软件学报

作者：葛楚妍，王培远，王甜甜，黄钇茗，杨小天

单位：葛楚妍，哈尔滨工业大学 计算学部, 黑龙江 哈尔滨 15000111,王培远，哈尔滨工业大学 计算学部, 黑龙江 哈尔滨 15000102,王甜甜，哈尔滨工业大学 计算学部, 黑龙江 哈尔滨 15000103,黄钇茗，哈尔滨工业大学 计算学部, 黑龙江 哈尔滨 15000104,杨小天，哈尔滨工业大学 计算学部, 黑龙江 哈尔滨 15000105

关键词：结构分析与设计语言(AADL)|需求分析|多智能体|系统工程

基金：国家自然科学基金(61977020); 工信部高质量发展专项(CEIEC-2024-ZM02-0067); 黑龙江省自然科学基金(LH2019F046); 黑龙江省重点研发计划(JD2023SJ21); 哈尔滨市科技计划(2022ZCZJCG019); 深圳市关键技术攻关项目(JSGG2021110892802003)

嵌入式系统建模是基于模型的软件开发的重要组成, 体系结构分析与设计语言(architecture analysis and design language, AADL)因其形式化表达软硬件结构与交互关系的能力, 广泛用于架构设计. 大语言模型(large language model, LLM)为从自然语言需求生成架构模型提供了新路径. 然而, 现有模型在需求语义理解、AADL组件边界识别与连接关系建构等方面仍存在显著不足, 限制了其实用性与生成质量. 为解决上述问题, 提出一种面向嵌入式系统的智能建模方法——SmartGen-AADL, 整体方法基于多智能体协同机制构建, 融合语义解析、结构识别与提示增强生成等关键技术, 实现从自然语言需求到结构化AADL模型的高质量转换. 方法核心包括3个阶段: 首先, 系统通过结构化智能体完成系统架构文档中系统架构的识别与标准化需求语句的提取; 随后, 子问题智能体基于条目级分析与组件交互挖掘, 实现对需求粒度的细化与交互关系的显式建模; 最后, 构件生成智能体在语义提示中融合结构引导与基于检索增强生成(retrieval-augmented generation, RAG)的相似组件检索结果, 引导LLM生成符合AADL语法规范的组件代码. 为支撑上述流程, 构建了“条目化需求-AADL组件”知识库以及“系统架构文档-AADL架构”语义对齐数据集. 在15个嵌入式系统应用场景上的实验结果表明, 相较于仅依赖简单提示工程的方法, 所提多智能体协同建模方法在4个主流大语言模型上均展现出显著优势. 其中, 在DeepSeek-r1模型上的提升最为突出: 组件代码错误率平均降低34.37%, FBERT语义相似度平均提升6.21%, 结构匹配度提升超过20%, 人工评分整体提高约0.7分. 进一步的消融实验结果显示, 子问题识别机制增强了对建模粒度的控制能力; 系统结构树构建提供了组件组织与层级拓扑信息; 检索增强生成机制为模型提供了外部知识支撑并降低了幻觉率; 通信连接识别确保了模型的接口完备性与交互闭环, 四者协同促进了自然语言到AADL建模语言对齐与模型一致性的显著提升.

来源：2026年第8期

《软件学报》期刊编辑部

查看软件学报杂志2026年第8期