王一-基于需求知识工程建设的增强大语言模型赋能需求提效

背景与痛点

中兴通讯面临需求分析高频、高能耗的痛点，主要集中在需求准入检查、需求实例化分析和需求评审环节。具体表现为需求描述规范性问题、分析产能不足、存量知识复用率低、需求分析缺陷偏高以及评审依赖经验等问题。

解决思路与整体方案

提出构建基于知识工程的AI应用，覆盖需求高能耗活动，通过设计原子应用编排模拟BA工作嵌入研发流程，实现大模型需求分析提效。整体方案包括：

• 需求知识工程建设：基于需求体系化，构建需求知识图谱，实现端到端知识工程。
• AI应用设计：开发AI需求实例化内容生成、需求准入检查、需求评审等应用。
• 知识库建设：搭建需求QA对知识库、故障复盘知识库，支持RAG检索和跨知识库检索。
• 自动化应用触点：实现自动化应用触点、无侵入式度量、自动化评估。

具体实现

• AI需求实例化内容生成：采用五步法（定系统、找用户、问目的、画场景、列功能），通过语料清洗、提示词知识库搭建、RAG应用编排实现。
• 语料清洗：开发自定义清洗算子，将历史需求处理成格式化语料，适配多种任务场景。
• 提示词知识库搭建：支持项目限定信息、AI输出内容、AI输出格式的配置。
• 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、内容格式化等。
• 自动化应用触点：通过脚本自动回填和@自动回复两种方式完成工程化推广。
• 自动化评估：建设评估集，基于TF-IDF算法计算采纳率，评估应用效果。

效果评估

• 清洗4.9w需求节点，构建包含1.3w需求QA向量知识库，采纳率提升10%（20%->30%）。
• 7.8w测试用例通过大模型自动提炼转换为需求QA对，需求场景知识库QA对整体增加46%，采纳率提升10%（30%->40%）。
• 基于模拟特三角评审实例化的方式，相较于单点应用，AutoWork对于GWT的生成采纳率提升5%（40%->45%）。

总结与展望

通过端到端知识工程建设、工程化推广和自动化评估，实现需求分析提效。未来将推动AI辅助需求域全流程，包括需求准入、需求分析、需求评审等环节，持续提升需求领域AI提效的自动化程度。