Rovo 的设计秉持透明化原则

人工智能草稿由 OpenAI 和 Anthropic 开发的大型语言模型以及基于开源转换器的语言模型和其他机器学习模型组合提供支持。这些大型语言模型包括 OpenAI 的 GPT 系列模型和 Anthropic 的 Claude 系列模型。

Rovo 会运用这些模型在我们的产品中分析与生成自然语言。开源编码器模型可将文本输入转换为数字形式（嵌入），用于从输入中识别和形成主题。

这些大型语言模型会根据您的输入生成回复，且本质上具有概率性。这意味着它们的回复是通过根据他们接受训练的数据预测最有可能的下个单词或文本来生成的。

了解有关 OpenAI 模型和 Anthropic 模型功能的更多信息。有关开源语言模型的更多信息，请参阅 嵌入模型的相关信息。

人工智能草稿会建议预先生成的知识文章草稿，供管理员和支持人员考虑。此功能会利用 Jira Service Management 项目中的工作项内的详细信息和评论，为该项目中最常见的工作项生成草稿。

这样，您的服务团队就能更快速、更轻松地扩大知识库文章的覆盖范围，进而提高 Jira Service Management 中其他功能的性能。例如，虚拟服务支持人员的人工智能问题回答功能随后可以使用通过人工智能草稿创建的知识文章，更轻松、更快速地解决求助者的请求。

阅读有关虚拟服务支持人员中人工智能问题回答功能的更多信息。

我们认为人工智能草稿在以下情况下效果最佳：

• 您的项目在任何月份都会收到超过 40 个请求。请求少于 40 个的项目可能没有足够的信息来生成人工智能草稿。
• 工作项中的内容（如摘要、描述和其他字段）主要为英文。其他语言的人工智能草稿质量可能会有所不同。

请务必记住，鉴于用于支持人工智能草稿的模型的工作方式，这些模型的行为有时会表现得不准确、不完整或不可靠。

例如，您收到的回复可能无法准确反映其所依据的内容，或是包含看似合理但实则有误或不完整的内容。

我们发现，人工智能草稿在以下情况下不太有用：

• 您的项目在一个月内收到的请求少于 40 个。
• 您的项目从警报自动创建请求，因为这些请求可能不需要知识库文章，但此功能仍会向您建议与这些请求相关的人工智能草稿。
• 您需要为内容使用英语以外语言的工作项生成草稿。

因此，我们建议您在使用 Rovo 时考虑各种情况，先检查所收到回复的质量，然后再与他人共享。

您可能还需考虑：

• 采取措施确保您的团队成员在根据人工智能草案创建知识文章之前对其进行彻底审查
• 要求项目管理员在其团队中确定负责审查和编辑人工智能草稿的专家，以保持知识库文章的高质量

我们了解，您可能对人工智能草稿如何使用您的数据有疑问。本节补充了我们在 Trust Center 中提供的信息。

我们会处理：

• 您的提示（输入）和回复（输出）。
• 您的实例中与此功能相关的上下文，例如工作项中的数据，如字段值、摘要和描述，用于使用 Rovo 生成草稿。
• 有关您如何与我们的功能进行交互的数据；例如，点击流数据以及与您合作的人员。
• 您选择提供的有关此功能的反馈，包括您选择作为反馈的一部分来分享的任意提示或回复。

当涉及到您的数据时，人工智能草稿会应用以下措施。

• 您的提示（输入）和回复（输出）：
  • 不会提供给其他客户
  • 不会发送给除 OpenAI 或 AWS Bedrock 上的 Anthropic 之外的任何第三方 LLM 提供商。
  • 不会由任何 LLM 提供商存储。
  • 不用于改进任何第三方 LLM。
  • 仅用于提升您的体验。
• OpenAI 和 AWS Bedrock 是我们的辅助处理者列表中的辅助处理者。除了处理您的请求外，它们不会将您的输入和输出用于任何目的。
• 我们只处理您站点的服务项目中每个人都可访问的工作项。任何应用了工作项权限的事务都不会被考虑用于生成草稿。
• 我们每 7 天更新一次人工智能草稿，以确保内容是最新的。

了解有关使用 Rovo 的更多信息

企业中心卡片中的人工智能摘要由 OpenAI 开发的大型语言模型提供支持。这些大型语言模型包括 OpenAI 的 GPT 系列模型。

Rovo 会运用这些模型在我们的产品中分析与生成自然语言。

这些模型会根据您的输入生成回复，且本质上具有概率性。这意味着它们的回复是通过根据他们接受训练的数据预测最有可能的下个单词或文本来生成的。

了解有关 OpenAI 模型功能的更多信息。

企业中心卡片中的人工智能摘要通过为卡片建议人工智能生成的描述，帮助您快速填充和发布企业中心。此功能使用人工智能为您的企业中心卡片生成所链接 Confluence 页面或博客文章的摘要。

我们认为，企业中心卡片中的人工智能摘要在以下情况下效果最佳：

• 您喜欢在 Confluence 中使用企业中心卡片来链接到文字较多的内容。
• 您希望在 Confluence 卡片描述中显示文字较多的 Confluence 内容的简明摘要。

请务必记住，鉴于用于支持企业中心卡片中的人工智能摘要的模型的工作方式，这些模型有时会表现得不准确、不完整或不可靠。

例如，您收到的回复可能无法准确反映其所依据的内容，或是包含看似合理但实则有误或不完整的内容。

我们发现，企业中心卡片中的人工智能摘要在以下情况下不太有用：

• 您需要有关人员、地点和事实的最新且准确的信息。
• 您需要一个非常简短的 Confluence 页面的摘要，而该页面没有足够的内容来生成有用的摘要。
• 您需要一个 Confluence 页面的摘要，页面中大部分内容都位于表格或扩展中。
• 您需要一个 Confluence 页面的摘要，页面中大部分内容都包含在宏中。

因此，我们建议您在使用 Rovo 时考虑各种情况，先检查所收到回复的质量，然后再与他人共享。

我们了解，您可能对企业中心卡片中的人工智能摘要如何使用您的数据有疑问。本节补充了我们在 Trust Center 中提供的信息。

我们会处理：

• 您的提示（输入）和回复（输出）。
• 您的实例中与提示相关的上下文，例如您要为其生成摘要的 Confluence 页面中的内容。
• 有关您如何与我们的功能进行交互的数据；例如，点击流数据以及与您合作的人员。
• 您选择提供的有关此功能的反馈，包括您选择作为反馈的一部分来分享的任意提示或回复。

当涉及到您的数据时，企业中心卡片中的人工智能摘要会应用以下措施。

• 您的提示（输入）和回复（输出）：
  • 不会提供给其他客户。
  • 不会发送给 OpenAI 以外的任何第三方 LLM 提供商。
  • 不由任何 LLM 提供商存储。
  • 不会用于改进大型语言模型。
  • 仅用于提升您的体验。
• OpenAI 是我们的辅助处理者列表中的辅助处理者。除了处理您的请求外，它们不会将您的输入和输出用于任何目的。
• 此功能会遵循您实例中的权限。例如，如果您无权访问某个 Confluence 页面，就无法使用此功能得到通过 Rovo 生成的摘要。如果您不希望您实例中的其他用户看到您自己的内容，请与您的组织管理员合作，确保妥善设置您的权限。

了解有关使用 Rovo 的更多信息

Rovo Dev is powered by large language models developed by OpenAI and Anthropic on AWS Bedrock and Anthropic on Google Vertex AI, as well as a combination of other machine learning models. These large language models include OpenAI's GPT series of models and Anthropic's Claude series of models.

Rovo Dev uses these models to analyze and generate natural language and code within our products.

These models generate responses based on your inputs and are probabilistic in nature. This means that their responses are generated through predicting the most probable next word or text based on the data that they have been trained on.

Read more about the capabilities of OpenAI's models and Anthropic's models.

Rovo Dev is a context-aware AI agent for professional software engineers. It understands natural language and code, and integrates with Atlassian tools like Jira, Confluence, and Bitbucket as well as third-party developer platforms such as GitHub. Powered by Atlassian’s Teamwork Graph, it draws on organizational context, business knowledge, and codebase history to accelerate the software development lifecycle. Rovo Dev assists with planning, code generation, reviews, and automating repetitive work at scale.

The Rovo Dev product suite includes:

• Rovo Dev in Bitbucket and GitHub: Rovo Dev integrates with both Bitbucket and GitHub to check pull requests against both technical requirements and business objectives. It helps you to spot potential issues before they reach production and checks that code changes align with Jira acceptance criteria, reducing review cycles and preventing rework.

• Rovo Dev CLI: Rovo Dev CLI brings Rovo Dev directly into your command line interface, turning your terminal into an AI development agent that is seamlessly integrated with your Atlassian workflow.

We believe that Rovo Dev works best in scenarios where:

• You need assistance with coding tasks such as writing new code, debugging existing code, or understanding complex codebases.
• You want automated code review feedback on pull requests to catch potential issues and improve code quality.
• You need help with common development tasks like refactoring, testing, or documentation
• You want to resolve Jira work items more efficiently by automating code changes in linked repositories.
• Your development team wants to maintain consistent coding standards and best practices.

It's important to remember that because of the way that the models used to power Rovo Dev work, these models can sometimes behave in ways that are inaccurate, incomplete, or unreliable.

For example, the responses that you receive might not accurately reflect the content that they are based on, or include content that sounds reasonable but is false or incomplete.

We've found that Rovo Dev is less useful in scenarios where:

• You need current and accurate information about people, places and facts that are not contained within your codebase, development context, or reachable Atlassian content such as Confluence pages or Jira issues.
• You need Rovo Dev to have access to information that isn't readily available in your repository, development environment, or linked Atlassian tools.
• You need perfect accuracy for safety-critical or security-sensitive code without human review because Rovo Dev should not be used in these scenarios.
• You're working with proprietary or highly confidential code patterns that weren't part of the model's training data. You might not find Rovo Dev helpful when working with very new technologies that weren't included in the model's training data, because Rovo Dev may not have sufficient context on those technologies to provide useful outputs.
• Rovo Dev should not be used as the sole method for security reviews, compliance checks, or in scenarios where code correctness is critical for safety or regulatory requirements without appropriate human oversight.

• For this reason, we encourage you to think about the situations when you use Rovo Dev and review the quality of the responses you receive before implementing suggested changes or sharing them with others.

You might also want to think about:

• Being as specific as possible in what you ask Rovo Dev to do, including providing clear context about your codebase and requirements.
• Reviewing and testing any code changes suggested by Rovo Dev before committing them to your repository.
• Ensuring your development environment has appropriate permissions and access controls configured.
• Keeping your repository documentation and code comments up to date to provide better context for AI assistance.
• Using Rovo Dev as a collaborative tool alongside human code review rather than a replacement for it.

We understand you may have questions about how Rovo Dev uses your data. This section supplements the information available on our Rovo Dev Page.

We process:

• Your prompts (inputs) and responses (outputs) when interacting with Rovo Dev
• Context from your development environment relevant to your prompt, such as code files and pull requests in Bitbucket, Jira work items, content from connected third-party apps such as Github or connected MCP servers, or local files on your device (if using RovoDev CLI)
• Data about how you interact with our features, such as command usage patterns and the development tools you work with

• Feedback you choose to provide about this feature, including any prompts or responses you choose to share as part of your feedback

When it comes to your data, Rovo Dev applies the following measures:

Your prompts (inputs) and responses (outputs):

• Are not available to other customers
• Are not sent to any third party LLM provider other than OpenAI, Google Vertex AI, and Anthropic on AWS Bedrock
• Are not stored by OpenAI, Google Vertex AI or Anthropic on AWS Bedrock
• Are not used to improve OpenAI or Anthropic models

• Are used only to serve your experience

Third-party processing:

• OpenAI, Google Vertex AI, and Amazon Web Services (AWS Bedrock) are subprocessors on our List of Subprocessors. They do not use your inputs and outputs for any purpose besides processing your request.

Permissions and access:

• Rovo Dev follows the permissions in your development environment and connected Atlassian tools. For example, if you do not have access to certain repositories or Jira projects, Rovo Dev will not access content from those sources when generating responses.
• If you do not want your code or content to be available in responses to other users in your organization, please work with your system administrators to ensure your permissions and access controls are set appropriately.

• In Rovo Dev CLI, users are able to add third-party Model Context Protocol (MCP) servers to provide Rovo Dev with access to third party content. Integration with any third-party MCP server requires approval from your user and you must ensure that you comply with any third-party terms of use. Users can enter prompts to send data outside of your Atlassian site, and data sent outside your site will not be subject to Atlassian terms.

Discover more about using Rovo Dev

Rovo Dev Community Group

使用人工智能生成页面和博客摘要由 OpenAI 和 Google 开发的大型语言模型提供支持。这些大型语言模型包括 OpenAI 的 GPT 系列模型和 Google 的 Gemini 系列模型。

Rovo 会运用这些模型在我们的产品中分析与生成自然语言。

这些模型根据您的输入生成回复，本质上具有概率性。这意味着它们的回复是通过根据他们接受训练的数据预测最有可能的下个单词或文本来生成的。

了解有关 OpenAI 模型和 Google 模型功能的更多信息。

使用人工智能为 Confluence 页面或博文生成快速摘要，从而节省时间并获取所需细节，更快地完成工作。了解有关在 Confluence 中使用人工智能的更多信息。

我们认为，在以下情况下，使用 Rovo 汇总页面和博客内容效果最佳：

• 有一个文本密集的页面，阅读时间达 5 分钟甚至更长。
• 书面内容很多，视觉效果和/或其他格式设置（例如页面上的扩展部分）有限。

请务必记住，鉴于用来支持使用人工智能汇总页面和博客内容的模型的工作方式，这些模型的行为有时会表现得不准确、不完整或不可靠。

例如，您收到的回复可能无法准确反映其所依据的内容，或者包含听起来合理但事实上是错误或不完整的内容。

尽管我们会继续为宏、表格和摘要扩展功能提供更好的支持，但我们发现，在以下情况下，使用 Rovo 汇总页面和博客内容的用处不大：

• 您需要有关人员、地点和事实的最新、准确信息。
• 您需要为一个内容不足的 Confluence 简短页面生成摘要。
• 您需要一个 Confluence 页面的摘要，页面中大部分内容都位于表格或扩展中。
• 您需要一个 Confluence 页面的摘要，页面中大部分内容都包含在宏中。

我们建议您在使用 Rovo 时考虑各种情况，先检查所收到回复的质量，然后再与他人共享。

您可能还需要考虑：

• 让 Rovo 总结那些您知晓文本内容密集的页面。

我们了解，您可能对在 Confluence 自动化中使用人工智能时会如何使用您的数据有疑问。此部分是对我们的常见问题解答页面信息的补充。

我们会处理：

• 您的提示（输入）和回复（输出）。

• 您的实例中与提示相关的上下文，例如您要为其生成摘要的 Confluence 页面中的内容。

• 有关您如何与我们的功能交互的数据，例如点击流数据以及与您合作的人员

• 您选择提供的有关此功能的反馈，包括您选择作为反馈的一部分分享的任何提示或回复。

就您的数据而言，使用 Rovo 汇总页面面和博客内容时会应用以下措施：

• 您的提示（输入）和回复（输出）：
  • 不会提供给其他客户。
  • 不会发送给 OpenAI 或 Google 以外的任何第三方 LLM 提供商。

  • 不会由任何 LLM 提供商存储。

  • 不会用于改进 LLM 模型。
  • 仅用于为您的体验服务。
• 所有第三方 LLM 提供商都是辅助处理商，并在我们的辅助处理商页面上按此列出。除了处理您的请求外，他们不会将您的输入和输出用于任何目的。
• 此功能会遵循您实例中的权限设置。例如，如果您无权访问 Confluence 页面，则您将无法看到此功能，也无法使用 Rovo 汇总页面内容。如果您不希望您实例中的其他用户看到您自己的内容，请与您的组织管理员合作，确保妥善设置您的权限。

在 Confluence 和 Jira 中使用 Rovo 定义术语由 OpenAI、Google 和 Anthropic 开发的大语言模型，以及开源大语言模型（包括 Llama 系列和 Mixtral 系列）与其他机器学习模型的组合提供支持。这些大型语言模型包括 OpenAI 的 GPT 系列模型、Google 的 Gemini 系列模型和 Anthropic 的 Claude 系列模型。

Rovo 使用这些模型在 Confluence 和 Jira 中分析和生成自然语言回答。

这些模型可根据您的输入生成回复，且本质上具有概率性。这意味着它们生成回复的机制为：根据用于对其进行训练的数据来预测最有可能出现的下一字词或文本。

了解有关 OpenAI 模型、Google 模型和 Anthropic 模型功能的更多信息。有关开源语言模型的更多信息，请参阅 Llama 系列的相关信息。

关于在 Confluence 和 Jira 中使用内容，最具挑战的事情之一可能就是获取了解所读内容所需的背景信息。缩略语、首字母缩略词、不熟悉的术语以及团队或项目特定的名称可能会导致您在搜索所需信息时花费大量时间。

使用 Rovo 定义术语将在 Confluence 的页面或 Jira 的工作项描述中提供公司特定术语（如缩写词、项目、系统或团队名称）的定义。这可为用户在需要时提供他们需要的信息，同时还能帮助团队更好地合作。

Rovo 可以为您定义这些内容，从而节省您的时间，而不会让您偏离正在阅读的内容。

当遇到您认为不准确的定义时，您可以编辑或添加新定义，然后设置可见范围：当前页面或工作项可见、整个空间或项目可见，或扩展至整个组织可见。

我们认为，在 Confluence 和 Jira 中使用 Rovo 定义术语在以下情况下效果最佳：

• 一家公司在其 Confluence 实例中会有多个页面提及、描述或解释可供 Rovo 引用的特定术语。

请务必记住，鉴于用于使用 Confluence 中的 Rovo 定义术语的模型的工作方式，这些模型的行为有时会表现得不准确、不完整或不可靠。

例如，您收到的回复可能无法准确反映其所依据的内容，或者包含听起来合理但事实上是错误或不完整的内容。

我们发现，在以下情况下，在 Confluence 中使用人工智能定义术语的用处不大：

• 您需要有关人员、地点和事实的最新且准确的信息。
• 您对该 Confluence 实例中的术语没有足够的背景信息（例如，如果没有提及特定术语的页面，则无法准确生成该术语的定义）。
• 定义需要访问您无权查看的 Confluence 内容
• 您尝试定义多个术语，而不是一次定义一个单独的术语。

此外，在 Jira 中我们还发现，由于使用 Rovo 定义术语的功能依赖于 Confluence 中的搜索，因此只有当您有权限查看与 Jira 实例处于同一站点下的 Confluence 实例时，该功能才能在 Jira 中正常使用。

此外，您还可能会发现：在内容使用多种语言编写的 Confluence 空间或 Jira 实例中，使用 Rovo 定义术语的效果可能无法达到预期。

我们了解，您可能对使用 Rovo 定义术语如何使用您的数据存有疑问。此部分是对我们的常见问题解答页面信息的补充。

我们会处理：

• 您的提示（输入）和回复（输出）。
• 您的实例中与您的提示相关的上下文，例如您要定义的术语。
• 有关您如何与我们的功能进行交互的数据；例如，点击流数据以及与您合作的人员。
• 您选择提供的有关此功能的反馈，包括您选择作为反馈的一部分分享的任何提示或回复。

就您的数据而言，使用 Rovo 定义术语时会应用以下措施：

• 您的提示（输入）和回复（输出）：
  • 不会提供给其他客户。

  • 不会发送给除 OpenAI、Google 或 AWS Bedrock 上的 Anthropic 之外的任何第三方 LLM 提供商

  • 不会由任何 LLM 提供商存储。
  • 不会用于改进 LLM 模型。
  • 仅用于为您的体验服务。
• 所有第三方 LLM 提供商都是辅助处理商，并在我们的辅助处理商页面上按此列出。除了处理您的请求外，他们不会将您的输入和输出用于任何目的。
• 此功能遵循现有的用户访问权限，因此不会向用户显示他们无权访问的内容中的定义。相反，该功能仅会从用户有权在实例中查看的页面和项目中提取内容和定义。如果您不想让实例中的其他用户在回复中看到您的内容，请与您的组织管理员合作，确保您的权限设置得当。
• 如果用户手动编辑或更新定义，则该定义将存储并保留 1 年。

编辑体验下的人工智能由 OpenAI 和 Google 开发的大型语言模型提供支持。这些大型语言模型包括 OpenAI 的 GPT 系列模型和 Google 的 Gemini 系列模型。

Rovo 会运用这些模型在我们的产品中分析与生成自然语言。

这些模型可根据您的输入生成回复，且本质上具有概率性。这意味着它们生成回复的机制为：根据用于对其进行训练的数据来预测最有可能出现的下一字词或文本。

了解有关 OpenAI 模型和 Google 模型功能的更多信息。

Rovo 有助于推动组织中的所有团队之间进行有效沟通，从而提高效率、加速决策和改善流程。

我们认为，在以下情况下，在编辑体验下使用 Rovo 效果最佳：

• 针对不同受众调整现有内容。Rovo 能够协助调整语气、优化写作，并使技术信息更易于其他团队理解。该功能对于希望让自身文字表达更专业、更简洁的团队而言，使用效果最佳。
• 总结现有内容。借助 Rovo，您可以将粗略的笔记转化为实用的战略文档、知识库文章、营销活动计划等内容。您还可以使用它来分析现有信息以定义行动计划和操作项。该功能在文本密集型页面中使用效果最佳，这类页面往往包含大量可提取的背景信息。
• 生成新内容。Rovo 可帮助您起草新内容，例如策略页面、项目概述、发布说明或用户故事。当团队使用清晰、具体的提示语并有明确目标时，这种方法效果最佳。

请务必记住，鉴于用来支持编辑体验下的人工智能的模型的工作方式，这些模型的行为有时可能不准确、不完整或不可靠。

例如，您收到的回复可能无法准确反映其所依据的内容，或者包含听起来合理但事实上是错误或不完整的内容。

我们发现，在以下情况下，在编辑体验下使用 Rovo 的用处不大：

• 您需要有关人员、地点和事实的最新且准确的信息。
• 您需要有权访问您不容易获得的信息（例如，在您的实例中），以正确回答您的请求。
• 您需要使用标准 Markdown 以外的格式生成内容（例如，从头开始生成信息面板）。
• 您需要引用正在编辑的文档中尚不存在的信息（例如，其他文档或其他产品中的内容）。
• 您需要使用英语以外的语言生成和转换内容。

因此，我们建议您在使用 Rovo 时考虑各种情况，先检查所收到回复的质量，然后再与他人共享。

您可能还需要考虑：

• 向 Rovo 下达指令时，尽可能明确具体需求。
• 将复杂的请求分解为更小、更易于管理的任务。
• 整合相关关键字以提高所生成内容的准确性。
• 在输入文本中使用正确的语法和标点符号。
• 校对、审查和编辑 AI 写作助手生成的输出，以确保准确和清晰。
• 尝试对您的输入文本采用不同的提示或变换一种说法，以探索不同的想法。
• 与他人合作收集反馈并提高输出质量。

我们了解您可能对编辑体验下的人工智能如何使用您的数据有疑问。此部分是对我们的常见问题解答页面信息的补充。

我们会处理：

• 您的提示（输入）和回复（输出）。
• 您的实例中与您的提示语相关的上下文，例如您从其触发 Rovo 的产品。
• 有关您如何与我们的功能进行交互的数据；例如，点击流数据以及与您合作的人员。
• 您选择提供的有关此功能的反馈，包括您选择作为反馈的一部分分享的任何提示或回复。

就您的数据而言，编辑体验下的 Rovo 会应用以下措施：

• 您的提示（输入）和回复（输出）：
  • 不会提供给其他客户。

  • 不会发送给 OpenAI 或 Google 以外的任何第三方 LLM 提供商。

  • 不会由任何 LLM 提供商存储。
  • 不会用于改进 LLM 模型。
  • 仅用于为您的体验服务。
• 所有第三方 LLM 提供商都是辅助处理商，并在我们的辅助处理商页面上按此列出。除了处理您的请求外，他们不会将您的输入和输出用于任何目的。
• 此功能遵循您实例中的权限。例如，如果您无权访问某一特定 Confluence 页面，则此功能不会在您收到的回复中建议该页面的内容。如果您不希望自己的内容在对您实例中的其他用户的回复中使用，请与您的组织管理员合作，确保妥善设置您的权限。

工作项改写器由 OpenAI 开发的大型语言模型（包括 OpenAI 的 GPT 系列模型）提供支持。

Rovo 在 Jira 中使用该模型来分析和生成自然语言。

这些模型根据您的输入生成回复，本质上具有概率性。这意味着它们的回复是通过根据他们接受训练的数据预测最有可能的下个单词或文本来生成的。

了解有关 OpenAI 模型功能的更多信息。

工作项改写器通过使用 Atlassian 开发的模板来改写 Jira 工作项描述，从而帮助提高其清晰度。该模板涵盖了我们通常希望在 Jira 工作项描述中看到的信息类型，如用户故事、工作背景和验收标准。

我们认为，在工作项描述已包含有用信息（如验收标准或来源链接），但这些信息没有使用清晰或一致的结构进行格式化的情况下，工作项改写器最有效。

请务必记住，鉴于用于支持工作项改写器的模型的工作方式，这些模型的行为有时可能不准确、不完整或不可靠。

例如，您改写的描述可能无法准确反映其所依据的内容，也可能包含听起来合理但却是错误或不完整的细节。

我们发现，工作项改写器在以下情况下不太有用：

• 您需要有关人员、地点和事实的最新且准确的信息。
• 您的工作项描述不包含太多信息，因为支持工作项改写器的模型很有可能添加了原始描述中没有的信息。

因此，我们建议您在使用 Rovo 时考虑各种情况，先检查所收到回复的质量，然后再与他人共享。在开始使用工作项改写器来改写工作项描述之前，您可能还需要考虑审查并确认工作项描述是否包含所有相关信息。

我们了解您可能对工作项改写器如何使用您的数据有疑问。本节补充了我们在 Trust Center 中提供的信息。

我们会处理：

• 您的提示（输入）和回复（输出）。
• 您的实例中与您的提示相关的上下文，例如 Jira 工作项描述和摘要。
• 有关您如何与我们的功能进行交互的数据；例如，点击流数据以及与您合作的人员。
• 您选择提供的有关此功能的反馈，包括您选择作为反馈的一部分来分享的任意提示或回复。

当涉及到您的数据时，工作项改写器会采取以下措施：

• 您的提示（输入）和回复（输出）：
  • 不会提供给其他客户
  • 不会发送给 OpenAI 以外的任何第三方 LLM 提供商
  • OpenAI 不会对其进行存储。
  • 不会用于改进 OpenAI 的模型。
  • 仅用于提升您的体验。
• OpenAI 是我们的辅助处理程序，位于我们的辅助处理程序列表中。除了处理您的请求外，他们不会将您的输入和输出用于任何目的。
• 此功能仅使用 Jira 工作项中的可用信息，并从 Jira 工作项中调用。因此，它只能由有权查看工作项且无法访问任何其他信息的用户调用。

了解有关使用 Rovo 的更多信息

使用人工智能汇总工作项详情由 OpenAI 和 Google 开发的大型语言模型提供支持。这些大型语言模型包括 OpenAI 的 GPT 系列模型和 Google 的 Gemini 系列模型。

Rovo 会运用这些模型在我们的产品中分析与生成自然语言。

这些模型可根据您的输入生成回复，且本质上具有概率性。这意味着它们生成回复的机制为：根据用于对其进行训练的数据来预测最有可能出现的下一字词或文本。

了解有关 OpenAI 模型和 Google 模型功能的更多信息。

您可以使用 Rovo 快速汇总这些信息，而不必通读有关 Jira Service Management 工作项的长篇描述和大量评论。这有助于支持人员快速了解工作项的背景和取得的任何进展，使他们能够迅速采取行动并及时提供援助。

我们认为，使用 Rovo 汇总工作项详情时，在以下情况中效果最佳：

• 以英文撰写描述和评论的工作项。
• 包含大量评论和/或长篇评论和描述的工作项。

请务必记住，鉴于用于支持使用人工智能汇总工作项详情的模型的工作方式，这些模型有时可能表现得不准确、不完整或不可靠。

例如，您收到的回复可能无法准确反映其所依据的内容，或者包含听起来合理但事实上是错误或不完整的内容。

我们发现，在以下情况下，使用 Rovo 汇总工作项详情的用处不大：

• 您使用的是英语以外的语言
• 工作项没有历史记录或详情

因此，我们建议您在使用 Rovo 时考虑各种情况，先检查所收到回复的质量，然后再与他人共享。

我们了解您可能对使用人工智能汇总工作项详情会如何使用您的数据有疑问。本节是对我们常见问题解答页面所提供信息的补充。

我们会处理：

• 您的提示（输入）和回复（输出）。
• 您的实例中与您的提示相关的上下文包括有关 Jira 服务的详情。管理工作项，如工作项描述、评论和请求单中涉及的用户。
• 有关您如何与我们的功能交互的数据，例如点击流数据以及与您合作的人员
• 您选择提供的有关此功能的反馈，包括您选择作为反馈的一部分分享的任何提示或回复。

就您的数据而言，使用 Rovo 汇总工作项详情时会应用以下措施：

• 您的提示（输入）和回复（输出）：
  • 不会提供给其他客户。

  • 不会发送给除 OpenAI、Google 或 AWS Bedrock 上的 Anthropic 之外的任何第三方 LLM 提供商。

  • 不会由任何 LLM 提供商存储。
  • 不会用于改进 LLM 模型。
  • 仅用于为您的体验服务。
• 所有第三方 LLM 提供商都是辅助处理商，并在我们的辅助处理商页面上按此列出。除了处理您的请求外，他们不会将您的输入和输出用于任何目的。
• 此功能遵循您实例中的权限。仅支持人员和项目管理员可以看到“总结”按钮。

使用 Atlassian Intelligence (AI) 为智能链接生成摘要由 OpenAI、Google 和 Anthropic 开发的大语言模型，以及开源大语言模型（包括 Llama 系列、Phi 系列和 Mixtral 系列）与其他机器学习模型的组合提供支持。这些大语言模型包括 OpenAI 的 GPT 系列模型、Google 的 Gemini 系列模型和 Anthropic 的 Claude 系列模型。

Atlassian Intelligence 使用这些模型来分析和生成我们产品中的自然语言。

这些模型可根据您的输入生成回复，且本质上具有概率性。这意味着它们生成回复的机制为：根据用于对其进行训练的数据来预测最有可能出现的下一字词或文本。

了解有关 OpenAI 模型、Google 模型和 Anthropic 模型功能的更多信息。有关开源语言模型的更多信息，请参阅 Llama 系列和 Phi 系列的相关信息。

将光标悬停在 Jira、Confluence 和 Google Docs 中的智能链接上后，Atlassian Intelligence 可帮助您生成内容摘要，从而确定该链接的重要性和价值，并决定后续操作。这样可减少离开当前页面和切换上下文的需要。

我们认为，在以下情况下使用 Atlassian Intelligence 来生成智能链接摘要的效果最佳：

• 您正在查看的页面或工作项包含一个或多个智能链接。
• 您正在查看的页面或工作项包含一个或多个智能链接，这些智能链接包含大量信息或密集内容，会占用您阅读主要内容的时间和注意力。

请务必牢记，鉴于模型在支持使用 Atlassian Intelligence 为智能链接生成摘要时的工作方式，这些模型有时会出现不准确、不完整或不可靠等情况。

例如，您收到的摘要可能无法准确反映其所依据的内容，或者包含看似合理但实为谬误或不完整的内容。

我们发现，在以下情况下使用 Atlassian Intelligence 为智能链接生成摘要的效果不佳：

• 您需要有关人员、地点和事实的最新、准确信息。
• 您需要为极短的内容生成摘要。
• 您需要为链接中的所有元数据和内容生成摘要。例如，您想了解 Jira 工作单中的所有字段值及其描述和评论内容。

因此，我们建议您在使用 Atlassian Intelligence 时考虑所处的情况，并在与他人共享之前查看所收到回复的质量。

我们了解您可能对使用 Atlassian Intelligence 生成工作项详情摘要会如何使用您的数据有疑问。本节是对我们常见问题解答页面所提供信息的补充。

我们会处理：

• 您的提示（输入）和回复（输出）。
• 您的实例中与提示相关的上下文；例如，您要为其生成摘要的链接的内容。
• 有关您如何与我们的功能进行交互的数据；例如，点击流数据以及与您合作的人员。
• 您选择提供的有关此功能的反馈，包括您选择作为反馈的一部分来分享的所有回复。

当涉及到您的数据时，使用 Atlassian Intelligence 为智能链接生成摘要会采取以下措施。

• 您的摘要：
  • 不会提供给其他客户。

  • 不会发送给除 OpenAI、Google 或 AWS Bedrock 上的 Anthropic 之外的任何第三方 LLM 提供商。

  • 不会由任何 LLM 提供商存储。
  • 不会用于改进 LLM 模型。
  • 仅用于为您的体验服务。
• 所有第三方 LLM 提供商都是辅助处理商，并在我们的辅助处理商页面上按此列出。除了处理您的请求外，他们不会将您的输入和输出用于任何目的。

• 此功能会遵循您实例中的权限。例如，如果您无权访问 Jira、Confluence 或 Google 中的页面或工作单，则将无法为该来源的内容生成摘要。如果您不想让实例中的其他用户在回复中看到您的内容，则请与您的组织管理员合作，以确保您的权限设置得当。

Jira 中的人工智能摘要由 OpenAI 开发的大型语言模型提供支持。这些模型包括此处介绍的 OpenAI 模型。

Atlassian Intelligence 使用这些模型来分析和生成我们产品中的自然语言。

这些模型会根据您的输入生成回复，且本质上具有概率性。这意味着，它们的回复是根据训练过的数据预测最有可能出现的下一个单词或文本而生成的。

阅读有关 OpenAI 模型功能的更多信息，或查看 OpenAI 的研究论文以了解有关此方法的更多信息。

您可以使用 Atlassian Intelligence 快速生成这些信息的摘要，而不必通读有关 Jira 工作项的长篇描述和大量评论。这有助于支持人员快速了解工作项的背景和取得的任何进展，使他们能够迅速采取行动并及时提供援助。

我们认为，使用 Atlassian Intelligence 生成工作项详情摘要最适合有大量评论和/或长篇评论和描述的工作项。

请务必记住，鉴于用于支持 Jira 中的人工智能摘要的模型的工作方式，这些模型的行为有时可能不准确、不完整或不可靠。

例如，您收到的回复可能无法准确反映其所依据的内容，或者包含看似合理但实则有误或不完整的内容。

我们发现，在以下情况下，使用 Atlassian Intelligence 生成工作项详情摘要的用处不大：

• 工作项没有历史记录或详情
• 工作项有 100 多条评论（我们只生成最后 100 条评论的摘要）

因此，我们建议您考虑在哪些情况下使用 Atlassian Intelligence，并在与他人共享之前对收到的回复质量进行审查。

我们了解您可能对使用 Atlassian Intelligence 生成工作项详情摘要会如何使用您的数据有疑问。本节补充了我们在 Trust Center 中提供的信息。

我们会处理：

• 您的提示（输入）和回复（输出）。
• 您的实例中与您的提示相关的上下文，包括有关 Jira 工作项的详情，如工作项描述、评论和请求单中涉及的用户。
• 有关您如何与我们的功能进行交互的数据；例如，点击流数据以及与您合作的人员。
• 您选择提供的有关此功能的反馈，包括您选择作为反馈的一部分来分享的任意提示或回复。

当涉及到您的数据时，使用 Atlassian Intelligence 生成工作项详情摘要会应用以下措施：

• 您的提示（输入）和回复（输出）：
  • 不会提供给其他客户。
  • 不会发送给 OpenAI 以外的任何第三方 LLM 提供商。
  • 不会由 OpenAI 存储。
  • 不会用于改进 OpenAI 模型。
  • 仅用于提升您的体验。
• OpenAI 是我们的辅助处理者列表中的辅助处理者。除了处理您的请求外，它们不会将您的输入和输出用于任何目的。
• 此功能会遵循您实例中的权限。此功能仅使用 Jira 工作项中的可用信息，并从 Jira 工作项中调用。因此，它只能由有权查看工作项且无法访问任何其他信息的用户调用。

人工智能工作分解由 OpenAI 开发的大型语言模型提供支持。

Atlassian Intelligence 使用这些模型来分析和生成我们产品中的自然语言。

这些模型会根据您的输入生成回复，且本质上具有概率性。这意味着它们的回复是通过根据他们接受训练的数据预测最有可能的下个单词或文本来生成的。

阅读有关 OpenAI 模型功能的更多信息，或查看 OpenAI 的研究论文以了解有关此方法的更多信息。

人工智能工作分解会根据您创建的 Jira 工作项建议子工作项，从而轻松地将大块工作分解成小块工作。您的工作项将作为上下文，为子工作项摘要和描述生成建议。

我们认为人工智能工作分解在以下情况下效果最佳：

• 您从一个有详细摘要和描述的工作项开始，包括任何限制、说明和已完成的定义。
• 起始工作项没有现有的子工作项。

请务必记住，鉴于用于支持人工智能工作分解的模型的工作方式，这些模型的行为有时可能不准确、不完整或不可靠。

例如，您收到的回复可能无法准确反映其所依据的内容，或是包含看似合理但实则有误或不完整的内容。

我们发现人工智能工作分解在以下情况下不太有用：

• 您需要有关人员、地点和事实的最新且准确的信息。
• 您没有从详细的工作项摘要和描述开始（例如，如果您试图根据一个描述非常简短和宽泛的工作项生成子工作项建议）。

因此，我们建议您在使用 Atlassian Intelligence 时考虑所处的情况，并在与他人共享之前查看所收到回复的质量。

您可能还需考虑：

• 尽可能具体地说明您要求 Atlassian Intelligence 完成的事项。
• 在起始工作项摘要和描述中提供尽可能多的信息。

我们了解，您可能对人工智能工作分解如何使用您的数据有疑问。本节补充了我们在 Trust Center 中提供的信息。

我们会处理：

• 您的提示（输入）和回复（输出）。
• 您的实例中与您的提示相关的上下文，包括工作项数据（如摘要、描述和评论）。
• 有关您如何与我们的功能进行交互的数据；例如，点击流数据以及与您合作的人员。
• 您选择提供的有关此功能的反馈，包括您选择作为反馈的一部分来分享的任意提示或回复。

当涉及到您的数据时，人工智能工作分解会应用以下措施。

• 您的提示（输入）和回复（输出）：
  • 不会提供给其他客户
  • 不会发送给 OpenAI 以外的任何第三方 LLM 提供商。
  • 不会由 OpenAI 存储。
  • 不会用于改进 OpenAI 模型。
  • 仅用于提升您的体验。
• OpenAI 是我们的辅助处理者列表中的辅助处理者。除了处理您的请求外，它们不会将您的输入和输出用于任何目的。
• 此功能遵循您实例中的权限（即您必须拥有访问工作项的权限才能生成子工作项建议）。如果您不希望其他用户生成的回复中有您的内容，请与您的组织管理员合作，确保您的权限设置得当。

了解有关使用 Atlassian Intelligence 的更多信息