第 3 章 系统需求分析
把模糊的业务期望，转化为清晰、可验证的智能体需求规格。本章学会"以用户为中心"地获取需求，并用提示词把需求直接变成可运行的规格。
第一部分 课程导学
导语 · 本章定位需求分析是"翻译"——把用户嘴里含糊的"我想要个能帮忙的"翻译成系统能执行的精确规格。本章先讲经典的需求获取与分类方法，再落到智能体最妙的一点：在 Coze 里，系统提示词天然就是一份可运行的需求规格。你写提示词的过程，就是在做需求分析。
三维学习目标掌握需求获取基本方法；区分功能与非功能需求；理解用例与用户故事。
能编写用例/用户故事；能把需求转化为智能体角色与提示词；会用对话式方法探索需求。
培养"以用户为中心"的分析思维；理解需求质量决定系统质量；善用提示词作为需求载体。
理论基石 · 信息系统分析与设计
理论 · 结构化需求分析（SA）① 数据流图 DFD：自顶向下分层（顶层/0层/逐层细化）；② 数据字典 DD：定义数据流、数据项、加工、文件的精确含义；③ 加工逻辑：结构化语言/决策树/决策表；④ ER 建模：实体—联系图刻画数据对象关系。
理论 · 面向对象需求分析（OOA）用例图（参与者、用例及其包含/扩展/泛化）、用例规约（前置/后置条件、主成功与扩展场景）、活动图与状态图；需求规格说明书 SRS（IEEE 830 模板）。这与"提示词即规格"呼应——智能体把需求直接表达为提示。
理论 ↔ 智能体能力 映射以下矢量图把需求分析方法"画出来"，建立可视化心智模型。
原版 ch5-7 的需求硬核：需求调查四法（访谈/问卷/原型/观察）、需求规格说明书 SRS、DFD 数据流图、数据字典、判定表/判定树（ch6），以及用例图、用户故事、INVEST 原则（ch7）。这些是"把用户说不清的话变成可工程化规格"的经典武器；深度符号与画法见 附录 H.1-H.2。
课程思政 · 价值引领
从明确项目目标与需求出发，经过技术选型，构建 Single-Path / Multi-Path Reasoning 循环，形成 Human ↔ LLM Call ↔ Environment 的反馈闭环。 来源：公众号·大模型助理
1 Anthropic 2026 趋势报告：核心能力从“会写代码”转向“需求拆解、架构判断、AI 产出审查、领域知识”。
2 AI 编程工具（Cursor / Trae / Claude Code）正在重写“程序员”角色的下限与上限。
3 对需求分析启示：用户故事与提示词即规格，需求获取可与 AI 协同完成初稿。
来源：CSDN AI 编程工具横评 2026、Anthropic 编码趋势报告
本章映射：需求分析的本质是"以用户为中心"——听见、记准、落地用户的真实诉求。系统观念提醒我们：需求彼此关联，要用整体视角而非孤立地看功能点。
名校范式 · 清华课程思政案例本章映射：需求分析要"咀嚼和品味"——透过表象重构完整图景，警惕"局部最优≠整体最优"。对话式需求获取，同样始于对真实诉求的敬畏与全局审视。
课程思政案例 · IMA 知识库以人民为中心的需求获取：需求即责任
- 《数据结构与算法》课程思政强调：把所学知识转化为内在德行与素养，注重个人发展与社会发展、国家发展相统一。
- 用 AI 撰写需求/申报书时要警惕"无中生有""华而不实"——需求分析必须基于真实用户，而非凭空想象。
案例导入 · 申通地铁热线工单处置
案例 B5-13 申通地铁热线工单处置智能体创新实践
申报单位：联通数据智能有限公司
上海申通地铁集团作为全球规模最大的城市轨道交通运营商之一，每日要高效处理来自“12345”市民热线工单，传统人工操作面临着跨系统录入繁琐、分类标准不统一、处理周期长等挑战。本案例基于RPA 与大模型融合技术，利用智能体平台构建了一套智能化工单处理系统。系统以RPA 为核心执行引擎，通过模拟人工操作实现热线工单自动提取，再利用智能体平台驱动大模型完成智能分类、责任定位、话术匹配等全流程处理。系统已在上海申通地铁监督热线平台完成部署上线。实测数据表明：单张工单RPA+AI全流程处理仅约3分钟，配置多个AI 员工的情况下，实现单日坐席从2-4 人减少至1 人，AI 分类准确率≥95%。
导学解读 · 与本章的对接：需求分析的起点往往不是“用户想要什么”，而是“现有流程哪里痛”。本案例把痛点写成了三条可验证的陈述：跨系统录入繁琐、分类标准不统一、处理周期长——这正是需求规格说明中“问题定义”应有的写法。随后形成的 6 大类 30+ 子类、200+ 规则与车站管辖单位映射表，则是把模糊诉求转化为结构化需求模型的过程，可与本章的用例建模、业务规则梳理对照阅读。还有一个细节值得记下：系统采用“大模型 + 小模型”双引擎，约 80% 的高频工单交给轻量级分类模型，置信度低的再交给大模型深度推理。这是需求分类场景里典型的成本—精度权衡，也是本章需求优先级方法的现实版。
第二部分 课程内容
3.1 需求获取常用方法
获取需求不能只靠脑袋想，常用四法：① 访谈与问卷（问清痛点与目标）；② 观察与文档（分析现有流程、制度，发现隐性需求）；③ 原型与卡片（用模板快速出可交互原型，边看边改）；④ 对话式探索（以 AI 提示词引导需求收敛，一句话需求→需求文档）。
3.2 功能需求 vs 非功能需求
功能需求回答"系统必须做什么"——如"上传配料表图片并给出安全分析"；非功能需求回答"做得有多好"——如回答准确性、幻觉控制、响应时延、合规。信息资源场景中，检索准确率、知识库引用可追溯、隐私合规同属非功能要点。
用例要素：参与者 + 目标 + 主成功场景 + 扩展（异常分支）。用户故事模板：「作为<角色>，我想要<功能>，以便<价值>」，便于拆解与验收。
3.3 对话式需求：提示词即规格
在 Coze 中，系统提示词天然承担"需求规格"角色，且可立即运行验证。提示词基本组成：角色设定 / 功能和流程 / 限制 / 回复格式——正好对应需求主体、功能、非功能边界与输出约定。
3.4 知识库赋能：需求探索提示词
KB《AI 辅助下的需求探索》能把原始业务描述补全为完整需求文档；其"角色/技能/限制"三段式即需求三类约束；《金字塔表达引擎》强调结论先行、归类分组；《费曼式深问器》纵向到底检验是否真懂需求本质。善用这些 KB 提示词，需求收敛又快又准。
第三部分 拓展练习
知识拓展与前沿
拓展 · Workflow 还是 Agent？需求边界四问① 任务是否足够复杂需适应性决策？② 更简单的 AI 辅助（如不带 Agent 的 RAG）能否达到同样效果？③ 是否涉及不确定性、变化条件或多步推理？④ 赋予自主性会带来哪些风险？由此界定：哪些做成固定工作流，哪些交给智能体。
拓展 · Workflow vs Agent 需求对比工作流式（确定性）：步骤/判断可精确定义（如费用报销审批），强调可靠、可预测、可审计；智能体式（自主性）：目标明确但路径不确定（如规划一次旅行），需规划、工具调用、反思迭代。
案例 · Deep Research 研究助手目标明确但路径开放：主动澄清目标、连续查询多数据源、边检索边整合、据新发现调整计划——对应任务分解、动态规划、网页浏览工具、长上下文/记忆等需求。
🧩 案例 · 用用户故事锁定智能体需求
- 场景：校务问答智能体：用户故事‘作为新生，我想查奖助贷政策，以便提前准备材料’——价值清晰，需求不跑偏。
- 非功能：响应要快（<2s）、回答要准（幻觉少）、要能识别“我答不上来”（不编造）——这些是非功能需求，也是测试红线。
- 映射：智能体的系统提示词，本质就是把‘需求规格’写给人设/技能/限制/格式四段里；提示词即需求文档。
以下文献反映本章主题在智能体时代的最新进展，供学有余力的同学延伸阅读（链接指向原文/预印本）。
- 面向需求工程的 LLM：系统文献综述（LLMs for Requirements Engineering: A Systematic Literature Review）
74 篇主研究(2023–2024)的系统综述，含提示策略/评估方法
- LLM 在软件需求工程中应用方向综述（Research directions for using LLM in software requirement engineering: a systematic review）
SLR，含提示策略与评估方法
- 提升需求完整性：基于 LLM 的自动化辅助（Improving requirements completeness: Automated assistance through large language models）
需求完整性自动辅助
- ChatGPT 辅助需求获取的潜力研究（Investigating ChatGPT's Potential to Assist in Requirements Elicitation Processes）
需求获取辅助
- ReqInOne：基于 LLM 的智能体自动生成软件需求规格（ReqInOne: A Large Language Model-Based Agent for Software Requirements Specification Generation）
智能体自动生成软件需求规格
核心理念：用「用户活动→用户故事→优先级」的地图，把零散需求组织成有叙事顺序的待办，避免「需求清单一堆却不知先做哪」。
四步/要点：① 列用户活动沿主干写出用户完成目标的大步骤 ② 写用户故事在活动下补充分支故事(角色+目标+价值) ③ 排优先级按重要/紧迫给故事标序 ④ 切行走骨骼圈出本迭代必做的「最小可用」故事
与录屏结合：录屏时，先画一张本章需求的用户故事地图，再挑一条故事讲清「智能体如何满足它」。
知识巩固与提高
上机实验 · 把需求转化为角色与提示词
📋 实验任务书
目标：将第 2 章立项场景的需求，落到可运行的智能体提示词。
环境：扣子 Coze + KB《AI 辅助下的需求探索》。
步骤：① 列 3 功能 + 2 非功能需求；② 写 2 个用户故事并用 KB 产出需求清单；③ 固化为系统提示词（角色/技能/限制/格式）；④ 创建智能体预览测试；⑤ 记录最难落地的需求。
交付物：需求清单 + 系统提示词初稿 + 测试反馈（需求覆盖度自评）。
评分点：需求完整(30%) · 提示词结构清晰(30%) · 用户故事合理(20%) · 测试反思(20%)。
🛠 分步操作 · 把需求转化为角色与提示词
动手 · 分步操作- 选择第 2 章立项的场景，列出 3 个功能需求与 2 个非功能需求。
- 编写 2 个用户故事，并用 KB 需求探索提示词产出需求清单。
- 将需求固化为系统提示词：角色 + 技能 + 限制 + 格式。
- 在 Coze 创建该智能体，粘贴提示词并预览测试。
- 记录：哪条需求最难落地，原因是什么。
📝 系统提示词初稿模板
# 角色
你是[领域]助手，[语气/职责]。
## 技能
1. [功能A] 2. [功能B]
## 限制
- 仅基于[知识库]回答
- 不确定的事主动说明
- 响应时延目标 < 2 秒
## 回复格式
使用 Markdown：[结论]→[依据]→[下一步]
🔬 扩展实验（选做 2–3 项，巩固本章学法）
扩展实验 1 · 对话式需求采集需求 / 访谈
任务：用 3 轮对话向「用户」收集需求，整理成用户故事地图。
交付：费曼式讲清「提示词即需求规格」，录屏演示采集过程。
扩展实验 2 · 提示词即规格设计
任务：把一条用户故事直接写成提示词模板，对比「模糊需求 vs 精确提示词」的输出差异。
交付：录屏总结「好提示词 = 好需求」的三条经验。
扩展实验 3 · 用例图绘制建模
任务：用 UML 用例图表达参与者与用例关系。
交付：录屏讲解「为何用例图能暴露遗漏需求」，标出至少 1 处补漏。
🎮 课堂互动小游戏 · 边玩边学
第四部分 本章小结
本章小结
核心要点回顾
- 需求获取：访谈/观察/原型/对话式探索。
- 功能需求定"做什么"，非功能需求定"多好"。
- 用例与用户故事便于拆解与验证。
- Coze 提示词 = 可运行的需求规格。
- KB 需求探索提示词能加速需求收敛。
- 下一章：系统设计——把需求落成智能体架构。
延伸阅读：ima 知识库《智能体宇宙》"Workflow 还是 Agent"；结构化与面向对象需求分析方法相关教材；人民日报关于"以人民为中心"的论述。
拓展案例 · 猎聘 AI 求职伙伴
案例 B3-25 猎聘AI 求职伙伴
申报单位：同道猎聘集团
猎聘AI 求职伙伴是同道猎聘集团旗下面向C 端用户打造的AI 求职助手，基于大语言模型与猎聘亿级求职数据训练，为求职者提供从简历诊断、职位推荐到智能投递、模拟面试的全流程服务。猎聘AI 求职伙伴创新构建“AI 深度交互+ 人机协同”服务模式：通过智能诊断发现问题、语音访谈深度挖掘亮点、自动生成优化简历，实现千人千面的个性化求职辅导；同时提供AI 模拟面试服务，涵盖押题练习与全真面试场景，帮助求职者提升实战能力。该项目获得了天津市“海河英才”人力资源服务创新创业优秀项目奖。
看点：猎聘把服务路径规划为“简历诊断→深度访谈→优化生成→职位推荐→智能投递”，每一环都对应一类被识别出来的用户需求。请把这条链路当作需求建模的练习题：它覆盖了谁的需求？又漏掉了谁？
延伸思考题
- 请用本章的需求建模方法，分别画出“求职者”与“就业指导老师”两类角色的用例要点，并指出至少一个被当前方案遗漏的干系人及其诉求。
- 案例中“针对政府场景定制 AI 服务话术与输出格式，确保专业性与合规性”属于需求变更还是需求约束？请结合需求基线（baseline）的概念说明你的判断。
- 模拟面试报告会被求职者直接采信。请从需求的“可验证性”出发，提出三项该报告必须满足的质量要求，并说明将如何验收。
原版课件对照（第5版）
以下为《信息系统分析与设计（第5版）》原版课件对应页（已裁剪空白），供与本章「智能体 / 低代码」重构内容对照学习。点击图片可放大查看。
第5章《系统分析概述》
第6章《流程建模》
第7章《用例建模》
