利用 LLM 进行语法适应：元模型-语法协同进化研究

在模型驱动工程中，元模型演化导致需要调整相应的语法以保持一致性，这通常需要繁琐的手动工作。现有的基于规则的方法可以实现部分自动化，但在处理复杂的语法场景时存在局限性。本文提出了一种基于 大语言模型 的方法，通过学习先前版本的语法适应，自动将适应应用于进化后的新语法。我们在六种真实世界的 Xtext 领域特定语言上评估了这种方法，使用四种 DSL 作为训练集来开发提示策略，两种 DSL 作为验证测试​​集，并对 QVTo 进行纵向案例研究。评估使用了三个大语言模型（Claude Sonnet 4.5、ChatGPT 5.1、Gemini 3），从语法规则级适配一致性、输出相似性和元模型一致性三个维度衡量语法适配质量。结果表明，在测试集上，三个 LLM 均实现了 100% 的适应一致性和输出相似性，而基于规则的方法在 DOT 上仅实现了 84.21%，在 Xcore 上仅实现了 62.50%。在 QVTo 纵向研究中，基于 LLM 的方法成功地在所有三个进化步骤中重用了学习到的适应，而无需手动语法编辑，而基于规则的方法需要在三个转换中的两个进行手动调整。然而，在大规模语法（EAST-ADL，297条规则）上，LLM的适应一致性远低于90%。这项研究展示了基于 LLM 的方法在处理复杂语法场景方面的优势，同时揭示了它们在大规模语法适应方面的局限性。