产研测 AI 提效落地与改造方案

一、项目背景与目标

当前公司的产研测协作流程为：产品部（收集需求/绘制原型） → 研发部（AI辅助代码开发） → 测试部（提测与质量把控） → 上线，主要依托蓝湖和禅道进行信息流转。

当前痛点：

产品部：PRD撰写、交互说明补充、边界场景梳理耗时费力，易遗漏。
研发部：前端还原UI机械重复，单测/接口测试编写成本高，需求变更影响范围难评估。
测试部：用例编写纯手工，测试数据构造麻烦，回归测试范围大，缺陷根因分析依赖经验。

改造目标：

在不改变现有蓝湖+禅道工具生态的前提下，引入大模型与AI Agent，将“重复性信息搬运”自动化，将“文档到初稿”的体力活AI化，实现“质量风险分析”脑力增强，最终缩短整体交付周期 20%-30%。

二、整体架构与信息流设计

核心理念：蓝湖作源（需求/设计/代码源），禅道作流（管理/质量/记录流），AI作引擎（生成/分析/流转）。

蓝湖：承载业务原貌。PRD、原型、交互规则、视觉标注均在蓝湖，产研测看“业务”只认蓝湖。
禅道：承载研发过程。将蓝湖需求转化为开发任务、测试用例、Bug记录，管“进度与质量”。

改造后的理想信息流

产品部 - 蓝湖收集需求/PRD ➔ 上传原型/交互 ➔ AI辅助: 拆解功能点/生成测试点/评审清单

⬇ (蓝湖需求+测试点初稿)

研发部 - IDE 从蓝湖获取业务规则 ➔ AI辅助: 生成前后端代码/单测 ➔ 代码提交/PR, 更新禅道任务 ➔ AI辅助: 变更影响分析

⬇ (代码变更/风险提示)

测试部 - 禅道同步需求与用例初稿 ➔ AI辅助: 补全用例/造数据/生成脚本 ➔ 执行测试/录入缺陷 ➔ AI辅助: 缺陷聚类/质量报告

⬆ (质量风险预警反馈给产品部)

三、各部门 AI 提效落地细节

1. 产品部：从“手工撰写”到“AI 审核与生成”

场景	具体做法	涉及工具
需求→结构化功能点	将PRD/Axure喂给大模型，自动拆解：模块、功能点、业务规则、状态机	LLM + RAG
需求→测试点初稿	让AI从PRD直接生成测试点（功能/边界/异常/权限），提前自检遗漏	LLM + 专用Prompt
原型→交互说明	上传Axure，让AI自动生成页面清单、字段说明、交互规则	蓝湖MCP + LLM
评审助手	AI自动检查PRD中的逻辑矛盾、边界遗漏，生成“评审问题清单”	LLM + 结构化Prompt

2. 研发部：从“纯手写代码”到“AI 骨架+人工精调”

场景	具体做法	涉及工具
设计稿→页面代码	利用蓝湖“设计图转代码”生成Vue/React/小程序代码骨架，前端只调业务逻辑	蓝湖代码生成功能
业务规则→后端逻辑	AI读取蓝湖PRD中的校验规则、状态机，生成后端校验逻辑与单测	蓝湖MCP + Cursor/Claude
代码变更→影响分析	AI分析PR diff，识别影响哪些模块/接口，输出“影响清单”给测试	LLM + Git Hook
IDE AI编码助手	在IDE中按设计稿+蓝湖上下文直接生成业务代码	Cursor / Claude Code + MCP

3. 测试部：从“纯手工用例”到“AI 生成+智能分析”

场景	具体做法	涉及工具
需求→测试用例	从蓝湖PRD自动生成功能/边界/异常用例，按禅道字段输出Excel/CSV	蓝湖MCP + LLM + 禅道API
代码变更→回归范围	AI分析代码diff，输出“受影响功能+建议回归用例”	diff + LLM
接口→测试数据	根据接口/表结构生成合规测试数据（手机号、身份证等）	LLM + 规则引擎
自动化脚本生成/自愈	自然语言生成Playwright/JMeter脚本；UI变更时AI自动修复定位器	LLM + 测试框架
缺陷聚类与报告	对失败日志自动打标签（前端/后端/环境），相似归并，生成质量报告	LLM + 禅道API

四、预期效果与 ROI 评估

基于行业实测数据与最佳实践，提效预估如下（按中等偏乐观估计）：

角色	AI强关联提效点	预估缩短工时比例	行业数据参考
产品部	PRD结构化、测试点生成、交互说明撰写	20% - 40%	文档类工作普遍缩短50% (GitHub研究)
研发部	设计转代码、单测生成、CRUD编码	30% - 50%	编码任务完成时间缩短55% (GitHub研究)
测试部	用例设计编写、脚本维护、数据构造	40% - 60%	用例创建时间节省80%，整体测试周期缩短20-35%

综合评估：整个迭代周期可缩短 20% - 30% 的总工时。

五、分阶段落地路线图

阶段 1：可用 —— 闭环试点（1-2周）

目标：选1-2个边缘/简单模块，验证AI介入的可行性。

选定试点：如内部后台系统、简单活动页。
配置工具：蓝湖开通设计图转代码；部署蓝湖MCP与禅道MCP；选定大模型。
跑通3个场景：产品PRD → AI生成测试点/用例初稿 → 导入禅道；前端通过蓝湖生成代码骨架；后端通过蓝湖MCP读取规则生成代码。

阶段 2：可规模化 —— 流程固化（1-2个月）

流程绑定：规定提测前必须由AI输出回归清单；PRD评审前必须由AI生成测试点初稿。
统一规范：沉淀团队专属的Prompt模板库。
工具链集成：全面推广IDE+双MCP的工作模式。

阶段 3：可治理 —— 降本增效（持续进行）

Prompt版本控制：所有核心Prompt纳入Git管理。
安全与质量红线：核心脱敏代码/生产数据禁止直连公网大模型；AI产出必须经人工CR和审核。

六、改造成本预算与投入分析

以下按中小型研发团队（产研测共约20人）估算：

1. 工具与订阅成本

类别	工具/服务	预估费用（以20人计）	备注
大模型 API	DeepSeek / 智谱 / OpenAI	约 ¥1,000 - ¥3,000/月	MCP调用消耗Token
AI 编码助手	Cursor Pro / Copilot	约 ¥150 - ¥200/人/月 (研发)	必选项，约 ¥1,500 - ¥2,000/月
蓝湖增值	设计图转代码 / API	需咨询商务	按需开通前端账号
小计	-	约 ¥4,000 - ¥6,000/月	边际成本递减

2. 研发与集成成本（一次性）

项目	工作内容	预估工时
MCP部署与适配	部署蓝湖MCP、禅道MCP，配置鉴权	2-3人天
数据流转脚本	开发“蓝湖需求→AI→禅道用例”同步脚本	3-5人天

七、实战案例：收费项目导入功能开发（全流程数据流转版）

以“收费项目Excel导入功能”为例，详细说明业务从诞生到上线，蓝湖和禅道的数据是如何创建、流转与状态变更的。

阶段一：需求定义（产品主导，蓝湖为主阵地）

蓝湖数据创建：

动作：产品经理在蓝湖创建项目页面，上传“导入弹窗”和“结果展示”的Axure原型。
状态：原型标记为【设计中】。
AI介入：PM输入粗略诉求，AI通过蓝湖MCP读取原型，自动补全生成《收费项目导入PRD》（含前置校验、字段规则、整体回滚策略），PM审核修改后挂载在蓝湖该页面下。

禅道数据创建与同步：

动作：产品经理在禅道「产品视图」下，创建需求：REQ-001 收费项目导入功能。
关键关联：在禅道需求的“相关文档”或描述顶栏，粘贴该需求的蓝湖链接（确保全团队点击即达唯一真相源）。
状态变更：需求状态由草稿变更为【激活（待评审）】。

阶段二：需求评审与排期（产研测对齐）

评审会：团队点击禅道中的蓝湖链接，基于蓝湖PRD和原型进行评审。
状态变更：

禅道：评审通过，需求状态由激活变更为【已确认（待开发）】。
蓝湖：原型状态由 设计中 变更为【已定稿】。

阶段三：开发实现（研发主导，读蓝湖，写禅道）

禅道任务分解：

TASK-101 前端：导入页面交互开发
TASK-102 后端：Excel解析与校验逻辑

动作：项目经理在禅道「项目视图」，将 REQ-001 关联到当前迭代，并分解任务：
状态变更：任务状态为【未开始】，指派给具体开发。

前端开发（蓝湖→代码）：

动作：前端开发在蓝湖查看【已定稿】状态的设计图，使用“设计图转代码”生成Vue骨架，微调业务逻辑。
禅道状态：开发将 TASK-101 状态改为【进行中】。

后端开发（AI读蓝湖规则，生成逻辑）：

动作：后端在IDE中，通过蓝湖MCP直接读取蓝湖上的《收费项目导入PRD》。
AI介入：Prompt：“@蓝湖收费项目导入根据蓝湖PRD中的字段规则，生成EasyExcel校验逻辑及单测”。AI生成代码骨架，开发精调。
禅道状态：开发将 TASK-102 状态改为【进行中】。

开发完成提测：

禅道状态变更：前端和后端任务均改为【已完成】。产品经理/项目经理将需求 REQ-001 状态改为【开发完成（待测试）】。

阶段四：测试准备与执行（测试主导，AI桥接蓝湖与禅道）

AI生成用例（蓝湖→AI→禅道）：

动作：QA运行自研脚本，输入蓝湖链接。
AI介入：AI通过蓝湖MCP拉取定稿PRD，生成30+条测试用例（CSV格式），通过禅道API自动导入到 REQ-001 关联的用例库中。
禅道数据创建：批量生成测试用例 CASE-xxx 系列。
状态变更：用例状态默认为【待评审】。

测试评审与造数据：

动作：QA在禅道快速审核用例，状态改为【正常】。
AI介入：QA让AI生成5个Python脚本，秒出正常/越界/超大等5个测试Excel文件。

执行测试与缺陷管理：

动作：QA执行用例，发现“导入5MB以上文件时系统崩溃”。
禅道数据创建：QA在禅道 创建Bug：BUG-201 导入超大文件系统崩溃，关联 REQ-001。
状态变更：Bug状态为【激活】，指派给后端；相关用例执行结果标记为【失败】。

缺陷修复与验证：

动作：后端修复Bug，提交代码。
状态变更：后端将 BUG-201 状态改为【已解决】。QA验证通过后，将状态改为【已关闭】。

阶段五：上线与归档

测试通过：

禅道状态变更：QA将 REQ-001 状态由 待测试 改为【测试通过（待发布）】。所有用例标记为【通过】。
AI介入：AI从禅道拉取执行结果和Bug数据，自动生成《收费项目导入测试报告》。

生产发布：

动作：运维/研发将代码发布上线。

最终归档：

禅道状态变更：需求 REQ-001 变更为【已关闭】。
蓝湖状态变更：设计稿标记为【已上线】，作为历史版本封存。

案例小结：数据流转核心原则

平台	核心定位	谁创建数据	谁修改状态	AI的作用
蓝湖	业务真相源（PRD/原型/规则）	产品经理创建页面/PRD	产品改设计状态，研发看图不改图	帮产品补全规则，帮研发读取规则生码
禅道	过程记录本（需求/任务/用例/Bug）	产品建需求，PM建任务，测试建用例/Bug	产研测按流程推动状态流转	帮测试批量导入用例，辅助提Bug，生成报告