Intelligent Continuous Requirements Analysis v4

通过AI辅助捕获、澄清、智能发散收敛、技术评审、测试验证等闭环，实现需求的持续演化和高效管理。

Install

openclaw skills install @kingofzhao/intelligent-continuous-re

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：

Human-AI Synergy：AI做70%重复劳动，人类做30%决策。AI永远是助手。
Continuous Loop：任何新反馈/变更进入R3-R9小循环，不走完整R0。
Smart RTM：全程AI维护，实时更新，质量门必须通过AI一致性检查。
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

text

  ╔════════════════════════════════════════════════════════════╗
  ║  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

阶段	主导角色	核心方法（v3保留）	前沿强化（2024-2026）
R0 智能规划	项目经理	需求管理计划 + 干系人注册表	LLM辅助风险预测 + AI干系人画像生成
R1 AI增强捕获	产品经理	5W1H + 访谈	LLM生成访谈脚本 + NLP自动提取用户反馈/日志
R2 澄清&基线	产品经理	SRS/FRD + 用户签字 + RTM	Smart RTM（AI自动链接）+ 需求基线锁定
R3 智能发散	产品经理	三圈发散 + 数据采集	AI Event Storming / OST / 优质实践挖掘
R4 智能收敛	产品经理	ICE/MoSCoW + 红线过滤	AI价值-努力矩阵 + 自动成本-收益模拟 + 风险智能评估
R5 技术选型&可行性	技术负责人	加权矩阵	四维可行性 + AI模拟可维护性/可扩展性
R6 智能方案&评审	项目经理	四层拆解 + HLD/LLD	AI自动生成UML/Goal Models + MBRE + 设计评审
R7 构建	项目经理/开发	配置基线	DevOps集成 + Living Requirements同步
R8 智能测试	项目经理/测试	多级测试 + UAT	AI自动生成测试用例 + 一致性/完备性验证
R9 修复优化&CCB	项目经理	P0-P3 + CCB	AI变更影响分析 + hallucination检测
R10 验收&收尾	项目经理	验收清单 + 知识转移	Continuous Loop触发 + 项目后AI经验总结

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。

任务类型	AI负责	人类负责	自动化率
需求提取/分类	NLP分析、自动标注	审核确认	70-80%
RTM维护	自动链接、影响分析	审核关键路径	80%
竞品分析	数据采集、对比表生成	判断借鉴价值	60%
风险识别	模式匹配、历史数据扫描	评估影响、决策应对	50%
测试用例生成	根据需求自动生成	审核边界条件	60%
优先级排序	ICE评分建议	最终决策	40%
技术选型	可行性模拟、对比分析	团队决策	30%
干系人沟通	—	全权负责	0%
伦理/合规判断	辅助检查	全权负责	0%
变更审批	影响分析报告	CCB决策	20%

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

markdown

## 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。

markdown

## 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：

	利益高	利益低
权力高	重点管理	保持满意
权力低	保持告知	监督

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。

markdown

## 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

模型	适用场景	特点
瀑布	需求稳定、合规要求高	阶段清晰
敏捷	需求模糊、快速迭代	灵活响应
混合	大部分实际情况	核心瀑布+边缘敏捷
Continuous RE	AI-native/DevOps集成	活需求+持续反馈

R0.5 Human-AI分工策略

markdown

## 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

text

✅ 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

原始记录：逐字记录用户原话
5W1H初筛
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

markdown

## 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

markdown

## 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

技术	适用场景	AI增强
访谈	深度挖掘	AI生成脚本
问卷	大范围收集	AI分析结果
观察	隐性需求	AI行为模式识别
文档分析	现有系统	AI自动提取需求
标杆分析	竞品学习	AI自动采集对比
日志/评论分析	用户真实声音	NLP情感+聚类

R1 输出物

text

✅ 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

text

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

用户确认协议

方向性决策必须回用户确认。

SRS/FRD输出

markdown

## 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）

markdown

| 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）

text

□ 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

text

✅ 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

工具	功能	AI角色
Event Storming	业务事件建模	AI生成事件流初稿
OST	机会-方案树	AI扩展分支
Kano模型	需求分类	AI自动分类
用户故事映射	需求拆解	AI生成故事骨架
HMW提问法	需求深化	AI生成问题清单
竞品矩阵	对比分析	AI自动采集+对比

AI初步风险识别

markdown

## 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

text

✅ 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）

text

□ 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

维度	AI输入	AI初评	人类校正	最终分
Impact	用户数据+竞品分析	7	8	8
Confidence	数据源可信度评估	5	6	6
Ease	技术栈匹配度分析	8	—	8

第三步：AI价值-努力矩阵

text

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

markdown

## 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

markdown

## 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

text

✅ 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

维度	评估内容	AI增强
技术可行性	能实现吗？	AI模拟技术方案，生成POC建议
经济可行性	ROI为正吗？	AI基于历史数据估算成本
操作可行性	团队能维护吗？	AI分析团队技能匹配度
社会可行性	合规？用户接受？	AI辅助合规检查清单

加权评估矩阵（v4升级）

维度	权重	方案A	方案B	方案C
团队熟悉度	40%
AI成熟度/生态	30%
技术先进性	20%
成本/维护性	10%

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

text

✅ 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）

text

□ 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：

模型类型	AI生成内容	人类审核重点
UML类图	基于数据模型自动生成	关系是否正确
序列图	基于用户故事自动生成	流程是否完整
Goal Model	基于需求自动分解目标树	目标层级是否合理
State Machine	基于业务规则生成状态转换	边界状态是否覆盖
数据流图	基于架构自动生成	数据流向是否合理

markdown

## 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

markdown

## 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

text

✅ 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）

指标	公式	健康范围
SV	EV - PV	±10%
CV	EV - AC	±10%
SPI	EV/PV	0.9-1.1
CPI	EV/AC	0.9-1.1

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。

text

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

text

□ 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

text

✅ 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）

text

□ 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

层次	内容	AI增强
单元测试	函数/模块	AI根据代码自动生成
集成测试	接口	AI根据API契约自动生成
系统测试	全链路	AI根据RTM自动映射
性能测试	负载/压力	AI模拟负载场景
安全测试	漏洞/权限	AI自动扫描
UAT	用户场景	AI根据用户故事生成验收脚本

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

markdown

## 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

text

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

text

✅ 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）

text

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。

markdown

## 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：

text

□ 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）

text

变更请求 → AI影响分析 → CCB评审 → 批准/否决/延期

R9 输出物

text

✅ 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）

text

□ 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：

markdown

## 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

markdown

## 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

text

✅ 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

沟通项	频率	产出
每日站会	每天	阻塞清单
周报	每周	进度+挣值+风险
需求评审	按需	需求确认
里程碑汇报	按节点	阶段结论

原则：坏消息早说 / 数据说话 / 结论先行

Smart RTM（全程AI维护）

text

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）

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

敏捷/混合/Continuous模式

Sprint小循环

text

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

Continuous RE循环

text

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）

跳过R0
需求镀金
范围蔓延（未经CCB）
过早技术选型
跳过澄清
不记录决策
单点失败
测试后置
验收标准模糊
挣值缺失
RTM断裂
绕过质量门

AI时代新增反模式（6条）

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

十大管理域速查

管理域	主要阶段	关键产出	AI增强
整体管理	R0-R10	章程+管理计划+变更控制	AI辅助规划
范围管理	R1-R4	需求基线+WBS+RTM	Smart RTM
进度管理	R6-R7	甘特图+关键路径+里程碑	AI进度预测
成本管理	R4-R7	成本估算+挣值分析	AI成本模拟
质量管理	R6/R8/R10	设计评审+测试+质量门	AI质量门检查
资源管理	R6-R7	RACI矩阵+资源日历	AI技能匹配
沟通管理	全程	沟通矩阵+周报	AI周报生成
风险管理	全程	风险登记册	AI预测+监控
采购管理	R5-R7	采购清单+供应商评估	AI供应商分析
干系人管理	全程	干系人登记册+方格	AI画像生成

使用示例

text

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

text

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

text

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

text

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

text

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

text

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

text

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

text

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

text

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

阶段	输入	输出	模板位置
R0	项目背景描述、发起人意向	项目章程、需求管理计划、干系人注册表、生命周期选型	见R0章节
R1	用户原话、竞品链接、日志/评论	需求原始记录、AI访谈脚本、AI需求提取报告	见R1章节
R2	R1产出、用户确认	SRS/FRD需求规格、Smart RTM、需求基线、AI一致性报告	见R2章节
R3	R2基线、竞品信息	竞品分析、Event Storming、OST、HMW问题、AI风险扫描	见R3章节
R4	R3发散结果	功能清单（MoSCoW+ICE）、价值-努力矩阵、成本-收益、风险评估	见R4章节
R5	R4功能清单	四维可行性报告、选型矩阵、可维护性模拟、技术决策	见R5章节
R6	R4+R5、质量门#1通过	HLD/LLD、MBRE模型（UML/Goal Model）、WBS、RACI、设计评审	见R6章节
R7	R6方案、配置基线	进度报告（挣值）、Living Requirements同步日志、变更日志	见R7章节
R8	R7产出、质量门#2通过	测试计划、AI测试用例、测试报告、UAT记录、完备性验证	见R8章节
R9	R8缺陷、变更请求	缺陷清单、AI影响分析、CCB评审、更新基线+RTM	见R9章节
R10	R9修复、质量门#4通过	验收报告（签收）、交付物、知识转移、AI经验总结、Continuous Loop配置	见R10章节

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

版本	核心理念	关键升级
v1	需求推演	R1-R10线性流
v2	项目管理驱动	十大管理域 + P1-P5阶段
v3	基线可控闭环	R0先行 + RTM脊柱 + CCB + 质量门
v4.1	智能持续型RE	+AI Prompt Gallery + Input/Output模板清单 + 开箱即用

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