AI 辅助 Jira 任务分类与需求深潜：从清单梳理到设计还原
摘要：面对 Jira 中散落的数十个工单，如何快速判断哪些是 Bug、哪些是新需求？又如何在子任务描述为空的场景下，还原一个复杂需求的完整上下文？本文以某数字孪生项目中 9 个工单的分类整理和 1 个复杂任务的需求深潜为例，展示 AI 如何通过 Jira CLI + 评论解析 + 设计稿分析的三层递进策略，将"工单大扫除"变成系统化的信息整合工程。
1. 背景与动机
1.1 工单管理的三个盲区
在项目迭代进入中后期后，Jira 工单管理会面临一些典型挑战：
| 盲区 | 具体表现 |
|---|---|
| 分类模糊 | 工单标题含"配合"“调整”"修改"等模糊用词，难以一眼判断是新需求还是 Bug 修复 |
| 上下文断裂 | 子任务往往只写标题，具体需求藏在父任务描述或附件设计稿中 |
| 信息分散 | 需求的完整信息分布在：工单描述 → 评论 → 附件图片 → 父任务 → 祖父任务 |
这三个盲区导致开发者在回顾自己的工作清单时，往往需要花费大量时间在工单跳转和信息拼凑上。
1.2 本次任务目标
本次实践的目标是双重的：
- 任务分类：将某位开发者在项目
<PROJECT_KEY>中的全部工单，按"新需求"和"Bug 修复"两类进行系统化归类 - 需求深潜：对分类出的关键复杂任务，通过多源信息整合还原其完整需求上下文
传统做法下，这两个目标分别需要20~30 分钟（分类）和40~60 分钟（深潜）。借助 AI 辅助，我们期望将总耗时压缩到15 分钟以内。
2. 工具与方法
2.1 工具链
| 角色 | 工具 | 职责 |
|---|---|---|
| 数据通道 | jira-skillCLI | JQL 查询、工单详情、评论读取、附件下载 |
| 视觉理解 | AI 图像分析 | 解析设计稿截图，提取 UI 元素与交互逻辑 |
| 编排引擎 | AI 数字员工 | 理解语义、结构化信息、分类决策、生成报告 |
2.2 三层递进策略
信息获取按三层递进，逐层深入：
┌─────────────────┐ ┌─────────────────┐ ┌─────────────────┐ │ Layer 1 │───▶│ Layer 2 │───▶│ Layer 3 │ │ 列表 + 元数据 │ │ 详情 + 评论 │ │ 附件 + 视觉 │ └─────────────────┘ └─────────────────┘ └─────────────────┘ JQL 全量查询 父子任务关联 设计稿截图分析 状态/优先级/类型 评论中的需求变更 UI 元素提取核心原则：每层只在上一层不足以做出判断时才深入。多数工单在 Layer 1 即可分类，只有复杂任务需要 Layer 3。
2.3 分类标准
基于实际工单内容，定义以下分类规则：
