具有三值不确定性评分的模型驱动需求配置

上下文：大语言模型 (LLM) 为自动需求获取提供自然语言灵活性，但经常生成结构无效的需求和逻辑不一致，缺乏正式的正确性保证。目标：本研究旨在消除 LLM 生成的需求中的逻辑不一致并强制执行结构一致性，同时量化正式领域模型中 LLM 的预验证决策不确定性。方法：我们提出了一种神经符号多代理架构，该架构可操作面向对象的需求创作和管理方法（OOMRAM）网格。 LLM 充当晶格遍历的非确定性启发式，而确定性符号验证器则强制执行所有结构约束。我们引入了一个三值（T、I、F）——真相、不确定性、虚假——框架来对 LLM 的需求决策在验证之前和之后进行分类和评分。结果：通过对 11 个应用程序系列的 37 个自然语言项目愿景进行评估，系统完全消除了 37 个案例中的 35 个案例 (94.6%) 中的结构不一致，其余两个由于迭代限制仅包含 6 个未解决的结构错误（决策的 0.39%）。三值分析显示，24.7% 的决策是不确定的——结构上有效，但由利益相关者明确授权的酌情选择。结论：将结构完整性卸载到确定性符号层成功地保证了结构一致性，而三值分类提供了一种测量神经不确定性的正式方法，有助于在正式需求工程中安全部署 LLM。