从对话到面试：基于经验本体论的智能需求征集
软件工程
2026-05-28 v1
摘要
需求征集面试是需求工程中至关重要且耗时的环节，但高度依赖需求分析师的经验。尽管近期大型语言模型 (LLM) 的发展为自动化这一过程提供了新机会，但现有方法仅依赖 LLM 进行自由形式对话，未能考虑面试与开发经验，导致隐式需求被遗漏和问题冗余。实际上，经验丰富的分析师在开展需求征集时会隐式遵循一种结构化的认知框架。针对这一观察，本文提出了一种基于经验本体论引导的面试代理工具 OntoAgent，用于需求征集。OntoAgent 自动分析领域特定的需求描述，构建经验本体，将需求关注点组织为本体结构，以支持系统化且可解释的面试。在面试过程中，OntoAgent 在本体指引下执行四项操作 (即 ParseUser、ScoreOnto、ReRankOnto、GatePrune)，以识别相关需求关注点。所选关注点随当前对话语境合并，以生成征集问题。为验证 OntoAgent 的有效性，我们在广泛采用的网站应用领域开展了全面的定量实验。结果表明，OntoAgent 在需求征集效果和提问效率方面均显著优于现有基线，实现了 IRE 提升 33%，TKQR 提升 21%。消融研究进一步验证了每个关键设计组件的贡献。此外，定性用户研究表明其在实际场景中具有实际优势。我们认为 OntoAgent 也可扩展至其他领域的需求面试任务。
引用
@article{arxiv.2605.05828,
title = {From Chat to Interview: Agentic Requirements Elicitation with an Experience Ontology},
author = {Dongming Jin and Zhi Jin and Yaotian Yang and Linyu Li and Zheng Fang and Yuanpeng He and Wenchun Jing and Xiaohong Chen},
journal= {arXiv preprint arXiv:2605.05828},
year = {2026}
}