claude-code-requirements-builder 的项目扩展与二次开发
2025-06-29 15:40:14作者:滑思眉Philip
项目的基础介绍
claude-code-requirements-builder 是一个智能需求收集系统,旨在通过自动化发现和简单的yes/no问题逐步构建上下文,并生成全面的需求文档。该系统适用于产品经理和技术团队,可以在软件开发过程中简化需求收集和文档生成的流程。
项目的核心功能
- 代码库感知问题:AI首先分析代码库,然后提出基于代码的问题。
- 简单的是非格式:所有问题都是是非格式,如果不确定可以回答“idk”使用智能默认值。
- 两阶段提问:首先提出5个高层次的问题来获取上下文,然后在代码分析后提出5个专家级别的问题。
- 自动化文档:自动生成包含具体文件路径和模式的详细规格说明。
- 产品经理友好:即使没有代码知识,产品经理也能回答问题。
项目使用了哪些框架或库?
该项目主要使用MIT许可开源协议,并未明确指出使用了哪些特定的框架或库。但从项目结构和功能来看,可能涉及以下技术:
- 前端框架:如React或Vue,用于构建用户界面。
- 后端框架:如Node.js,用于服务器端逻辑处理。
- 版本控制系统:Git,用于代码的版本管理和协作。
项目的代码目录及介绍
项目的代码目录结构如下:
claude-requirements/
├── commands/ # Claude命令定义
│ ├── requirements-start.md # 开始新的需求
│ ├── requirements-status.md # 检查进度(别名:current)
│ ├── requirements-current.md # 查看活动中的需求
│ ├── requirements-end.md # 最终确定需求
│ ├── requirements-list.md # 列出所有需求
│ └── requirements-remind.md # 提醒AI遵循规则
│
├── requirements/ # 需求文档存储
│ ├── .current-requirement # 跟踪活动需求
│ ├── index.md # 所有需求的摘要
│ └── YYYY-MM-DD-HHMM-name/ # 个别需求文件夹
│ ├── metadata.json # 状态和进度跟踪
│ ├── 00-initial-request.md # 用户的原始请求
│ ├── 01-discovery-questions.md # 5个上下文问题
│ ├── 02-discovery-answers.md # 用户的答案
│ ├── 03-context-findings.md # AI的代码分析
│ ├── 04-detail-questions.md # 5个专家问题
│ ├── 05-detail-answers.md # 用户的详细答案
│ └── 06-requirements-spec.md # 最终需求规格
│
└── examples/ # 示例需求
对项目进行扩展或者二次开发的方向
- 增强AI分析能力:可以通过集成更先进的自然语言处理库或机器学习模型,提高AI对代码和用户输入的理解能力。
- 扩展需求收集流程:根据项目需求,可以增加更多阶段或问题,以收集更详细的需求信息。
- 集成项目管理工具:将需求收集系统与项目管理工具(如Jira)集成,实现需求与项目任务的自动同步。
- 用户界面优化:优化用户界面,使其更加直观和易于使用,提升用户体验。
- 多语言支持:增加多语言支持,使得系统可以在不同的语言环境中使用。
- 插件系统开发:开发插件系统,允许用户根据特定需求扩展功能。
登录后查看全文
热门项目推荐
相关项目推荐
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
热门内容推荐
最新内容推荐
Degrees of Lewdity中文汉化终极指南:零基础玩家必看的完整教程Unity游戏翻译神器:XUnity Auto Translator 完整使用指南PythonWin7终极指南:在Windows 7上轻松安装Python 3.9+终极macOS键盘定制指南:用Karabiner-Elements提升10倍效率Pandas数据分析实战指南:从零基础到数据处理高手 Qwen3-235B-FP8震撼升级:256K上下文+22B激活参数7步搞定机械键盘PCB设计:从零开始打造你的专属键盘终极WeMod专业版解锁指南:3步免费获取完整高级功能DeepSeek-R1-Distill-Qwen-32B技术揭秘:小模型如何实现大模型性能突破音频修复终极指南:让每一段受损声音重获新生
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
537
3.76 K
暂无简介
Dart
773
192
Ascend Extension for PyTorch
Python
343
405
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.34 K
755
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
1.07 K
97
React Native鸿蒙化仓库
JavaScript
303
356
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
337
180
AscendNPU-IR
C++
86
142
openJiuwen agent-studio提供零码、低码可视化开发和工作流编排,模型、知识库、插件等各资源管理能力
TSX
987
249