从杂乱的问题陈述到清晰、可操作的类图——只需几分钟。
🎯 什么是人工智能驱动的文本分析？
Visual Paradigm 的人工智能驱动的文本分析 是一个智能建模助手，帮助产品经理、软件架构师和开发人员将非结构化自然语言（例如用户故事、需求或系统描述）转化为结构化领域模型——具体来说，就是 UML 类图。
无需手动识别实体、属性和关系，人工智能会解析文本，提取相关设计元素，并提出一个你可以进一步优化的可视化模型。
🔍 核心理念：将叙述 → 名词 → 类 → 关系 → 图表 —自动地.
✅ 主要优势
| 优势 | 描述 |
|---|---|
| 速度与效率 | 将初始建模时间从数小时缩短至几分钟。 |
| 一致性 | 最大限度减少团队间的主观解读差异。 |
| 学习辅助 | 非常适合学习面向对象设计的初级开发人员。 |
| 可追溯性 | 每个建议都包含一个原因——透明且可审计。 |
| 迭代优化 | 从 AI 开始 → 在 VP Online 中自由编辑 → 导出为代码或文档。 |
| 领域发现 | 揭示隐藏的概念（例如，交易, 审计日志）你可能会忽略。 |
🛠️ 逐步教程（附真实示例）
让我们逐步演示三个逐步复杂的示例，从简单到企业级。
📘 示例 1：图书馆管理系统（入门版）
📝 第一步：提供问题描述
- 前往工具 > 应用 > 文本分析 > 立即开始
- 输入：
图书馆管理系统 - 点击[生成问题描述]
👉 AI 生成：
“一个图书馆管理系统允许图书管理员管理书籍、会员和借阅记录。会员可以搜索书籍，每次最多借阅 5 件，然后归还。逾期未还的书籍需缴纳罚款。每本书都有书名、作者、ISBN 和可借状态。图书管理员可以添加/删除书籍并查看借阅历史。”
✅ 如有需要可编辑——例如添加：“支持电子书和预约队列。”
👥 第二步：识别候选类
点击[识别候选类]
| 类名 | 原因 | 描述 |
|---|---|---|
书籍 |
被反复提及的核心实体 | 代表实体/数字书籍 |
成员 |
动作的主体（借阅、归还） | 带有联系方式的图书馆用户 |
借阅 |
动作名词 → 关键交易 | 记录成员借阅书籍的情况 |
图书管理员 |
执行管理任务的参与者 | 负责管理系统的工作人员 |
罚款 |
逾期借阅的后果 | 产生的金钱处罚 |
🔁 另见：“未限定的名词”（例如状态, 历史→ 过于模糊或像属性）。
✅ 接受全部，或删除图书管理员如果角色通过权限处理（例如使用用户+ 角色标志）。
📋 第3步：识别类详细信息
点击[识别类详细信息]
示例输出为书籍:
- 属性:
isbn：字符串
书名：字符串
作者：字符串
可借阅：布尔值
格式：枚举 {实体, 数字} - 操作:
检查可借阅性(): 布尔值
标记为已借出()
标记为已归还()
对于借阅:
- 属性:
借出日期：日期
到期日期：日期
归还日期：日期？ - 操作:
计算逾期天数(): 整数
应用罚款()
💡 专业提示: 重命名 是否可用 → 状态：图书状态（枚举：可用, 已借出, 已预约）以支持扩展性。
🔗 第4步：识别类关系
点击 [识别类关系]
| 从 → 到 | 类型 | 多重性 | 描述 |
|---|---|---|---|
成员 — 借阅 |
组合 | 1 → * | 成员拥有他们的借阅记录 |
借阅 — 图书 |
关联 | 1 → 1 | 每笔借阅涉及一本书 |
贷款 — 罚款 |
可选组合 | 1 → 0…1 | 贷款逾期可能会产生罚款 |
⚠️ 小心: AI 可能会遗漏聚合 vs 组合。如果需要，请手动编辑贷款应引用（非自有）书.
🖼️ 第5步：生成图表
点击[生成图表] → 一个完整的 UML 类图出现了！
✅ 然后点击[在 Visual Paradigm Online 中打开]以：
- 重新排列布局
- 添加构造型（
«实体»,«边界») - 链接到用例或顺序图
- 导出为PNG、PDF，或生成Java/Python存根
🛒 示例2：电子商务购物车 (中级)
输入提示:
“一个在线商店，用户可以浏览商品，将商品加入购物车，使用优惠码，通过信用卡或PayPal结账，并跟踪订单。管理员负责管理库存并查看销售报告。”
AI识别的类：
用户,商品,购物车,购物车项,订单,支付,优惠码,库存,管理员
显著关系：
购物车◇——购物车项目（聚合；购物车包含 项目，但项目不会随购物车一起被销毁）订单◆——支付（组合；支付是订单生命周期的一部分）优惠码——订单（0…1 → 1；结账时可选）
获得的洞察：
AI建议购物车项目 与 产品 —— 很好！因为：
购物车项目包含数量,添加时间，以及 价格快照 （用于处理价格变动）。产品包含当前价格,库存水平.
➡️ 防止常见的建模错误：混淆商品目录项与购物车明细项.
🏥 示例 3：医院预约系统（高级）
输入提示（为增强真实感已编辑）:
“患者预约医生。每个预约包含日期/时间、类型（例如：咨询、随访）和状态（已预约、已完成、已取消）。医生有专业领域和工作时间表。系统会在预约前24小时发送提醒。护士可以为患者办理登记。检验结果在就诊后附上。”
AI 亮点：
| 类 | 为何重要 |
|---|---|
预约 |
核心工作流对象 |
医生排班 |
与……分离医生→ 遵循单一职责原则（SRP） |
提醒 |
外部行为 → 后续可能演变为事件驱动服务 |
检验结果 |
附加到预约而非患者——可追溯性！ |
智能关系：
预约◆——检验结果(1 → 0…*)
→ 强制执行：只有完成的预约才存在结果。
隐藏的宝石：
AI 标记“类型”和“状态”在预约中 → 建议使用枚举：
枚举 预约类型 { 会诊, 复诊, 接种}
枚举 预约状态 { 已预约, 已签到, 已完成, 已取消 }
✅ 开发人员节省了定义领域枚举和验证逻辑的时间。
🚀 提升价值的实用技巧
| 提示 | 如何应用 |
|---|---|
| 先模糊开始，再逐步优化 | 第一个提示：“外卖应用”。然后编辑生成的描述以添加：“支持餐厅入驻、司机调度、实时追踪和评分系统。” |
| 将用户故事作为输入 | 粘贴：“作为顾客，我希望可以根据菜系和配送时间筛选餐厅，以便快速选择。”→ AI 提取菜系, 配送时间预估, 筛选条件. |
| 与用例建模结合 | 运行文本分析首先以获取类 → 然后推导出参与者和用例（例如，顾客 → 下单, 司机 → 更新位置). |
| 通过CRC卡片进行验证 | 在AI建议类之后，与团队快速进行一次CRC（类-职责-协作）讨论，以进行合理性检查。 |
| 导出为代码 | 在VP Online中：右键单击图表 →工具 > 代码 > 生成代码（支持Java、C#、Python）。 |
⚠️ 限制与应对措施
| 限制 | 应对措施 |
|---|---|
可能会过度生成（例如，日期, 时间作为类） |
查看“未限定的名词”表格 → 合并为属性或使用内置类型。 |
| 无法推断业务规则（例如，“最多3笔贷款”） | 添加约束条件为OCL（对象约束语言）或备注：{ maxLoans = 3 } |
| 难以处理模糊的名词 | 在输入中明确：“‘用户’指的是客户，而非管理员”或“‘会话’指的是治疗会话，而非登录会话。” |
| 默认情况下无法检测继承关系 | 手动添加患者, 医生, 护士 → 概化为 人员 如有需要。 |
📊 何时使用（最佳适用场景）
| 场景 | 亮点所在 |
|---|---|
| 早期探索工作坊 | 快速从原始笔记中绘制领域模型 |
| 敏捷冲刺0 / 待办事项清单优化 | 在梳理前将史诗转化为候选类 |
| 学术项目 / 毕业设计 | 学生专注于设计逻辑，而非符号表示 |
| 遗留系统现代化 | 输入旧的BRD（业务需求文档）以提取领域模型 |
| 跨职能对齐 | 业务与技术团队验证共享术语 |
🌐 下一步：超越图表
您生成的AI类图只是开始。在 Visual Paradigm 中，您可以：
- 生成数据库模式 → 实体关系图 → SQL DDL
- 推导时序图 从操作中推导（例如，
Order.checkout()) - 链接到需求（例如，领带
applyPromoCode()至BRD第4.2节） - 使用VP模型模拟进行模拟
- 发布为网页门户供利益相关者审阅
📬 最后思考
“人工智能不会取代设计师——它取代的是枯燥乏味.”
使用文本分析来在20%的时间内让模型的80%达到正确，然后将你的专业能力投入到关键的20%：边缘情况、可扩展性以及领域细微差别。
📎 准备尝试了吗？
→ 启动：Visual Paradigm Online
→ 应用：工具 > 应用 > 文本分析
如果需要，请告诉我：
- 一份可下载的速查表（PDF）
- 金融科技、SaaS、物联网或医疗领域模板提示
- 与手动CRC/领域建模的对比
愉快建模！🧩