本文针对受监管领域的持续软件工程中安全需求难以显式化的问题。在敏捷开发中，产品待办项（backlog items）通常以简短自由文本描述，工程师难以从中推断安全相关性，也缺乏及时的安全需求指引。为此，作者提出一种基于NLP的待办项富集系统，用于检测安全相关的待办项并将其链接到具体安全需求。该系统结合安全相关性分类器与基于检索增强生成（RAG）的流水线，后者以安全需求文档为知识源。研究在大型企业、高度受监管领域环境中开展。主要贡献有三：第一，公开了一个包含288条待办项的数据集，由9名安全从业者标注安全相关性，标注一致性较高（Fleiss' κ=0.787）；第二，实现了一个以召回为导向的分类器，在分布内数据上F2=0.774，在五个既有基准上的零样本G-measure均值约为0.65，性能匹配或超过多数已发表的经典机器学习及开源GPT基线；第三，初步评估了四阶段安全需求文档接地RAG流水线，使用企业内部安全策略和CIS Benchmark，由两名从业者在工业待办项上测试，检索出的24项条款中12项相关性评分不低于4/5。结果表明，基于NLP的待办项富集能够帮助工程师在开发过程早期识别安全需求，从而促进持续软件工程中的主动安全合规。本文适合安全工程、DevSecOps、需求工程及合规自动化领域的研究者和从业者阅读。