20250401-中智凯灵_北京_科技-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_8mb

2024 AI+研发数字峰会总结

核心内容概述

本次峰会聚焦于AI技术在研发领域的应用，尤其是如何通过基于需求知识工程建设的增强大语言模型来提升需求分析的效率。中兴通讯的王一在演讲中分享了其在需求实例化分析中的实践，旨在通过AI辅助，减少研发过程中重复性、高耗时的工作，实现降本增效。

主要观点

• 需求分析是研发过程中的高能耗活动，涉及多个步骤，包括需求获取、需求准入检查、需求实例化分析、需求评审等。
• AI模型在需求分析中的作用：
  • 自然语言处理和理解，包括意图识别和内容生成。
  • 领域通识，如电信领域知识。
  • 语言风格一致性，确保生成内容语法准确、表达清晰。
• AI模型的实现依赖于：
  • 需求体系化内容：对需求进行结构化处理，包括需求描述、背景、实例化规则等。
  • 知识库建设：构建基于需求节点的历史数据，转化为QA对和知识图谱，用于后续AI训练和推理。
  • RAG应用编排：通过检索知识库内容，为LLM提供上下文信息，提升生成内容的准确性。
  • 自动化评估与无侵入式度量：实现需求分析的自动化评估，确保AI输出的可靠性。

关键信息

需求分析的高能耗活动

解决思路

• 构建基于知识工程的AI应用，覆盖需求高能耗活动。
• 设计原子应用编排，将AI嵌入研发流程，模拟BA工作。
• 利用大语言模型进行需求分析提效，减少重复性工作。

实现路径

1. 需求知识图谱：将历史需求转化为结构化的QA对，用于知识库建设。
2. 语料清洗与知识库搭建：开发清洗算子，将原始需求内容转化为可使用的语料，并构建独立的项目知识库。
3. RAG应用编排：通过检索知识库内容，为LLM提供上下文，提高生成质量。
4. 自动化应用触点：实现自动化评估和无侵入式度量，确保AI输出的可追踪性。
5. 自动化评估集：每日识别新增需求，更新知识库，确保知识库的时效性。
6. AI生成内容格式化：支持JSON和Markdown格式，满足不同场景下的需求。

重点实践

• AI需求实例化内容生成：通过自然语言处理和知识库内容，自动生成需求实例化内容，包括场景描述、功能点等。
• 自动化脚本与@自动回复：通过脚本自动回填需求实例化内容到iCenter页面，并标记AI生成内容。
• 跨知识库检索：支持不同项目的需求拉通，实现知识共享和复用。

成果与展望

• 需求实例化内容生成：AI生成的内容在部分项目中已实现高采纳率，如PONG项目中相似需求推荐列表的采纳率可达80%以上。
• 自动化推广：通过脚本和@自动回复方式实现AI应用的工程化推广，减少人工干预。
• 未来方向：
  • 提升AI对需求描述的理解能力。
  • 优化知识库的结构，提高检索效率。
  • 推广AI应用至更多研发场景，实现全面提效。

总结

本次峰会展示了AI在需求分析中的巨大潜力，通过构建需求知识图谱和利用增强大语言模型，显著降低了需求分析的工作量和时间成本。中兴通讯的实践表明，AI可以有效辅助需求实例化分析，提高效率和一致性，未来将有更多AI应用落地，推动研发流程智能化发展。