AI驱动需求工程升级—条目化、模型化、追溯化的三位一体实践

在很多项目的实践中，梳理需求的起点往往不是模型也不是表格，而是一份份文档。随着需求说明、解决方案、标准规范、会议纪要等信息的不断汇集和输入，积累的信息量越来越多、表达方式的差异越来越显著。需求的提炼常常需要先把这些文档“读懂”，再把其中真正有价值的信息整理为条目，最后进入建模环节。这个过程看似基础，却非常耗时，尤其当项目的复杂度增加、文档数量繁多、需求关系密集时，单纯的人工提取和建模面临着高成本的阻碍：

• 繁琐的约束与高昂的上手门槛：需求条目往往包含大量的严格约束，导致客户经常抱怨检查流程过于繁琐，不得不反复修改，这种消极体验极大地增加了用户的上手难度和工作负担。
• 人工操作的固有缺陷：信息无论是初次录入系统还是后续维护，人工操作难免会出现错误以及遗漏，从而直接影响数据的准确性。
• 迭代过程中的校验困难：多次录入或修改的需求需要大量时间做校验和核对，尤其面对庞大的数据量时，人工核对难免出现重复录入或遗漏更新。
• 标准化与规范化的缺失：人工建模的风格千差万别，导致在工作接续过程中出现因表达方式不一致而引起歧义。

●  AI 助手—从文档中自主梳理出需求

为了解决上述困境，AI 助手给出了答案：在AI助手的协助下，从文档中自主梳理出需求并完成模型构建。目前，该项功能已在华望自主研发的需求管理软件 M-Require 和 系统建模软件M-Design 中获得了全面落实。

在 M-Require 中，AI 助手支持导入文档后开展自动化的内容解析，从文档中识别出需求并将需求进行条目化处理。用户可以先查看条目化的结果，在确认无误后再导入 M-Require中，完成对需求的建模。

在 M-Design 中，AI 助手同样支持导入文档并自动化解析需求内容，在基于条目化结果的基础上自动创建 SysML 需求模型，在生成需求表的同时建立需求之间的追踪关系。

总之，AI 助手在M-Require和M-Design中能做的不只是“看文档”，而是从自然语言描述的角度，将需求进行结构化处理，进而完成模型化的表达。

●  AI助手的价值—提升需求处理起点的效率

过去需要人工完成的文档阅读、需求摘录、条目录入、模型创建等基础工作，在华望的M-Require和M-Design中可以由 AI 助手分担，帮助用户快速进入真正有价值的需求分析与决策环节。

更重要的是，AI助手提升的不只是速度，还有需求的结构化表达程度，使原本散落在文档中的内容被整理成清晰的需求条目，并进一步形成 SysML 需求模型和追踪关系，增强了需求表达的规范性和后续使用的便捷性。

此外，AI助手的使用还强化了需求的可追溯性。通过自动建立需求之间的追踪关系，一个更完整、更连贯的需求体系得以创建。对于用户来说，AI助手的引入提升需求处理起点的效率（如图1-3所示）。

图1    M-Design中AI辅助创建需求追溯结果的界面图

图2   M-Require 中AI辅助创建需求表的界面图

图3  M-Design 中AI辅助创建测试需求的界面图

●  AI助手的价值—强化协同与执行能力

AI助手提供的不止于工具使用层面的效率提高，更是对业务层面能力的加持。当用户能够更快地把需求从文档中提炼出来、沉淀下来、关联起来，需求沟通将更为清晰、跨团队协同将更为高效、与后续设计和验证环节的衔接将更为顺畅。从业务维度来说，在AI赋能下，需求不再只是简单地“被记录”，而是真正成为能支撑研发推进、设计协同和过程管控的核心资产。随着需求的条目化、模型化和追踪关系在AI助手协助下的创建耗时明显缩短，用户也更能容易获得标准化、规范化、可复用的数字化的需求资产体系。

这正是 AI 助手在需求工程场景中更值得关注的价值所在。