CURVC DevOps Confluence

출처: Introducing the redesigned deployments experience https://www.atlassian.com/blog/bitbucket/introducing-the-redesigned-deployments-experience 작성자: Darshan Ail 발행일: 2026년 08월 10일 코드가 어디에 배포되어 있는지 확인하기 위해 복잡한 대시보드를 헤맬 필요는 없습니다. Deployments 페이지는 팀이 빠르게 답을 확인하는 공간입니다: 테스트 환경에 무엇이 있는지, 스테이징 환경에는 무엇이 배포되었는지, 어떤 변경 사항이 운영 환경(Production)까지 도달했는지, 그리고 지금 바로 확인이 필요한 항목이 무엇인지 파악할 수 있어야 합니다. 하지만 기존 페이지는 이러한 확인 과정을 필요 이상으로 어렵게 만들었습니다. 새로운 Pipelines Deployments 페이지는 배포 현황을 더 쉽게 확인하고, 필터링하고, 필요한 조치를 취할 수 있도록 개선되었습니다. 새로운 경험에서는 환경 정보를 명확하게 구성하고, 가장 중요한 배포 세부 정보를 한곳에서 확인할 수 있으며, 파이프라인 실행 상태에 따라 실시간으로 업데이트됩니다. https://atlassianblog.wpengine.com/wp-content/uploads/2026/08/image-3-980x552.png 주요 개선 사항 기존 Deployments 페이지는 기능적으로는 충분했지만, 사용자가 필요한 정보를 찾고 이해하는 과정은 복잡했습니다. 이번 개편은 핵심 배포 개념은 그대로 유지하면서, 일상적인 사용 과정에서 발생하던 불편을 해결합니다: 더 빠른 결과 필터링 새로운 경험에서는 강력한 필터 기능을 화면 전면에 배치해, 스크롤하거나 수동으로 검색하지 않고도 필요한 정보를 빠르게 찾을 수 있습니다. 더 쉽게 확인할 수 있는 레이아웃 배포 정보가 시각적으로 정리되어, 여러 환경을 쉽게 비교할 수 있습니다. 전체 배포 이력 확인 환경별 배포 이력이 눈에 잘 띄게 표시되고 쉽게 접근할 수 있어, 중요한 정보가 묻히거나 누락되지 않습니다. 새로운 기능 개선된 컬럼 기반 레이아웃 환경은 Test, Staging, Production 컬럼으로 명확하게 구분됩니다. 환경 유형과 개별 환경 간의 관계를 한눈에 이해할 수 있습니다. 컬럼은 비어 있는 경우에도 동일한 구조를 유지하므로, 전체 페이지 구성이 일관되게 유지되고 필요한 정보를 빠르게 확인할 수 있습니다. 필요한 정보를 빠르게 찾는 필터 기능 여러 필터를 조합해 결과를 좁히고, 필요한 배포 정보를 빠르게 찾을 수 있습니다: 작성자(Author) 특정 커밋 작성자와 관련된 배포만 필터링할 수 있습니다. 환경 이름(Environment name) 확인하려는 환경을 빠르게 찾을 수 있습니다. 상태(Status) 실패, 일시 중지, 진행 중인 배포만 빠르게 확인할 수 있습니다. 개선된 배포 카드 각 환경은 새롭게 설계된 단일 카드로 구성되어, 필요한 주요 정보를 한곳에서 확인할 수 있습니다. 사용자는 다음 정보를 빠르게 확인할 수 있습니다: 배포 상태 환경 이름 빌드 번호 커밋 해시 및 메시지 커밋 작성자 배포 시간 더 쉽게 확인할 수 있는 배포 이력 각 카드에서 배포 이력에 바로 접근할 수 있습니다. 히스토리 패널은 메인 페이지와 함께 열리므로, 현재 화면의 맥락을 유지한 상태에서 특정 환경의 최근 배포 내역을 확인할 수 있습니다. 파이프라인 실행 중 실시간 업데이트 배포 이벤트가 발생할 때마다 페이지가 실시간으로 업데이트됩니다. 배포 시작, 상태 변경, 완료와 같은 주요 변경 사항은 브라우저를 새로고침하지 않아도 자동으로 페이지에 반영됩니다. https://atlassianblog.wpengine.com/wp-content/uploads/2026/08/1784139839712897-ezgif.com-video-to-gif-converter-2.gif 다음 단계 향후 업데이트는 팀이 배포 상태를 확인하는 단계에서 실제 조치로 더 빠르게 이어갈 수 있도록 지원하는 데 초점을 맞출 예정입니다. 또한 컨텍스트 전환을 줄일 수 있도록, 런북(runbook) 및 Splunk와 같은 운영 도구로 연결되는 링크를 추가하는 방안도 검토하고 있습니다. 아직 Deployments를 사용하지 않으셨다면, 지금 시작해 보세요 팀에서 아직 배포에 Bitbucket Pipelines를 활용하지 않고 있다면, 지금 바로 시작해 보세요. 아래는 production 환경으로 배포를 실행하도록 구성한 예시 bitbucket-pipelines.yml입니다: image: atlassian/default-image:5 pipelines: branches: main: - step: name: Deploy to production deployment: production script: - echo "Deploying to production"

2026/09/14

생각하는 속도로 코딩하기: Slack에서 Rovo Dev를 활용하는 방법

출처: Coding at the speed of thought: how I talk to Rovo Dev from Slack https://www.atlassian.com/blog/development/rovo-dev-slack-bridge 작성자: Anuj Shah (Software Engineer) 발행일: 2026년 08월 05일 약 300줄의 Python 브리지를 구축해 Slack에서 바로 Rovo Dev와 AI 지원 코딩을 수행할 수 있도록 구성했습니다. 터미널을 열거나 작업 환경을 전환할 필요 없이, 기존 업무 공간에서 AI 기반 코딩 지원을 활용할 수 있습니다. 이 글은 Rovo Dev CLI를 Slack에 연결하는 실험 과정을 소개하며, 터미널을 열지 않고도 AI와 함께 코딩하는 방법을 다룹니다. 환경 구성: 터미널에서 Slack으로 전환하기 평소 업무는 대부분 Slack에서 이루어집니다. 반면 터미널을 사용하는 경우는 많지 않습니다. 그래서 이런 생각을 하게 되었습니다. “Slack에서 바로 Rovo Dev(Atlassian의 AI 코딩 에이전트)와 대화할 수 있다면 어떨까?” 작업 맥락을 전환할 필요도 없고, 터미널을 열 필요도 없으며, 매번 acli rovodev run --yolo 명령을 실행할 필요도 없습니다. 결과적으로 이는 충분히 구현 가능했습니다. 이 글에서는 주말 동안 어떻게 구축했는지 소개합니다. 전체 구조 살펴보기 https://atlassianblog.wpengine.com/wp-content/uploads/2026/08/image-20260805-040551-768x1284.png 주요 특징 터미널 없이 사용 가능 Slack에서 바로 AI 코딩 에이전트와 작업할 수 있습니다. Socket Mode 지원 공개 URL, ngrok, 방화벽 설정이 필요 없습니다. 지정된 메시지만 처리 지정된 사용자의 메시지만 처리하며, 다른 사용자의 메시지는 자동으로 무시됩니다. 부팅 시 자동 실행 systemd 서비스로 실행되어 항상 사용할 수 있습니다. Rovo Dev 기능 그대로 활용 파일 읽기, bash 실행, Jira 조회, Confluence 검색 등을 지원합니다. 동작 방식: 단계별 살펴보기 https://atlassianblog.wpengine.com/wp-content/uploads/2026/08/image-20260805-040556-768x369.png 기술 스택 구성 요소 기술 목적 AI 에이전트 acli rovodev serve Rovo Dev CLI의 HTTP API 모드 Slack 연동 Slack Bolt(Python) + Socket Mode Slack 메시지 수신 및 전송 브리지 Python 3 (약 300줄) Slack과 Rovo Dev 연결 프로세스 관리자 systemd 부팅 시 자동 실행 및 장애 발생 시 자동 재시작 핵심 기능: acli rovodev serve 이 구성의 핵심은 acli rovodev serve PORT입니다. 이는 잘 알려지지 않은 Rovo Dev CLI 모드 중 하나로, 간단한 API를 제공하는 로컬 HTTP 서버를 실행합니다: acli rovodev serve 18888 --disable-session-token 이를 통해 두 가지 주요 엔드포인트를 사용할 수 있습니다: POST /v3/set_chat_message – AI에 메시지 전달 GET /v3/stream_chat – Server-Sent Events(SSE) 스트림 형태로 응답 수신 브리지는 Slack 메시지를 POST 요청으로 전달한 뒤, SSE 스트림을 읽어 전체 응답을 수집하고 완료된 결과를 다시 Slack으로 전송합니다. 보안: 지정된 메시지만 처리 누구나 봇에게 DM을 보내거나 @mention으로 호출할 수 있지만, 지정된 Slack 사용자 ID에서 보낸 메시지만 처리됩니다. 다른 사용자의 메시지는 별도의 알림 없이 자동으로 무시됩니다. 구현은 한 줄의 로직으로 처리할 수 있습니다: ALLOWED_USER_ID = os.environ.get("ALLOWED_USER_ID", "") def is_allowed(event) -> bool: if not ALLOWED_USER_ID: return True # no restriction set return event.get("user") == ALLOWED_USER_ID https://atlassianblog.wpengine.com/wp-content/uploads/2026/08/image-20260805-040625-768x188.png “홈 디렉터리에 어떤 파일이 있나요?” Rovo Dev가 ls -la ~ 명령을 실행하고 결과를 전달합니다. “해결되지 않은 Jira 이슈를 보여주세요.” → Jira를 조회하고 미해결 이슈 목록을 제공합니다. “해결되지 않은 Jira 이슈를 보여주세요.” Jira를 조회하고 미해결 이슈 목록을 제공합니다. “feature/xyz라는 새 브랜치를 만들어 주세요.” git 명령을 실행해 브랜치를 생성합니다. “이 함수의 단위 테스트를 작성해 주세요. [코드 붙여넣기]” 테스트 코드를 생성합니다. 다음 단계 스트리밍 응답 ChatGPT처럼 Rovo Dev가 응답을 생성하는 동안 부분 결과를 실시간으로 전송합니다. 멀티 세션 지원 Slack의 각 스레드를 서로 다른 Rovo Dev 세션으로 관리합니다. 슬래시 명령어 지원 /rv plan, /rv ask, /rv review와 같은 명령어를 제공합니다. 파일 업로드 지원 Slack에 파일을 첨부하면 Rovo Dev가 해당 파일을 읽고 처리합니다. 핵심 요약 acli rovodev serve를 HTTP + SSE 방식으로 연결하는 Slack 봇을 구축했습니다. 이 봇은 systemd 서비스로 실행되어 부팅 시 자동으로 시작되며, 지정된 사용자의 메시지에만 응답합니다. 이를 통해 터미널을 사용하지 않고도 Slack에서 AI 지원 코딩 환경을 활용할 수 있습니다. 전체 코드는 약 300줄의 Python으로 구성되었으며, 구축에는 약 2시간이 소요되었습니다. 대부분의 시간은 Slack 권한 설정 작업에 사용되었습니다.

2026/08/21

(공지) SonarQube 및 JFrog 세미나에 여러분을 초대합니다.

1.png 2.png 3.png 4.png 5.png https://form.naver.com/response/7pgnEOmVBnK 세미나 신청하기 - https://form.naver.com/response/7pgnEOmVBnK https://form.naver.com/response/7pgnEOmVBnK 세미나 상세 페이지 - https://curvc2026.my.canva.site/ https://curvc2026.my.canva.site/ 안녕하세요. 주식회사 커브입니다. AI 기반 개발이 빠르게 확산되면서 코드 품질을 안정적으로 유지하고, 소프트웨어 공급망 전반의 보안을 체계적으로 관리하는 것이 더욱 중요해지고 있습니다. 이에 커브에서는 오는 9월 17일 삼성 코엑스에서 JFrog와 SonarQube를 중심으로 AI 시대의 코드 품질 관리와 소프트웨어 공급망 보안 전략을 살펴보는 오프라인 세미나를 개최합니다. 이번 세미나에는 JFrog와 Sonar 본사팀들이 직접 참여하여 각 솔루션의 최신 기술과 실제 활용 방안을 소개할 예정입니다.

2026/08/12

서비스 혁신은 맥락에서 시작됩니다

출처: Shattering the service quo starts with context https://www.atlassian.com/blog/company-news/gartner-itsm-platforms-2026 작성자: Shamik Sharma (Head of Product, IT Solutions) 발행일: 2026년 07월 29일 새로운 산업 분석 보고서에서 서비스 관리 분야 리더로 평가받은 Atlassian AI는 서비스에 대한 기대치를 변화시키고 있습니다. 직원은 자연스럽고 끊김 없는 지원 경험을 원합니다. 고객은 긴 대기 시간이나 반복적인 설명 없이 답변을 받기를 원합니다. 운영팀은 단순히 장애에 대응하는 것을 넘어, 인시던트를 사전에 파악하고 서비스 중단을 예방하기를 원합니다. 이러한 기대를 충족하는 데 있어 핵심 요소는 맥락(Context) 입니다. AI는 사람, 지식, 서비스, 자산, 코드뿐 아니라 이들 사이의 모든 연결 관계까지 전체 그림을 이해할 수 있을 때 비로소 유용하게 활용될 수 있습니다. 하지만 이는 많은 조직이 가장 어려움을 겪는 영역이기도 합니다. 최근 Forrester Consulting이 의뢰받아 수행한 설문 조사에 따르면, 조직 중 18%만이 자사의 지식이 확장된 맥락 그래프(context graph) 또는 통합 데이터 계층(unified data layer)의 일부라고 답했습니다.¹ 또한 조직의 맥락을 AI 시스템에 충분히 제공하지 못하는 문제는 서비스 워크플로에 에이전트형 AI(agentic AI)를 도입하려는 기업뿐 아니라, 이미 이를 배포한 기업에서도 가장 큰 장애 요인으로 나타났습니다. 이는 AI 성숙도와 관계없이 모든 단계의 조직이 직면한 문제입니다. 그렇기 때문에 이번 최신 분석 기관 평가 결과는 중요한 의미를 가집니다: 이는 Atlassian이 지속적으로 구축해 온 방향, 즉 서비스 팀이 지원과 운영 전반에서 AI를 효과적으로 활용할 수 있도록 연결된 맥락(connected context)을 제공하려는 방향성을 뒷받침합니다. Atlassian은 The Forrester Wave™: Conversational AI Platforms for Employee Services, Q3 2026에서 리더(Leader)로 선정되었습니다 https://www.atlassian.com/forrester/wave-coversational-ai-employee-services?utm_source=linkedin&utm_medium=unpaid-social&utm_campaign=P:jira-service-management*O:gdc*C:dl*H:fy27q1*I:jsm-forrester-conversational-ai*Y:itsm*E:cloud*&utm_sfdc-campaign_id=701QB00000nStVJYA0. Forrester는 Atlassian에 대해 다음과 같이 평가했습니다. “Atlassian이 Rovo를 통해 추구하는 목표는 AI를 활용해 더 나은 팀워크를 가능하게 하는 것이며, 이를 위해 Atlassian은 도구 전반에 걸친 연결된 사용자 맥락, 선제적인 직원 지원, 그리고 사람들이 실제로 업무를 수행하는 환경에 Rovo를 통합하는 데 집중하고 있습니다.” https://atlassianblog.wpengine.com/wp-content/uploads/2026/07/image_conversational-ai-platforms-for-employee-services-q3-2026-1151x1536.png Atlassian은 또한 2026 Gartner® Magic Quadrant™ for IT Service Management Platforms에서 리더(Leader)로 선정되었습니다 https://www.atlassian.com/gartner/magic-quadrant-itsm-platforms. 물론 이러한 인정 자체도 의미 있는 일입니다. 하지만 더 중요한 이야기는 따로 있습니다. 바로 이번 연구 결과가 보여주는 변화의 방향입니다: 서비스와 운영은 이제 복잡하고 단절된 경험에서 벗어나, 연결되고 풍부한 맥락을 기반으로 일하는 방식으로 변화하고 있습니다. 이는 Atlassian 플랫폼 안팎 모두에 해당합니다. Atlassian 고객은 이미 업계에서 가장 풍부한 맥락 계층(context layer) 중 하나를 기반으로 업무를 수행하고 있습니다. Teamwork Graph https://teamworkgraph.com/는 1,500억 개 이상의 객체와 관계를 연결합니다. 이를 통해 팀은 답을 찾기 위해 여러 정보를 조합하는 데 소요되는 시간을 줄이고, AI는 실제 작업을 수행하는 데 필요한 데이터를 확보할 수 있습니다. 업무가 이루어지는 곳에서 제공되는 지원 지원팀은 보통 처리 속도를 기준으로 평가됩니다. 하지만 맥락 없는 속도는 오히려 더 많은 마찰을 만듭니다. 직원은 과거 요청 이력을 반복해서 설명하고 싶어 하지 않습니다. 에이전트는 복잡하게 얽힌 여러 도구 사이를 오가며 정보를 찾아야 하는 비효율적인 과정을 거치고 싶어 하지 않습니다. 그리고 좋은 지원의 성패를 좌우하는 지식은 대부분 여러 시스템, 대화 스레드, 문서에 흩어져 있어 AI가 접근하기 어려운 상태입니다. Atlassian의 Service Collection은 이러한 구조를 바꾸고 있습니다. 기존 티켓 관리 방식에 AI를 단순히 추가하는 방식이 아니라, 이미 업무가 이루어지는 협업 환경에 AI 기반 지원 기능을 직접 통합하고 있습니다. Teamwork Graph는 신뢰할 수 있는 지식, 과거 요청 이력, 관련 사용자, Atlassian 및 서드파티 도구 전반의 연결된 업무 정보를 제공하여 AI가 필요한 수준의 깊이 있는 맥락을 확보할 수 있도록 합니다. 이를 통해 AI는 일반적인 질문에 답변하고, 요청을 분류하며, 다음 단계를 제안하고, 조직 전반의 지원팀을 연결합니다. Forrester 보고서는 다음과 같이 평가했습니다: “Atlassian은 맥락(context) 역량(Teamwork Graph)과 여러 사용자가 참여하는 채팅 채널을 포함한 주요 협업 환경에 Rovo를 통합하는 능력에서 두각을 나타냅니다.” 직원 지원은 단순히 하나의 포털 안에서만 이루어지지 않습니다. 실제 업무가 이루어지는 채팅, 검색, Slack 채널, 그리고 업무를 담당하는 팀과의 협업 과정 전반에서 이루어집니다. Atlassian의 비전은 이러한 모든 환경에 필요한 맥락을 선제적으로 제공하는 것입니다. 이를 통해 직원 경험을 개선하고, 서비스 팀이 더 크고 복잡한 업무를 함께 해결하는 데 집중할 수 있도록 지원합니다. 장애 발생 전후 모든 순간에 필요한 운영 맥락 운영팀에게도 맥락은 매우 중요합니다. 인시던트가 발생하면 대응 담당자는 무엇이 변경되었는지, 어떤 사용자와 시스템이 영향을 받는지, 이전에 어떤 방식이 효과적이었는지에 대한 명확한 상황 정보를 필요로 합니다. 이러한 맥락이 없다면 팀은 여러 도구를 오가며 시간을 낭비하고, 처음부터 다시 상황을 파악해야 합니다. 그러는 동안 모두가 같은 질문을 던집니다. “업데이트된 내용이 있나요?” Atlassian이 2026 Gartner® Magic Quadrant™ for IT Service Management Platforms에서 리더(Leader)로 선정된 것은 Jira Service Management가 연결된 서비스 및 운영 플랫폼으로서 가진 강점을 보여줍니다. Jira Service Management는 중요한 서비스 및 운영 업무를 하나의 환경으로 통합하여, 팀이 전체 상황을 놓치지 않고 장애 탐지부터 해결, 그리고 이후 학습 과정까지 이어갈 수 있도록 지원합니다. AIOps 기능은 맥락을 확장하여 팀이 위험 요소를 더 빠르게 발견하고, 서비스 간 의존성을 파악하며, 반복적인 문제를 줄일 수 있도록 지원합니다. 새로운 통합 기능은 텔레메트리 데이터, 자산 인텔리전스, 로그 데이터를 https://www.atlassian.com/blog/jira-service-management/introducing-new-aiops-integrations-with-lansweeper-coralogix-and-honeycomb Jira Service Management에 직접 연결합니다. 이를 통해 팀은 끊임없이 여러 도구를 전환하지 않고도 필요한 진단 맥락을 확보할 수 있습니다. 가장 좋은 인시던트는 여전히 새벽 2시에 아무도 대응할 필요가 없는 인시던트입니다. 그리고 문제가 실제로 발생했을 때도 AI와 맥락은 다시 핵심 역할을 합니다. 유사한 인시던트와 서비스 의존성을 찾아내고, 가능성이 높은 근본 원인을 식별하며, 완화 조치를 제안하는 과정에서 활용됩니다. 기존 서비스 방식의 한계를 넘어서 서비스의 미래는 이미 시작되었고, Atlassian이 그 변화를 이끌고 있습니다. AI 네이티브 서비스 관리는 지원팀과 운영팀이 전체 상황을 파악하고, 확신을 가지고 행동하며, 처음부터 명확했어야 할 정보를 다시 조합하는 데 시간을 낭비하지 않도록 지원합니다. 중요한 것은 맥락(Context)입니다. 맥락은 팀이 기존 서비스 방식의 한계를 넘어설 수 있도록 하는 핵심이며, 더 나은 경험을 하나씩 만들어가는 기반입니다. 기존 서비스 방식의 한계를 넘어서 https://www.atlassian.com/collections/service/shatter-the-service-quo Forrester Consulting: Q2 2026 Enterprise Service Management Survey. Atlassian 의뢰 Gartner는 자사 연구 간행물에 포함된 어떠한 기업, 공급업체, 제품 또는 서비스도 보증하지 않으며, 기술 사용자가 가장 높은 평가 또는 기타 지정을 받은 공급업체만 선택하도록 권고하지 않습니다. Gartner 간행물은 Gartner의 비즈니스 및 기술 인사이트 조직의 의견으로 구성되며, 사실에 대한 진술로 해석되어서는 안 됩니다. Gartner는 특정 목적에 대한 상품성 또는 적합성에 대한 보증을 포함하여, 본 간행물과 관련된 명시적 또는 묵시적 모든 보증을 부인합니다. Gartner 및 Magic Quadrant는 Gartner, Inc. 및/또는 그 계열사의 상표입니다. Gartner, 「Magic Quadrant for IT Service Management Platforms」 작성자: Rich Doheny, Jen Lichucki 2026년 7월 27일 이 그래픽은 Gartner, Inc.가 더 큰 연구 문서의 일부로 게시한 자료이며, 전체 문서의 맥락에서 검토되어야 합니다. Gartner 문서는 Atlassian 요청 시 제공됩니다. Forrester는 자사의 연구 간행물에 포함된 어떠한 기업, 제품, 브랜드 또는 서비스도 보증하지 않으며, 해당 간행물에 포함된 평가 결과를 근거로 특정 기업이나 브랜드의 제품 또는 서비스를 선택하도록 권고하지 않습니다. 정보는 이용 가능한 최선의 자료를 기반으로 작성되었습니다. 의견은 작성 시점의 판단을 반영하며 변경될 수 있습니다. 본 보고서는 대화형 모델, 프레임워크, 도구, 데이터 및 분석가 가이드 이용 권한을 포함한 Forrester 리소스 모음의 일부입니다. 자세한 내용은 Forrester의 객관성 원칙 안내 https://www.forrester.com/about-us/objectivity/를 참고하시기 바랍니다.

2026/08/12

새로운 Rovo Chat: 하나의 프롬프트로 여러 단계를 스스로 수행하는 AI

출처: Meet the new Rovo Chat: One prompt, multiple steps, zero hand-holding https://www.atlassian.com/blog/rovo/long-horizon-whats-changed 작성자: Sumit Garg (Sr. Principal Product Manager) 발행일: 2026년 07월 28일 새로운 Long Horizon 추론 엔진은 멀티 에이전트 라우팅 방식을 하나의 추론 루프로 전환하며, 그 결과는 성능으로 입증됩니다. Rovo Chat의 새로운 Long Horizon 추론 엔진은 멀티 에이전트 라우팅 방식을 하나의 추론 루프로 전환해 Teamwork Graph 전반의 맥락을 유지합니다. Jira, Confluence, Slack 등 다양한 도구의 전체 맥락을 바탕으로 복잡한 요청을 계획하고, 도구를 호출하며, 결과를 검토하고 반복적으로 개선해 더욱 완전하고 신뢰할 수 있는 답변을 제공합니다. 또한 테스트를 통해 품질 향상이 확인되었으며, 추론 과정(reasoning traces)을 통해 작업 진행 과정을 쉽게 파악할 수 있습니다. 초기 세대 Rovo Chat은 당시 LLM 환경에 맞춰 멀티 에이전트 라우팅 구조로 설계되었습니다. Jira, Confluence, Slack을 각각 담당하는 에이전트를 두고, 각 에이전트가 해당 영역의 전문성을 바탕으로 작업을 처리하도록 구성했습니다. 구조는 깔끔했고 효율적이었습니다. 하지만 실제 사용 과정에서는 한계가 나타났습니다. 예를 들어, “지난달 Jenny가 등록한 버그를 찾아주고, Slack에서 관련 내용도 알려줘” 위와 같이 여러 제품에 걸친 요청을 처리하기위하여 Rovo는 여러 에이전트 사이에서 작업을 전달해야 했습니다. 이 과정에서 내용이 일부 손실되거나 충분히 전달되지 않았습니다. 답변 속도 또한 느려졌고, 결과적으로 사용자 경험은 하나의 흐름으로 이어지지 않았습니다. 이러한 구조는 대규모 컨텍스트와 다양한 도구 처리에 한계가 있었던 이전 세대 LLM 환경에서의 현실적인 해결 방식이었습니다. 하지만 최신 프론티어 모델은 이러한 작업을 훨씬 더 효과적으로 처리할 수 있을 뿐 아니라, 계획 수립과 결과 검토까지 수행할 수 있을 만큼 발전했습니다. 그래서 우리는 한 가지 질문을 던졌습니다: “만약 에이전트 간 작업 전달 자체를 없앤다면 어떨까?” Project Long Horizon: 하나의 모델, 전체 맥락, 반복적 추론 Long Horizon은 Rovo Chat의 새로운 추론 엔진입니다. 기존에는 요청을 여러 전문 에이전트에게 분배하는 방식이었다면, 이제는 하나의 모델이 대화 전체의 맥락과 모든 도구 상호작용 정보를 유지합니다. 추론하고(Think), 도구를 활용하고(Act), 결과를 확인하고(Observe), 검토하고(Reflect), 다음 단계를 결정합니다. 모든 과정은 하나의 루프 안에서 이루어지며, 맥락을 잃지 않습니다. 실제 동작 방식은 다음과 같습니다: 추론(Think) 모델은 사용자의 요청을 분석하고, 답변을 찾기 위해 필요한 정보와 접근 방식을 판단합니다. 도구 호출(Call tools) 필요한 정보를 수집하기 위해 적절한 도구를 선택합니다. 예: Jira 검색, Slack 조회, Confluence 검색 관찰(Observe) 도구가 반환한 결과를 확인하고, 해당 정보가 사용자의 질문에 답하기에 충분한지 평가합니다. 검토(Reflect) “답변하기에 충분한 정보가 있는가, 아니면 추가 정보가 필요한가?”를 판단합니다. 반복 또는 응답(Repeat or respond) 추가 정보가 필요하면 다시 루프를 반복합니다. 필요한 정보를 확보하면 최종 답변을 제공합니다. 필요한 경우, 모델은 하나의 요청에 대해 최대 150회까지 반복적으로 추론할 수 있습니다. Long Horizon은 각 요청의 복잡도에 맞춰 추론 깊이를 자동으로 조절하는 적응형 추론(adaptive reasoning) 방식을 사용합니다. 예를 들어, “PROJ-123의 현재 상태는 무엇인가요?” 같은 단순 조회 요청에서는 불필요한 추론 과정을 최소화하고 빠르게 답변합니다. 반면, “지난 3개 분기의 스프린트 속도를 비교하고 주요 추세를 파악해 주세요.” 같은 여러 단계의 분석이 필요한 요청에서는 더 깊은 추론을 수행합니다. 이 과정에서 접근 방식을 계획하고, 중간 결과를 평가하며, 종합적인 답변을 생성합니다. 대부분의 질문은 3~8회의 반복 과정을 통해 답을 찾습니다. 이러한 개선에는 한 가지 트레이드오프(trade-off)도 있습니다. 요청이 복잡해질수록 최종 답변을 제공하는 데 걸리는 시간은 이전 아키텍처보다 조금 더 길어질 수 있습니다. 하지만 사용자 피드백을 통해 한 가지는 분명해졌습니다. 사용자는 몇 초 더 기다리더라도 더 신뢰할 수 있고 품질 높은 답변을 선호한다는 점입니다. 이러한 응답 지연 문제를 개선하기 위해 이제 UI에서 추론 과정(reasoning traces)을 확인할 수 있습니다. 사용자는 시스템이 작업에 어떻게 접근하는지, 진행 과정에서 어떤 부분에서 어려움을 겪고 이를 어떻게 해결하는지 확인할 수 있습니다. 이를 통해 투명성을 높이고, 사용자가 체감하는 대기 시간을 줄일 수 있습니다. 수치로 보는 개선 사항 오프라인 평가와 온라인 A/B 테스트에서 Long Horizon은 응답 지연에 따른 트레이드오프를 측정 가능하게 유지하면서도, 사용자 관점의 품질 측면에서 통계적으로 유의미한 개선을 보여주었습니다. 오프라인 답변 품질 8.5% 향상 엄선된 고난도 멀티 도구 쿼리 집합에서 정확도가 향상된 결과입니다. Confluence 작업 평가 23% 향상 모델은 페이지 찾기, 콘텐츠 조회, 페이지 생성 및 편집 등 다양한 Confluence 작업에서 훨씬 향상된 성능을 보였습니다. 체감 지연 시간 37% 감소 기존처럼 에이전트가 백그라운드에서 작업을 전달하는 동안 아무런 표시 없이 기다리는 대신, Rovo가 정보를 수집하고 추론하는 진행 상황을 실시간으로 확인할 수 있습니다. 특히 Confluence 성능 향상은 주목할 만합니다. Rovo는 이제 검색, 페이지 조회, 상호 참조 과정마다 전체 맥락을 유지할 수 있기 때문에, 복잡한 문서 환경을 더욱 효과적으로 탐색할 수 있습니다. 새로운 활용 사례 Long Horizon은 단순히 기존 질문에 더 빠르게 답변하는 기능이 아닙니다. 이전에는 안정적으로 구현하기 어려웠던 완전히 새로운 업무 워크플로를 가능하게 합니다. 에이전트 기반 도구 활용(Agentic tool use) 이제 Rovo는 Slack 메시지를 기반으로 Jira 티켓을 생성하거나, 여러 소스의 맥락을 바탕으로 Confluence 페이지를 업데이트하거나, 여러 제품에 걸친 다단계 워크플로를 실행할 수 있습니다. 예를 들어, “이 버그에 대한 티켓을 생성하고 Q3 로드맵 에픽과 연결해 주세요.” 라고 요청하면 Rovo는 한 번의 작업으로 두 가지를 모두 안정적으로 처리합니다. 장시간 실행되는 백그라운드 작업(Long-running background tasks) 일부 요청은 처리하는 데 시간이 필요합니다. 예를 들어 하루 동안의 Slack 활동을 요약하거나, 실시간 프로젝트 데이터를 기반으로 주간 상태 보고서를 작성하거나, 배포 로그·PR·디자인 문서를 기반으로 운영 인시던트를 추적하는 작업이 있습니다. 이제 Rovo는 이러한 작업을 끝까지 수행할 수 있습니다. 여러 소스에서 정보를 수집하고, 일부 결과가 아닌 완전한 답변을 제공합니다. 더 깊어진 제품 간 추론(Deeper cross-product reasoning) Jira, Confluence, Slack, 서드파티 도구에 걸친 질문을 Rovo에 요청하면, 이제 서로 다른 정보를 연결할 수 있는 전체 맥락을 유지합니다. 하나의 제품에서 얻은 맥락은 다음 제품에서 어떤 정보를 찾아야 하는지 판단하는 데 활용됩니다. 더 이상 여러 결과를 단순히 조합한 답변이 아닙니다. 전반적인 기반 강화 Long Horizon은 기반 기술 스택 전반에도 여러 개선 사항을 적용했습니다: 최신 파운데이션 모델을 사용하며, 현재 Claude Opus 4.x급 모델을 기반으로 운영됩니다. 또한 최신 고성능 추론 모델로 교체할 수 있는 구조를 갖추고 있습니다. Teamwork Graph http://teamworkgraph.com/와 Jira, Confluence, Slack 간의 커넥터를 개선했습니다. 또한 MCP(Model Context Protocol)를 통해 서드파티 도구와의 상호 운용성도 강화했습니다. 팀이 더 많은 기술 스택을 연결할수록 Long Horizon의 제품 간 추론 능력은 별도의 추가 설정 없이 연결된 영역까지 자동으로 확장됩니다. 더 깊이 들여다보기: 엔지니어링 이야기 전체 아키텍처를 더 깊이 이해하고 싶은 엔지니어라면, 반복 전략(iteration strategy), 프롬프트 캐싱(prompt caching), 점진적 도구 탐색(progressive tool discovery), 품질 평가 방식 등을 다룬 기술 심층 분석 자료도 함께 확인해 보세요: Long Horizon: Atlassian이 복잡한 AI 작업을 위한 추론 엔진을 구축한 방법 https://www.atlassian.com/blog/how-we-build/rovo-long-horizon-reasoning-engine 핵심 정리 업무 수행의 가장 큰 병목은 속도가 아닙니다. 바로 조율입니다. Long Horizon은 이러한 조율 과정의 반복 루프에서 발생하는 마찰을 줄입니다. 하나의 모델이 모든 도구의 맥락을 유지하고, 누락되는 정보는 줄이며, 더욱 완전한 답변을 제공하고, 더 많은 결과물을 만들어낼 수 있도록 지원합니다. Long Horizon은 현재 모든 Rovo 고객이 사용할 수 있습니다. Atlassian 제품에서 Rovo Chat을 열고 여러 소스에 걸친 질문을 입력해 보세요. 모델이 작업을 수행하는 동안 추론 단계를 확인할 수 있으며, 실제 답변 결과의 차이를 직접 경험할 수 있습니다. Rovo Chat 사용해 보기 https://www.atlassian.com/software/rovo main.png

2026/08/12

비즈니스 맥락을 이해하는 AI

출처: AI that knows your business https://www.atlassian.com/blog/company-news/closing-the-ai-context-gap 작성자: Alan Braun (Head of Product, Ecosystem) 발행일: 2026년 07월 07일 Atlassian이 도구와 팀, 의사결정 전반에 걸친 조직의 지식을 연결하는 방법 AI는 여러분이 무엇을 출시하는지 알지 못하더라도 몇 초 만에 출시 계획을 작성할 수 있습니다. 또한 조직의 아키텍처를 이해하지 못해도 인시던트를 분류할 수 있고, 팀에 대한 정보가 없어도 신규 입사자 온보딩을 지원하며, 고객을 이해하지 못해도 백로그 우선순위를 정할 수 있습니다. AI는 뛰어난 지능과 높은 생산성을 갖추고 있지만, 정작 중요한 맥락을 놓칠 수 있습니다. AI 자체만으로는 비즈니스를 이해할 수 없습니다. 맥락(Context)은 단순히 몇 가지 API에 연결하는 것과 조직이 실제로 어떻게 작동하는지 깊이 이해하는 것 사이의 차이를 만듭니다. 이러한 이해는 지난 20년 동안 팀이 제품 안에서 매일 계획을 세우고, 의사결정을 내리고, 결과물을 출시하고, 개선을 반복하며 쌓아온 경험에서 비롯됩니다. 이것이 바로 Teamwork Graph http://teamworkgraph.com/입니다. Teamwork Graph는 조직 전체와 SaaS 애플리케이션 생태계 전반에 축적된 집단 지능입니다. 비즈니스가 운영되는 방식을 보여주는 살아 있는 권한 기반(permission-aware) 맵으로, 에이전트와 팀이 한 번의 상호작용만으로 접근할 수 있습니다. 시작 방법은 간단합니다. 누구나 연결할 수 있기 때문에 MCP는 매우 효과적으로 작동합니다 https://www.atlassian.com/blog/company-news/inside-rovo-mcp-usage. 커넥터는 관리자가 스위치를 켜는 것처럼 간단하게 활성화할 수 있습니다. 하지만 Teamwork Graph를 차별화하는 핵심은 그 기반에 있습니다: 바로 매일 축적되고 확장되는 엔터프라이즈 소프트웨어에서 가장 깊은 수준의 조직 지식입니다. 그렇기 때문에 AI와 Atlassian의 맥락 정보(Context)의 결합은 단순한 데이터 연결 그 이상입니다. 실제로 업무가 어떻게 수행되는지 정확히 이해하는 것입니다. 어디서나 연결되는 업무 맥락 AI는 하나의 제품, 하나의 모델, 또는 특정 벤더의 생태계 안에만 존재해서는 안 됩니다. 팀이 일하는 모든 곳에서 활용될 수 있어야 합니다. 따라서 그 기반이 되는 맥락(Context) 계층 역시 특정 제공업체에 종속되어서는 안 됩니다. 팀에 가장 적합한 AI를 자유롭게 선택하고, 조직의 맥락이 함께 따라온다는 확신을 가질 수 있어야 하며, 기존에 관리자가 설정한 권한 경계도 유지되어야 합니다. 그래서 Atlassian은 이를 양방향 시스템(bi-directional system)으로 설계했습니다. Atlassian의 맥락 정보는 팀이 선택한 어떤 AI로든 전달되고, 동시에 전체 도구 체인(toolchain)에서 생성되는 맥락 정보는 다시 Atlassian으로 들어옵니다. 그리고 그 기반에는 모든 것이 Teamwork Graph를 통해 연결되어 있으며, 파트너가 연결되고, 팀이 업무를 수행하고, 에이전트가 작업을 실행할 때마다 Teamwork Graph는 더욱 축적되고 풍부해집니다. https://atlassianblog.wpengine.com/wp-content/uploads/2026/07/context-layer-social-graphic-v2-600x384.jpg 어떤 AI에서도 연결되는 업무 맥락 Atlassian Rovo MCP Server https://www.atlassian.com/platform/rovo-mcp는 팀이 이미 사용하고 있는 ChatGPT, Claude, Copilot, Cursor, Gemini와 같은 다양한 AI 클라이언트가 조직의 맥락 정보에 안전하게 접근할 수 있도록 지원합니다. 이 접근 권한은 관리자가 제어할 수 있습니다. 그리고 이는 단순한 정보 검색에 그치지 않습니다. MCP Server를 통한 하루 500만 건 이상의 도구 호출 https://www.atlassian.com/blog/company-news/inside-rovo-mcp-usage 중 약 3분의 1은 쓰기(write) 작업이며, 사용량의 50%는 엔터프라이즈 환경에서 발생하고, 사용자의 44%는 소프트웨어 팀 소속이 아닙니다. 이는 다양한 팀이 실제 운영 워크플로에서 AI를 활용해 작업 항목을 업데이트하고, 의사결정을 기록하며, 다음 단계를 할당하는 등 실제 업무 실행에 AI를 활용하고 있음을 보여줍니다. 에이전트는 이제 단순히 코드, 문서 또는 업데이트 내용만 보는 것이 아닙니다. 이를 만들어낸 의사결정부터 방향을 결정한 순간, 그리고 다음 업무를 책임지는 팀까지 그 안에 담긴 전체 의도와 맥락을 이해할 수 있습니다. https://atlassianblog.wpengine.com/wp-content/uploads/2026/07/5m-daily-tool-calls-1-600x338.png 이제 에이전트가 필요한 맥락을 쉽게 찾을 수 있습니다. Rovo MCP Server의 Teamwork Graph 도구와 Teamwork Graph CLI https://www.atlassian.com/blog/company-news/teamwork-graph-team-26를 활용하면, 에이전트는 발견한 관계와 정보를 그래프에 다시 기록하며 맥락을 보존할 수 있습니다. 이를 통해 조직의 지능은 세션이 종료되면 사라지는 것이 아니라 시간이 지날수록 축적되고 확장됩니다. 무엇을 발견했는지 기억하는 에이전트는 매번 처음부터 시작하는 에이전트와는 근본적으로 다릅니다. Teamwork Graph CLI: 정식 출시(General Availability) 조직 전체의 연결된 업무 맥락을 AI 코딩 에이전트에 제공하는 Teamwork Graph CLI가 이제 정식 출시되었습니다 https://community.atlassian.com/forums/Atlassian-AI-Rovo-articles/Teamwork-Graph-CLI-GA-connected-context-at-enterprise-scale/ba-p/3254146?utm_source=atlcomm&utm_medium=email&utm_campaign=kudos_article&utm_content=topic. Teamwork Graph CLI는 Claude Code, Cursor, Codex와 같은 AI 코딩 에이전트를 위해 설계된 전용 커맨드라인 인터페이스(Command-Line Interface)입니다. 이를 통해 에이전트는 터미널이나 에이전트 워크플로에서 Jira, Confluence, JSM, Bitbucket, 목표, 프로젝트, 팀, 그리고 100개 이상의 연결된 서드파티 도구 전반의 정보를 바탕으로 추론할 수 있습니다. “정말 강력한 기능으로 제 컴퓨터에서 Forge 앱이 자율적으로 구축되고 있으며, 이 모든 과정은 Jira에서 시작되어 CLI를 통해 제 컴퓨터의 콘솔 앱에 자연스럽게 통합됩니다.” — Richard Sworder — Head of Product Ownership, Atlassian Williams F1 Team 베타 이후 변경 사항: 엔터프라이즈급 보안과 거버넌스가 처음부터 기본 적용되었습니다. OAuth 2.1 인증 정적 토큰을 대체하는 짧은 수명의 자동 갱신 인증 정보를 제공합니다. 세분화된 권한 범위 제어(Granular scope controls) 에이전트에 읽기 및 쓰기 권한을 부여하면서도 삭제 권한까지 제공할 필요는 없습니다. 관리자는 조직 전체 정책을 설정할 수 있으며, 사용자는 자신의 권한 범위를 직접 조정할 수 있습니다. 전체 감사 로그(Full audit logs) 모든 CLI 요청은 Atlassian의 감사 인프라를 통해 기록됩니다. 어떤 명령이 실행되었는지, 누가 실행했는지, 언제 실행되었는지 확인할 수 있으며, JSON 형식으로 Splunk에 내보낼 수도 있습니다. 567개 명령 지원 Jira, Confluence, Jira Service Management, Bitbucket, Assets 및 서드파티 서비스 전반에서 567개의 명령을 지원합니다. “Teamwork Graph CLI는 사일로를 허무는 데 정말 뛰어나며 Jira와 팀 대화 내용을 함께 살펴 다른 곳에서 진행 중인 유사한 AI QA 하니스 작업을 찾는 데 활용했고, 그 과정에서 원래라면 드러나지 않았을 중복 작업을 효과적으로 발견할 수 있었습니다.” — Ryan Boyd — VP of IT, SpotOn Teamwork Graph CLI는 LLM이 여러 도구에서 원시 데이터를 하나씩 가져와 직접 맥락을 구성하도록 하는 대신, 사전에 연결된 업무 맥락을 제공합니다. 내부 벤치마킹 결과에 따르면, 이를 통해 에이전트는 48% 적은 토큰을 사용하면서도 44% 더 나은 답변을 생성합니다. 이는 작업을 시작할 때마다 맥락을 새롭게 구축하며 토큰을 소모하는 에이전트와, 업무 간 관계를 이미 이해한 상태에서 시작하는 에이전트의 차이입니다. 외부 업무 환경까지 연결되는 맥락 팀은 Atlassian뿐만 아니라 수많은 다른 도구에서도 업무를 수행합니다. Teamwork Graph 커넥터 https://www.atlassian.com/software/rovo/connectors는 AI가 팀이 일하는 모든 곳의 맥락을 이해하도록 지원하며, 하나의 도구에 한정된 정보가 아닌 실제 툴체인(toolchain) 전체를 기반으로 추론할 수 있게 합니다. Atlassian은 데이터가 가진 의미를 이해하는 시스템을 구축했습니다. 따라서 외부의 맥락이 Atlassian으로 들어오면, 해당 정보는 Teamwork Graph에 맞게 연결되고 구조화됩니다. GitHub, Google Drive, Salesforce, SharePoint, Teams와 같이 팀이 가장 많이 사용하는 애플리케이션도 이제 지식 기반의 일부로 자연스럽게 통합됩니다. 예를 들어 Slack의 한 대화는 단순한 메시지 기록이 아닙니다. 이제는 세 명의 엔지니어가 API 계약 변경에 합의한 Slack 대화가 이를 구현한 PR, 변경을 요청한 고객, 관련 내용을 기록한 Jira 작업 항목과 연결된 하나의 업무 맥락이 됩니다. 외부에 흩어져 있던 신호는 더 이상 단순한 노이즈가 아니라 실제로 활용 가능한 조직의 기억(organizational memory)이 됩니다. 이를 통해 Search에서는 원하는 정보를 찾고, Chat에서는 완전한 맥락을 갖춘 답변을 얻으며, 에이전트를 실행할 때는 필요한 전체 맥락을 바탕으로 작업을 수행할 수 있습니다. Atlassian은 엔터프라이즈 팀이 매일 안심하고 사용할 수 있도록 커넥터의 안정성, 속도, 신뢰성을 높이는 데 지속적으로 투자해 왔습니다. 주요 개선 사항은 다음과 같습니다: 핵심 도구와 더욱 깊어진 통합 GitHub, Google Drive, SharePoint, Teams, Salesforce, Figma 등을 포함한 50개 이상의 커넥터가 제공되며, 이제 모든 연결된 서비스에서 자연어 검색을 사용할 수 있고 검색 속도 또한 크게 향상되었습니다. 팀은 자신이 사용하는 도구의 정보에서 더 정확한 답변을 얻을 수 있습니다. Teamwork Graph는 단순히 검색 결과의 키워드만 분석하는 것이 아니라, 결과에 담긴 업무 맥락까지 이해하기 때문입니다. 복잡함은 줄이고, 제어력은 높이기 커넥터 설정 시간은 40% 이상 단축되었습니다. 가이드 기반 온보딩과 실시간 상태 대시보드를 통해 관리자는 어떤 연결이 정상적으로 작동하는지 항상 확인할 수 있습니다. Google Drive와 GitHub 같은 주요 데이터 소스의 경우, 관리자가 한 번만 활성화하면 모든 사용자가 별도의 사용자별 OAuth 승인 절차 없이 접근할 수 있습니다. 또한 다양한 커넥터 유형을 제공해 각 데이터 소스에 맞는 방식을 선택할 수 있습니다: 전체 검색이 필요한 경우 → 심층 인덱싱(deep indexing) 데이터를 저장하지 않고 접근이 필요한 경우 → MCP 기반 실시간 검색(live retrieval) 별도 설정 없이 빠른 답변이 필요한 경우 → Smart Links 빠르게 확장되는 개방형 생태계 Zendesk, ServiceNow 등을 위한 새로운 MCP 커넥터는 Chat과 Agents에서 클릭 한 번으로 추가할 수 있습니다. Rovo는 별도의 커넥터 설정 없이도 Smart Link 콘텐츠에 대한 질문에 답변할 수 있습니다. 또한 통합 파이프라인을 통해 새로운 애플리케이션도 빠르게 연결됩니다. 업무용 애플리케이션이나 기존 기술 스택에 포함된 다른 도구를 연결해야 한다면, Teamwork Graph custom connectors https://developer.atlassian.com/platform/teamwork-graph/build-a-teamwork-graph-connector/를 활용해 직접 커넥터를 구축할 수 있습니다. 이를 통해 레거시 시스템, 독점 데이터베이스, 내부 도구까지 기존과 동일한 맥락 계층(Context Layer) 안으로 연결할 수 있습니다. 축적될수록 강력해지는 시스템 대부분의 AI 도구는 시간이 지나도 스스로 발전하지 않습니다. 300일이 지나도 첫날과 같은 수준에 머뭅니다. 하지만 이 아키텍처는 다릅니다. 별도의 노력 없이도 시간이 지날수록 더 나아지는 시스템을 제공합니다: 업무가 AI를 더 똑똑하게 만듭니다. 팀이 프로젝트를 완료하고, 인시던트를 해결하고, 의사결정을 내릴 때마다 Teamwork Graph는 더욱 풍부해집니다. 별도로 설정할 필요가 없습니다. 모든 과정은 항상 백그라운드에서 실행됩니다. 툴체인이 AI의 범위를 확장합니다. 활성화한 각 커넥터는 실제 업무 환경의 더 많은 정보를 맵에 추가합니다. AI는 조직이 어떻게 운영되는지에 대한 전체 그림을 이해할 수 있습니다. 생태계가 스스로 강화됩니다. 더 많은 파트너가 연결될수록 Teamwork Graph는 모두를 위한 더 깊은 맥락을 갖추게 됩니다. 세션마다 더 많은 맥락, 상호작용마다 더 높은 가치, 더 많은 신호와 더 적은 노이즈를 제공합니다. 팀이 추가되고, 도구가 연결되고, 의사결정이 기록될 때마다 전체 시스템의 가치는 더욱 커집니다. 이는 매일 축적되는 조직의 자산이며, 관리 체계와 감사 추적 기능을 갖추고 있습니다. 에이전트의 유용성은 접근할 수 있는 맥락의 범위에 달려 있습니다. Connectors https://www.atlassian.com/software/rovo/connectors를 활용해 더 많은 데이터를 추가하고, Teamwork Graph CLI https://community.atlassian.com/forums/Atlassian-AI-Rovo-articles/Teamwork-Graph-CLI-GA-connected-context-at-enterprise-scale/ba-p/3254146?utm_source=atlcomm&utm_medium=email&utm_campaign=kudos_article&utm_content=topic로 모든 정보를 연결해 보세요. 에이전트가 실제로 조직을 이해할 때 무엇을 할 수 있는지 확인해 보세요.

- Others -

Contributor

사용자	수정	댓글	레이블
설진호 이사	1273	39	414
이지혜 선임	695	0	30
황희연 대표	687	12	13
이수정 선임	629	0	69
윤준호 책임	628	7	18
박주현 책임	326	4	15
Anonymous	243	10	46
김나우 선임	223	0	11
성윤주 선임	168	1	14
박상민 선임	161	0	29
이형근 책임	130	1	6
김광일 선임	119	1	1
한은우 선임	86	0	0
이상훈 선임	60	0	3
박재국 선임	55	1	1
김미현 선임	53	0	15
Anonymous	39	1	15
Anonymous	31	7	0
김태연 선임	26	0	1
신민수 선임	24	0	2
최보근 선임	23	0	0
김수영 선임	22	0	0
나종진 부장	17	0	1
정성훈 선임	14	0	0
김상범 선임	9	0	0
강수재 선임	6	0	0
황현우 선임	6	0	0
송선택 선임	5	1	1
이학준 부장	5	0	0
문소정 선임	4	0	0
이준석 사원	4	1	0
Anonymous	3	0	4
박건우 선임	1	0	2
Anonymous	0	0	1
강돈영 선임	0	0	1
김동윤 선임	0	0	2
김희범 책임	0	0	1
정재훈 책임	0	0	1

페이지 트리

AI 시대, 코드 품질과 SW공급망의 새로운 기준(Sonar & JFrog)

CURVC DevOps Confluence

**- Products Guide -**