使用 LLM + Atlassian MCP 1小时生成年终总结

一、引言：年终总结的痛点

每到年底，技术人员都需要编写年终总结。这个过程通常面临以下挑战：

耗时耗力：人工梳理一年来的数十甚至上百个JIRA任务需要数小时到数天
信息遗漏：容易忘记某些重要项目或技术细节
缺乏量化数据：难以准确统计完成任务数量、类型分布等

以一个完整的工作年为例，通常包括：

5个Epic级项目
75+个JIRA任务（Story 40+、Bug 20+、Task 15+）
手动写作时间：20-30小时

本方案通过 LLM + Atlassian MCP ，将这个时间缩短到1小时以内（效率提升90%以上），且结构更规范、内容更完整。

二、Atlassian MCP 简介

Atlassian MCP是连接AI应用与JIRA系统的中间件，基于Model Context Protocol标准。本文主要使用了以下几个核心功能：

jira_search: 使用JQL搜索指定时间段内的JIRA任务，支持按时间、项目、类型等条件筛选
jira_get_issue: 获取任务的详细信息，特别是查看parent issue来获取完整的项目上下文（这对处理子任务尤为重要）
jira_get_user_profile: 查询用户信息

通过MCP，AI应用可以直接访问JIRA数据，无需编写复杂的API集成代码。它可以：

高效读取任务数据
理解层级关系（Epic/Story/Sub-task）
提取关键信息
自动组织内容

最重要的是，AI会自动处理JQL查询语法和MCP接口调用，用户只需用自然语言描述需求即可。

三、环境准备

Atlassian MCP配置（需要本地提前安装支持MCP的Agent CLI）

json 复制代码

{
  "mcpServers": {
    "mcp-atlassian": {
      "command": "docker",
      "args": [
        "run",
        "-i",
        "--rm",
        "-e",
        "CONFLUENCE_URL",
        "-e",
        "CONFLUENCE_USERNAME",
        "-e",
        "CONFLUENCE_API_TOKEN",
        "-e",
        "JIRA_URL",
        "-e",
        "JIRA_USERNAME",
        "-e",
        "JIRA_API_TOKEN",
        "ghcr.io/sooperset/mcp-atlassian:latest"
      ],
      "env": {
        "CONFLUENCE_URL": "https://your-company.atlassian.net/wiki",
        "CONFLUENCE_USERNAME": "your-email@company.com",
        "CONFLUENCE_API_TOKEN": "your-confluence-api-token",
        "JIRA_URL": "https://your-company.atlassian.net",
        "JIRA_USERNAME": "your-email@company.com",
        "JIRA_API_TOKEN": "your-jira-api-token"
      }
    }
  }
}

四、实际工作流程演示

在实际使用中，整个流程非常简洁。你不需要编写复杂的Prompt或理解技术细节，LLM会自动处理所有步骤。

极简化的工作流程

步骤1：创建任务清单文件

创建一个简单的Markdown文件（如todo.md），列出你需要完成的任务：

markdown 复制代码

1. mcp-atlassian, 查看jira。分别检索我以下时间段做了哪些工作(有些卡是子卡，注意查看parent issue来获取更多上下文)，存入到4个md文件中，详细一点：
    - 2024年12月-2025年2月
    - 2025年3月-2025年5月
    - 2025年6月-2025年8月
    - 2025年9月-2025年11月（同时，我这段时间也写了博客 @我的博客.md，讲了session @我的session.md）

2. 然后参考上面生成的的四个文件和 @我的期望_2025.md , 使用STAR原则，帮我写一个年终总结，存入一个新的md文件。

步骤2：AI自动完成所有工作

只需在Agent CLI中输入：

复制代码

@todo.md

AI会自动完成：

解析任务清单，理解需求
生成JQL查询语句
调用MCP接口查询JIRA数据
自动获取parent issue信息
按时间段分类整理任务
使用STAR框架生成季度总结
汇总生成完整年终总结

输出结果：

2024年12月-2025年2月工作总结.md
2025年3月-2025年5月工作总结.md
2025年6月-2025年8月工作总结.md
2025年9月-2025年11月工作总结.md
2025年终总结.md

核心价值

在整个流程中，LLM帮你完成了：

✅ JQL查询语法编写
✅ MCP接口调用
✅ 数据字段提取
✅ 项目自动分类
✅ STAR框架应用
✅ 业务价值解读

你只需完成：

🎯 用自然语言描述需求
🎯 提供业务背景补充
🎯 审核和微调结果

五、人工润色

AI生成的总结需要人工审核和优化：

检查清单：

任务描述是否准确（特别是技术细节）
是否有遗漏的重要项目
Result部分的量化数据是否正确
业务价值描述是否充分
STAR逻辑是否连贯

六、数据隐私

风险：

JIRA数据可能包含敏感业务信息
API token需要安全存储

安全措施：

安全存储、定期轮换API token
避免在公有云AI服务中直接处理敏感数据