CCF软件大会2026|智能化需求工程论坛

一、论坛介绍

近年来，软件系统正经历从"人机交互"向"人机物融合"的根本性变革，智能组件（如大模型、多智能体系统、具身智能等）的广泛融入进一步加剧了这一变革的深度与广度。需求工程作为软件开发的首要环节，亟需实现自身的智能化转型。这一转型体现在三个层面：在方法层面，需要引入大语言模型等人工智能技术，实现需求获取、分析与建模的智能化（AI4RE），同时也需要需求工程方法反向指导AI智能体的可信行为（RE4AI）；在知识层面，需要将过去三十年积累的散落实证知识转化为结构化、可复用的知识资产，推动学科从经验驱动走向知识驱动；在范式层面，需要探索以可执行规约（Spec）为契约的规约驱动开发新模式，实现需求到代码的全流程可追溯与自动化。

本论坛立足于上述需求，聚焦智能化需求工程的前沿研究成果，特别是：（1）需求工程与人工智能的双向赋能（AI4RE与RE4AI）；（2）需求工程知识的结构化组织与智能化复用；（3）面向规约驱动开发的需求工程新范式等基础性问题。论坛将重点关注具有创新性和突破性的高水平研究成果，探讨相关基础理论、关键技术，以及在工业实践中关于需求工程方法、工具与系统设计原理、范式、架构、经验等方面的实质性进展，并关注其在航空航天、智能网联汽车等关键领域复杂软件系统开发中的应用前景。

二、论坛组织委员会

• 陈小红（华东师范大学）
• 张莉（北京航空航天大学）
• 金芝（北京大学/武汉大学）
• 李佳（武汉大学）

三、论坛安排

日程安排：

时间：2026年11月6日，09:00-17:00

地点：天津市社会山国际会议中心酒店，二层11号会议室

论坛议程：

四、论坛报告嘉宾简介

1. 报告人：黄颖华 高级工程师

题目：整车系统软件的需求驱动测试AI平台化应用实践

摘要：当前整车系统软件架构日趋复杂、需求层级多、软硬件深度耦合，传统模式存在需求链路断裂、信息碎片化、人工解读偏差大、测试迭代无法闭环等行业痛点，严重制约整车软件测试的精准度与效率。针对以上行业难题，我们聚焦需求驱动的整车软件AI测试平台建设。突破传统单点测试局限，构建从用户场景、整车系统到底层控制器的全链路一体化建模框架，打通需求传递全流程；同时搭建覆盖环境变量、多级软硬需求、硬件资源、交互协议、测试行为及问题缺陷的全维度本体知识库，实现整车控制系统开发测试核心知识的标准化、结构化沉淀。在此基础上，引入Loop Engineering闭环工程思想，设计多Agent智能协同工作机制，构建需求智能澄清补全、关联关系自动抽取、测试用例智能生成的端到端自动化能力，可适配多分支场景判定、多元路径覆盖以及全流程动态反馈优化，真正实现流程的可持续迭代、闭环优化。平台实现了整车软件测试从"人工经验驱动"向"需求智能驱动、数据闭环迭代"的模式革新，为整车系统软件智能化测试、高效提质降本提供了全新的落地路径与工程实践方案。

简介：20年汽车行业经验，16年汽车软件测试与管理经验，开发过HIL、实车自动化测试工具、软件测试管理平台、用例自动设计工具，所定义的自动化测试DSL被广泛应用于汽车行业，曾获2020年中国汽车工业科技进步奖一等奖、北京市科技进步二等奖，带领北汽团队获汽车行业首张TMMi 3级认证证书。中国电子信息产业发展研究院智能网联汽车软件检测中心专家委员会成员，TMMi理事，中汽学团标-CSAE-177主编人，ISTQB汽车软件测试工程师认证本地化主要参与人员，CSTQB、TMMi培训师、TMMi评估师，参与编写了中国质量中心的CQC/PJ13003需求成熟度模型集成（Req.MMi）评价技术规范，任职某汽车主机厂测试团队负责人。

2. 报告人：綦艳霞 研究员

题目：面向航天控制系统的需求描述语言SpaceRDL

摘要：航天控制系统(ACS)构成复杂、软硬件交互紧密，其需求多采用自然语言描述,固有歧义性及硬件细节引用易出错,导致需求传递易生偏差,软件资产跨型号复用困难等问题。为解决这些问题,面向航天控制系统的需求描述语言SpaceRDL通过引入"系统资源"作为其交互环境实体与物理设备的统一抽象,使工程师能够以结构化方式精确定义对系统资源的操作,从而在需求描述语言层消除歧义性，避免引入过多细节。该语言通过引入系统资源库,设计具有良定语义的原子操作指令，实现任务意图向软件实现的自动化映射,采用SpaceRDL描述的任务需求也成为跨项目迁移的可复用资产。通过多个航天控制软件案例, 实证了SpaceRDL的工程可行性与有效性。实践表明，基于SpaceRDL的需求描述不仅能够清晰、无歧义地定义复杂的多模式控制逻辑，更能通过映射规则，自动生成精确的软件需求规约。这改变了传统依赖人工解读和转换的需求工程模式，显著提升了需求的精确性、一致性以及开发效率。通过资源模板与需求模式的分离机制，SpaceRDL实现了需求与硬件细节的解绑，使得核心需求资产能够在不同型号或项目间高效复用。

简介：25年航天控制软件行业经验，负责和参与了嫦娥系列，遥感领域等几十个卫星控制软件的研制开发，长期从事软件的需求分析与设计等工作。曾获国防科学技术进步奖一等奖1项，二等奖1项；中国航天科技集团科学技术进步奖一等奖1项，三等奖1项；获得专利多项，中国专利优秀奖1项。

3. 报告人：姚李昊升 博士研究生

题目：异构集成与多维提示驱动的需求识别方法

摘要：移动应用用户评论中蕴含大量需求信息,但需求类样本稀疏、表达隐晦、判定专业性强,导致监督学习方法面临标注成本高、决策边界偏移与标签噪声放大等挑战.现有基于大语言模型的主动学习方法多依赖模型置信度或单一不确定性度量进行样本选择与标注分流,在语义隐晦与类别不均衡场景下易引入噪声标签.为此,提出一种异构集成与多维提示驱动的人机协同主动学习需求识别方法 HIMPAL(Heterogeneous Integration and Multi-Prompt driven Active Learning).首先,构建融合深层语义模型、统计判别模型与树模型三类模型的异构分类器,并以模型间预测分歧为依据设计混合采样策略,从未标注数据中优先选择具有高信息增益的样本.在此基础上引入多维提示驱动的人机协同标注机制,通过大语言模型辅助判定与人工审核相结合的方式提升标签质量与标注效率.在 TikTok 应用 11.7 万条评论数据及跨领域数据集上的实验表明,在相近人工标注规模下,本方法的Macro-F1和需求类召回率显著优于对比方法AutoLabel与Hybrid;同时,LLM自动标注量降低至对比方法的15%–19%,标注Macro-F1值提升10%-15%.消融实验、敏感性分析、跨数据集验证与错误分析进一步验证了方法的有效性与鲁棒性.

简介：姚李昊升，武汉大学计算机学院博士研究生，研究方向为软件工程、多智能体。

4. 报告人：吴云环 博士研究生

题目：跨项目需求分类中检索增强上下文学习的实证研究

摘要：跨项目需求分类面临数据分布偏移与目标项目标注缺失的双重挑战。已有研究表明，利用检索相关示例构造上下文能够提升大语言模型的任务适应能力，但在跨项目需求分类场景下，检索增强上下文学习的有效性以及示例来源对分类性能的影响仍缺乏系统研究。为此，开展跨项目需求分类中检索增强上下文学习的实证研究，采用留一项目交叉验证协议在PROMISE公开数据和航天FPGA工业需求数据上开展实验。在PROMISE非功能需求10分类任务上，基于5个开源大语言模型和13种上下文示例构造配置的结果表明，检索式示例选择在各模型上的总体表现优于随机示例选取。在航天FPGA测试类型分类任务中，对不同来源需求文本作为上下文示例的影响进行分析，结果表明，同领域历史需求构造的示例能够取得更好的分类效果，公开需求文本作为外部上下文来源时也表现出一定帮助。研究结果表明，检索增强上下文学习能够为跨项目需求分类提供有效支持，示例文本与目标任务之间的领域一致性可能是影响上下文示例有效性的重要因素。

简介：吴云环，中国人民解放军陆军工程大学无人智能工程学院博士研究生，主要研究领域为需求工程、软件测试。

5. 报告人：谢华澄 博士研究生

题目：面向SLO工程的运行时质量需求候选证据检查与责任分流方法

摘要：服务团队在制定服务级目标（Service Level Objective，SLO）时，常根据运行时延迟和错误率数据提出候选值，但候选能否进入目标选择，还取决于历史数据是否充分、测量含义是否清楚及运行背景。现有数值生成方法主要提供阈值或预测值，仅保存这些结果难以说明证据缺口、补证责任及补证后的重新判断。本文将数值生成与证据检查分开，提出候选证据检查与责任分流方法。通过候选卡记录数值、来源资料和待办任务，检查历史、测量和上下文证据，将缺项交给相应责任人，并在补证校验后重新检查候选、保留前后版本。实验基于AIOps Challenge 2025数据构造8,668个分析单元，结合规则分析、人员评价和构造用例验证方法。历史规则下，51.1%的候选存在待处理证据任务，首次隐藏输出评价与对应规则的一致率为60.4%。另一组评价者在受控测量情景下与修订规则的一致率为94.4%，9个构造场景的检查结果均符合预期。结果表明，在所测数据和受控任务中，该方法能够保留候选依据、明确补证责任并记录重新判断过程，为SLO目标选择前的审查提供可追溯材料。

简介：谢华澄，同济大学计算机科学与技术学院博士研究生，主要研究方向为需求工程、软件工程、云原生系统与智能运维。

6. 报告人：方应涛 博士研究生

题目：基于项目研发全流程知识的主动需求澄清方法

摘要：软件系统的演化不可避免, 演化过程中会不断出现新的需求. 此类演化需求通常以简短自然语言形式表达开发目标, 缺少支撑软件更新所需的项目上下文信息. 开发人员需要依赖个人经验, 从项目文档中查找并整合相关知识来形成对需求的完整理解. 该过程不仅耗时易错, 相关知识也难以在项目成员间有效传播. 现有大语言模型与检索增强方法可以基于需求描述进行文档检索并生成需求解释, 但缺少主动探索需求中隐含语义缺口的能力, 在证据不足时, 这些方法容易基于局部事实生成表面完整的回答. 针对上述问题, 本文提出一种基于项目研发全流程知识的主动需求澄清方法. 该方法首先对项目异构知识进行统一建模, 构建项目特定知识图谱, 同时通过文档变更感知机制实现知识与图谱的同步更新. 在此基础上, 设计了需求澄清智能体. 该智能体能够基于常见的缺失维度主动识别需求中语义不足的要素, 并生成针对性的澄清子问题; 基于图谱检索项目证据, 评估证据充分性, 进而迭代执行回答生成、查询优化和证据补充, 最终形成需求澄清结果. 本文构建了包含8个项目、340条演化需求及其澄清结果的数据集. 实验结果表明, 与朴素RAG、GraphRAG和HippoRAG2等方法相比, 本文方法能够检索到相关性和完整性更高的项目证据, 有效提升需求澄清结果的正确性与覆盖度.

简介：方应涛，武汉大学在读博士研究生，师从金芝教授，主要研究方向为需求驱动的代码生成。

7. 报告人：张润坤 博士研究生

题目：面向原型需求确认的模型约束确认场景合成方法

摘要：自动原型构建是软件开发早期开展需求确认的有效手段。利益相关者可通过运行原型并观察其交互过程，直观判断系统行为是否符合需求。然而，当利益相关者不熟悉原型的操作方式或业务流程时，人工选择操作、输入参数并组织完整场景通常较为困难且耗时。为此，本文提出一种面向原型需求确认的模型约束确认场景合成方法ValidGen。本文将确认场景定义为由业务执行流程、数据与抽象交互、执行步骤说明和需求追踪关系构成的结构化对象。ValidGen首先利用业务流程模型补充跨用例关系，并采用大语言模型（large language model，LLM）辅助生成其初始结构；随后，通过由LLM驱动的生成、评审和优化Agent围绕目标业务场景合成确认场景，并利用合法性检查器检查场景与输入需求模型的一致性；最后，将通过检查的确认场景确定性地转换为可执行脚本。本文在10个案例系统上开展实验，并通过参与者实验评价场景生成过程、生成序列的业务合理性和需求确认效率。结果表明：与自然语言需求和单一LLM对话的设置相比，结构化领域特定语言（domain-specific language，DSL）与多智能体工作流将生成覆盖95%系统操作的脚本所需用户反馈次数降低约74%；ValidGen生成的用例序列与专家参考序列的平均相似度为89.5%；与人工操作原型相比，ValidGen辅助方式将需求确认总时间降低48.2%，单轮确认中的待确认系统操作比例降低52.3%。实验结果表明，ValidGen能够在所选案例中合成与目标业务场景相关的确认场景，并通过确定性转换生成原型执行脚本，从而降低场景组织和原型操作所需的人工交互。

简介：张润坤，北京航空航天大学软件学院博士研究生，主要研究方向为智能需求工程。

8. 报告人：赵琳慧 硕士研究生

题目：面向需求工程的大语言模型多任务评测基准

摘要：现有大语言模型在需求工程领域的评测大多局限在单一任务上,使得评测很难反映出模型面对真实项目时的综合能力.为此本文提出了ReqBench,一个面向真实软件项目且覆盖多个需求工程任务的评测基准.(1)构建了面向真实软件项目的多任务评测基准. 基于实际软件项目,覆盖需求补全、需求分解、需求完整性评估、冲突识别、需求识别和需求追踪六类任务,并为每类任务设置三个难度等级,共包含270个测试样本.(2)设计了适配不同任务的评价方法. 针对各任务的判断目标分别制定专属评价指标,构建大模型自动评分流程,并引入人工复核,以提高评价结果的可信度.(3)开展了多模型、多任务的系统评测. 本文使用五个主流大语言模型任务输出的评测. 分析了大语言模型在需求工程任务中的典型错误. 模型可能将相关证据误认为充分证据,在材料不足时依据常识补充或改写项目事实,也可能在核心判断错误后生成看似完整的解释. 这些发现揭示了模型从"会写"到"会判"的能力差距,可为后续模型优化和实际应用提供参考.

简介：北京航空航天大学计算机学院硕士生，导师为张莉教授与石琳教授，主要研究领域为智能化软件工程。

9. 报告人：陈子涵 硕士研究生

题目：面向需求变更的机载软件需求增量一致性验证方法

摘要：机载软件自然语言需求规约中的需求条目通过变量定义与引用、模式转换和时间约束等形成复杂的语义依赖关系，局部需求变更可能沿依赖关系传播，引发需求间的不一致。现有需求变更影响分析方法主要关注受影响需求的识别，难以进一步确定需要检查的一致性性质；而需求一致性验证方法通常面向完整需求集合，难以利用变更信息缩小验证范围。针对上述问题，本文提出一种面向需求变更的机载软件需求增量一致性验证方法。该方法首先利用大语言模型（LLM）从自然语言需求中抽取结构化语义要素，构建表征变量定义与引用、模式转换及相关约束的需求依赖模型；随后从变更对象出发，沿依赖关系传播变更影响，定位受影响对象并生成相应的一致性检查项；最后从检查目标反向追溯相关依赖，构造局部验证场景，通过场景剪枝与约束求解完成一致性判定，并提供可追溯的验证证据。在基于多个机载软件需求文档中的工业需求片段构造的9个变更案例上，本文方法取得99.88%的平均不一致发现率，优于两类直接基于LLM的检测方法；与采用相同验证机制的全量验证方法相比，平均减少46.37%的一致性检查项和48.08%的验证场景。本文方法在保持检测效果的同时有效缩小了验证规模，为机载软件需求持续演化过程中的一致性验证提供了技术支持。

简介：陈子涵，华东师范大学软件工程学院硕士研究生，主要研究方向为需求工程。

10. 报告人：朱煜琪 助理研究员

题目：面向模糊需求的自适应代码变更影响定位方法

摘要：代码变更影响定位旨在根据新需求识别需要修改的代码文件。然而，真实需求往往存在信息缺失、表达模糊或目标冲突等问题，容易导致定位偏差。为此，本研究提出一种自适应投机式混合代码变更影响定位方法，通过融合静态依赖分析与多种检索证据生成候选文件，并根据定位不确定性自适应调用大模型进行验证。同时，本研究构建了包含 1400 条模糊增强需求的数据集 Ambig-RCIA，覆盖六类典型需求模糊场景。实验结果表明，该方法在 DeepSeek、Kimi、GLM 和 GPT 四类大模型上均取得最高定位效果；同时，将定位过程中平均大模型调用次数从 2次降低至 1.65–1.73 次，在提升定位效果的同时兼顾计算开销。

简介：2019 年毕业于北京大学数学科学学院，获理学学士学位；2025年在军事科学院获得博士学位，并在高可信软件技术重点实验室开展学术研究。长期从事软件工程领域研究，研究方向为智能化软件工程，以第一作者在 CCF-A 类会议发表论文 3 篇、CCF-B 类会议发表论文 1 篇。

11. 报告人：张明悦 副教授

题目：大语言模型赋能的任务导向DSL构建与DSL驱动代码生成方法

摘要：在航空航天通信等规范密集型软件系统中，大语言模型能够生成可编译代码，但容易在字段标识、诊断值、状态转换和交互时序等细节上偏离规范。本文提出 ALLM4DSL，通过检索和多智能体建模构建领域模型，形成任务导向 DSL，作为自然语言需求与目标代码之间的中间规约；随后由大语言模型生成受约束的 DSL 程序，经静态检查和自动转译生成目标代码。基于 CCSDS SLE 与 CSP 的12条真实需求，在三种基础模型、Java 17 和 C11 环境下开展实验。结果表明，在设定的验收条款和运行条件下，ALLM4DSL 的行为测试通过率和平均规范满足比例均达到100%，显著优于直接代码生成。用户研究进一步表明，DSL有助于人工理解和核对需求。研究说明，任务导向 DSL 能够显式承载领域约束，提升生成代码的行为正确性和规范符合度，并为人工审查提供可理解的中间规约。

简介：张明悦，理学博士，副教授，2017年本科毕业于大连理工大学，2023年博士毕业于北京大学，2023年3月入职西南大学计算机与信息科学学院 软件学院工作。近年来，关注人机物三元融合（HCPS）计算场景下的多智能体系统（MAS）；以形式化方法为基础，研究MAS协同交互的数学机理、建模技术与智能决策方法、以及在低空经济、航空航天、数据链中的应用。近年来，主持1项国家自然科学基金青年科学基金项目、1项重庆市教委项目、2项横向课题；参与3项高新项目、1项重庆市科技局项目；在CCF-A/B类期刊或会议上发表论文二十篇。目前是CCF专业会员、CCF系统软件专业委员会执行委员。

12. 报告人：姜雪 博士研究生

题目：面向编码智能体的仓库级需求完备性分析与补全

摘要：编码智能体已能依据自然语言需求自主完成仓库级软件开发任务。然而用户需求通常仅描述核心意图，真实的开发任务却往往还隐含着由代码仓库内部约束所决定、但未被用户显式陈述的伴随需求。此类隐含需求一旦遗漏，智能体的实现便仅停留于局部，易在系统层面引发功能缺失与状态不一致。本报告聚焦面向编码智能体的仓库级需求补全问题，探讨如何以用户需求为起点，结合代码仓库中的关联关系推断需求的关联范围并加以验证，从而将用户未言明的隐含需求补全为具有仓库证据支撑的完整需求。该工作将编码智能体的需求理解由用户的显式表述延伸至代码仓库所蕴含的隐性约束，为提升编码智能体在软件开发中的自主性和可靠性提供了新的思路。

简介：姜雪，北京大学计算机学院直博生，主要研究方向为智能化软件工程，在TOSEM、ICSE、ASE、NeurIPS、ACL等CCF-A类国际顶级期刊和会议上发表学术论文22篇，其中第一作者论文9篇。谷歌学术引用超2600次，第一作者论文引用超1700次，多项成果已实现落地应用。获得杨芙清-王阳元院士奖学金、北京大学校长奖学金、ACL 2026最佳论文提名、ACL SAC Highlight Award等10余项荣誉，入选中国科协青年人才托举工程博士生专项计划、中国电子学会-腾讯博士生科研激励计划（混元大模型专项）。

五、论坛组织委员会简介

1. 论坛组委会：陈小红 教授（华东师范大学）

简介：研究方向为智能化需求工程，主要工作包括基于环境建模的需求智能建模、分析与规约、嵌入式系统需求的形式化验证以及基于大语言模型的自然语言需求文档自动分析方法等，形成了系统的安全攸关系统需求开发方法。主持并参与了多项国家自然科学基金项目、重点研发、863、973项目以及省部级项目，相关论文发表于ICSE、TOSEM、TSE、RE、ACM Trans. Comput. Hum. Interact.、IEEE Trans. Intell. Transp. Syst.、IEEE Internet Things J.、ISSTA、IEEE Trans. Comput. Aided Des. Integr. Circuits Syst.、软件学报、计算机研究与发展等国内外著名期刊和会议，出版教材一部。成果应用于轨道交通、航空航天、汽车电子等多个领域。

2. 论坛组委会：张莉 教授（北京航空航天大学）

简介：主要从事智能化软件工程、需求工程、系统建模及模型驱动的方法、软件质量追踪、工业软件分析等相关的技术研究和开发工作。目前主要在软件需求智能推荐，冲突检测；代码补全；跨项目开源软件缺陷分析，领域建模和模型驱动等方向开展工作。先后主持和参加了国家自然科学基金、国家973项目、国家科技计划项目、国家重点研发计划项目、国防预研项目及企业联合创新项目。在国际会议、国内外刊物上发表学术论文近200篇，多次担任国际学术会议程序委员会主席和程序委员会委员。

3. 论坛组委会：金芝 教授（北京大学/武汉大学）

简介：武汉大学/北京大学教授，IEEE/CCF/AAIA Fellow，武汉大学特色化示范性软件学院院长，国家杰出青年科学基金获得者。兼任国务院学位委员会学科评议组成员（软件工程），中国人工智能学会知识工程与分布智能专委会副主任。长期从事需求工程、知识工程、基于知识的软件工程研究，先后担任973项目首席科学家，以及国家重点研发计划专项、国家自然科学基金委重点项目等多个的项目负责人。曾获教育部科技进步一等奖、CCF技术发明一等奖、北京市技术发明二等奖、CCF杰出成就（夏培肃）奖、IEEE TCSVC杰出领导力奖、中创软件人才奖等。发表论文三百余篇，5次获得ACM Distinguished Paper Awards，出版专著3部。任《软件学报》执行主编，《计算机学报》副主编，JCST领域编委，以及IEEE TSE、IEEE TR、ACM TAAS、EMSE及RE等的编委。

4. 论坛组委会：李佳 博士（武汉大学）

简介：武汉大学弘毅博士后（20人/批次），软件工程专委会委员，2025年于北京大学高可信软件技术教育部重点实验室获得博士学位，曾获得湖北省尖端人才引进项目、北京市优秀毕业生、国家奖学金、微软"明日之星"等荣誉称号。主要研究方向为智能化软件工程，包括需求工程、代码生成、软件开发智能体。在ASE、FSE、ICSE、TOSEM、EMSE、ACL等软件工程和人工智能领域的顶级期刊与会议上发表二十余篇论文，获得授权发明专利1项，谷歌学术引用量超1000余次。主持和参与了多项国家自然科学基金委项目、重大研究计划重点支持项目、新一代人工智能国家科技重大专项、军事科学院军民融合重点项目等。在学术服务方面，多次担任TOSEM、EMSE、ICML、ICSME、EASE 等国内外重要期刊和会议的审稿人。