基于LLM的UML类图评估与修复策略

UML 类图是定义软件系统结构的重要工具，但设计准确且全面的类图是一项具有挑战性的任务。传统上，创建 UML 模型依赖于专业人员的专业知识和经验。然而，随着人工智能技术特别是LLM的发展，软件建模的新机会出现了。尽管如此，关于LLM在软件建模，特别是UML类图建模中的应用的研究还很有限。本研究针对几个典型的软件系统案例进行了实验。结合SDMetrics和专家手工评审，从规模和完整性、关系正确性、继承层次结构、设计规则符合性等多个维度综合评估了主流LLM在UML类图建模中的实用性能。这项研究着眼于 LLM 生成的 UML 类图的典型缺陷，揭示了 LLM 表现出类似于人类记忆的不确定性。据此，提出了三种靶向修复策略，包括记忆强化、外部知识注入和检测引导的自动靶向修复。案例研究的实验结果表明：（1）与专家制作的类图相比，LLM生成的UML类图存在一些问题，例如关键类识别不完整、关系混乱或遗漏、继承关系不足或缺失、未使用的类以及循环依赖；（2）在应用修复方法后，所有LLM在解决这些问题方面都表现出不同程度的改进。关键类识别平均修复率达到85%，耦合关系修复率为46%，继承关系修复率为69%，未使用类和循环依赖修复率均达到100%。