在软件开发领域，用户提出的需求往往不够全面，这给功能的完整实现带来了障碍。随着大型语言模型的兴起，一些采用自上而下瀑布模型的方法开始使用提问的方式来补充需求，试图进一步挖掘用户需求。然而，由于用户受限于其领域知识，缺乏有效的验收标准，这些方法无法捕捉到用户的隐性需求。此外，瀑布模型的累积错误可能导致生成的代码与用户需求之间存在差异。
敏捷方法通过轻量级的迭代和与用户的合作来减少累积错误，但挑战在于如何确保用户需求与生成的代码之间的语义一致性。为了解决这些问题，研究者们提出了一种名为AgileGen的新型智能软件开发框架，它基于敏捷方法，并结合了人类与人工智能（AI）的团队合作。
AgileGen的创新之处在于，它首次尝试使用Gherkin语言编写的可测试需求来确保需求和代码之间的语义一致性。Gherkin是一种用于行为驱动开发（BDD）的领域特定语言，它允许开发人员以自然语言描述系统的行为，并生成可执行的测试用例。通过使用Gherkin，AgileGen能够将用户需求转化为可测试的规范，从而提高需求和代码之间的一致性。
此外，AgileGen还引入了一种创新的人类与AI团队合作模式，让用户能够参与到他们擅长的决策过程中，从而提高应用程序功能的完整性。在这种模式下，AI负责处理一些重复性和低层次的任务，而人类则专注于需要创造力和领域知识的决策过程。通过这种方式，AgileGen能够充分利用人类和AI的优势，提高软件开发的质量和效率。
为了提高用户场景的可靠性，AgileGen还引入了一种记忆池机制，用于收集用户的决策场景，并将其推荐给新用户。这种机制能够帮助新用户更快地熟悉系统，并减少他们犯错误的风险。通过不断学习和改进，AgileGen能够逐渐提高其对用户需求的理解和满足能力。
作为一种用户友好的交互系统，AgileGen在性能上显著优于现有的最佳方法，提高了16.4%的效率，并获得了更高的用户满意度。这表明，通过结合人类和AI的优势，AgileGen能够为软件开发带来显著的改进。
然而，AgileGen也存在一些潜在的挑战和限制。首先，它依赖于用户能够清晰地表达他们的需求，并具备一定的领域知识。如果用户无法提供准确的需求描述，AgileGen可能无法生成符合用户期望的代码。其次，AgileGen的记忆池机制需要大量的用户数据来支持其决策过程，这可能涉及到隐私和数据安全的问题。最后，AgileGen的团队合作模式需要人类和AI之间的有效沟通和协调，这可能需要进一步的研究和开发来解决。
