AI 編程工具的下一個瓶頸：把需求工程帶回開發流程

《Communications of the ACM》近期文章指出，當 AI 編程工具大量生成程式碼後，開發者的工作重心正轉向協調代理、驗證結果與確保產品符合目標。文章的核心觀察是：程式碼看似正確，不代表解決了真正的業務問題；需求工程中的需求取得、分析、規格化與驗證，反而成為 AI 輔助開發能否成功的關鍵。

這個觀點並非把提示詞當成魔法，而是把提示視為可追蹤的需求文件。開發者需要明確描述使用者、邊界條件、不可接受的行為、驗收標準與依賴資料，再要求 AI 生成方案。ACM 的係統性研究也顯示，生成式 AI 已被用於多種需求工程任務，但正確性、完整性、可重現性和追蹤性仍是主要挑戰。

實務上，團隊可以把 AI 任務拆成「需求草稿、澄清問題、方案、實作、測試證據」五個階段，讓每次生成都有可檢查的輸入和輸出。這會犧牲一點即時速度，卻能降低返工與隱性需求遺漏。對高風險係統尤其如此：AI 可以加速產出，但需求責任和最終驗證仍必須由人承擔。

來源： - https://cacm.acm.org/news/leveraging-requirements-engineering-for-ai-coding-tool-success/ - https://dl.acm.org/doi/10.1145/3696673.3723053 - https://www.oreilly.com/radar/prompt-engineering-is-requirements-engineering/