生成式AI在需求工程中的应用：GPT模型、可复现性与可解释性挑战

AI快讯 2025-11-28

## 生成式AI重塑需求工程：GPT模型主导下的机遇与挑战在软件开发的生命周期中，需求工程始终是决定项目成败的核心环节。然而，传统需求工程方法长期面临效率低下、需求频繁变更等痛点。Standish Group的研究数据显示，仅有31%的软件项目能够在预算和时间内顺利交付，而需求相关问题导致的项目失败率高达37%。随着ChatGPT等大语言模型的迅猛发展，生成式人工智能为需求工程领域注入了全新活力。来自早稻田大学、东北大学等知名学府的跨学科研究团队，对2019至2025年间发表的238篇相关学术文献进行了系统性梳理，为我们描绘了这一前沿领域的完整图景。 ### 研究现状：数量激增但分布不均 **研究热度呈现爆发式增长** 数据显示，生成式AI在需求工程领域的研究呈现指数级增长态势： - 2022年仅见4篇相关论文 - 2023年迅速攀升至23篇 - 2024年达到113篇的峰值 - 2025年前5个月已发表97篇这种增长轨迹清晰地反映了ChatGPT问世后，学术界对生成式AI在需求工程应用前景的高度关注。 **研究重点分布失衡** 尽管研究热情高涨，但不同需求工程阶段获得的关注度存在显著差异： - 需求分析占据30.0%的研究比重 - 需求获取与需求规约各占22.1% - 需求验证获得19.0%的关注 - 需求管理仅占6.8%，明显缺乏深入研究这种不均衡分布表明，当前研究主要聚焦于生成式AI擅长的文本分析与生成任务，而对涉及复杂社会技术因素的需求管理阶段探索不足。 ### 技术生态：GPT主导的同质化趋势 **模型选择高度集中** 研究发现，67.3%的研究采用GPT系列模型，具体分布为： - GPT-4系列占比36.7%，主要应用于复杂需求分析 - GPT-3.5系列占比25.3%，在常规分类任务中表现稳定 - 开源替代方案（如LLaMA、CodeLlama）仅占11.6% 值得注意的是，CodeLlama在代码-需求追溯任务中表现优异，幻觉率比通用模型降低23%，但采用率仍然偏低。 **提示工程实践模式** 在提示工程技术应用方面呈现以下特征： - 指令式提示占比62.2%，体现需求工程任务的高度结构化特性 - 少样本学习占比43.6%，成为最受欢迎的学习范式 - 零样本学习占比37.7%，适用于相对简单的需求工程任务 - 思维链方法仅占14.0%，采用率相对较低令人鼓舞的是，超过80%的研究公开了提示词细节，为研究可复现性奠定了良好基础。 ### 核心挑战：相互关联的三重困境研究识别出10个主要挑战，其中三个核心挑战构成了紧密关联的"铁三角"： **可复现性问题（66.8%）** 大语言模型的随机性、参数敏感性以及黑盒API的不透明性，使得研究结果难以验证和重现，在需求生成和验证等关键场景中尤为突出。 **幻觉问题（63.4%）** AI生成的需求可能与输入信息冲突或包含虚构内容。在需求工程领域，需求的精确性和可追溯性至关重要，幻觉问题可能导致严重的系统设计偏差。 **可解释性缺失（57.1%）** 大语言模型的决策过程缺乏透明度，在医疗、法律等高风险管理领域构成重大隐患。研究发现这三个挑战的共现率达到35%，表明它们必须被整体性解决，而非孤立应对。 ### 工业应用：从概念到实践的漫漫长路 **技术成熟度现状** 研究显示，生成式AI在需求工程领域的工业化进程明显滞后： - 90.3%的研究停留在概念或原型阶段 - 仅8.4%达到原型或实验部署水平 - 仅有1.3%实现生产级集成 **系统性障碍** 研究识别出11类主要限制因素： - 泛化能力和领域适应（39.9%） - 数据质量和可用性（39.1%） - 评估方法不足（28.8%） - 人工介入需求（27.0%）值得注意的是，47.2%的研究面临三个或以上的限制类别，表明这是系统性而非孤立的问题。 ### 未来发展路径：四阶段推进策略基于系统性分析，研究团队提出了多阶段发展路线图： **第一阶段：评估基础设施强化** 建立标准化基准测试、需求工程特定指标和可复现性协议，解决当前90%研究停留在早期阶段的核心问题。 **第二阶段：治理感知开发** 将伦理审计、公平性约束和利益相关者验证纳入生成式AI系统设计，应对当前治理关注不足的困境。 **第三阶段：可扩展情境感知部署** 采用模块化架构、参数高效微调和检索增强生成等技术，显著降低幻觉率，提升系统可控性。 **第四阶段：工业级标准化** 建立社区驱动的工具包、开源基准和法律框架，为生产级应用奠定坚实基础。 ### 实践指导建议 **对研究者的建议** - 推进技术多元化，探索GPT之外的模型架构 - 重构评估体系，结合定量指标与人工洞察 - 扩展研究范围，关注需求管理和验证等薄弱环节 - 优先保障可复现性，建立提示词共享社区标准 **对从业者的建议** - 采取谨慎态度，将生成式AI作为辅助工具而非决策主体 - 聚焦低风险任务，在自动化草稿生成等结构化场景中应用 - 坚持人机协同，在关键任务中保持人工监督 - 关注技术趋势，检索增强生成等新方法展现可靠性提升潜力 ### 结语生成式AI在需求工程领域展现出变革性潜力，但要实现从学术探索到工业应用的实质性跨越，仍需攻克可复现性、幻觉控制和可解释性这三大核心挑战。研究表明，这些挑战高度关联，必须采用整体性解决方案。更重要的是，成功应用生成式AI需要技术健壮性、方法论成熟度和治理框架的协同发展。从90%的研究停留在早期阶段到仅1.3%达到生产级别的现状来看，这条转型之路仍然漫长。但随着评估基础设施的完善、治理框架的建立和标准化工作的推进，生成式AI必将成为需求工程领域不可或缺的智能助力。这不仅是一场技术革新，更是软件工程实践的根本性转变。当需求工程从"人工编写"演进为"人机共创"，整个软件行业正迈向一个全新的智能化时代。

想获取更多AI最新资讯与智能工具推荐，欢迎访问 👉 AI Tools Nav ——优质的 AI导航平台 与 AI学习社区

本文来源：机器之心

原文链接：https://www.jiqizhixin.com/articles/d48c86fb-d39b-429d-b351-01f3675ab753