深度报告-20250320-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

2024 AI+研发数字峰会总结

核心内容

本次峰会围绕“AI驱动研发变革，促进企业降本增效”的主题，聚焦于如何利用AI技术优化需求分析流程，特别是在需求实例化分析、需求评审等高能耗环节。中兴通讯有线研究院需求AI应用负责人王一分享了基于需求知识工程的增强大语言模型在需求提效方面的应用实践。

主要观点

1. 需求分析是研发流程中的高能耗环节：

   • 需求实例化分析、需求评审等任务具有高频率和高耗时，尤其在需求吞吐量增长的情况下，传统方法难以应对。
   • 需求描述、背景、目的等信息的不完整性和沟通成本高，导致分析效率低下。

2. 解决思路：构建基于知识工程的AI应用：

   • 通过构建需求知识图谱，实现AI辅助需求分析，提升效率和一致性。
   • 采用RAG（Retrieval-Augmented Generation）技术，增强大模型对需求的理解和生成能力。

3. 具体实现：AI需求实例化内容生成：

   • 设计五步法（定系统、问目的、找用户、画场景、列功能）来指导AI生成需求实例化内容。
   • 通过自动化脚本每日识别新增需求，并更新到知识库，实现知识库的持续维护。
   • 开发自定义清洗算子，将需求节点上的历史需求处理成格式化的需求语料，适配多种任务场景。

4. 知识库建设与应用：

   • 知识库按项目独立存储，包含索引和元数据文件，支持跨知识库检索和相关信息检索。
   • 通过RAG检索增强AI生成效果，提升大模型生成内容的采纳率。

5. 效果评估与持续优化：

   • 通过数据埋点保留关键过程信息，如生成内容和时间戳，用于评估和优化AI应用。
   • 采用TF-IDF算法进行相似度计算，评估AI生成内容的采纳率，发现RAG生成内容的采纳率显著高于非RAG生成内容。

关键信息

需求分析现状

AI应用方案

• 构建需求知识图谱：通过需求QA对和特性QA对，构建1.3万条需求QA向量知识库。
• RAG应用编排：基于DN Studio平台，实现知识库检索、LLM多路并行生成和内容格式化。
• 自动化应用触点：通过脚本自动回填和@自动回复两种方式，实现需求实例化内容的自动化生成。

清洗算子与知识库建设

• 通用清洗算子：13个，用于常规内容处理，如删除图片、删除@用户等。
• 宏处理算子：2个，用于处理iCenter中的宏和选项宏。
• 特定清洗算子：32个，支持不同项目的需求模板处理。
• 知识库文件：包含需求标题、描述、画场景、MFQ等信息，支持跨知识库检索和相关信息检索。

效果评估

• 采纳率提升：通过语料清洗和知识库建设，采纳率从20%提升至30%。
• RAG生成占比：15%，但其采纳率显著高于非RAG生成内容。
• TF-IDF算法应用：用于计算相似度，评估AI生成内容的有效性。

总结与展望

本次峰会展示了AI在需求分析中的应用潜力，通过构建基于知识工程的AI应用，显著提升了需求分析的效率和质量。未来将继续优化知识库建设，提升AI生成内容的采纳率，并探索更多AI技术在研发流程中的应用，进一步推动企业降本增效。