很多企业已经接入了 AI，但真正开始使用后，问题却越来越明显：AI 能写代码、写文档、做总结， 却始终"看不懂企业"。
尤其是在金融行业这类复杂系统中，需求分析往往面临以下挑战：
- 系统庞大、链路复杂，业务规则高度耦合；
- 需求文档分散在制度、流程、历史项目、会议纪要之中；
- 需求人员高度依赖经验，新人培养周期长；
- 不同团队之间存在大量"语义偏差"；
- AI 虽然能生成内容，但缺少企业上下文，输出难以真正落地。
结果就是，AI 虽然生成了大量内容， 但企业又不得不投入大量人力去修正、校验、补充。看似效率提升，实际上只是把工作从"生产"变成了"纠错"。于是，一个更本质的问题开始出现：企业真正缺的，并不是 AI， 而是一套能让 AI 理解企业并在企业自身特色规则下执行任务的体系。
在 AES 2026智能体工程峰会上，Agilean分享了主题为《重构需求分析：金融复杂系统下的多智能协同实践》的报告，围绕金融复杂研发场景，探讨企业如何从"AI 工具使用"，走向"企业级智能体体系建设"。
为什么引入AI也没有让需求分析变简单？
金融行业的软件研发，不是简单的功能开发，而是一个典型的复杂系统工程。一个看似清晰的需求，背后往往牵动多个系统、多个角色、多个流程和多条规则链路。它可能影响核心账务、风控、支付、信贷、渠道、报表，也可能同时涉及合规要求、客户体验和后续运维。一旦缺少全局视图，需求就很容易在沟通中被拆散，在交付中被误解，在上线后被返工。
在这种背景下，需求分析工作的本质，已经从写文档变成了理解组织、理解业务。 很多企业当前的问题并不是没有数据，而是知识无法沉淀、经验无法复用、需求语义无法标准化，AI 无法真正理解企业内部的业务语言，导致写出的需求往往"差点意思"，其根源在于缺少一条能够贯通"需求 - 系统 - 代码"的连续链路。
在这种环境下，AI 的价值不只是"帮人写文档"，而是帮助企业把分散的经验、知识和资产重新组织起来，让需求真正走向可验证、可评估、可生成的工程化交付。
核心思路：从"描述需求"走向"可落地设计"
面向金融复杂系统，需求智能化的关键不是单点提效，而是建立一套能够贯穿全链路的方法。这也是Agilean在实践中总结出来的可落地方法，即在企业搭建一条AI 智能体编排与知识驱动的需求流水线，这条流水线主要包括六个关键环节：
第一步，重建企业本体。
第二步，让本体知识驱动需求扩写。
第三步，引入代码知识，补全需求内容。
第四步，用界面原型和交互澄清需求。
第五步，通过多智能体协同分析跨系统关联影响。
最后，将需求转化为详细设计，并进一步指导代码的生成实现。
（图：搭建 AI 驱动的需求流水线）
1. AI 时代，真正重要的是"本体"建设
在组织如何才能有效应用AI上，Agilean一直坚持一个核心观点：AI 的核心，不是模型，而是企业的语义体系。
企业如果没有统一的知识表达方式，AI 就无法真正理解企业。因此，在企业智能体建设中，一个关键基础就是"本体（Ontology）"建设。**所谓本体，本质上是一套企业统一语义模型，**它定义了企业的管理对象都是什么、它们之间有什么关系，约束条件是什么等。
过去，企业知识散落在文档、流程系统、代码库、人员经验、项目历史中，而通过本体建设，企业可以逐步形成统一的知识底座，让各种概念、流程和规则成为可以被AI识别、关联和推理的知识结构。
（图：什么是本体论）
从0到1搭建企业知识底座是非常难的，我们在实践中发现，以往部分金融机构花了大量精力梳理了 L1-L4 业务流程架构，过去这些流程架构更多是管理工具，但很多企业的问题是梳理完流程图就"挂墙上"了，因为传统系统无法真正理解流程。而现在最大的变化是AI 可以消费流程知识，L1-L4流程架构就重新变成了企业最重要的数字资产之一。
因此建议金融机构以L1-L4流程架构体系作为企业本体建设的重要输入，搭建概念模型和流程体系，统一业务上下文并关联系统，形成企业知识图谱，并在开发过程中结合新需求持续更新。
（图：银行 L1-L4 能力地图示例）
2. 用本体知识驱动需求扩写
有了结构化本体知识，当用户提出一句话需求时，智能体可以结合领域知识，将其扩展为更结构化的业务表达：涉及哪些业务对象，经过哪些场景流程，依赖哪些规则口径，可能出现哪些异常分支，需要哪些验收标准，以及会影响哪些系统和数据。需求开始从"零散描述"转变为"结构化业务表达"。
以下为Agilean的智能体平台的需求扩写示例：
（图： EntClaw 平台中的业务需求编写示例）
3. 用代码知识完善需求内容
对于存量系统而言，最新的真实状态往往不只在文档中，更在代码、配置、接口、数据表和批处理任务里。通过识别系统现状，AI 可以帮助团队减少遗漏、误判和反复返工，让需求分析更接近真实可交付的状态。
( 图：用代码知识完善需求内容 )
4. 用界面原型和交互澄清需求
复杂需求最大的风险之一，是"理解偏差"，很多问题都是到了开发后期才暴露。对于管理者和业务团队来说，原型比抽象文档更容易形成共识。借助AI可以根据需求自动高效地生成页面原型、 推导交互逻辑、 展示业务流程、 辅助用户确认场景等。
通过原型化表达，需求可以更快暴露流程断点、字段缺失、权限边界和操作异常，实现从文字评审到界面化对齐，提升需求澄清效率。
（图： AI 生成的界面原型图示例）
5. 多智能体协同分析跨系统关联影响
金融系统最大的特点之一，就是没有真正孤立的需求。一个小改动，可能影响多个系统，仅靠单一Agent无法完成复杂分析。
Agilean 在实践中采用多智能体协同机制，包括业务智能体、架构智能体、系统智能体、数据智能体、测试智能体等角色，多个智能体协同推理，分别从规则、流程、系统、数据、代码和风险等角度进行并行分析，最终形成更完整的影响范围、依赖关系和方案建议。过去依赖"专家经验"的复杂影响分析，开始逐步具备智能协同能力。
（图： EntClaw 平台中多智能体协同分析示例）
6. 转化为详细设计，指导代码生成实现
最终需求分析形成的结论，需要沉淀为可执行的详细设计，从而进一步指导代码生成、接口设计、数据脚本、测试用例和交付审查。这样，需求不再只是"描述清楚"的文档，而是直接链接到研发，打通工程化交付链路。
（图：从需求文档到代码生成的工程化交付链路）
EntClaw：从单点 AI 工具，到企业级智能体协同
许多企业都已经开始尝试 AI 助手，但个人助理式 AI 与企业级数字员工之间存在本质差异。个人 AI 更强调灵活和多技能，适合处理邮件、搜索、日程、代码片段和创意任务。但在金融机构这类高安全、高合规、高协同的场景中，AI 不能只是"会回答问题"，还必须具备角色边界、上下文权限、接受人类监督审批、拥有协同网络。
这正是 Agilean 在企业级智能体方向上的思考：让 AI 从个人助手走向企业数字员工，让多个智能体围绕真实业务任务进行协同，而不是让人不断在多个工具之间搬运信息。
在这样的思路下，Agilean研发了EntClaw平台，面向企业级智能体协同，分为分布式协同智能体层、EntClaw管理平台层和大模型基座层。它不是替代企业已有系统，而是连接需求管理、代码库、配置系统、CI/CD 工具和业务知识库，让企业已有的数字资产在智能体协作中被重新激活。
（图： EntClaw 核心架构）
OpenClaw类的工具则更偏向员工助理层，帮助个人提升日常工作效率。二者结合后，可以形成从个人工作辅助到企业级任务协同的分层架构：上层连接人与任务，中层组织数字员工协作，底层打通系统记录、代码资产和模型能力。
（图：未来软件研发生产线）
结语
多年来，Agilean 持续深耕研发管理数字化领域。从敏捷转型、研发管理体系建设，到研发数字化平台建设，再到企业级智能体框架探索，Agilean 一直聚焦一个核心问题：如何让复杂组织真正实现研发协同效率提升。
在本次分享中，Agilean 展示了围绕企业知识和本体体系，通过多智能体协同实现从需求编写到研发交付的工程化链路的实践探索。
AI 正在改变软件研发。但真正的变化，并不只是"代码生成更快了"。未来的软件研发，不会只是"人驱动的软件工程"，而会逐步演变为"人机协同的软件工程体系"。
Agilean将持续围绕企业级智能体、研发数字化与 AI Native 研发体系展开探索，帮助更多企业在复杂系统中构建真正可落地的智能协同能力。
END