回顧過去一年在 JIRA 上密密麻麻的 Issue 記錄，要怎麼把滿滿的 issue 轉成每年績效自評的報告每次都是一個困難的工作。作為一名工程師，我的大部分工作成果都體現在 JIRA 的 Issue 和 GitLab 的 commit 之中，如何總結這些數據，並提煉出我個人的成長與貢獻，成為年度自評的首要任務。
面對數以百計的 JIRA Issue，逐一回顧並撰寫自評顯然是不現實的，而且容易遺漏重要細節，導致自評結果不夠全面。因此，我決定借助 AI 的力量，打造一套自動化的績效自評流程，幫助我填滿我的績效報告。
一、JIRA 數據：自評的基石，Comment 的重要性不容忽視
JIRA 是優秀的專案管理工具，能夠幫助我們管理當下的任務、追蹤進度，但在數據分析方面，尤其是針對個人工作表現的分析，卻存在明顯的局限。它就像一個任務清單，忠實地記錄了「做了什麼」，卻難以呈現「如何做」以及「做得怎樣」。而這些「如何做」的過程和細節，往往隱藏在 Comment 之中。
而 JIRA 自帶的數據匯出功能只有基本的標題跟描述，無法窺見全貌。
缺少了 Comment 記錄。Comment 中記錄了團隊成員之間的討論、我的思考過程、問題的解決方案，以及決策背後的邏輯。這些記錄對於我回顧和反思自己的工作至關重要，也是評估我貢獻和能力的重要參考。
因此，我需要一個能夠完整匯出 Issue 及其所有 Comment 的工具。
二、Copilot 助力：打造我的 JIRA & Comment 匯出利器
為了解決 Comment 缺失的問題，我利用了 GitHub Copilot ，快速（一天）開發了一個能夠將 JIRA Issue 及其所有 Comment 一起匯出成 Markdown 格式的工具。在 Copilot 的協助下，我只需要用自然語言描述我的需求，它就能夠快速生成代碼片段，大幅加速開發效率。
首利用 JIRA 的 API 獲取 Issue 的數據，然後再收集每個 Issue 下的所有 Comment，最後再產出 AI 跟人類者的好懂的 Markdown 文本。
三、更進一步：整合 GitLab Commit 記錄，全方位展現程式碼貢獻（未完成）
JIRA 記錄了任務和問題解決過程，而 GitLab 則記錄程式碼更新的細節。如果為連 git commit 或是 code review 的記錄，如果把這些也都加入自評資料，也可以更進一步完整工作記錄。
四、NotebookLM：我的專屬 AI 自評助理
有了 JIRA Issue （包含 Comment）和 GitLab commit 記錄這兩大數據源，我就可以利用 NotebookLM 這款強大的 AI 工具，對我的工作進行深入的分析和總結了。
五、我的自評之道：高效、全面、深入
通過這個結合了 JIRA、GitLab 和 NotebookLM 的 AI 輔助自評流程，我能夠高效、全面、客觀且深入地完成我的年度績效自評。
- 高效： 自動化的數據匯出和分析流程，節省了我大量的手動整理時間。
- 全面： JIRA 和 GitLab 數據的整合，讓我能夠從任務執行和程式碼貢獻兩個維度全面評估自己的工作。
- 深入： NotebookLM 能夠深入挖掘數據背後的細節，幫助我整理自己工作細節。
最後給一段 NotebookLM 對我一月份的工作分析，看起來好像還不錯。
以上，原本的 JIRA /Git 只提供記錄功能，而我透過 AI 補上分析功能，看的出來 AI Agent 一定是大有搞頭！
註：這篇文章也有部份是 AI 分成。
