从聊天到面试：使用体验本体进行代理需求获取

需求启发访谈在需求工程中至关重要且耗时，但在很大程度上依赖于需求分析师的经验。尽管 大语言模型 (LLM) 的最新进展为自动化此过程创造了新的机会，但现有方法仅依赖 LLM 进行自由形式的聊天，而没有考虑面试和开发经验。这导致隐含要求和多余问题的省略。实际上，经验丰富的分析师在进行需求获取时会隐含地遵循结构化认知框架。受这一观察的启发，本文提出了一种名为 OntoAgent 的访谈代理，用于以经验本体为指导来获取需求。 OntoAgent 自动分析特定领域的需求描述以构建体验本体，将需求关注点组织到本体中以支持系统且可解释的访谈。在访谈过程中，OntoAgent首先在本体的指导下执行四个操作（即ParseUser、ScoreOnto、ReRankOnto、GatePrune）来识别相关的需求关注点。然后将选定的关注点与当前对话上下文相结合以生成启发问题。为了验证 OntoAgent，我们使用广泛采用的网站应用程序领域进行了全面的定量实验。结果表明，OntoAgent 在启发有效性和提问效率方面均显着优于现有基线，IRE 提高了 33%，TKQR 提高了 21%。消融研究进一步验证了每个关键设计组件的贡献。此外，定性用户研究证明了其在现实场景中的实际优势。我们相信OntoAgent还可以扩展到其他领域的需求面试任务。