作者：南天信息人工智能首席架构师 戴敏

随着新兴技术的飞速发展，南天信息AI、LLM应用解决方案围绕“以定制化、工程化支撑客户的端到端需求”的定位，积极探索对原来的数字化解决方案进行智能化升级，“AI协同智能”赋能的需求工程解决方案就是其中之一。

需求工程介绍

需求工程是指应用已证实有效的技术、方法进行需求分析，确定客户需求，帮助分析人员理解问题并定义目标系统的所有外部特征的学科，或者说，需求工程是将利益相关者业务需求与技术实现链接在一起的关键技术。

行业应用软件系统普遍呈现高复杂度与强耦合性特征，其需求的体系性也更显著，往往包含海量结构化条目，并受到大量刚性业务规则约束，而且随着系统功能与架构的演进，需求规模往往呈指数级扩张。同时，开发团队还需在当期的开发中，统筹处理不同应用软件在多年发展中代际累积的各类遗留需求。为有效应对这些挑战并驾驭需求的复杂性，在AI技术飞速发展的背景下，需求工程作为一门系统化的学科和实践及时融入AI协作智能，实现持续提质、增效、降本变得至关重要。

一、利用AI技术解决需求工程痛点

作为数字化和智能化转型工程中最棘手的知识密集型场景之一，需求工程正面临日益复杂的业务场景，具有海量非结构化信息的挑战。传统需求工程往往依赖人工经验，且工具链的分割使得各阶段信息传递存在障碍，导致效率和质量难以兼顾。虽然早已有基于各类小模型（也包括SLM小模型）的应用尝试，但一直存在数据密集且缺乏统一标准、缺乏行业内公开共享的高质量需求数据集、整体数据依然匮乏等问题，导致应用深度、广度和可信性受限。随着大型语言模型、大模型多模态能力和智能评估技术的快速发展，AI已经可以在需求调研、验证和演绎中扮演“共创者”角色。

二、AI协同智能赋能的需求工程解决方案

AI协同智能赋能的需求工程解决方案应基于AI、LLM技术的研究和预研（虽然其中LLM是主体，但SLM在部分任务中也起着关键作用），结合行业智能化转型当前阶段的实施痛点和对需求工程持续提质、增效、降本的诉求来设计。解决方案提供的AI协同智能并非为了取代需求工程师，而是充当“AI智能助理”的角色辅助完成任务（更明确地说是介于copilot与assistant之间的角色）。

解决方案中的AI协同智能基于语言模型构建，语言模型基于Transformer架构，具备强大的自然语言理解与生成能力，天生具备文本生成、分类、问答、翻译、摘要等多种原子级语言任务。这些能力正是需求工程自动化所需的关键技术基础能力，例如利用AI从海量非结构化数据中自动提取出需求相关的信息，以便为AI协同智能提供异常丰富的需求上下文。

1.AI协同智能的功能种类

基础功能

AI协同智能赋能的需求工程解决方案，结合AI技术对传统需求工程工作提供辅助增强性功能，包括需求意图识别、需求意图澄清、需求信息整理、需求要点提取、需求规格生成、需求验证案例生成、需求管理等方面的创新性功能，以实现需求工程的提质、增效、降本。

AI协同智能的功能大部分依托LLM来学习海量文本中的语言模式和知识，例如，从多源信息中提取与需求有关的信息，这些信息既包括用于支撑/扩展需求的信息，也包括潜在的新需求（功能性需求、非功能性需求）。同时，“提取”功能在实施中可能需要包括提炼、概括等能力，用于应对长文本、多文本背景下需求整理的效率、质量问题。

解决方案也提供一些看似简单但实际意义重大的子功能，例如，对需求进行自动化分类（自动区分功能性需求与非功能性需求）。由于在应用软件系统中一般非功能性需求数量相对少，容易忽视这样的分类任务的重要性和难度。一个被错误分类为功能性需求的非功能性需求（特别是用于支撑某个具体功能点的非功能性需求），甚至可能由于分类错误，致使非功能性特征的分析、设计不足，进而导致在实施阶段的中后期不得不对系统架构再次进行较深入的局部调整，以适应具体场景的技术性要求。从工程角度，这属于需要重点规避的情况之一。利用AI、LLM进行分类，可以在需求工程早期即自动、高效地实现对复杂系统需求的分类，降低了后续的返工风险，而且还通过效率的提升降低了资深分析人员的总体投入，从而在整体上达成降本增效的目标。

2.更深入的功能：对需求的动态建模/演化建模功能

利用AI、LLM技术对需求进行动态建模或演化建模，通过建模成果辅助提升需求治理、故障分析、变更分析的质量，并通过提效来降低在这些方面的整体投入。信息系统体系中，越是接近用户端的系统越面临高频的变更和调整，以适应竞争的需要。可以利用的一点是，这些变化并不是完全无迹可寻的，变化往往是随着业务和法规的变化而演化。利用深度学习技术构建AI模型，可以帮助实现需求动态建模并分析需求的演进过程。当然，当前各类LLM应用解决方案都一样，需要对于AI副手、AI助手、AI代理规划并设计不同的技术实现方法和路径，这是在解决方案实施中需要根据实际情况来充分考虑的，即，需要通过“定制化”来实现相对好的投入产出比。

需要注意的是，即使有AI、LLM的协同智能，这样的建模也无法一蹴而就，而是需要利用LLM（可能需要附加上SLM）为基础的多模型协同技术，通过一定时期的比对、分析、提取、归纳和建模等步骤的实施来构建起多种不同的能力，以最终实现需求动态建模。此外，需求间潜在的关联性对动态建模、演化建模具有重要作用，而SLM、LLM在关联性识别上需要有特殊的优化方法。

3.更进一步的功能：AI辅助的需求质量评估功能

利用AI协同智能进行需求质量评估时，由于评估功能也会涉及语言层面的基础能力特别是NLU（自然语言理解）能力，且对不同场景的评估可能存在相当的个性化、定制化的要求，SLM（或者小参数量的LLM）+LLM的方案相较而言更适合需求质量评估功能。基于LLM和SLM协同实现的需求质量评估功能，可用于发现需求中的歧义等基础语义层面上的问题，对于含有模糊指代或不明确措辞的需求，可以输出潜在歧义来源。将评估功能与指标体系（对于指定场景进行分析，构建的定制化的质量评估体系）结合，能更有效地实现需求质量评估。同时，按照解决方案中的自规划、自迭代功能，对于提升生成类功能的有效性也是关键的支撑能力之一，可以在实施中依据场景的实际情况进行定制化实施。

关于AI辅助功能还有如下的关注点

AI模型面对的原始语料不只是需求描述，还包括需求规格、设计规格、代码、测试用例等更多的数据集，这些数据集中的语义是适合用于AI模型构建和推理的重要信息。但往往这些数据集需要先进行大量的治理（至少是预处理），因此，从某种程度上来说，解决方案实施的基础也包括，对需求工程非结构化数据的数据治理体系的构建。

AI协同智能赋能的需求工程中涉及的辅助功能多，需要在具体的场景解决方案的规划、设计、实施过程中，依据实际情况进行动态的分析、调整，以便能聚焦于不同场景实施中的重点，增加实施的有效性。（后续文章中将继续讨论）

—未完待续—