Requirements Analysis Skill — 智能持续需求分析 v4

Intelligent Continuous Requirements Engineering 从模糊想法到持续演化的活需求系统 融合：产品经理思维 × 信息系统项目管理 × AI增强工程 × 持续需求管理

核心理念

v1-v3: 需求是"推演"出来的。 v4: 需求是"持续演化"的活系统。

传统RE把需求当一次性产物 → 签字 → 锁定 → 变更走流程。 现代RE把需求当活文档 → 持续发现 → AI辅助维护 → 反馈闭环驱动进化。

四条铁律：

1. Human-AI Synergy：AI做70%重复劳动，人类做30%决策。AI永远是助手。
2. Continuous Loop：任何新反馈/变更进入R3-R9小循环，不走完整R0。
3. Smart RTM：全程AI维护，实时更新，质量门必须通过AI一致性检查。
4. 四道质量门：R2/R6/R8/R10，每道增加AI hallucination/consistency检查。

效率基准（2024-2026论文数据）：

• RE自动化率：分析阶段已达49.5%（LLM4RE SLR, 74篇论文）
• HAIC采用率：58%从业者已采用（55名从业者调研）
• 手动工作减少：40-60%（智能并行替代线性串行）

链路总览

  ╔════════════════════════════════════════════════════════════╗
  ║  Continuous Feedback Loop（持续反馈闭环）                  ║
  ║  R10验收后 → 新反馈/变更 → 自动回流R3 → 小循环R3-R9      ║
  ║  DevOps集成 → Living Requirements持续同步                  ║
  ╚════════════════════════════════════════════════════════════╝
          ↑                                              │
          │                                              │
  R0 智能规划                                            │
   │  需求管理计划 · AI干系人画像 · AI风险预测             │
   │  生命周期选型 · Human-AI分工策略                     │
   ↓                                                     │
  R1 AI增强捕获                                          │
   │  5W1H · LLM访谈脚本 · NLP反馈提取 · 标杆分析         │
   ↓                                                     │
  ⚠️ R2 澄清&基线 ← 用户签字确认 + AI一致性检查          │
   │  SRS/FRD · Smart RTM · 需求基线锁定                  │
   ↓                                                     │
  R3 智能发散                                            │
   │  三圈发散 · AI Event Storming · OST · 实践挖掘       │
   │  AI初步风险识别                                      │
   ↓                                                     │
  R4 智能收敛                                            │
   │  ICE/MoSCoW · AI价值-努力矩阵 · AI成本-收益模拟     │
   │  红线过滤 · AI风险智能评估                            │
   ↓                                                     │
  R5 技术选型&可行性                                     │
   │  加权矩阵(团队40%+AI成熟度30%+先进性20%+成本10%)     │
   │  四维可行性 + AI可维护性/可扩展性模拟                 │
   ↓                                                     │
  ⚠️ R6 智能方案&评审 ← AI质量门                         │
   │  四层拆解 · MBRE(AI生成UML/Goal Models)              │
   │  HLD/LLD · AI设计评审                                │
   ↓                                                     │
  R7 构建                                                │
   │  配置基线 · DevOps集成 · Living Requirements同步      │
   ↓                                                     │
  ⚠️ R8 智能测试 ← AI质量门                              │
   │  多级测试 · AI自动生成测试用例                        │
   │  UAT · AI一致性/完备性验证                            │
   ↓                                                     │
  R9 修复优化&CCB                                        │
   │  P0-P3 · CCB · AI变更影响分析                        │
   │  AI hallucination检测                                │
   ↓                                                     │
  ⚠️ R10 验收&收尾 ← AI质量门                            │
      验收清单 · 签收 · 知识转移                          │
      Continuous Loop触发 · AI经验总结                    │
      │                                                  │
      └──────→ Continuous Feedback Loop ───────→─────────┘
                  (新反馈/变更 → 回流R3)

  ╔════════════════════════════════════════════════════════════╗
  ║  全程贯穿（横切管理）                                     ║
  ║  · CCB变更控制（AI辅助影响分析）                          ║
  ║  · 沟通管理（沟通矩阵）                                   ║
  ║  · 干系人管理（AI画像 + 权力/利益方格）                   ║
  ║  · 风险管理（AI预测 + 风险登记册）                        ║
  ║  · Smart RTM（AI自动维护，实时变更影响分析）              ║
  ║  · AI质量门（hallucination + consistency检查）            ║
  ╚════════════════════════════════════════════════════════════╝

  敏捷/Sprint模式：每个Sprint小循环 R3→R9
  任何阶段发现认知不足或新风险 → 立即回退，不硬走

各阶段主导角色 + 方法 + 前沿强化

Human-AI Synergy 分工原则

来源：LLM4RE 2025 SLR（74篇论文）+ 55名从业者HAIC调研 AI负责数据密集型任务，人类保留判断、对话和伦理决策。

R0. 智能规划（Intelligent Planning）— 必须先行

没有规划的需求分析 = 盲目开发。R0是整个链路的地基。

R0.1 项目章程

## 项目章程
- 项目名称: 
- 项目背景: 为什么要做？（商业论证）
- 项目目标: SMART原则
- 高层范围: 包含/不包含
- 关键干系人: 谁在乎？谁拍板？
- 里程碑 + 时间约束
- 预算约束
- 项目经理
- 审批: 发起人签字

R0.2 AI辅助干系人画像

传统方式：手动填写权力/利益方格。 AI增强：LLM分析项目背景 → 自动生成干系人建议清单 + 画像。

## AI干系人分析输出
- 推荐干系人: [基于项目类型自动建议]
- 权力/利益方格预分类: [AI建议]
- 沟通策略建议: [每个干系人的沟通频率和方式]
- ⚠️ AI标注: "以下为建议，需人类确认"

权力/利益方格：

R0.3 AI辅助风险预测

传统方式：靠经验列风险清单。 AI增强：LLM扫描历史项目数据 → 识别同类项目高频风险。

## AI风险预测输出
- 同类项目Top10风险: [AI从历史数据提取]
- 本项目特有风险: [基于项目背景分析]
- 风险概率预估: [基于历史数据]
- ⚠️ AI标注: "以下为预测，需人类验证"

R0.4 生命周期选型

R0.5 Human-AI分工策略

## Human-AI分工策略
- AI自动化目标: ≥50%重复劳动
- AI禁止决策领域: 伦理/合规/干系人沟通
- AI辅助决策领域: 优先级/选型/风险
- AI全权执行领域: RTM维护/文档生成/测试用例
- Hallucination防护: 所有关键输出必须人类审核

R0 输出物

✅ 项目章程（签字）
✅ 需求管理计划（含Human-AI分工策略）
✅ AI干系人画像（人类确认版）
✅ AI风险预测（人类验证版）
✅ 生命周期选型

R1. AI增强捕获（AI-Augmented Capture）

AI做数据采集，人类做深度追问。

方法

1. 原始记录：逐字记录用户原话
2. 5W1H初筛
3. 标杆分析

AI增强：LLM访谈脚本生成

输入： 项目背景 + 干系人角色 AI输出： 针对该角色的定制访谈问题清单

## AI生成访谈脚本
- 目标角色: [客户/运营/开发/...]
- 问题清单: [8-12个问题，按探索深度排序]
- 关键追问方向: [每个问题的follow-up提示]
- ⚠️ 人类需审核问题是否适合具体场景

AI增强：NLP自动提取

输入： 用户反馈、客服日志、应用评论、竞品评价 AI处理：

• NLP情感分析 → 痛点聚类
• 自动提取功能需求关键词
• 生成需求候选清单

## AI需求提取报告
- 数据源: [App Store评论 500条 + 客服日志 200条]
- 痛点聚类: [8个主题，按频次排序]
  1. 导出格式问题 (32%) → FR-候选-001
  2. 模板太少 (28%) → FR-候选-002
  ...
- 情感分布: 正面 45% / 中性 20% / 负面 35%
- ⚠️ AI标注: "以下为自动提取，需产品经理验证相关性"

数据收集技术

R1 输出物

✅ 需求原始记录（含AI提取的候选需求）
✅ AI访谈脚本
✅ AI需求提取报告（NLP分析）
✅ 标杆分析
✅ 关键疑问清单

⚠️ 质量门 #1：R2基线确认（含AI一致性检查）

R2. 澄清&基线（Clarify & Baseline）

R2是锚点。R2输出 = 需求基线。后续一切围绕基线运转。

已知/未知推演

已知(F): [有证据的需求事实，标注置信度]
未知(V): [需要确认的盲点]
  → V1: 问用户
  → V2: 搜索/竞品分析
  → V3: 原型验证

澄清检查清单

• 术语歧义
• 场景数量
• 隐藏约束
• 成功标准
• 边界排除

用户确认协议

方向性决策必须回用户确认。

SRS/FRD输出

## 需求规格文档
### 1. 引言
### 2. 功能需求
| ID | 需求名称 | 描述 | 优先级 | 验收标准 | 来源 |
|----|---------|------|--------|---------|------|
### 3. 非功能需求
| ID | 类型 | 描述 | 指标 |
### 4. 约束条件
### 5. 假设与依赖
### 6. 排除范围
### 7. 签字确认

Smart RTM（AI自动维护）

| 需求ID | 需求描述 | 优先级 | 来源 | 设计文档 | 代码模块 | 测试用例 | 状态 | AI标注 |
|--------|---------|--------|------|---------|---------|---------|------|--------|
| FR-001 | 用户登录 | Must | R1访谈 | HLD§3.2 | auth.py | TC-001~005 | 已验收 | ✅完整 |
| FR-002 | 模板浏览 | Must | AI提取 | HLD§3.3 | — | — | 未开始 | ⚠️设计缺失 |
| FR-003 | DXF导出 | Must | R2确认 | — | — | — | 未开始 | ❌断裂 |

AI自动检测：

• 需求→设计→代码→测试链是否完整
• 断裂点自动告警
• 变更时自动分析影响范围

AI一致性检查（质量门#1）

□ AI检查: SRS内部是否有矛盾/重复/遗漏？
□ AI检查: 需求优先级是否与ICE评分一致？
□ AI检查: 非功能需求是否覆盖所有功能需求？
□ 人类审核: AI标注的疑问是否已解决？
□ 用户签字确认: 需求基线锁定

通过 → 进入R3
未通过 → 回退补充

R2 输出物

✅ SRS/FRD（用户签字确认）
✅ Smart RTM（初始版本，AI自动链接）
✅ 需求基线（锁定）
✅ AI一致性检查报告
✅ 验收标准初稿

R3. 智能发散（Intelligent Divergence）

穷尽可能性，AI扩大搜索半径，人类判断价值。

三圈发散法

内圈 — 竞品分析

• AI自动采集3-5个竞品的功能列表
• AI生成功能对比矩阵
• 人类判断借鉴价值

中圈 — 跨界灵感

• 四向碰撞法
• AI辅助Event Storming：输入业务领域 → 自动生成事件流
• AI辅助Opportunity Solution Tree（OST）：输入用户痛点 → 自动生成机会树

外圈 — 前沿探索

• AI搜索最新技术方案
• AI评估开源方案可行性
• AI识别自动化替代机会

AI增强工具

AI初步风险识别

## AI风险扫描输出
- 技术风险: [AI基于技术栈分析]
- 市场风险: [AI基于竞品/用户数据分析]
- 集成风险: [AI基于第三方依赖分析]
- ⚠️ 置信度标注: [高/中/低]

R3 输出物

✅ 竞品分析（AI采集 + 人类判断）
✅ Event Storming / OST 产出
✅ HMW问题清单
✅ AI风险扫描报告
✅ 灵感清单

R4. 智能收敛（Intelligent Convergence）

AI做初筛和模拟，人类做最终决策。

第一步：红线过滤（人类执行）

□ 法律合规
□ 技术可行性
□ 时间可行性
□ 资源可行性
□ 用户价值

第二步：AI增强ICE评分

AI预评分 + 人类校正

第三步：AI价值-努力矩阵

AI自动将所有候选功能映射到矩阵：
        高价值
          │
  快赢    │    大项目
  (AI标注 │   (AI标注
  "优先") │  "规划")
 ─────────┼─────────→ 高努力
  填充    │    避免
  (AI标注 │   (AI标注
  "可选") │  "建议排除")
          │
        低价值

第四步：AI成本-收益模拟

## AI成本-收益模拟
| 功能 | ICE | 优先级 | AI估算成本 | AI预估收益 | AI ROI | 人类确认 |
|------|-----|--------|-----------|-----------|--------|---------|
| 模板库 | 8.5 | Must | 12-18人天 | 核心功能 | — | ✅确认 |
| AI推荐 | 6.5 | Should | 10-15人天 | 转化+30% | 2.8:1 | ✅确认 |

第五步：AI风险智能评估

AI基于历史项目数据 → 自动评估每个功能的风险等级

## AI风险评估
| 功能 | 技术风险 | 进度风险 | 成本风险 | 综合风险 | AI建议 |
|------|---------|---------|---------|---------|--------|
| 模板库 | 低 | 中 | 低 | 🟡 | 加2天缓冲 |
| AI推荐 | 高 | 高 | 中 | 🔴 | 先做POC |

R4 输出物

✅ 功能清单（AI预评分 + 人类确认）
✅ AI价值-努力矩阵
✅ AI成本-收益模拟报告
✅ AI风险评估报告
✅ 风险登记册（更新）
✅ 被排除方案及理由

R5. 技术选型&可行性（Tech Stack & Feasibility）

选型原则升级：团队熟悉度40% + AI成熟度30% + 先进性20% + 成本10%

四维可行性研究

加权评估矩阵（v4升级）

AI增强：可维护性/可扩展性模拟

输入： 技术方案描述 AI输出：

• 3年后维护成本预估
• 扩展到10倍用户的可行性分析
• 技术债风险预判

R5 输出物

✅ 四维可行性报告（含AI模拟）
✅ 技术选型矩阵（v4权重）
✅ AI可维护性/可扩展性模拟
✅ 技术决策记录（含备选方案）
✅ 风险登记册（更新）

⚠️ 质量门 #2：R6设计评审（含AI质量门）

□ R0-R5输出物完整？
□ Smart RTM已建立？
□ 风险登记册已识别主要风险？
□ 四维可行性已验证？
□ 关键干系人已确认方向？
□ AI一致性检查: R4功能清单 vs R2需求基线 → 无遗漏/矛盾？
□ AI hallucination检查: AI生成的评估数据是否经过人类确认？

通过 → 进入R6
未通过 → 回退

R6. 智能方案&评审（Intelligent Design & Review）

AI生成模型，人类审核架构决策。

四层拆解（保留v3）

• L1. 系统架构（HLD）
• L2. 模块设计（LLD）
• L3. 接口契约
• L4. 实现计划

AI增强：MBRE（Model-Based Requirements Engineering）

AI自动生成模型产物：

## AI模型生成输出
- UML类图: [自动生成] → 人类审核: ✅/需修改
- 序列图: [自动生成] → 人类审核: ✅/需修改
- Goal Model: [自动生成] → 人类审核: ✅/需修改
- ⚠️ AI标注: "模型基于SRS自动生成，需架构师确认"

AI设计评审

输入： HLD + LLD + API清单 AI检查：

• 架构一致性：HLD与LLD是否矛盾
• 接口完备性：API是否覆盖所有功能需求
• 数据模型完整性：是否支持RTM中所有需求
• 安全性基线检查

## AI设计评审报告
- 架构一致性: ✅通过
- 接口完备性: ⚠️ FR-007无对应API
- 数据模型: ✅通过
- 安全检查: ⚠️ 缺少认证层设计
- 综合评估: 🟡 2个问题需修复后重新评审

R6 输出物

✅ HLD/LLD文档
✅ AI生成的模型产物（UML/Goal Model/序列图）
✅ API接口清单
✅ 数据模型/ER图
✅ WBS + 关键路径 + 里程碑
✅ RACI矩阵
✅ AI设计评审报告
✅ 人工设计评审记录

R7. 构建（Build）

DevOps集成 + Living Requirements同步。

进度管理：挣值分析（保留v3）

AI增强：Living Requirements同步

传统模式：需求文档与代码脱节。 AI增强：代码变更 → AI自动检测需求影响 → Smart RTM实时更新。

代码提交 → AI分析变更范围 → 匹配RTM需求 → 更新状态 → 通知相关干系人

配置管理

□ 配置基线已建立
□ 版本控制策略（Git分支模型）
□ 变更日志实时记录
□ AI监控：代码-需求一致性

R7 输出物

✅ 进度报告 + 挣值快照
✅ 配置基线
✅ Living Requirements同步日志
✅ 变更日志

⚠️ 质量门 #3：R8测试通过（含AI质量门）

□ 单元测试覆盖率 ≥ 80%？
□ 集成测试覆盖所有接口？
□ 系统测试覆盖RTM所有需求？
□ UAT通过？
□ AI完备性检查: RTM中每条需求是否有对应测试用例？
□ AI一致性检查: 测试用例与SRS是否一致？

通过 → 进入R9/R10
未通过 → 回退R7

R8. 智能测试（Intelligent Testing）

AI生成测试用例，人类审核边界条件。

测试层次

AI测试用例生成

输入： SRS + RTM + API契约 AI输出：

• 每条需求的正向测试用例
• 边界值测试用例
• 异常路径测试用例
• 与RTM的自动映射

## AI生成测试用例
| 测试ID | 对应需求 | 类型 | 步骤 | 预期结果 | AI置信度 |
|--------|---------|------|------|---------|---------|
| TC-001 | FR-001 | 正向 | ... | ... | 95% |
| TC-002 | FR-001 | 边界 | ... | ... | 88% |
| TC-003 | FR-001 | 异常 | ... | ... | 82% |

AI一致性/完备性验证

AI检查:
- RTM中每条需求是否都有测试用例？ → 覆盖率 = X%
- 测试用例是否覆盖了所有验收标准？ → 覆盖率 = Y%
- 是否有遗漏的边界条件？ → AI建议补充N个用例

R8 输出物

✅ 测试计划
✅ AI生成测试用例（人类审核版）
✅ 测试报告
✅ UAT记录（用户签字）
✅ AI完备性验证报告
✅ Smart RTM更新

R9. 修复优化&CCB（Iterate & Change Control）

AI做影响分析，CCB做决策。

问题分级（保留v3）

P0 — 阻塞性 → 立即修复
P1 — 严重 → 本轮修复
P2 — 一般 → 下版本
P3 — 优化 → 批量处理

AI增强：变更影响分析

传统方式：手动分析变更影响范围。 AI增强：输入变更描述 → AI自动分析全链影响。

## AI变更影响分析
- 变更描述: ...
- 影响范围:
  - RTM影响: FR-003, FR-007, FR-012
  - 设计影响: HLD§3.2, LLD§4.1
  - 代码影响: auth.py, template.py, export.py
  - 测试影响: TC-003~005, TC-011~015
  - 进度影响: 预计+3天，影响关键路径
  - 成本影响: +5人天
- AI建议: 批准，建议分两阶段实施
- ⚠️ AI标注: "影响分析基于代码扫描，需人工确认边界"

AI Hallucination检测

所有AI生成的分析结论，必须经过hallucination检查：

□ 数据来源是否可追溯？
□ 数值结论是否有计算依据？
□ 引用的历史数据是否真实？
□ 与人类已知信息是否矛盾？

CCB流程（保留v3）

变更请求 → AI影响分析 → CCB评审 → 批准/否决/延期

R9 输出物

✅ 缺陷清单（P0-P3）
✅ 修复记录 + 回归测试
✅ AI变更影响分析报告
✅ CCB评审记录
✅ 更新后的需求基线
✅ 更新后的Smart RTM
✅ AI hallucination检查记录

⚠️ 质量门 #4：R10验收确认（含AI质量门）

□ P0/P1缺陷已修复？
□ 变更请求全部处理？
□ Smart RTM 100%闭环？
□ UAT通过？
□ AI终检: 需求→设计→代码→测试链完整率 = X%？
□ AI终检: 无hallucination残留？

通过 → 进入R10
未通过 → 回退R9

R10. 验收&收尾（Acceptance & Closing）

验收不是终点，是Continuous Loop的触发点。

验收报告（保留v3结构）

• 功能验收（对照RTM）
• 非功能验收
• 挣值总结
• 遗留问题
• 签收

AI增强：项目后经验总结

AI自动生成经验教训：

## AI经验总结
### 项目数据
- 周期偏差: +X% | 成本偏差: +Y%
- 变更请求数: N | 缺陷数: P
- AI自动化贡献: 替代了M人天手动工作

### AI识别的模式
- [模式1]: 本项目需求变更集中在___阶段 → 建议: ___
- [模式2]: 高风险功能___实际耗时是预估的___倍 → 建议: ___
- [模式3]: AI辅助最有效的环节: ___ → 建议: 扩大应用

### 组织过程资产更新
- [教训1]: ...
- [教训2]: ...

Continuous Loop触发

## Continuous Feedback Loop
- 触发条件:
  □ 用户反馈新需求
  □ 生产环境发现新问题
  □ 业务规则变化
  □ 技术栈升级
- 触发后:
  → 不走完整R0
  → 直接进入R3智能发散
  → 小循环R3→R9
  → Smart RTM全程维护
- DevOps集成:
  → 监控数据自动回流
  → 用户行为数据自动分析
  → AI持续发现新需求线索

R10 输出物

✅ 验收报告（签收）
✅ 交付物清单（签收）
✅ 知识转移记录
✅ AI经验总结报告
✅ 组织过程资产更新
✅ Smart RTM最终版（100%闭环）
✅ Continuous Loop配置（监控+触发规则）
✅ 项目归档

全程贯穿：横切管理

沟通管理

原则：坏消息早说 / 数据说话 / 结论先行

Smart RTM（全程AI维护）

需求ID → 设计文档 → 代码模块 → 测试用例 → 验收状态
   ↑           ↑           ↑           ↑
   └─────── AI自动链接 + 断裂检测 ──────┘

• 每次变更自动分析影响范围
• 断裂点实时告警
• RTM完整率 = 关键质量指标

AI风险管理（全程）

1. R0: AI预测 → 初始风险登记册
2. R3: AI扫描 → 补充风险
3. R4: AI评估 → 每个功能的风险等级
4. R5: AI模拟 → 技术风险量化
5. R7: AI监控 → 实时风险预警
6. R10: AI总结 → 经验教训归档

敏捷/混合/Continuous模式

Sprint小循环

Sprint Planning (R3-R4)
    ↓
Sprint Execution (R7)
    ↓
Sprint Review (R8-R9)
    ↓
Sprint Retro
    ↓
下一个Sprint

Continuous RE循环

生产监控 → AI发现新线索 → R3发散 → R4收敛 → R7构建 → R8测试 → R9修复 → 上线 → 监控...

反模式（18条禁止）

传统反模式（v3保留，12条）

1. 跳过R0
2. 需求镀金
3. 范围蔓延（未经CCB）
4. 过早技术选型
5. 跳过澄清
6. 不记录决策
7. 单点失败
8. 测试后置
9. 验收标准模糊
10. 挣值缺失
11. RTM断裂
12. 绕过质量门

AI时代新增反模式（6条）

13. AI黑箱使用：AI输出不经审核直接采纳
14. 绕过Human Review：关键决策由AI独自完成
15. RTM不更新：变更后Smart RTM未同步导致traceability断裂
16. 忽略Continuous Loop：R10后反馈不回流，需求变成死文档
17. LLM输出不经prompt engineering：直接采用原始输出，质量不可控
18. Hallucination忽视：AI生成的数据/引用不验证就使用

十大管理域速查

使用示例

输入: "我想做一个包装盒刀模在线设计工具"

→ R0 智能规划:
   AI干系人画像 → 老板(发起人)、客户(用户)、刀模师傅(领域专家)
   AI风险预测 → "同类项目Top3风险: 浏览器兼容、渲染性能、DXF精度"
   Human-AI分工 → AI负责竞品采集/RTM维护/测试生成，人类负责需求澄清/架构决策

→ R1 AI增强捕获:
   AI访谈脚本 → 8个定制问题
   NLP分析App Store评论500条 → 8个痛点聚类
   标杆分析: Packhelp/紫云网/BOST

→ R2 澄清&基线:
   已知/未知推演 → MVP="模板选择+参数调整"
   SRS输出 + Smart RTM建立
   AI一致性检查 → "⚠️ FR-004缺少验收标准"
   用户签字 → 需求基线锁定

→ R3 智能发散:
   AI Event Storming → 刀模设计业务事件流
   AI OST → 从"客户说不清需求"出发的机会树
   AI竞品矩阵 → 自动采集6个竞品功能对比

→ R4 智能收敛:
   红线过滤通过
   AI ICE预评分 + 人类校正
   AI成本-收益模拟 → 智能推荐ROI=2.8:1但风险高 → Should
   AI风险评估 → "DXF导出: 技术风险🔴, 需先做POC"

→ R5 技术选型:
   四维可行性 + AI模拟可维护性
   选型(v4权重): Flutter Web(熟悉40%+AI生态30%) + Canvas + potrace

→ 质量门#2 → AI检查通过 ✓

→ R6 智能方案:
   AI生成UML类图 + 序列图 + Goal Model
   AI设计评审 → "⚠️ FR-007无对应API"
   修复后人工评审通过

→ R7 构建:
   DevOps集成 + Living Requirements同步
   W4挣值: SPI=0.85 → AI预警

→ R8 智能测试:
   AI生成156个测试用例 → 人类审核12个边界条件
   AI完备性: RTM覆盖率98% → 补充3个用例
   UAT通过

→ 质量门#3 → 通过 ✓

→ R9 修复&CCB:
   P0×2(已修复) / 变更: "自定义模板" → AI影响分析(FR-003,007,012) → CCB批准
   Hallucination检查通过

→ 质量门#4 → 通过 ✓

→ R10 验收&收尾:
   RTM 100%闭环 / 验收签收
   AI经验总结 → "浏览器兼容应在R5做POC"
   Continuous Loop配置 → 监控用户行为+自动回流R3

AI Prompt Gallery（开箱即用）

以下Prompt可直接复制使用，与各阶段一一对应。 使用时替换 [...] 中的占位符即可。

R1 捕获：访谈脚本生成

你是一名高级需求分析师，擅长深度访谈。

项目背景：[项目名称，1-2句描述]
目标干系人：[角色名称，如：客户/运营/产品经理]

请生成一份针对该角色的访谈脚本：
1. 8-12个问题，按探索深度从浅到深排序
2. 每个问题后附1个追问提示（Follow-up）
3. 最后3个问题关注"隐藏需求"和"未被满足的期望"

要求：问题口语化，不使用专业术语，让对方能自然展开。

R1 捕获：NLP用户反馈提取

你是一名NLP需求分析师。以下是原始用户反馈数据：

[粘贴用户评论/客服日志/应用商店评论]

请执行：
1. 情感分析：正面/中性/负面分布
2. 痛点聚类：将相似反馈归类为3-8个主题，按频次排序
3. 需求候选：从每个主题提取1-2条功能需求候选（FR-候选-XXX格式）
4. 置信度标注：每条候选标注[高/中/低]

输出Markdown表格格式。

R2 澄清：已知/未知推演

你是一名信息系统项目管理师（软考高级）。

以下是一份初步需求描述：

[粘贴需求描述]

请用已知/未知推演法分析：
1. 已知(F)：从描述中可确认的事实，标注置信度[已验证/高确信/推测]
2. 未知(V)：需要进一步确认的盲点，分为：
   - V1: 可通过提问确认
   - V2: 可通过调研确认
   - V3: 需要原型验证
3. 矛盾检测：描述中是否存在自相矛盾或隐含冲突？

输出Markdown格式。

R3 发散：Event Storming

你是一名领域驱动设计（DDD）专家。

业务领域：[领域名称，如：刀模设计/电商/金融]
用户核心场景：[1-2句描述]

请生成Event Storming产出：
1. 事件流：按时间顺序列出所有业务事件（过去时态动词）
2. 命令流：触发每个事件的用户操作
3. 读模型：每个事件产生的可查询状态
4. 外部系统：涉及的外部依赖
5. 热点事件：标记高频/高价值事件（潜在功能需求来源）

R4 收敛：智能优先级排序

你是一名产品经理兼AI辅助决策专家。

以下是候选功能列表：

[粘贴功能列表，每条含：功能名、简短描述]

请执行三步排序：
1. 红线过滤：检查每条功能的[技术/时间/资源/合规/用户价值]可行性，不过红线的直接淘汰
2. ICE评分（1-10分）：Impact/Confidence/Ease三维打分
3. MoSCoW分类：Must/Should/Could/Won't

输出表格，按MoSCoW分组，组内按ICE总分降序。
对每组给出简要理由。

R6 方案：MBRE模型生成

你是一名系统架构师，精通Model-Based Requirements Engineering。

以下是需求规格文档（SRS）：

[粘贴SRS或功能需求列表]

请生成以下模型：
1. Goal Model：目标分解树（高层目标→子目标→功能需求映射）
2. UML类图描述：核心实体+关系+属性（用文字描述，可转化为PlantUML）
3. 序列图：核心用户场景的交互序列（3-5个关键场景）
4. State Machine：核心业务对象的状态转换（标注触发事件和守卫条件）
5. 完整性检查：哪些需求尚未被模型覆盖？

⚠️ 请标注每个模型的置信度[高/中/低]。

R8 测试：AI测试用例生成

你是一名高级测试工程师，擅长AI辅助测试设计。

以下是功能需求清单：

[粘贴功能需求，每条含：需求ID、描述、验收标准]

请为每条需求生成测试用例：
1. 正向测试：1-2个正常路径
2. 边界测试：边界值和极端参数
3. 异常测试：错误输入和异常路径
4. 映射关系：测试用例ID ← 需求ID

输出Markdown表格：
| 测试ID | 需求ID | 类型 | 步骤 | 预期结果 | 优先级 |

R9 变更：AI变更影响分析

你是一名信息系统项目管理师，精通变更控制流程。

以下是当前需求跟踪矩阵（RTM）和变更请求：

RTM：
[粘贴RTM，含：需求ID→设计→代码→测试映射]

变更请求：[描述变更内容]

请分析全链影响：
1. RTM影响：哪些需求ID受影响？状态如何变化？
2. 设计影响：哪些HLD/LLD章节需要修改？
3. 代码影响：哪些模块/文件需要修改？
4. 测试影响：哪些测试用例需要新增/修改/删除？
5. 进度影响：预计增加多少工时？是否影响关键路径？
6. 风险评估：该变更引入的新风险？
7. 建议：批准/否决/延期 + 理由

各阶段 Input / Output 模板清单

关键文档模板速查

项目章程 → R0章节内嵌模板 SRS/FRD需求规格 → R2章节内嵌模板（含功能需求表+非功能需求表+签字栏） Smart RTM → R2章节内嵌模板（AI自动维护格式） 变更影响分析 → R9章节内嵌模板 + Prompt Gallery中R9 Prompt 验收报告 → R10章节内嵌模板（含挣值总结+遗留问题+签收栏） AI Prompt → 见上方「AI Prompt Gallery」（8个阶段Prompt，直接复制使用）

版本演进

此Skill是需求分析全链路认知节点v4.1 — Intelligent Continuous Requirements Engineering。 融合：产品经理 × 信息系统项目管理 × AI增强工程 × 持续需求管理。 参考：LLM4RE 2025 SLR / HAIC调研 / IEEE RE 2026 / REFSQ 2026 / Automated RE SLR。 标签：#AI-Augmented #ContinuousRE #LLM4RE #MBRE #SmartRTM 最后更新: 2026-04-01