时间:2025-12-16 14:17
人气:
作者:admin
利用大型语言模型(LLMs)将模糊的自然语言需求转化为结构化形式;
自动检测需求之间的一致性、冲突和歧义;
自动生成形式化规范和基于需求的测试用例,提高早期验证覆盖率;
通过减少人工解释和手工形式化步骤,提高传统验证流程的可扩展性和准确性。
自然语言友好:输入是英文/中文需求文档
形式化严格:输出能被 Breach / Spot / NuSMV 等工具消费
LLM 可控:LLM 只做语义,不做“裁判”
工程可审计:每一步都有中间产物与版本记录
1. 核心应用流程:从模糊到精确
REACT 将传统的人工需求工程转化为一个“AI 辅助、人在回路”的流水线,主要包含以下几个阶段:
• 辅助撰写(REACT Author):解决歧义性 软件需求通常以自然语言(如普通英语)编写,容易产生歧义。REACT 利用 LLM 将这些非限制性的自然语言转换为结构化的受限英语(Restricted English, RE)。
◦ 多选项机制: 由于一句话可能有多重含义,LLM 会生成多个“候选”解释,而不是单一输出。这迫使工程师明确设计的真实意图,而不是让 AI 盲目猜测。
• 语义验证(REACT Validate):确保意图一致 系统通过形式化验证技术自动区分不同候选需求之间的语义差异,并将其转化为工程师易于理解的形式(如执行轨迹或具体场景)。
◦ 人在回路(Human-in-the-loop): 工程师不需要精通复杂的逻辑符号,只需通过查看具体的行为差异来“修剪”错误的候选条目,最终锁定符合真实意图的需求。这种方式将工程师从繁琐的语法工作中解放出来,使其专注于高层的语义决策。
• 自动形式化(REACT Formalize):生成数学规约 一旦需求被验证,REACT 会将其转化为严格的数学逻辑,例如有限迹线性时序逻辑(LTLf)。这一步通常由工具(如 NASA 的 FRET)辅助完成,使得需求能够被计算机系统直接推理和验证,这对于包含 AI 组件(如感知系统)的复杂系统尤为重要,因为它能捕捉不确定性和置信度阈值。
2. 在质量保证与测试中的应用
• 早期一致性分析(REACT Analyze): 在编写代码之前,REACT 可以对形式化后的需求集进行自动分析,检测其中是否存在逻辑冲突或不一致。这种“左移”的验证策略可以在设计阶段就发现错误,防止缺陷传播到实现阶段,从而避免昂贵的返工,。
• 自动化测试生成(REACT Generate Test Cases): REACT 利用形式化需求自动生成具有覆盖率保证的测试用例。
◦ 可追溯性: 它建立了从需求到测试用例的直接链接,确立了全链路的可追溯性,这对于满足航空航天等安全关键领域的标准(如 DO-178C)至关重要,。
◦ 语义鲁棒性测试: 这些测试用例还可以作为输入,驱动下游工具(如 SemaLens)生成具体的测试视频或图像,用于验证深度神经网络(DNN)的语义鲁棒性,。
3. 关键价值与挑战
• 解决可扩展性瓶颈: 传统方法要求工程师手工编写数百条形式化规约,耗时且易错。REACT 利用 AI 快速生成初稿,工程师只需负责审核,从而大大提高了处理大规模需求的效率,。
• 应对“黑箱”挑战: 在集成 AI 组件(如自动驾驶感知系统)时,REACT 帮助定义安全边界和性能阈值,使得原本不可解释的神经网络行为能够在一个明确的形式化框架下被约束和监控。
• 潜在风险: 尽管提高了效率,但该方法也面临质疑。如果 LLM 本身产生误解,而工程师审核不严,可能引入隐蔽的错误。因此,其可靠性仍高度依赖于“人在回路”的最终裁决能力,。
业务需求(PRD / Jira / 飞书)
↓
LLM 需求解析 + 歧义检测
↓
结构化需求 IR(业务对象 / 规则 / 约束)
↓
一致性 & 影响分析
↓
业务规则 / API 契约 / 测试用例
↓
自动化测试 + 回归
↓
需求-代码-测试追溯
如有想了解更多软件设计与架构, 系统IT,企业信息化, 团队管理 资讯,请关注我的微信订阅号:
作者:Petter Liu
出处:http://www.cnblogs.com/wintersun/
本文版权归作者和博客园共有,欢迎转载,但未经作者同意必须保留此段声明,且在文章页面明显位置给出原文连接,否则保留追究法律责任的权利。
该文章也同时发布在我的独立博客中-Petter Liu Blog。