在[开篇文章]中，我们勾勒了 AI 辅助 OOAD 的全景图。从本文开始，我们逐环节深入，用购物车案例完整演示 AI 是如何辅助每个环节的。

第一个环节是需求分析。这是整个设计流程的起点，也是最容易出问题的环节——「需求理解错了，后面的设计和开发都是白费。」

本环节的挑战

传统做法

需求分析的传统流程大致如下：

收集原始需求→整理需求文档→编写用例→评审确认

在实际工作中，原始需求通常长这样：

用户可以浏览商品，将商品添加到购物车，从购物车中移除商品，修改购物车中商品的数量，查看购物车中的商品列表和总金额，清空购物车。

而标准的需求用例需要包含：用例编号、概述、参与者、前置条件、主流程、替代流程、后置条件等结构化内容。从前者到后者的转化，需要大量的「结构化思考」和「业务推演」。

为什么这个环节适合 AI 辅助

需求分析有三个特点，使它天然适合 AI 参与：

「特点一：输入是自然语言，输出也是自然语言」

需求分析不涉及代码、图表等需要严格语法的产物。输入是自然语言描述的需求，输出也是自然语言描述的用例。这恰好是 AI 最擅长的领域。

「特点二：核心工作是结构化和补全」

从模糊需求到结构化用例，核心工作是两件事：「结构化」（把散乱的信息组织成标准格式）和「补全」（发现遗漏的场景和边界条件）。AI 对这类工作非常在行。

「特点三：验证成本低」

AI 生成的用例是否合理，业务人员可以直接阅读判断。不像设计模型或代码那样需要专业背景才能评估，「需求用例的验证门槛很低」。

AI辅助的具体操作

下面以购物车为例，演示 AI 辅助需求分析的完整过程。

第一步：从原始需求提取用例

「场景」：产品经理给了一段需求描述，需要从中提取结构化用例。

「原始需求」：

用户可以浏览商品，将商品添加到购物车，从购物车中移除商品，修改购物车中商品的数量，查看购物车中的商品列表和总金额，清空购物车。商品有名称、价格、规格、库存等信息。

「Prompt」：

你是一位资深的业务分析师。请根据以下原始需求描述，提取所有用例，并为每个用例生成结构化描述，包含：-用例编号-概述-参与者-前置条件-主流程-替代流程-后置条件
原始需求：用户可以浏览商品，将商品添加到购物车，从购物车中移除商品，修改购物车中商品的数量，查看购物车中的商品列表和总金额，清空购物车。商品有名称、价格、规格、库存等信息。

「AI的输出」：

AI 会提取出以下用例：

并对每个用例生成完整的结构化描述。以 UC002 为例：

「人的判断」：检查用例划分是否合理。比如，AI 可能会把「浏览商品」和「搜索商品」合并为一个用例，你需要根据业务需要决定是否拆分。

第二步：发现遗漏场景

AI 能按照标准格式生成用例，但它的更大价值在于「发现人工容易遗漏的场景」。

「Prompt」：

基于以下购物车系统的用例列表，请检查是否有遗漏的场景。特别关注以下方面：1.边界条件（如数量上限、金额上限）2.异常场景（如并发冲突、数据不一致）3.业务规则（如库存扣减时机、价格变动处理）4.非功能性需求（如性能、安全性）
已有用例：UC001-UC006（浏览商品、添加到购物车、移除商品、修改数量、查看购物车、清空购物车）
请列出你认为遗漏的场景，并说明理由。

「AI的输出」：

AI 可能指出以下遗漏：

这些遗漏中，有些是关键的（如商品下架处理、结算），有些可能超出当前范围（如并发处理、过期机制）。

「人的判断」：决定哪些遗漏需要纳入当前需求，哪些记录为已知风险，哪些不需要处理。

第三步：生成完整的需求用例

在确认用例范围后，让 AI 一次性生成所有用例的完整描述。

「Prompt」：

基于以下已确认的用例列表，请生成完整的需求用例文档。对每个用例，确保替代流程覆盖所有已识别的异常场景。
用例列表：1.UC001浏览商品2.UC002添加商品到购物车3.UC003移除购物车中的商品4.UC004修改购物车中商品的数量5.UC005查看购物车6.UC006清空购物车
已识别的额外场景：-商品下架后，购物车中的商品标记为「已下架」，不可结算-价格变动后，购物车中已添加的商品价格不自动更新-购物车中商品种类上限50种，单个商品数量上限99件-用户未登录时，所有操作引导至登录页
请以表格形式输出每个用例。

AI 会生成完整的、经过修订的用例文档，包含了补充的业务规则和边界条件。

第四步：人机协作的迭代优化

AI 生成的用例不太可能一次就完美。常见的调整包括：

「调整一：合并或拆分用例」

AI 可能过度拆分。比如把「浏览商品列表」和「查看商品详情」拆成两个用例，但你觉得它们属于同一个用户目标，可以合并。

「调整二：调整替代流程的粒度」

AI 可能会列出过于细致的异常场景。比如「网络超时」这种通用异常，不一定要在每个用例中都列出。

「调整三：补充业务上下文」

AI 不了解你的项目背景。比如你的购物车是给 B 端客户用的，可能有「批量导入商品到购物车」的需求，这需要你来补充。

这种迭代通常 2-3 轮就能得到高质量的需求用例文档。

最佳实践

「1. 分步执行，不要一步到位」

不要试图用一个 Prompt 完成所有工作。分步执行效果更好——每一步都有机会检查和调整，避免 AI 在错误的方向上越走越远：

第一步：提取用例列表（只列名称）第二步：确认用例范围（人介入，决定哪些纳入）第三步：逐个生成详细用例描述第四步：检查遗漏场景第五步：生成最终文档

「2. 给出示例，追问优于重写」

在 Prompt 中给出一个完整的用例示例，AI 的输出质量和格式一致性都会显著提高。当输出不符合预期时，在当前基础上追问比重新写 Prompt 更高效：

"UC002的替代流程中，缺少了「商品已下架」的场景，请补充。""UC003的参与者应该还包括「系统（定时任务）」，因为购物车可能因过期被自动清空，请修正。"

「3. 用角色设定调动领域知识」

你是一位有10年经验的电商产品经理，熟悉电商系统的各种业务规则和边界条件。请根据以下需求，生成需求用例。
在生成用例时，请特别注意电商行业中常见的坑：-库存超卖-价格缓存不一致-购物车与实际库存的同步问题

「4. 始终以原始需求为准」

AI 可能会编造看似合理但不存在的场景（如「分享购物车给好友」），也可能遗漏你业务中特有的规则（如「会员等级影响购物车数量上限」）。AI 的输出是建议，不是结论——业务决策、优先级排序、范围管理必须由人来做。

「5. 保留迭代记录」

用 Obsidian 或 Git 记录需求用例的变化过程，方便回溯。把需求评审中的关键决策也记录下来，这些上下文信息是 AI 不掌握的。

本环节AI的能力边界

AI做得好的

• 「结构化输出」：把模糊需求转化为标准格式的用例，速度快、格式规范
• 「发现遗漏」：基于通用领域知识，指出人工容易忽略的边界条件和异常场景
• 「批量生成」：一次性生成所有用例的详细描述，节省大量时间
• 「格式统一」：所有用例的结构和描述风格保持一致

AI做不好的

• 「业务规则的准确性」：AI 不了解你的具体业务规则，可能编造不存在的规则
• 「优先级判断」：AI 不知道哪些需求是核心功能、哪些是锦上添花
• 「与现有系统的兼容性」：AI 不了解你现有系统的约束和集成要求
• 「利益相关者的隐性诉求」：某些需求背后的政治、组织因素 AI 无法感知

必须人做的

• 「业务决策」：哪些遗漏场景需要纳入、哪些排除
• 「优先级排序」：决定用例的开发顺序和重要性
• 「需求确认」：与业务方确认需求理解的准确性
• 「范围管理」：界定哪些在范围内、哪些不在

总结

本文以购物车为例，演示了 AI 如何辅助需求分析：

「AI的核心价值」：把模糊的自然语言需求快速转化为结构化的需求用例，并发现人工容易遗漏的场景。

「最佳工作流」：分步执行 → 逐步确认 → 迭代优化。AI 负责结构化和补全，人负责业务决策和优先级判断。

需求分析完成后，下一步就是基于需求用例识别系统中的对象。在[[03-AI赋能对象识别：多方法论并行探索]]中，我们将展示 AI 如何让你同时「拥有」五种方法论的设计能力。