[项目] ClarityAI 智能需求对齐工具

当你在用AI生成代码、方案或内容时，是否常遇到这样的场景：
你写了一长串需求，AI却给出了完全跑偏的答案；
你反复修改提示词，但生成结果始终“差点意思”；
你觉得自己说清楚了，但AI理解的是另一个版本……

这不是AI不够聪明，而是你的需求还不够“结构化”。
ClarityAI 正是为此而生——它通过多轮智能问答，帮你把零散的想法梳理成一份逻辑清晰、细节完备的需求报告，让下游任何AI都能精准理解你的意图。

使用说明：

我在自己的服务器上部署了后端，可以直接访问使用：链接直达ClarityAI
由于资金有限，我设置了单日token使用限额，如达到限额，请在“设置”中填写自己的API BaseURL和API-Key

使用示例

一、痛点：用户与AI之间的“代沟”

我们正处在AI应用爆发期，从代码生成、文案创作到产品设计，人人都想借助AI提高效率。但一个普遍存在的误区是：我们常常高估了自己表达需求的能力，也低估了AI准确理解模糊语言的门槛。

• 你说“做一个类似小红书但更简洁的App”，AI可能理解为“去掉部分功能”，但你对“简洁”的定义是“极简设计风格、只保留图文分享”；
• 你说“用Python写个爬虫”，AI给了你一个通用框架，但你忘了说明需要处理反爬、需要存储到数据库、需要定时执行；
• 你说“生成一份市场分析报告”，AI按模板输出，但你没说清楚目标受众是投资人还是内部团队，导致报告侧重点完全错误。

结果就是：AI输出的内容不符合预期 → 反复修改提示词 → 耗费大量时间 → 最终可能还是手动重写。这不是AI能力不行，而是我们缺少一个把模糊需求转化为精确指令的中间层。

ClarityAI 的角色就是这一中间层。它不直接生成最终产品，而是通过系统化提问，引导你一步步补充功能边界、技术约束、用户场景、优先级等关键信息，最终输出一份结构化的需求报告。这份报告可以直接喂给任何下游AI（如ChatGPT、Claude、Copilot、Midjourney等），让它们基于完整的上下文给出更贴合你初衷的结果。

二、产品定位：需求报告的生成器，而非最终产出物

ClarityAI 的核心价值不是替代AI，而是增强你与AI之间的沟通效率。它像一位专业的需求分析师，帮你把脑子里“一团乱麻”的想法梳理成清晰条理的需求文档。

• 输入：一句简单的想法（例如：“我想做一个帮助用户记账的微信小程序”）
• 过程：多轮动态问答（覆盖用户画像、功能列表、技术选型、数据隐私、迭代计划等维度）
• 输出：一份Markdown格式的详细需求报告，包含背景、目标、功能描述、非功能需求、验收标准等章节
  这份报告可以直接粘贴到对话窗口，作为高级提示词发给任意AI，让其生成代码、设计稿、方案或文案；也可以作为团队内部的需求规格书，用于后续开发。

三、技术架构：Vue 3 + Flask，轻量而高效

项目采用前后端分离架构，代码仓库分置，便于独立部署和扩展。

前端 —— ClarityAI-Frontend

基于 Vue 3 + Vite + Element Plus，注重交互流畅性和界面清晰度：

• 核心依赖：Vue 3.5.27、Vite 7.3.1、Element Plus 2.7.7、Pinia 3.0.4、Vue Router 5.0.1
• Markdown 渲染使用 markdown-it，结果页清晰展示报告

• 主要页面：

  • 首页：输入初步想法，一键启动需求澄清流程
  • 问答页：展示AI动态生成的问题（单选/填空/论述），逐题作答
  • 结果页：渲染完整需求报告，支持下载Markdown，并生成分享链接
  • 总览页：以时间线展示整个对话和报告版本，方便回溯

后端 —— ClarityAI-Backend

基于 Flask 3.0.3，提供RESTful API，并集成Qwen（通义千问）或OpenAI作为智能引擎：

• 数据库：SQLite（轻量，开箱即用）
• AI接口：支持动态生成问题、基于答案继续追问、汇总生成最终报告
• 安全与成本控制：支持Token每日限额配置，避免API费用超支

主要API端点：

GET  /api/health                     # 服务状态
POST /api/generate-questions         # 根据初始想法生成问卷
GET  /api/session/<id>               # 获取会话所有数据
POST /api/submit-answers             # 提交当前轮答案
POST /api/continue-with-feedback     # 继续追问细化
POST /api/generate-pdf               # 生成PDF报告
GET  /api/download-pdf/<id>          # 下载PDF
DELETE /api/session/<id>             # 删除会话

四、核心流程：三步生成高质量需求报告

第一步：输入你的原始想法

在首页输入框中写下你最粗颗粒的想法，哪怕只有一句话也可以。例如：“我想做一个在线教育平台”。

第二步：AI引导式问答

后端AI会根据你的输入，自动生成一组结构清晰的问题，可能会根据你的想法涵盖：

• 目标用户：谁会用？他们的痛点是什么？
• 核心功能：必须有的功能和锦上添花的功能？
• 技术偏好：有指定技术栈吗？有无性能要求？
• 资源约束：时间、预算、团队规模？
• 成功标准：如何衡量最终成果是否达标？
  问题形式包括单/多选题、填空题和开放式叙述题。你回答完一轮后，还可以选择“继续细化”，AI会根据已有答案再生成更深层的问题，直到你觉得需求已经足够清晰为止。

第三步：生成需求报告并用于下游AI

所有问答完成后，后端会自动汇总所有信息，生成一份结构化的Markdown报告。报告包含以下典型章节：

1. 项目概述（背景、目标）
2. 用户角色与场景（谁在什么情况下使用）
3. 功能需求（优先级分级）
4. 非功能需求（性能、安全、兼容性）
5. 技术约束与依赖
6. 验收标准
   你可以在结果页直接复制这份报告，粘贴到其他AI工具的对话框，作为超级提示词（Super Prompt）。例如，复制报告内容发送给代码生成AI，它会基于完整的需求描述生成更准确的代码骨架；发送给设计AI，它会产出风格更匹配的设计稿。

五、快速本地部署

# 后端
git clone https://github.com/kazuky233/ClarityAI-Backend.git
cd ClarityAI-Backend
python -m venv .venv
source .venv/bin/activate  # Windows: .venv\Scripts\activate
pip install -r requirements.txt
# 配置 .env 文件，填写 QWEN_API_KEY（或 OPENAI_API_KEY）
python run.py

# 前端
git clone https://github.com/kazuky233/ClarityAI-Frontend.git
cd ClarityAI-Frontend
npm i
npm run dev

访问 http://localhost:5173 即可体验。

六、使用场景

• 个人开发者：用AI辅助生成项目代码前，先用ClarityAI理清需求
• 产品经理：快速产出需求文档初稿，作为团队讨论的基础
• 创业者：将自己的商业想法转化为可执行的规格说明
• AI重度用户：通过高质量需求报告，减少与AI的反复拉扯

结语

ClarityAI 不试图替代任何AI，而是为AI“指路”。在AI能力日益强大的今天，清晰的输入比复杂的提示词技巧更重要。通过将模糊想法转化为结构化需求，ClarityAI 让你与任何下游AI的对话都变得更高效、更精准。
如果你也曾因需求没说清楚而让AI“翻车”，不妨试试 ClarityAI。欢迎访问GitHub仓库，点个Star，也期待你的Issue！

• 前端：kazuky233/ClarityAI-Frontend
• 后端：kazuky233/ClarityAI-Backend