AI从应用原型图生成Backlog的效果有多好？

创建Sprint backlog需要耗费大量精力，因为epic、用户故事和任务等条目可能被遗漏或规格不一致。我们提出一种多模态方法，以支持从可视化应用原型图生成backlog，原型图是项目早期即可获得的产物。我们在GPT-4o上评估三种提示策略：zero-shot基线、用于视觉-语言推理的组合思维链（Compositional Chain-of-Thought，CCoT），以及角色驱动（persona-driven）提示。我们研究了横跨两个国家的七个应用开发项目，并就结果访谈了开发者。总体上，我们观察到基线提示偏重召回率胜过精确率，而CCoT更为均衡，在epic和用户故事上取得52-66%的平均F1分数。任务（task）条目更难准确生成。加入架构上下文时精确率提升最为一致，尤其是后端任务（精确率提升最高达35%）。对开发者的访谈显示，多达26%的假阳性仍被认为有用，这反映了backlog创建的创造性与开放性。为捕捉这一点，我们提出名为Revised Recall的新度量，用开发者评估补充真值（ground-truth）评估。我们的发现表明，结合架构上下文的混合提示可以辅助从早期原型图生成backlog，但结果因条目类型而异，且开发者监督仍然必要。