claude-code-requirements-builder
claude-code-requirements-builder 是一款专为 Claude Code 设计的智能需求收集系统，旨在将模糊的功能想法转化为严谨的技术文档。它解决了传统开发中需求描述不清、上下文缺失以及非技术人员难以准确表达技术细节的痛点。
该工具特别适合产品经理、设计师以及希望规范开发流程的开发者使用，用户无需具备深厚的代码知识即可参与需求定义。其核心亮点在于“代码感知”与“两阶段问答”机制：首先，AI 会自动分析现有代码库架构，提出 5 个高层上下文问题；随后基于代码分析结果，再提出 5 个针对性的专家级问题。所有问题均采用简单的“是/否”格式，若用户不确定可直接回复"idk"，系统将智能启用最佳默认值。
完成问答后，claude-code-requirements-builder 会自动生成包含具体文件路径、技术模式及约束条件的完整需求规格说明书。通过这种渐进式的发现过程，它确保了最终文档既符合业务目标，又与技术现状高度契合，大幅提升了功能开发的准确性与效率。
使用场景
某电商初创团队的后端工程师需要在现有的 Node.js 项目中紧急添加“订单导出为 PDF"功能，但面对数万行遗留代码，他难以快速理清架构依赖。
没有 claude-code-requirements-builder 时
- 盲目沟通成本高：工程师需花费数小时手动翻阅代码库寻找现有的导出服务位置，再与产品经理反复确认技术细节，效率极低。
- 需求文档缺失上下文：传统需求文档往往只记录业务逻辑，缺乏具体的文件路径和代码模式参考，导致开发时频繁返工。
- 非技术人员参与困难：产品经理因不懂代码结构，无法准确回答关于技术实现的问题，导致需求定义模糊不清。
- 易偏离既有架构：在没有自动分析的情况下，新功能容易引入不一致的代码风格或重复造轮子，破坏系统稳定性。
使用 claude-code-requirements-builder 后
- 智能引导式问答：工具先自动分析代码库，随后仅向用户提出简单的“是/否”问题（如“是否复用现有的 ExportService？”），极大降低了沟通门槛。
- 生成带路径的精确规格：自动输出的需求文档直接包含具体文件路径（如
services/ExportService.ts）和现有代码模式，开发人员可直接对照编码。 - 零代码知识门槛：产品经理无需了解技术细节，只需对工具生成的上下文感知问题回答"idk"或“是”，即可完成专业级需求定义。
- 确保架构一致性：基于对代码库的深度扫描，工具强制新需求遵循现有架构规范，从源头避免了技术债务的产生。
claude-code-requirements-builder 通过将复杂的代码分析与简化的交互流程结合，让非技术人员也能协同产出具备工程落地性的高质量需求文档。
运行环境要求
- Linux
- macOS
- Windows
未说明
未说明
快速开始
Claude 需求收集系统
一个针对 Claude Code 的智能需求收集系统，通过自动化发现逐步构建上下文，提出简单的“是/否”问题，并生成全面的需求文档。
🎯 概述
该系统通过以下方式革新需求收集流程：
- 代码库感知型提问：AI 首先分析您的代码，然后提出有针对性的问题
- 简单“是/否”格式：所有问题均为“是/否”，并配有智能默认值——只需回答“不知道”即可使用默认值
- 两阶段提问：先提出 5 个高层次问题以获取上下文，再在代码分析后提出 5 个专家级问题
- 自动化文档生成：根据具体文件路径和模式生成全面的规格说明
- 产品经理友好：无需任何编程知识即可回答问题
🚀 快速入门
# 开始为新功能收集需求
/requirements-start 添加用户头像上传功能
# 查看进度并继续
/requirements-status
# 查看当前需求详情
/requirements-current
# 列出所有需求
/requirements-list
# 结束当前需求收集
/requirements-end
# 当 AI 走偏时快速提醒
/remind
📁 仓库结构
claude-requirements/
├── commands/ # Claude 命令定义
│ ├── requirements-start.md # 开始新需求
│ ├── requirements-status.md # 查看进度（别名：current）
│ ├── requirements-current.md # 查看当前需求
│ ├── requirements-end.md # 完成需求
│ ├── requirements-list.md # 列出所有需求
│ └── requirements-remind.md # 提醒 AI 遵守规则
│
├── requirements/ # 需求文档存储
│ ├── .current-requirement # 跟踪当前需求
│ ├── index.md # 所有需求摘要
│ └── YYYY-MM-DD-HHMM-name/ # 单个需求文件夹
│ ├── metadata.json # 状态和进度跟踪
│ ├── 00-initial-request.md # 用户原始请求
│ ├── 01-discovery-questions.md # 5 个上下文问题
│ ├── 02-discovery-answers.md # 用户答案
│ ├── 03-context-findings.md # AI 的代码分析
│ ├── 04-detail-questions.md # 5 个专家问题
│ ├── 05-detail-answers.md # 用户详细答案
│ └── 06-requirements-spec.md # 最终需求规格
│
└── examples/ # 示例需求
🔄 工作原理
第一阶段：初始设置与代码库分析
用户：/requirements-start 为报表添加导出功能
AI 分析整个代码库结构，以理解架构、技术栈和模式。
第二阶段：上下文发现问题
AI 提出 5 个“是/否”问题，以了解问题背景：
Q1：用户会通过可视化界面与该功能交互吗？
（未知时默认：是——大多数功能都有 UI 组件）
用户：是
Q2：该功能是否需要在移动设备上运行？
（未知时默认：是——移动优先是标准）
用户：不知道
AI：✓ 使用默认值：是
[继续完成全部 5 个问题，然后记录答案]
第三阶段：目标性上下文收集（自主进行）
AI 自主执行以下操作：
- 根据发现的答案搜索特定文件
- 阅读相关代码段
- 详细分析类似功能
- 记录技术约束和模式
第四阶段：专家级需求问题
在深入理解上下文后，AI 提出 5 个详细的“是/否”问题：
Q1：是否应使用 services/ExportService.ts 中的现有 ExportService？
（未知时默认：是——保持架构一致性）
用户：是
Q2：PDF 导出是否需要超出标准模板的自定义格式？
（未知时默认：否——标准模板已覆盖大多数用例）
用户：否
[继续完成全部 5 个问题，然后记录答案]
第五阶段：需求文档生成
生成全面的规格说明，包括：
- 问题陈述和解决方案概述
- 来自全部 10 个答案的功能性需求
- 包含具体文件路径的技术要求
- 应遵循的实现模式
- 接受标准
📋 命令参考
/requirements-start [描述]
开始为新功能或变更收集需求。
示例：
/requirements-start 实现暗黑模式切换
/requirements-status 或 /requirements-current
显示当前需求进度并继续收集。
输出：
📋 当前需求：暗黑模式切换
阶段：发现问题
进度：已回答 3/5 个问题
下一步：Q4：此功能是否应在不同设备间同步？
/requirements-end
完成当前需求，即使尚未完全填写。
选项：
- 根据现有信息生成规格说明
- 标记为未完成，留待后续处理
- 取消并删除
/requirements-list
显示所有需求及其状态。
输出：
✅ 完成：暗黑模式切换（可实施）
🔴 活动：用户通知（发现阶段已完成 3/5）
⚠️ 未完成：数据导出（3 天前暂停）
/remind 或 /requirements-remind
提醒 AI 遵循需求收集规则。
当 AI 出现以下情况时使用：
- 提出开放式问题
- 开始编写代码
- 一次性提出多个问题
🎯 特点
智能默认值
每个问题都包含基于以下内容的智能默认值：
- 最佳实践
- 代码库模式
- 已发现的上下文
渐进式提问
- 第一阶段：首先分析代码库结构
- 第二阶段：面向产品经理的 5 个高层次问题
- 第三阶段：自动深入研究相关代码
- 第四阶段：基于对代码的理解提出的 5 个专家问题
自动文件管理
- 所有文件自动生成
- 进度跨会话跟踪
- 可随时恢复
即刻集成
- 与开发会话链接
- 引用 PR 和提交记录
- 可搜索的需求历史
💡 最佳实践
对于用户
- 明确具体：清晰的初始描述有助于 AI 提出更好的问题
- 善用默认值：回答“不知道”完全没问题——默认值经过深思熟虑
- 保持专注：若 AI 走偏，可使用
/remind - 随时完成：不必强迫自己回答每个问题
对于需求
- 一次只处理一个功能：确保需求聚焦
- 从实现角度思考：考虑其他 AI 将如何使用这些需求
- 记录决策理由：为什么这么做与做什么同样重要
- 全面关联：将需求与会话和 PR 相关联
🔧 安装
- 克隆本仓库：
git clone https://github.com/rizethereum/claude-code-requirements-builder.git
- 将命令复制到您的项目中：
cp -r commands ~/.claude/commands/
# 或者仅用于特定项目
cp -r commands /your/project/.claude/commands/
- 创建需求目录：
mkdir -p requirements
touch requirements/.current-requirement
- 如有必要，将其加入
.gitignore：
requirements/
📚 示例
功能开发
/requirements-start 添加用户头像上传功能
# AI 分析代码库结构
# 回答关于该功能的5个是非题
# AI 自主研究相关代码
# 回答5个专家级是非题
# 获取包含文件路径的全面需求文档
Bug 修复需求
/requirements-start 修复仪表盘性能问题
# 回答关于范围的问题
# AI 定位存在问题的组件
# 回答关于可接受解决方案的问题
# 获取针对性的修复需求
UI 优化
/requirements-start 改善移动端导航体验
# 回答关于当前问题的提问
# AI 分析现有导航
# 回答关于期望行为的提问
# 获取详细的UI需求文档
🤝 贡献指南
- Fork 本仓库
- 创建你的功能分支
- 添加新命令或改进现有命令
- 提交 Pull Request
贡献建议
- 添加常见功能的需求模板
- 创建需求验证命令
- 构建需求到实现的跟踪机制
- 增加多语言问题支持
📄 许可证
MIT 许可证 - 欢迎在你的项目中自由使用和修改。
🙏 致谢
受 @iannuttall 的 claude-sessions 项目启发，该项目率先提出了针对 Claude Code 的结构化会话管理概念。
请记住：今天制定良好的需求，就能避免明天的混乱！
相似工具推荐
openclaw
OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
gemini-cli
gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。 这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。 它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。
markitdown
MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。 在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。 这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器