“AI理解需求”，达索系统3DEXPERIENCE平台如何利用AI实现需求分析
在工业设计领域（如汽车、航空航天装备设计领域）中，需求分析一直是项目成功的关键步骤之一。传统的需求分析通常需要通过人工大量的翻阅需求文档，基于个人经验把原始需求中的具体需求点归纳为设计需求，但这时常会出现原始需求识别遗漏、识别效率不高等问题。
利用大模型强大的语义分析能力，将原始需求与设计需求进行AI智能匹配，替代传统人工需求分析模式，可以高效处理复杂原始需求文本、自动挖掘潜在需求点，减少人工疏忽导致的需求识别遗漏与后期返工风险，精准构建原始需求与设计需求的映射关系，提升需求转化效率，使设计流程更高效地推进。
达索3DE平台使用大模型进行需求匹配的技术路线简介
01
搭建前端界面
在3DE平台的3DDashboard页面中，通过开发提供现代化、可视化的数据匹配前端界面，以及可被访问的API接口（用于获取数据库中的原始需求以及设计需求数据对象）。界面中设有智能匹配输入框，支持工程师用自然语言描述设计指标等，灵活匹配设计需求。
02
大模型服务器与向量数据库
1
安装大语言模型
在后端大模型服务器中，安装Ollama软件（开源跨平台大模型工具），启动后通过ollama run命令下载运行大模型，同时开放服务器11434端口，提供API调用模型，支持内网连接。根据服务器显存配置，选择合适的大模型，例如48GB显存可选择qwen3:32b、deepseek-r1:32b等模型。
2
安装嵌入模型
通过Ollama下载OpenAI提供的nomic-embed-text模型，或Alibaba提供的Qwen3-Embedding模型。
嵌入模型（Embedding Model），可将文本转化为高维向量数据，向量是一组数值，表示浮点数沿多个维度的位置，每个向量都包含了原始需求和设计需求文本的语义信息，文本中的关键信息（如技术指标、约束条件、性能要求）编码为高维向量，捕捉需求中复杂的语义关联。
3
向量数据库
向量数据库（Vector Store），是专门设计用于高效存储和检索嵌入向量的数据库。
需求文本通过嵌入模型向量化后，存入向量数据库。后续用户进行需求的语义匹配时，后端向量数据库中会采用近似最近邻搜索（ANN）算法，高效匹配出第一批设计需求数据（根据参数K值返回前K个匹配数据）。通俗的说，模型把文本→向量，向量数据库负责“最近邻检索”，再把查到的文档喂回模型。
开源的向量数据库推荐：
1) Milvus （高性能、毫秒级、高召回率，支持百万级数据）
2) Chroma（轻量级、易用的开源向量数据库，适合不超过十万级数据）
03
LangGraph技术：智能匹配中枢
需求分析最核心的要求是匹配结果的高准确度。但原始需求的描述往往是不够结构化的，直接使用文本进行匹配，得到的结果一般不够精准。
LangGraph（由LangChain推出的智能体编排框架）以“状态管理”和“节点通信”为核心，支持用“节点-边”的方式编排大模型调用、条件判断、循环等逻辑，让智能体可以根据实时反馈不断调整行为，从而显著提升匹配的精确度。
状态管理节点间协作具体实现过程：
1
需求解析器
首先通过大语言模型完成一轮语义解析，提取关键信息并结构化。 元信息识别：提取出关键参数，转为结构化的属性。识别需求中的核心要素（如“对象”：汽车车身；“属性”：强度；“指标”：≥1500MPa；“约束”：符合*标准）；
示例：输入原始需求“新能源汽车电池包需满足-40℃环境下续航保持率≥80%，且碰撞后无起火风险”，解析器输出结构化元数据：
{
"需求类型": ["性能需求", "安全需求"],
"对象": "电池包",
"属性": ["低温续航保持率", "碰撞安全性"],
"指标": {"低温续航保持率": "≥80%", "碰撞后起火风险": "无"},
"环境约束": "-40℃"
}
2
需求匹配器
需求匹配器的目标是快速筛选出与当前需求高度相关的设计需求。首先使用嵌入模型，将节点1（需求解析器）中解析后的需求元数据以及需求文本编码为向量，再通过向量数据（如Milvus）进行最近邻检索，搜索到K个匹配数据。
3
分析验证器
初步匹配的需求数据，与实际需要的设计需求可能存在偏差，再次调用大模型对匹配结果进行分析，生成分析结果（语义是否一致性、属性是否兼容）。
4
优化器
根据节点3的分析结果，优化器自动执行不同的策略，例如：
1.检索结果
2.对分析结果归类，分为“匹配”、“不匹配”或“待人工审核”（状态2），再次运行节点3（分析验证器），直到分析结果满足设置的规则。
5
输出结果
通过智能体节点之间的协同，在以上节点全部成功运行后，最终输出高精确度的设计需求。
部分示例代码如下：
通过LangGraph技术与向量数据库的协同，构成了需求处理的“语义转换-存储-匹配”闭环，原始需求经嵌入模型转化为向量后，存入向量数据库形成“需求语义库”。后续在3DE平台进行需求匹配时，用户需求同样转化为向量，利用编排的智能检索策略，在向量数据库中快速检索出语义相近的匹配数据。
AI驱动下的需求分析革新
达索系统3DEXPERIENCE平台需求分析方案总结
在全球AI技术浪潮奔涌的当下，如何科学高效地运用AI技术赋能业务，已成为各大企业共同面临的战略命题。达索系统3DEXPERIENCE平台搭建的“智能匹配中枢”重构了工业设计需求分析的传统模式。这一方案不仅解决了“人工依赖高、效率低、易遗漏”的核心痛点，更通过技术闭环实现了从“经验驱动”到“数据智能驱动”的跨越，为工业设计的数字化转型注入了关键动能。
未来，随着大语言模型能力的不断提升，以及多模态大模型（如同时处理文本、图纸、仿真数据）的融入，与数字孪生、仿真优化等技术深度融合，平台将进一步挖掘AI的能力，赋能从概念设计到仿真验证的全流程智能化创新，打造更高效、更精准的工业级解决方案。
关于钛闻软件
上海钛闻软件技术有限公司源自于上海江达科技发展有限公司，自2024年1月1日起，钛闻软件全面承接上海江达的人员、业务和相关资质。
钛闻软件在全国设有10个办事处，拥有超过200余人的专家顾问团队和近30年的行业经验，公司致力于向交通运输、工业装备、基础设施、航空航天、高科技电子及生命科学等行业客户提供先进的数字化解决方案及企业级应用系统。
作为达索系统重要的合作伙伴，钛闻软件在中国拥有1500多家客户。这些客户长期使用达索系统从需求、设计、工艺、仿真到制造的全生命周期解决方案，总装机量超过30000多套。钛闻软件非常注重客户的实施服务和应用支持，紧扣客户需求，引入最佳实践，让先进软件发挥出相应价值。
