# 项目章程：Document Analyzer — PRD 到 IR 的智能化 pipeline

## 项目背景
车机 PRD（产品需求文档）格式多样，包含文本、表格、流程图等混合内容。传统方式下，测试人员需要人工阅读 PRD 并编写测试用例，效率低且容易遗漏功能点。`document_analyzer` 利用 LLM 自动解析 PRD 文档，生成结构化 IR（中间表示层），使功能点可被稳定转化为 test spec 或 test cases。

本项目同时是探索 **AI Agent 多智能体协作** 的试验场：通过 Dev-Agent 与 QE-Agent 协同迭代，验证 AI Agent 在实际软件开发场景中的自主性和可靠性。

## 项目愿景
打造一个高质量、高覆盖率的 PRD-to-IR pipeline，使 AI 能够可靠地从需求文档中提取结构化功能点。同时通过 Dev-Agent + QE-Agent 协同模式，探索 AI Agent 驱动的软件工程闭环。

## 核心目标（不可轻易变）
1. IR 功能覆盖率 ≥ 70%（最终目标 95%），确保功能点不遗漏
2. IR 一致性：同一输入文档多次运行产生的 IR 应尽量一致
3. 全 pipeline 可审计：每个阶段产出可追溯、可解释的中间产物
4. Dev-Agent 与 QE-Agent 高效协同，形成自主闭环

## 成功标准
- 输入车机 PRD 文档，产出结构化 IR JSON，覆盖率 ≥ 70%
- IR 可被下游工具稳定转化为 test spec / test cases
- pytest 全量通过（UT + 接口集成测试），CI 绿灯
- Dev-Agent 和 QE-Agent 能够通过 Gitea Issues 完成完整的协同迭代闭环
- 同一文档多次运行，IR rule_id 和结构保持稳定（一致性）

## 关键约束与原则
- 必须遵守的约束：
  - 只能使用国内可用的 LLM API（DeepSeek、DashScope 等），无法使用 Anthropic/OpenAI
  - LLM API 配置从 `~/.openclaw/config/secrets.yaml` 读取，不硬编码
- 决策原则：
  - 功能覆盖率优先于性能优化
  - 确定性逻辑（合并、审计）必须走代码而非 LLM
  - Dev-Agent 对代码改动负全责，自行验证后关闭 Issue
  - QE-Agent 负责 main 分支健康监控和质量问题发现，不是 Dev-Agent 的测试员

## 项目环境
- 项目目录：`C:\Users\peterz\projects\document_analyzer`
- Gitea 仓库：`http://localhost:3000/pzhang_zywl/document_analyzer`
- CI/CD：Gitea Actions，配置文件 `ci.yml`
- LLM 配置：`~/.openclaw/config/secrets.yaml`
- Agent 定义：`agents/DEV_AGENT.md`、`agents/QE_AGENT.md`

## 范围与边界
- 明确不做什么：
  - 不做 UI / Web 界面
  - 不做实时服务（pipeline 为离线批处理）
  - 不生成最终测试用例（下游工具负责）
  - 不支持非中文 PRD 文档（当前阶段）

## 变更记录
| 日期 | 变更内容 | 原因 |
|------|----------|------|
| 2026-06-02 | 初始创建 | 建立项目章程，对齐 Dev-Agent 和 QE-Agent 认知 |