2025-03-24-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_37页_8mb

主题：【基于需求知识工程建设的增强大语言模型赋能需求提效】

1. 背景与挑战

演讲者王一指出，当前需求分析及处理过程中存在高能耗问题，如需求准入检查、需求实例化分析及需求评审等任务的工作量大、效率低。主要痛点包括：

• 需求分析质量不稳定，依赖BA经验易造成缺陷。
• 相似需求重复分析，存在研发资源浪费。
• 需求评审存在7.1%遗漏率，较目标5%差距。
• 客家端产品定制化需求多、来源分散、分析难度大。

2. 解决思路与整体方案

中兴通讯基于知识工程构建端到端需求AI赋能流程，聚焦需求高能耗活动（准入检查、实例化生成、评审），设计原子型AI应用，嵌入研发流程，实现自动化和智能化提效。

整体方案：

• 知识工程建设：通过需求体系化、构建需求知识图谱（需求树、特性树、场景树等），沉淀结构化知识。
• AI增强应用：
  • 基于星云系研发大模型，结合提示词工程、典型案例QA、RAG检索增强和自动化规则驱动，生成和评审需求内容。
  • 实施知识飞轮机制：评审反馈→知识库持续优化→模型判断精度与采纳率提升。
  • 推广脚本自动化作业，支持AI自动生成与人工复核协同，支撑多项目差异化的触发、格式与输出内容等要求。

3. 关键技术与方法

• 预处理阶段：需求文本清洗、向量化、需求QA对构建、案例知识图谱构建。
• 应用编排：
  • RAG检索机制增强大模型输入，提升实例化生成准确性。
  • TF-IDF算法量化评估生成内容与人工标准匹配程度。
  • 自动触发AI生成评估机制：设置采纳率、格式标准化、结果回填等功能。
• 工程化适配：支持项目标注、定制提示词和特色输出格式，保障模型适配不同项目特性。

4. 实践成果

通过在DN Studio平台部署，实现了：

• 4.9W需求节点清洗生成1.3W库QA，帮助需求评审采纳率从20%提升至30%。
• 将7.8W测试用例自动转换为QA Knowledge库，知识库覆盖率提升46%，采纳率至40%。
• 利用AutoWork机制（自动生成、校验、迭代），需求实例化生成采纳率达45%，减少重复评审。

5. 总结与展望

本次实践验证了基于需求知识工程融合AVAI方法在需求工程中提升效率与质量的可行性。未来将继续构建“零号BA”，推进需求领域全流程AI化：

• 自动化路径：自动化了需求入住、评审、回填、增强与迭代优化。
• 多阶段闭环：有Generator生成、Corrector优化、Validator校验，形成良性迭代。
• 知识积累：支持流程式需求知识持续沉淀，驱动评审可信、评审标准统一、开发精准。

展望
自修复评审机制、自增长知识库，实现需求域流程自动化，将提升需求质量和效率，降低漏项率。AI赋能需求提效是通信技术发展的核心方向之一。