PingCraft: Jalur praktik Agen dari dokumen persyaratan hingga item pekerjaan yang dapat dilacak – knqiufan

Sebuah proyek open source dari bloggerPingCraft (Apache-2.0)

Baru-baru ini proyek open source PingCraft(Alamat GitHub: AI meminta analisis cerdas dan alat impor.
Mari kita bahas secara singkat tentang fungsinya:Unggah dokumen persyaratan (Word / Markdown / TXT), parsing menjadi item kerja terstruktur menggunakan model besar, sejajarkan dan periksa duplikasi dengan data tersinkronisasi PingCode, lalu impor dalam batch dengan satu klik.

Fitur inti meliputi:

• Unggah dokumen dan analisis AI, keluaran item pekerjaan dalam format PingCode
• Rekomendasi proyek dan pemeriksaan duplikasi persyaratan berdasarkan persamaan vektor (ditandai Baru/Serupa)
• Pemetaan bidang otomatis (“prioritas tinggi” → prioritas_id dari PingCode)
• SSE mendorong kemajuan impor secara real time
• Analisis statistik + laporan interpretasi AI + ekspor PDF

Mari kita bahas alasan kami ingin mengerjakan proyek ini dan beberapa pemikiran tentang aplikasi Agen selama proses berlangsung.

1. Niat awal mengerjakan proyek ini

Mari kita bicara tentang proyek PingCraft.

Jumat sore agak rumit

Ada tugas tetap setiap Jumat sore: memasukkan semua konten pekerjaan dan persyaratan terkait minggu ini ke dalam PingCode.

Tampaknya sederhana, bukan? Sebenarnya tidak. Setiap kali saya memasukkan item pekerjaan, saya harus:

1. Klik “Tambahkan Item Pekerjaan”
2. Temukan item dari daftar drop-down
3. Pilih jenis item pekerjaan (Cerita? Tugas? Bug?)
4. Isikan judul dan deskripsi
5. Pilih orang yang bertanggung jawab (siapa yang akan melakukannya?)
6. Pilih prioritas (Tinggi? Sedang? Rendah?)
7. Isi perkiraan jam kerja
8. Pilih waktu mulai dan waktu berakhir yang Anda rencanakan
9. Pilih status (menunggu keputusan? sedang berlangsung?)
10. ……

Dua menit telah berlalu sejak mencatat item pekerjaan. Jika ada dua belas item pekerjaan, setengah jam akan hilang. Selama sekitar setengah jam ini, saya melakukan tugas entri data secara mekanis dan berulang-ulang.

AI pandai melakukan tugas yang berulang dan membosankan

Bahkan terinspirasi juga dari masukan PingCode MCP yang dilakukan oleh sesama blogger. Model AI dapat langsung memanggil MCP ini untuk memasukkan persyaratan dan item pekerjaan secara langsung. Namun salah satu kelemahan MCP ini saat ini adalah langkah login dan koneksi ke PingCode yang cukup merepotkan. Untuk menggunakan MCP ini, Anda perlu menjalankan antarmuka atau skrip terlebih dahulu, lalu mendapatkan token kredensial yang sesuai dari baris alamat secara manual, lalu mengisinya di file konfigurasi. Tidak ada metode login sekali klik yang nyaman, dan operasi ini benar-benar tidak ramah pengguna. Oleh karena itu, MCP ini tidak dipromosikan dan digunakan pada awalnya.

Juga tidak meringankan penderitaan entri pekerjaan blogger setiap Jumat malam (karena MCP tidak menggunakan orz)

Tetapi! Terima kasih atas inspirasi yang diberikan oleh teman-teman yang pertama kali membuat PingCode MCP. Idenya sangat bagus, tapi menurut saya langkah dan metode penggunaan tertentu bisa lebih nyaman.

jadi pikirkan sejenak. AI sangat cocok untuk memungkinkannya melakukan sejumlah hal dalam skenario ini, seperti:

• memahami semantik: Model besar dapat mengekstrak informasi penting dari deskripsi kebutuhan yang tidak terstruktur.
• Bidang pemetaan: Secara otomatis memetakan “prioritas tinggi” ke prioritas dalam sistem
• Hukuman duplikasi: Gunakan kesamaan vektor untuk mendeteksi apakah persyaratan baru dan item kerja yang ada serupa secara semantik
• …

yaitu:

1. Buang dokumen persyaratan kasar (Word, MD, TXT semuanya bagus)
2. AI secara otomatis mem-parsing data terstruktur yang sesuai dengan format PingCode
3. Kemudian impor dengan satu klik melalui API

Masalah login mudah diselesaikan, cukup tambahkan antarmuka visual untuk mendapatkan klik secara otomatis. Dan dengan antarmuka visual, Anda dapat melakukan lebih banyak fungsi, seperti menampilkan beberapa informasi dan grafik statistik. Itu sebabnya PingCraft.

Faktanya, tujuan awal PingCraft adalah menggunakan AI untuk mengotomatisasi operasi berulang dan mekanis serta membebaskan orang dari peran porter.

Di sinilah AI benar-benar berperan dalam penerapan praktis – bukan untuk menggantikan manusia ketika mengambil keputusan, namun untuk membantu manusia menyelamatkan hal-hal yang tidak perlu dilakukan manusia.

2. Apa sebenarnya yang dipecahkan PingCraft?

Posisi yang jelas:Buka tautan “Dokumen → Item Pekerjaan Terstruktur → Sinkronisasi dengan Data Online → Login Batch”. Ini bukan alat “persyaratan penulisan AI” yang umum;Persyaratan pipa impor untuk PingCode.

proposisi nilai inti

Dalam satu kalimat:

Biarkan model besar masukkonteks bisnis nyataMemahami kebutuhan dan menuangkan hasil pemahaman ke dalamnyaTerhubung langsung ke sistem manajemen proyek nyata.

Ada dua kata kunci:

• konteks nyata: Sinkronisasi metadata PingCode seperti proyek, jenis, status, prioritas, dll. sehingga AI mengetahui “prioritas yang sesuai dengan ‘penting’ dalam proyek ini”
• sistem nyata: Daripada membuat laporan penurunan harga yang cantik, panggil API untuk membuat item kerja yang sebenarnya

Oke, jadi apa yang bisa kita lakukan sekarang?

Setelah mengunggah dokumen persyaratan, AI akan secara otomatis mengurai dan menghasilkan daftar item pekerjaan terstruktur, termasuk judul, deskripsi, prioritas, rencana jam kerja, waktu yang direncanakan, penanggung jawab, dan bidang lainnya, sekaligus menandai setiap item pekerjaan sebagai Baru (baru) atau Serupa (mirip dengan persyaratan historis).

memperjelas batas-batasnya

Untuk menghindari kesalahpahaman, mari kita perjelas batasannya:

• bukanSistem otomatis tanpa pengawasan – orang perlu mengonfirmasi item, menduplikasi hasil pemeriksaan, pemetaan lapangan, dll.
• bukanAlat penulisan persyaratan – alat ini memproses materi persyaratan yang ada, bukan membuatnya dari awal
• bukanUbah PingCode – ini adalah “pipa pra-pemrosesan” dari PingCode

3. Pemikiran tentang aplikasi Agen saat ini

Saat mengerjakan proyek ini, saya memiliki pemikiran yang lebih spesifik tentang aplikasi Agen.

Konektivitas mungkin lebih penting daripada kecerdasan

Saat ini, banyak orang berbicara tentang Agen, dan fokusnya sering kali adalah “apakah modelnya cukup pintar” dan “apakah arahannya ditulis dengan baik”. Namun ketika benar-benar mendarat,Kemampuan untuk terhubung ke sistem nyataHal ini seringkali menjadi hambatan.
Bagian tersulit dari PingCraft bukanlah panduan analisis persyaratan, tetapi:

• Otorisasi OAuth PingCode dan penyegaran otomatis Token
• Sinkronisasi tambahan proyek, item pekerjaan, tipe, status, properti
• Nama metadata ke tabel pemetaan UUID
• Konstruksi dan kueri indeks vektor
  Pekerjaan kotor inilah yang menjadi dasar Agen mendarat.

Temukan skenario di mana AI dapat digunakan dengan baik

Tidak semua masalah cocok untuk diselesaikan oleh AI. Namun ada satu jenis skenario yang sangat relevan:Operasi yang berulang, mekanis, dan memerlukan konversi antar sistem.
Entri persyaratan adalah contoh umum:

• Membutuhkan pemahaman bahasa alami (apa yang baik untuk AI)
• Itu perlu dipetakan ke kolom sistem (aturannya jelas, tetapi sangat mengganggu orang)
• Memerlukan eksekusi batch (API dapat diotomatisasi)
  Ciri-ciri skenario jenis ini adalah:Tugasnya tidak rumit, tetapi melakukannya secara manual memakan waktu lama. Penggunaan AI untuk otomatisasi memiliki rasio input-output yang tinggi.

Hanya agen yang mengintegrasikan skenario secara mendalam yang bernilai

Ada banyak kerangka kerja dan alat Agen umum di pasaran, namun sering kali memecahkan masalah bisnisIntegrasi mendalam dari adegan tertentuAgen.
Kedalaman PingCraft bukan pada jumlah parameter model, tetapi pada:

1. objek nyata: Item pekerjaan, proyek, prioritas, dan Token OAuth semuanya merupakan entitas nyata dalam sistem PingCode.
2. Loop tertutup selesai: Parse → Penyelarasan → Impor → Statistik → Laporan, tutup tautan
3. terbatas pada tempatnya: Multi-tenancy, RBAC, pemeriksaan duplikasi vektor, dan pemetaan metadata membatasi kebebasan LLM pada kisaran yang aman

4. Pertukaran dalam pilihan teknologi

Terakhir, mari kita bahas secara singkat tentang pertimbangan pemilihan teknologi.

Mengapa LangChain?

Skenario analisis persyaratan memerlukan: keluaran terstruktur, perintah yang dapat di-debug, dan dukungan multi-model. LangChain PromptTemplate + JsonOutputParser Kombinasi ini memungkinkan Prompt untuk melakukan pemeliharaan direktori independen dan manajemen versi, sehingga lebih mudah untuk mengulanginya.

Mengapa SeekDB?

Pengambilan vektor adalah inti dari kemampuan “pemeriksaan duplikat”. Alasan memilih SeekDB (Kompatibel dengan MySQL + Vektor) adalah:Mengurangi kompleksitas operasi dan pemeliharaan. Data bisnis dan data vektor berada dalam database yang sama, sehingga tidak diperlukan tumpukan Milvus atau Pinecone lainnya.

Mengapa SSE bukannya WebSocket?

Impor batch adalah skenario “kemajuan push sisi server”, dan klien tidak perlu sering mengirim pesan. SSE lebih ringan dari WebSocket dan lebih mudah diintegrasikan dengan Express.
Selama proses impor, kemajuan didorong secara real-time melalui SSE, memungkinkan pengguna mengetahui item mana yang sedang diproses, daripada menunggu animasi pemuatan.

Sekilas tentang teknologi tumpukan

5. Ringkasan

PingCraft adalah proyek Agen yang sangat rekayasa: tidak memiliki arahan yang baik atau rangkaian penalaran yang rumit, tetapi mengimplementasikan setiap tautan dalam tautan mulai dari “dokumen persyaratan hingga item pekerjaan yang dapat dilacak”.
Tujuan awal dari proyek ini sederhana:Saya tidak ingin menghabiskan setengah jam setiap Sabtu sore untuk melakukan pekerjaan masuk berulang kali.
Pemikiran yang lebih dalam adalah,Bagaimana AI dapat bekerja dengan baik dalam skenario dunia nyata?
Jawabannya tampaknya sederhana, yaituBantulah orang-orang menyelamatkan diri mereka dari hal-hal yang seharusnya tidak dilakukan orang lain.
Ini bukan tentang menggantikan orang dalam pengambilan keputusan, ini bukan tentang memamerkan “otomatisasi penuh”, tetapi tentang mengotomatisasi operasi konversi yang berulang, mekanis, dan lintas sistem sehingga orang dapat meluangkan waktu untuk hal-hal yang benar-benar perlu dipikirkan.
Hal ini sesuai dengan poin yang saya tulis pada artikel sebelumnya:Perjelas praktik di lapanganbiarkan AI bernalar pada batasnya, daripada berharap menjadi maha tahu dan mahakuasa.

Referensi:

1. Gudang proyek:
2. Platform terbuka PingCode:
3. Dokumentasi SeekDB: