Aruvi

什么是 Aruvi？

Aruvi 是面向软件团队的工作区，将问题追踪、文档、知识库和 AI agent 工作流整合到一个系统中。该产品将自己定位为一个快速的 issue tracker 和轻量级 wiki，让人类与 AI agents 在同一环境中协作，而不是分散在不同工具里。

其核心理念是让上下文尽量贴近执行。团队可以在 issues、projects、cycles、boards、lists 和 roadmaps 中规划工作；在同一工作区中存放文档和知识；并通过 MCP endpoint 连接 AI 工具，使 agents 能被分配任务、留下评论，并在受限护栏下运行。

Aruvi 能做什么？

Issue、项目与周期规划

将 issue 视为最小且最有用的工作单元，并将其归入项目、周期以及团队专属流程，方便团队在一个地方管理执行。

文档与知识存储

将持久的产品上下文与工作保持在一起，把文档和知识存放在与 issues 和项目相同的工作区中。

Agent 参与工作流

把 AI agents 视为一等队友，可分配 issue、留下评论，并与人类队友出现在同一审查轨迹中。

可审计的 agent 访问

为 agents 提供受限访问，包括受限 API keys、仅限已分配任务的护栏，以及 agent 操作归因。

AI 工具连接

支持通过 MCP endpoint 连接 AI 工具，文档中提到了 Claude Code、Codex 和 Kiro。

工作区规划与连接

包含 board、list、cycles、roadmap、自定义工作流状态、context-bundle endpoint、OKF export，以及与 GitHub、Slack 和 Discord 的集成。

使用场景

“规划并跟踪产品工作”

使用 Aruvi 在 issues、projects、cycles 和 roadmap 视图中组织日常工程工作，同时保持团队专属的工作流状态和标签一致。

“将产品上下文与工作放在一起”

将规格、笔记和其他持久上下文保存在文档和知识库中，并放在 issue 流程旁边，这样人和 agents 都能在不切换工具的情况下找到背景信息。

“将实施任务委派给 agents”

把编码 agent 分配到真实的 issue 上，授予受限访问权限，并在与人类工作相同的轨迹中审查其输出。

“连接外部 AI 编程工具”

通过 MCP endpoint 连接 Claude Code、Codex 或 Kiro，在希望 AI 工具在同一工作区和工作流结构中运行时使用。

“从小团队扩展到更大的工作区”

先在 Free 方案上从小团队起步，再在需要更多 issues、projects 或工作区成员时升级到 Pro，而无需改变工作区模型。

常见问题

Aruvi 用于什么？

Aruvi 将问题追踪、文档、知识库和 AI agent 访问整合在一个工作区中，帮助团队把工作和上下文放在一起。

Aruvi 适合谁？

文档页说明，它专为希望拥有一个现代化追踪工具、避免标签页过多，并希望在安全护栏下把工作委派给 AI 编程工具的小型产品与工程团队而设计。

Aruvi 支持哪些 AI 工具和集成？

Aruvi 通过一个 MCP endpoint 支持 Claude Code、Codex 和 Kiro 等 AI 工具，定价页还列出了 GitHub、Slack 和 Discord 作为集成项。

Free 和 Pro 有什么区别？

定价页说明，两种方案都包含全部功能，而 Pro 会取消 Free 方案的使用限制。Free 方案限制为 500 个 issue、2 个项目和 3 位工作区成员。

开始使用有多快？

文档说明，你大约可以在五分钟内从登录进入第一个可交给 agent 处理的 issue。