪些内容是人工编写的，哪些是智能体完成的。
此外，Rovo Chat新增了一个名为Rovo Work的模式，用于处理复杂的多步骤任务，并由人工进行监督、审查与批准。该模式可跨Jira、Confluence及其他关联工具执行任务，并能在安全沙箱环境中运行数小时，以完成用户批准的目标。该公司还声称推出了一项名为“欧盟AI推理”的地理功能，可将大语言模型的处理过程限制在仅托管于欧盟境内的模型上。
Atlassian表示，上述功能现已全部上线。
该公司还在公告中介绍了一些即将推出的“非人类身份”（NHI）相关功能，包括审查AI可见内容的控制机制，以及对智能体账户和其他形式非人类身份可获得的访问权限进行限制。Atlassian表示，这些功能将在“近期”推出。
分析师与咨询顾问普遍认为，提升代码来源可见性的方向是积极的，但Atlassian的这一产品能否提供足够有意义的上下文信息以真正发挥作用，目前尚不明确。
IDC研究经理Adam Resnick指出：“随着智能体承担越来越多的自主性工作，这项能力的潜在价值相当可观。”
但他也强调：“真正的价值并不止于知道某一行代码是谁敲下的。企业真正想了解的是，在关乎重大决策的事项上，人类与智能体分别在哪些环节行使了判断，比如选择采用哪个数据存储方案，或如何处理身份验证。最有价值的溯源信息，应能展示是否进行了有实质意义的人工审查，而不仅仅是记录某人点击了‘批准’按钮。”
Resnick表示，这种更为精细的可见性“为企业提供了基于风险的审查依据，而非对AI生成代码采取一刀切的规则。一个范围明确、改动较小的智能体变更，可能只需要较轻量的审查；而人工对支付系统做出的改动，则可能需要更严格的审查。代码来源只是众多考量因素之一，此外还包括智能体的自主程度、变更的影响后果，以及人工监督的证据。”
他进一步表示，“区分AI与人类的贡献，是AI软件工程智能领域中最难解决的问题之一。”这也涉及到当前大多数企业使用智能体开发的实际方式。
例如，Git会记录作者（author）和提交者（committer）信息，“因此当开发者在本地运行智能体时，记录中显示的名字是该开发者本人。溯源信息通常存在于提交说明文本中，而开发者可以关闭、编辑这些文本，甚至在重写历史记录时将其丢失，”Resnick指出。“不同厂商的命名规范各不相同。而且开发者通常会编辑智能体生成的输出内容，导致人类与AI的工作成果最终混杂在一起。许多企业还会同时并行运行多个智能体。”
Aikido Security企业首席信息安全官Mike Wilkes对此表示认同。
他表示：“Git可以告诉你是谁提交了某次变更，但这与实际‘是谁或是什么’真正编写了这段代码，差异正变得越来越大。开发者可能接受了Copilot的建议、从ChatGPT中粘贴了代码、将任务委托给Claude Code完成，或是由一个自主智能体创建了拉取请求（pull request）。等到代码进入代码仓库时，这些来源信息大多已经被压缩简化为一个人类身份和一次提交记录。”
Wilkes等人表示，理清代码历史的复杂性，将为那些正在做出资金投入与AI战略决策的首席信息官带来巨大帮助。
Wilkes说：“可靠的溯源归属，终于让首席信息官能够真正衡量智能体开发的实际成效，而不只是统计AI许可证数量和Token消耗量。我们可以比较人工与智能体辅助完成的变更，在周期时间、审查成本、返工情况、缺陷率、回滚次数等方面的差异，并最终计算出每次被采纳变更的实际成本。”
通过这样的分析，企业可能会发现，智能体完成了40%的变更，但只贡献了10%的工程价值，又或者恰恰相反。他表示：“这会让AI溯源从一个有趣的版本控制功能，转变为一个遥测层，帮助企业理解投入数百万美元的企业级AI投资，是否真正对实际的软件开发生命周期（SDLC）生产力产生了影响。”
咨询公司Acceligence首席执行官Justin Greis补充道：“如果我想知道AI是否让某位开发者变得更高效，我可能并不需要逐行检查代码来确认其AI来源。我可以直接观察该开发者在采用这一工具前后，在周期时间、缺陷率、返工量、吞吐量、安全问题发现数量，以及最终产出质量和经济效益上的变化。”
Dickson Research首席分析师Frank Dickson指出，Atlassian表示部分功能现已可用，而另一些功能仅称将“近期”推出。Dickson认为，那些尚未就绪的功能，恰恰才是真正更具价值的部分。
Dickson说：“仅凭标签标注本身，作为差异化优势是相当单薄的。真正的价值可能在于其底层的身份控制层面，而Atlassian将这部分功能标注为‘近期推出’。有一句话值得仔细推敲：Atlassian表示它能将每一次变更追溯到对应的智能体，以及‘设置该智能体的人’。但设置智能体的人，并不总是批准其工作成果的人，二者甚至可能属于不同团队。真正批准智能体工作成果的人，才是真正对其负责的人。版本历史应当清晰呈现这种责任归属关系，而不是将其模糊化。”
他给出了一个有效溯源的示例。
他说：“一个使用某人凭证执行操作的智能体，应被记录为该人的操作；一名接受AI建议并提交代码的开发者，应将其签署为自己的工作成果；而一名对智能体生成代码进行了三行重写的人类，所创造的这次变更则应同时归属于人类与智能体双方。”
他指出：“如今，大多数企业都无法理清这种复杂关系，而且很多企业甚至没有尝试去理清。溯源归属在边界清晰的情形下很容易实现，但在如今大多数工作实际发生的、模糊交织的中间地带，这件事却相当困难。”
Q&A
Q1：Atlassian推出的AMP协议是什么？
A：AMP全称是智能体多人协作协议，是Atlassian新推出的产品，用于定义人类与智能体在Atlassian平台上如何协作，包括身份标识、权限范围、共享上下文与任务，以及可供人工审查的结果。
Q2：Teamwork Graph有什么作用？
A：Teamwork Graph能将源代码索引至函数、符号和类的级别，方便开发者跨Bitbucket和GitHub搜索代码，同时提供完整的溯源与责任归属功能，清晰展示哪些代码是人工编写、哪些是智能体完成的。
Q3：企业为什么需要区分AI代码和人工代码？
A：因为缺乏代码来源的可见性，正是阻碍许多企业进一步采用AI的主要原因。清晰的溯源归属能帮助企业基于风险进行审查，并真正衡量智能体开发对生产力的实际贡献，而不只是统计AI许可证数量和Token消耗量。
