如何将PingCraft需求文档转化为可追踪工作项的Agent实践路径?

摘要:来自博主的开源项目:PingCraft(Apache-2.0) 最近开源了一个项目 PingCraft(GitHub 地址:https:github.comknqiufanPingCraft):一个基于 AI 的需求智能分析与导入工
来自博主的开源项目:PingCraft(Apache-2.0) 最近开源了一个项目 PingCraft(GitHub 地址:https://github.com/knqiufan/PingCraft):一个基于 AI 的需求智能分析与导入工具。 简单说下它的作用:上传需求文档(Word / Markdown / TXT),用大模型解析成结构化工作项,与 PingCode 已同步的数据做对齐和查重,然后一键批量导入。 核心功能包括: 文档上传与 AI 解析,输出符合 PingCode 格式的工作项 基于向量相似度的项目推荐和需求查重(标记 New / Similar) 字段自动映射("高优先级" → PingCode 的 priority_id) SSE 实时推送导入进度 统计分析 + AI 解读报告 + PDF 导出 下面聊聊为什么要做这个项目,以及过程中对 Agent 应用的一些思考。 一、做这个项目的初心 先说说为什么会有 PingCraft 这个项目。 周五下午有些繁琐 每周五下午都有一项固定工作:把本周工作内容和相关需求全部录入到 PingCode 里。 看起来很简单对吧。其实不。每录入一条工作项我都要: 点击「新增工作项」 从下拉列表里找项目 选择工作项类型(Story?Task?Bug?) 填写标题和描述 选择负责人(谁来做?) 选择优先级(高?中?低?) 填写预估工时 选择计划开始时间和结束时间 选择状态(待处理?进行中?) …… 一条工作项录完两分钟过去了。如果有十来条工作项半小时就没了。这半小时甚至更长的时间里我就在机械重复的做数据录入的工作。 做重复繁琐的工作,AI 擅长啊 其实也是受了博主的一个同事做的一个 PingCode 录入的 MCP 的启发。AI 模型可以直接调用这个 MCP 来对需求和工作项直接进行录入。但是这个 MCP 当时有个不方便的地方在于,登录连接上 PingCode 的步骤挺麻烦的.要使用这个 MCP,得先执行某个接口或脚本,然后手动从地址栏中获取相关凭证令牌,再填入配置文件中,,没有方便的一键登录的方式,这个操作其实对用户来说是不友好的。所以这个 MCP 当初也没有大范围的推广使用。 也没有缓解博主在每周五下午的工作录入的痛苦(因为 MCP 没用上 orz) 但是!感谢同事先做出的 PingCode MCP 给予的灵感,想法是很好的,但我寻思在具体使用步骤和方式上可以更便利。 so 进行了一番思考。AI 在这个场景其实很适合让他来干一些事情啊,such as: 理解语义:大模型可以从一段非结构化的需求描述中提取关键信息 映射字段:把"高优先级"自动对应到系统里的优先级 判断重复:用向量相似度检测新需求和已有工作项是否语义相近 ... 也就是: 把那些乱七八糟的需求文档(Word、MD、TXT 都行)扔进去 AI 自动解析成符合 PingCode 格式的结构化数据 再通过 API 一键导入 而登录的问题好解决,加个可视化界面去自动获取点击嘛。且有了可视化界面之后甚至可以做到更多的功能,比如一些信息和统计图表展示什么的。所以有了 PingCraft。 其实做 PingCraft 的初心是:用 AI 把那些重复的、机械的操作自动化,把人从搬运工的角色里解放出来。 即,AI 在实际应用中正确发挥作用的地方——不是替代人做决策,而是帮人省掉那些本就不该由人来做的事情。 二、PingCraft 具体是解决什么? 定位明确:打通「文档 → 结构化工作项 → 与线上数据对齐 → 批量落库」这条链路。它不是一个通用的"AI 写需求"工具,而是一个面向 PingCode 的需求导入管道。 核心价值主张 一句话概括: 让大模型在真实的业务上下文中理解需求,并把理解结果直接对接到真实的项目管理系统。
阅读全文