上接《银行数字化转型与核心业务系统架构演进（上）》

四、实施中的技术关注点

在技术实现方面，主要依托LLM、SLM、RAG、AI Agent以及各类技术相应的优化技术，这些方面与其他的LLM应用没有明显的差异，但还需要关注如下这些技术。

1.多模型协同

在自然语言广泛应用于需求描述、跨部门语义歧义明显、存在大量的长期不断积累的遗留功能、监管及法规环境动态变化等背景下，需求工程以往存在的典型问题往往与完全依赖人工、工具链孤立等有关，而这些问题进一步导致需求工程工作具有相当的局限性与低效性，也容易成为系统工程实施中典型的阻塞点之一。若要落地实施如前所述的AI协同智能赋能的需求工程解决方案，除了前面提到的一些方面外，还必须正视的点：当前需求工程中诸多任务都已经具有相当的复杂性。

在需求工程的自动化任务处理中，需要利用多Agent技术来分解、降低这种复杂性。基于基础LLM的各类能力持续增强的技术发展背景，在实现上需要引入多模型协同技术，在解决复杂问题的同时，也要尽量利用好不同类型 的LLM的优势能力、回避不同的LLM的劣势。

南天信息自2024年起开始研究多模型协同的多自主智能体架构的解决方案，主要用于解决复杂任务的自动化规划、执行、评估、反馈等问题。AI协同智能赋能的需求工程解决方案中也通过多模型协同技术来支撑任务处理，例如需求规格生成任务，其利用多种模型协作，每类大模型都依托多模型框架承担生成任务中的不同工作，并通过多模型协同框架进行交互。

2.不同应用模式的智能体的协同

需求工程涉及众多不同种类任务的协同处理。而当前典型的基于LLM的AI应用模式包括：问答式助手、分析系统、持续互动自主智能体。不同的应用模式并不是互斥的，因此在需求工程的实施中需依据预算、痛点、主要服务人群等因素确定合适的应用模式。例如，需求意图识别功能，既可以采用问答式助手的应用模式，也可以采用持续互动自主智能体的应用模式。

为实现针对具体客户、场景的AI协同智能赋能的需求工程，需要通过技术决策来决定采用的应用模式。针对不同的任务采用不同的应用模式，对于复杂任务则需要整合多种不同的应用模式，以保障使用体验同时，提升任务处理质量。

AI技术应用模式在需求获取、建模、分析与验证等各个环节中是实现“人机协同”使用体验的关键，从方向、架构上决定了解决方案落地的效果。

3.构建智能体

实施中可以基于Agent平台构建智能体，使用Prompt库、Pormpt模板、RAG检索增强、领域知识图谱融合、多Agent细粒度分工等多种方法，来构建可扩展、可控且具备动态自迭代能力的智能化体系，视实施目标的不同考虑平台、框架、公共组件等的建设。

4.系统架构

AI协同智能赋能的需求工程系统采用“数据输入层—预处理与知识管理层—智能引擎层—功能层”四层分布式架构，实现不同能力的“高内聚、低耦合”，不同的层聚焦于不同的技术能力。数据输入层接收需求说明、法规文本、访谈记录、用户反馈、业务方案/报告等多源异构输入数据；预处理与知识管理层专注于对输入的原始数据进行格式转换、初步处理（也包括知识处理）；智能引擎层包括LLM、SLM的本体及相关组件，借助自注意力编码器解码器机制和Prompt的融合技术，实现需求条目的自动抽取、意图澄清对话、质量评估、优先级排序、依赖关系分析与可追溯矩阵生成，以支撑功能层的功能实现；功能层利用智能引擎层的功能，构建不同的下游功能模块。

鉴于实际应用中需求工程的复杂性，系统架构角度也支持灵活地接入人工处理环节，例如人工审核、人工在线补全等，以便支持高灵活性的、高质量的需求输出。在针对不同场景的解决方案定制化过程中，不破坏系统分层架构，依据接入的内容及其规范性/质量，确定在哪些架构层上支持接入人工处理。LLM应用系统是AI技术、其他IT技术的融合应用，有相对复杂的技术体系，分层架构有利于将各类技术做边界相对清晰、耦合度低的集成，同时，各架构层可以保持各自层级的技术应用始终聚焦各自目标，延续高内聚、松耦合的建设思想。

5.定制化+工程化

对于传统IT应用的实施过程而言，系统工程、软件工程、项目管理等知识体系非常关键。在LLM应用实施工程中，虽然有相当的处理已经封装在AI模型的参数及其推理过程中，但成功交付可靠、高效且有价值的应用，依然高度依赖实施团队对特定知识体系的深度认知和过往实践经验的充分运用。

此外，当前LLM技术仍处于快速迭代阶段，其行业应用落地仍需依赖大量AI模型之外的IT技术、方案和实施工作。尤其是，实施团队必须具备面向业务的深度定制化与工程化专业能力。这些能力的构建，需基于团队现有的工程实施核心竞争力，结合对AI、LLM技术的深刻理解，并系统化评估其对实施流程的影响，进而制定针对性的研发、人员培养计划。

6.其他关注点

不同的组织有适合自己的技术决策、技术应用策略，实施中还需要结合组织的技术治理、技术文化，明确界定对于组织而言AI技术在需求工程中承担的角色、应用的场景、可行的实现路径、存在的局限性、有效的边界等。基于以上，以专业性的系统工程思想为指导，对解决方案进行定制化调整和优化。

在技术应用方面，当前在AI、LLM应用的实施中，依然需要进行大量的技术优化工作，例如在模型选择、训练微调、提示工程、知识集成、评估反馈等不同工作中的技术优化，以及对RAG、Agent各个具体实现中的优化，以逐步达到预期的模型性能指标。同时，针对LLM幻觉、上下文窗口限制、领域知识盲区、评估验证滞后以及数据隐私与安全风险等关键挑战，也需要实施应用自迭代、持续反馈回路、脱敏治理、备用回滚等针对性策略，并且在必要时考虑是否进行模型的领域场景微调。

在LLM应用实施过程中，需求数据往往涉及商业机密和个人隐私，必须构建严格的数据治理体系。这需要从数据采集源头实施细粒度的权限控制和安全管理，建立非结构化数据治理层面上的治理策略，以及落地层面上面向AI技术应用的数据策略等。

采用AI、LLM技术的一个好处是可以引入一些与人类处理所不同的创新。LLM在推理阶段体现的创新性思维，本质上以模型参数中隐含的大量世界知识和推理能力为基础，并经由零样本、少样本学习机制而激发。不过，鉴于垂直领域可能存在专业认知欠缺的情况，加之LLM本身存在幻觉问题，在需求工程场景里，对于涉及基于LLM的创新性思维相关功能需审慎对待，防止因创新性思维而带入过多隐含错误，特别是在需求工程后期才能发现的错误。

总的来看，随着LLM应用的进一步深入，需求工程、软件工程已经成为LLM应用创新的热点之一。本文讨论的AI协同智能赋能的需求工程解决方案包含了新兴的AI、LLM技术的工程化应用思路和要点，虽然在实施中依然会存在LLM应用的典型问题，但我们相信，AI赋能需求工程实现效能提升、成本降低的落地已经具备在更广范围进行探索和实践的基础。基于对AI、LLM的专业化认知、对软件工程的丰富认知，加上合理的技术治理体系，可以有序地开展相关工作，为下一步更深入的业务智能化转型积累经验、奠定基础。