一个使用BA-Agent从概念级需求开始完成各项BA岗位输出的案例视频展示

视频地址

CSDN直播回放

从概念到资产：视频中的完整转化过程

上一篇文章中，我们以一个小型CRM系统为例，讨论了BA Agent如何从"一句话需求"生成完整的需求资产。那篇文章是文字叙述，今天这段视频提供了一个更直观的视角——整个过程的实时录屏。

视频中展示的流程，是之前文字案例的完整再现：

输入是一份概念级需求文档，典型表述为"做一个支持线索管理、客户管理、商机管理的小型CRM系统"。没有原型，没有流程图，没有字段定义。

输出是BA Agent在与用户交互过程中逐步生成的六类需求资产：需求规格说明书、业务流程建模、数据字典、用户故事文档、UI视图规格、合规审查报告。

整个过程大约耗时20分钟。如果由一个有经验的BA手工完成，保守估计需要一到两周。当然，重点还不在于时间效率的差异。

视频中值得观察的三个细节

第一，结构化对话引擎的运作模式

视频中可以看到，BA Agent的工作方式不是"你问一句，AI答一句"的对话式问答，而是一套结构化对话引擎。Agent引导流程推进，用户在关键节点进行决策。这种模式保证了产出的系统性和一致性，避免了对话式AI常见的"上下文漂移"问题。

第二，专有知识库的注入时机

在业务规则定义和数据字典生成环节，Agent会主动调用组织构建的专有知识库。这些知识库承载着特定业务领域的规则、术语和流程约定，被注入到需求分析过程中。这正是上一篇文章中提到的"通过知识库注入强化聚焦"机制的实际体现。

第三，"待确认"标记的分布

视频中可以看到，Agent在生成某些关键决策点时，会明确标记为"待确认"。这些标记标识了需要人工判断和沟通确认的节点。这种设计重新划分了BA的工作边界——将结构化的分析工作交由Agent承担，让BA的精力集中在需要判断力、沟通力和决策力的事务上。

这段视频验证了什么

上一篇文章中，我们分析了BA要解决的三个核心问题：补全输入与输出之间的Gap、信息的无损传递、范围控制。这段视频展示了AI在这些问题上的实际表现：

在业务领域知识Gap的补全上，通过专有知识库的注入，Agent能够在一定程度上降低BA对特定业务领域知识积累的依赖。视频中的CRM案例显示，即便BA对销售漏斗设计逻辑没有深度经验，借助Agent内置的通用知识框架和组织专有知识库的结合，也能完成相对完整的需求分析。

在工作流程与工具Gap的补全上，这是当前AI补全效果最显著的维度。视频中展示的八阶段渐进式推进流程、自动生成的产出物、统一的格式标准，都体现了AI在结构化工作流程上的优势。

在沟通技巧Gap的补全上，视频中"待确认"标记的分布展示了当前AI的最佳实践——不是替代BA的沟通，而是明确标识需要沟通确认的关键点，由真实的BA去完成"最后一公里"的沟通。

对实践者的几点建议

基于这个案例，我对考虑引入BA Agent的团队有以下建议：

第一，知识库建设是投入的重点。 通用知识框架能覆盖60%-70%的需求，但组织特有的业务规则、术语和流程约定，需要通过专有知识库来承载。这部分投入的回报会随着使用频次的增加而累积。

第二，人机协作模式需要主动设计。 不是简单地把需求交给AI，而是要明确哪些环节由AI主导、哪些环节需要人工介入。视频中展示的"待确认"标记机制，就是一种值得借鉴的人机协作设计。

第三，从相对标准化的业务领域开始。 CRM、进销存、用户管理这类业务逻辑相对成熟、标准化程度较高的领域，是BA Agent最容易发挥价值的场景。从这些场景开始积累经验，再逐步扩展到更复杂的业务领域。

延伸阅读及参考引用

延伸阅读：

• 从一个BA Agent的例子说起——上一篇文章的完整文字版本，包含更详细的分析和论证

实践站点：Agent MCP Warehouse——可以自行体验BA Agent的工作流程

作者博客：Leo的Matrix——更多技术实践与思考

---

本文是"Agent MCP Warehouse 实践系列"的第三篇。第一篇讨论了软件研发的"工艺方差"问题及AI的结构性变量，第二篇以BA Agent为切面分析AI如何在实际工作流中发挥作用，本篇通过视频案例提供更直观的视角。