大型语言模型生成的微服务架构的特征

大型语言模型 (LLM) 越来越多地用于软件设计任务，但人们对它们生成的架构的结构和一致性知之甚少。特别是，大语言模型在架构到架构转换中的表现仍然没有得到充分理解。这项研究凭经验描述了大语言模型如何从模块化整体的自然语言描述生成微服务架构，重点关注结构和描述性属性，而不是架构的正确性。我们在两个模块化整体系统上进行了对照实验，使用来自 OpenAI 的基于 GPT 的模型和来自 DeepSeek 的模型来比较零样本和少样本提示策略。生成的架构以标准化 CSV 格式表示，并使用标准化指标进行评估，捕获服务粒度、服务间通信模式、通信密度、服务隔离和责任描述性。结果揭示了系统性差异主要是由提示策略而不是模型提供者驱动的。少样本提示始终会产生更细粒度的分解，具有较低的通信密度和更详细的责任描述，而零样本提示则有利于更粗糙和更紧密连接的架构。这项研究不是评估架构质量，而是为理解文本驱动的架构到架构转换中的 LLM 行为提供了经验基线，为早期软件现代化中的生成设计工作流程和混合架构推理的未来研究提供了信息。