基于 OpenClaw + Claude Code 的需求结构化清单自动生成方案
实现从原始需求文档到结构化需求清单的自动转换，智能识别和标注需求中的疑问点， 支持人机协同确认，最终输出标准化的需求文档，为后续的研发流程奠定基础。
支持纯文本、Markdown、JSON 等多种输入格式
基于规则和 AI 模型识别 7 类疑问点
4 种协同模式，灵活适配不同场景
系统基于规则引擎和 AI 模型，自动识别需求中的 7 大类疑问点，帮助团队提前发现和解决潜在问题。
| 疑问类型 | 说明 | 检测示例 | 严重程度 |
|---|---|---|---|
| 模糊性 | 表述不清晰，存在歧义 | "快速"、"高效"、"友好" | 中 |
| 信息缺失 | 缺少必要信息 | "待定"、"TBD"、"需要确认" | 高 |
| 逻辑矛盾 | 前后不一致 | "但是"、"然而"等转折词 | 中 |
| 可行性疑问 | 技术实现困难 | "实时"、"零延迟"、"100%" | 高 |
| 依赖不明 | 外部依赖不清晰 | "依赖 XX 系统"但无详细说明 | 中 |
| 验收标准缺失 | 缺少可测试标准 | 无明确验收条件 | 低 |
| 边界条件不清 | 异常处理未说明 | 无边界情况描述 | 低 |
from src.main import RDAutomationSystem
# 创建系统实例
system = RDAutomationSystem()
# 处理需求文档
result = system.process_requirement_document(
input_text=requirement_text,
input_format="markdown",
auto_resolve=False
)
# 导出结果
files = system.export_results(result, './output',
formats=['json', 'md', 'html'])rd_automation_system/
├── src/
│ ├── main.py # 主入口
│ ├── requirement_parser.py # 需求解析器
│ ├── question_analyzer.py # 疑问分析器
│ └── human_ai_collaboration.py # 人机协同模块
├── config/
│ └── settings.py # 配置文件
├── tests/
│ └── test_requirement_parser.py # 单元测试
├── docs/
│ ├── 产品说明文档.md
│ ├── 系统架构设计文档.md
│ └── 端到端研发自动化系统方案.html
└── output/ # 输出目录作为 OpenClaw 的 Skill 插件，通过自然语言触发需求分析任务， 无缝融入现有 AI 助手工作流。
智能体插件作为 Subagent 使用，利用 Claude 的强大理解能力进行深度需求分析 和疑问点生成。
专用子代理通过 Jenkins webhook 触发需求验证，设置质量门禁， 确保需求质量达标后才能进入开发流程。
自动化流水线
结构化需求数据
便于程序处理
可读性好
支持版本控制
可视化展示
易于分享
详细分析
改进建议