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-skillCLIJQL 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：
