Atlassian presenteert Code Context, een nieuwe functionaliteit van Teamwork Graph die Rovo en programmeeragenten zoals Claude Code, Codex en Cursor in staat stelt om code te begrijpen die verspreid is over meerdere repositories en deze te koppelen aan Jira, Confluence, Loom en andere bedrijfsbronnen. Het bedrijf claimt dat, op basis van interne tests, de agenten met deze verrijkte context 44 % nauwkeuriger waren en 48 % minder tokens verbruikten, hoewel deze resultaten afkomstig zijn van eigen evaluaties en niet van een onafhankelijke beoordeling.
De kernpunten van Atlassian Code Context in 30 seconden
- Code Context integreert broncode uit meerdere repositories in het Teamwork Graph van Atlassian.
- Claude Code, Codex en Cursor kunnen er via de Teamwork Graph CLI vanaf de terminal naar verwijzen.
- Het agent kan code koppelen aan Jira-tickets, Confluence-documentatie, Loom-video’s en meer dan 50 connectors.
- Atlassian beweert dat interne tests een verbetering van 44 % in precisie en een vermindering van 48 % in tokens laten zien.
- De functionaliteit gaat nu open bèta in met initiële ondersteuning voor GitHub en Bitbucket.
Deze innovatie adresseert een van de grootste problemen voor steeds capabelere programmeeragenten: het model kan goed code schrijven, maar toch fouten maken omdat het niet voldoende weet over het systeem waarin het werkt.
Een agent die vanaf de laptop van een ontwikkelaar wordt uitgevoerd, beschikt meestal over de open repository, lokale bestanden en de context die de gebruiker heeft meegegeven. Maar een zakelijke applicatie kan verspreid zijn over tientallen of honderden repositories, services en teams.
De functie die mogelijk moet worden aangepast, kan afhankelijk zijn van een bibliotheek beheerd door een ander team, kunnen gerelateerde beslissingen in Confluence zijn gedocumenteerd die twee jaar geleden zijn genomen, of verband houden met een Jira-ticket verbonden met een specifieke conversatie.
Atlassian wil dat het agent deze relaties kan ontdekken voordat het begint te schrijven.
Van code-zoeker naar begrijpen waarom code bestaat
Code Context creëert een doorzoekbare representatie van code die verbonden is met het Teamwork Graph.
Ontwikkelaars en agents kunnen exacte zoekopdrachten, natuurlijke taalqueries en semantisch zoeken gebruiken om relevante code te vinden over verschillende repositories heen.
Het verschil met een conventioneel zoekprogramma zit in de informatie rondom het resultaat.
Stel dat een agent deze vraag krijgt:
Pas het authenticatiesysteem aan om de nieuwe sessiepolitiek te ondersteunen.
Het vinden van de functie die een sessie valideert, is relatief eenvoudig.
Het echte probleem ligt erin te weten dat er een andere service is die dat token gebruikt, dat zes maanden geleden een bepaalde implementatie werd afgewezen vanwege compatibiliteitsproblemen, en dat het huidige ticket gerelateerd is aan een technische beslissing die in Confluence is vastgelegd.
Dit is waar Teamwork Graph het verschil kan maken.
De grafiek koppelt personen, projecten, doelen, documentatie en activiteiten uit tools zoals Jira, Confluence, Google Drive, Slack, GitHub of Salesforce. Atlassian presenteert het als een dynamische kaart van de relaties binnen een organisatie.
Met Code Context wordt die kaart verrijkt met de code zelf.
Het agent kan niet alleen vragen « waar is deze functie? », maar ook « waar hangt deze van af? », « waarom is het zo gebouwd? » of « welke Jira-workitems zijn gerelateerd aan dit onderdeel? ».
Claude Code en Codex kunnen via de terminal worden benaderd
Een bijzonder interessant aspect voor ontwikkelaars en systeembeheerders is dat Atlassian deze context niet beperkt tot Rovo.
Het bedrijf biedt Teamwork Graph CLI, een commandolijninterface ontworpen om externe agents via de terminal toegang te geven tot de grafiek.
De documentatie vermeldt expliciet compatibiliteit met Claude Code, Codex, Gemini, Cursor en andere agents. Nadat de CLI en de skills zijn geïnstalleerd, kan de agent Jira, Confluence en andere verbonden bronnen raadplegen met natuurlijke taal.
Voor Claude Code worden bijvoorbeeld de skills geplaatst op:
~/.claude/skills/
Codex gebruikt de standaardlocatie:
~/.agents/skills/
Atlassian maakt het mogelijk om die vaardigheden te installeren of bij te werken met:
twg skills install --global
En om specifiek te richten op Claude:
twg skills install --global --agent claude
Na installatie is het de bedoeling dat ontwikkelaars geen honderden commando’s hoeven te onthouden. Ze kunnen bijvoorbeeld vragen:
Zoek alle relevante context rond PROJ-123, inclusief repositories, pull requests, documentatie en dependencies, voordat je wijzigingen aanbrengt.
De agent gebruikt vervolgens de Teamwork Graph CLI om de benodigde informatie op te halen.
Code Context breidt die mogelijkheid nu uit naar de inhoud en structuur van repositories zelf.
Minder tokens omdat de agent niet alles hoeft te ontdekken
Atlassian bevestigt het effect van twee opvallende cijfers.
In interne benchmarks produceerden de agenten verrijkt met Teamwork Graph 44 % meer precisie en verbruikten ze 48 % minder tokens in vergelijking met agents die zonder deze context werkten.
Er is geen publicatie van een gedetailleerde methodologie die deze cijfers universeel vergelijkt, dus ze dienen als interne resultaten van Atlassian.
De technische uitleg achter deze besparingen is echter logisch.
Wanneer een agent niet de relaties binnen een organisatie kent, moet hij ze reconstrueren.
Hij kan Jira raadplegen.
Daarna een Confluence-pagina zoeken.
Vervolgens een repository bekijken.
Of ontdekken wie een andere service onderhoudt.
Elke query kost tokens, en elk opgedoken document kan onderdeel worden van de context die het model verwerkt.
Teamwork Graph probeert dat werk vooraf te doen.
Het koppelt miljoenen objecten en berekent relaties tussen hen, en kan zo een gerelateerde voorstelling bieden. In plaats van het model te voorzien van grote hoeveelheden ruwe data, levert het een vooraf verbonden representatie.
Atlassian heeft maanden gewerkt aan een architectuur die kosten en context bespaart. In mei gaf het bedrijf hetzelfde resultaat met 44 % verbetering en 48 % minder tokens bij agents die Teamwork Graph gebruikten, vóór de integratie van Code Context.
De economische waarde wordt groter naarmate agents langere taken uitvoeren.
Een eenvoudige vraag kost wellicht enkele beurten. Maar een agent die een systeem wijzigt, kan repositories doorzoeken, documentatie lezen, tools gebruiken, resultaten bekijken en zich verbeteren over tientallen of honderden stappen.
Het minimaliseren van onnodige context kan de latentie en de kosten aanzienlijk verlagen.
Code-agenten hebben niet alleen een IQ-probleem, maar ook een contextprobleem
De markt van AI-programmeerhulpmiddelen heeft lange tijd vooral gefocust op welke modellen de beste code schrijven.
Recente ontwikkelingen laten zien dat die vergelijking niet meer toereikend is.
Een goed model kan een geïsoleerde functie correct genereren maar faalt bij het aanpassen van een echte toepassing omdat het niet weet welke beslissingen buiten dat specifieke bestand zijn genomen.
Dit wordt nog duidelijker in microservices-architecturen.
Stel dat een wijziging wordt aangebracht in:
payments-api
die ogenschijnlijk alleen een JSON-respons wijzigt.
Het kan echter ook invloed hebben op:
checkout-servicemobile-appfraud-enginebilling-workeranalytics-pipeline
Als deze componenten in verschillende repositories zitten, heeft de agent die alleen de payments-api heeft gekloond, een incompleet beeld.
Code Context moet deze multi-repository structuur doorzoekbaar maken.
De complexiteit wordt groter als de afhankelijkheid niet in de code wordt uitgedrukt.
Een commentaar kan uitleggen wat een functie doet.
Een Jira-ticket kan toelichten waarom het zo is ontworpen.
Een Confluence-pagina kan de architectuur beschrijven.
Een Loom-video kan een ontwerpbespreking tonen.
Een oud pull request kan documenteren welke alternatieven zijn afgewezen.
De voorgestelde aanpak van Atlassian is om deze lagen te verbinden.
Toestemming speelt een rol wanneer het agent over de hele organisatie kan gaan
Meer context aan een agent geven brengt meteen beveiligingsvragen met zich mee.
Een ontwikkelaar kan toegang hebben tot meerdere repositories, maar niet tot alles. Hetzelfde geldt voor Jira-projecten, Confluence-pagina’s of informatie van andere afdelingen.
Code Context houdt rekening met het toestemmingsmodel van Teamwork Graph.
Volgens Atlassian wordt de informatie die een geautoriseerde gebruiker ontvangt, beperkt tot wat hij mag bekijken. Het doel is te voorkomen dat het koppelen van een AI-hulpmiddel het grafiek in een manier gebruikt die de controlemechanismen omzeilt.
Teamwork Graph CLI heeft OAuth, auditlogs en toegangscontroles toegevoegd voor gebruik in bedrijfsomgevingen.
Dit wordt vooral belangrijk als agents niet alleen vragen beantwoorden, maar ook code wijzigen, problemen aanmaken, acties goedkeuren of infrastructuur aanpassen.
De juiste context betekent niet dat alle beschikbare data worden gedeeld, maar dat het juiste deel wordt verstrekt.
Alleen de data die nodig zijn en waar de agent toestemming voor heeft.
GitHub en Bitbucket als eerste ondersteund
Code Context wordt nu uitgerold in open beta, aanvankelijk met ondersteuning voor GitHub en Bitbucket.
Organisatiebeheerders kunnen de beschikbaarheid controleren via de Rovo-instellingen in Atlassian Administration.
De keuze voor GitHub en Bitbucket dekt zowel externe repositories als die van Atlassian zelf. Atlassian benadrukt dat Code Context bedoeld is voor grote, multirepos-omgevingen en dat het bereik kan toenemen. Momenteel bevestigt de aankondiging slechts deze twee aanbieders.
De organisatie wil niet dat het de IDE of de agent vervangt.
Code Context dient als een informatielaag die deze systemen kunnen raadplegen.
Cursor kan gewoon Cursor blijven.
Claude Code blijft werken vanuit de terminal.
Codex behoudt zijn eigen omgeving.
Rovo blijft Atlassians flagship.
Wat verandert, is dat iedereen een completer beeld krijgt van hoe code past binnen het bedrijfsproces.
De nieuwe race voor agenten draait om wie het beste context kan bieden
Atlassian staat niet alleen in deze uitdaging.
Databases, ontwikkelplatforms, cloudproviders en modelbouwers ontwikkelen mechanismen om geheugen en context aan agenten toe te voegen.
MongoDB wil operationele data en vector recovery dicht bij de agent brengen. GitHub bewaart de volledige geschiedenis en pull requests. MCP-servers zetten bedrijfs- en ontwikkeltools om in doorzoekbare bronnen voor modellen.
Bij Atlassian ligt een groot voordeel omdat een groot deel van de uitleg waarom iets wordt ontwikkeld, al in Jira en Confluence slaat.
Code Context voegt nu het andere deel toe: de software zelf.
Dit helpt de richting van Teamwork Graph beter te begrijpen.
Atlassian hoeft niet het krachtigste programmeermodel te bouwen, zolang Claude, Codex, Cursor en anderen beter kunnen werken met de informatie die door hun platform wordt beheerd.
De boodschap is helder: elke agent moet kunnen profiteren van Teamwork Graph, niet alleen de eigen systemen.
Voor ontwikkelteams kan dit enorm waardevol zijn.
In kleine projecten weet de ontwikkelaar meestal veel over het geheugen. In grote organisaties met honderden services en duizenden medewerkers is die kennis verspreid over repositories, tickets, documentatie en mensen.
Agents krijgen precies hetzelfde probleem als een nieuw aangeworven programmeur: ze kunnen programmeren, maar weten nog niet hoe de organisatie werkt.
Code Context moet dat gat helpen dichten.
Veelgestelde vragen
Wat is Atlassian Code Context?
Een nieuwe functionaliteit van Teamwork Graph die broncode uit meerdere repositories begrijpt en koppelt aan informatie uit Jira, Confluence, Loom en andere tools.
Kan ik Code Context gebruiken met Claude Code of Codex?
Ja. Atlassian stelt dat agents zoals Claude Code, Codex en Cursor via Teamwork Graph CLI toegang hebben tot de grafiek en dit context kunnen gebruiken voordat ze code plannen, genereren of controleren.
Hoeveel tokens wordt er bespaard?
Atlassian beweert dat interne tests laten zien dat agents met Teamwork Graph 48 % minder tokens verbruikten en 44 % nauwkeuriger waren dan zonder deze context. Het gaat hier om interne cijfers, geen onafhankelijke benchmark.
Welke repositories worden ondersteund?
De open bèta start met ondersteuning voor GitHub en Bitbucket. Beheerders kunnen dit controleren via de Rovo-instellingen in Atlassian Administration.