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
╔════════════════════════════════════════════════════════════╗
║ 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
## 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：
| 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。
## 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
## 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
- 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
## 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
| 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
✅ 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
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
| 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
## 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
| 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
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
| 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
✅ 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：
| 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 |
## 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）
| 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。
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
| 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
## 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
| 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）
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
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）
- 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
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
| 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
