大语言模型时代需求自动追踪技术_44页_14mb

2024 AI+研发数字峰会总结

核心内容

2024 AI+研发数字峰会在北京举行，聚焦于AI驱动的软件研发变革，旨在促进企业降本增效。会议围绕“需求自动追踪技术”这一主题，探讨了如何在大语言模型（LLM）时代，通过技术手段实现软件开发过程中需求与代码之间的高效、可信的追踪。

主要观点

需求自动追踪技术的重要性

• 需求可追踪性是软件系统中的一种特性，能够显式标识需求与其它软件制品之间的联系，从而帮助理解系统功能与演进历史。
• 需求可追踪性对软件开发具有积极作用，特别是在敏捷开发中，可显著提升质量与效率。
• 需求可追踪性是开发数据资产化的关键，为大模型在软件开发中的应用提供基础支持。

LLM时代的需求追踪价值

• LLM在具体开发任务中依赖于专用数据，需通过Prompt引导和数据资产化实现更精准的追踪。
• 需求可追踪性在LLM时代尤为重要，因为软件开发将更加复杂，涉及AI模型与训练数据。
• 需求可追踪性有助于提升开发效率和企业业务创新能力，是BizDevOps的重要组成部分。

关键信息

需求可追踪性的历史发展

• 1968年：NATO软件工程会议首次提出需求可追踪性的概念，标志着其在软件工程领域的开端。
• 1985年：美国防部发布DOD-STD-2167A标准，将需求可追踪性纳入开发规范。
• 1994年：Gotel等人正式定义需求可追踪性，并提出其应“普遍存在”。
• 2005年：TEFSE workshop确立了需求追踪的研究方向，成为长期研究热点。
• 2014年：总结了软件可追踪性的发展趋势，强调其在实际开发中的低成本、高价值、可配置等特性。

需求自动追踪技术的发展

• 信息检索方法：通过文本预处理、相似度计算等步骤，生成候选追踪列表并优化，方法直观且可扩展性强，但存在语义鸿沟和上下文理解不足的问题。
• 机器学习方法：利用特征工程和标签增强技术，模型可解释性较好，但需要高质量标注数据。
• 深度学习方法：基于BERT等模型，结合神经网络技术，能够更好地进行上下文与语义理解，但计算资源需求高且模型可解释性弱。

大模型在需求自动追踪中的应用

• 基于LLM的提示工程能够有效支持需求与代码之间的自动追踪，例如在安全需求与目标模型的追踪中，大模型能够生成高精度的追踪线索并提供解释。
• 需求自动追踪技术仍在发展，需结合多种方法，如信息检索、机器学习和深度学习，以应对不同场景下的需求。

技术挑战与未来展望

技术挑战

• 需求可追踪性无法完全实现自动化，仍需“Human in the Loop”式的半自动化方法。
• 人工实现需求可追踪性成本高，需通过自动化分析技术降低实现难度。
• 需求与代码之间的语义鸿沟，使得概念指派成为核心问题。

未来展望

• 推动需求可追踪性技术的进一步发展，实现“Ubiquitous Traceability”。
• 结合LLM与形式化方法，提升需求建模与验证的效率。
• 构建高质量的基准数据集，以支持专用大模型的训练与评估。
• 推动软件开发的进一步数据化与智能化，以应对日益复杂的开发需求。

目录结构

1. 需求自动追踪技术背景与发展
2. LLM时代需求追踪的重要价值
3. 基于LLM的需求追踪技术初探

文献综述

• 文献搜索关键词包括：traceability、requirements trac*、software trac*、link recover*等。
• 文献来源涵盖ACM、IEEE、Web of Science、Science Direct、SpringerLink、Scopus等数据库。
• 筛选条件包括论文发表时间、主题相关性、完整性、权威性等，最终筛选出1910篇相关文献。
• 文献主要集中在ICSE、FSE、ASE等顶尖会议和期刊，显示该领域研究热度持续上升。

技术趋势

• 需求自动追踪技术从传统文档逐步扩展到代码库制品。
• 未来需求追踪将更加依赖大模型的对话式交互与文本归纳能力。
• 需求追踪技术的发展趋势包括：基于LLM的提示工程、数据资产化、构建专用模型等。

结论

需求自动追踪技术在软件工程领域具有重要价值，特别是在LLM时代，其对于软件开发的质量、效率与安全性至关重要。未来研究应关注如何有效结合LLM与现有技术，构建更高效、可信的自动追踪系统，以应对软件开发的进一步复杂化。