基于需求知识工程建设的增强大语言模型赋能需求提效_36页_7mb

需求知识工程赋能AI需求分析提效总结

背景与痛点

• 问题根源：需求分析工作量大，TOP能耗活动包括需求准入检查、需求实例化分析和需求评审。
• 关键痛点：
  1. 需求描述不完整，沟通成本高。
  2. 分析产能与需求增长不匹配，存量知识继承不足。
  3. 需求评审依赖经验，缺陷率偏高（7.1% vs 目标5%）。
  4. 需求定制化导致相似分析内容无法复用，造成重复劳动。

解决思路与整体方案

1. 核心方案：构建基于知识工程的AI应用，覆盖需求全流程活动，形成自动化闭环。

   • 三大子场景：需求预分析、需求实例化生成、需求评审。
   • 关键支撑：需求知识图谱、RAG检索增强生成、自动化评估机制。

2. 知识工程体系：

   • 构建需求体系化内容，沉淀到需求树、特性树、场景树。
   • 建立实例化知识库与故障复盘知识库，基于故障分析优化评审规则。

3. AI能力设计：

   • 需求准入检查：基于准入规范和文本分析，自动检查需求完整性。
   • 需求实例化生成：采用“五步法”五步法，结合大模型自动生成定系统、画场景等关键内容。
   • 需求评审：通过知识库检索辅助评审，降低遗漏风险。

具体实现

1. 关键技术实践（附五步法）：

   • 知识清洗与提纯：开发定制化清洗算子，处理历史需求节点。
   • 提示词与知识库协同：多项目限定信息配置、自动化提示词生成。
   • 工作流编排：DN Studio平台支持RAG增强检索、LLM多路并行及结果格式化。

2. 效果评估指标：

   • 知识库覆盖率：1.3万条需求QA对，问答对总数增加46%。
   • 采纳率提升：需求QA对采纳率从30%提升至40%，需求实例化生成内容采纳率提升至45%。

总结与展望

• 核心成果：通过端到端知识工程和自动化AI应用，实现需求分析效率显著提升。
• 展望：持续优化“零号BA”架构，构建全领域AI辅助流程，实现需求分析全流程智能化。