LLM驱动的基础设施即代码生成：错误分类学及配置知识注入研究
人工智能
2025-12-18 v1 软件工程
摘要
大型语言模型（LLM）目前在生成正确且意图一致的基础设施即代码（IaC）方面成功率较低。本研究调查了提高LLM基于IaC生成方法的具体措施，特别是针对Terraform进行系统性地注入结构化配置知识。为此，显著增强了一个现有的IaC-Eval基准，加入云端仿真和自动化错误分析。此外，开发了一种新型的LLM辅助IaC代码生成的错误分类学。实施并评估了一系列知识注入技术，从简单的基于召回增强生成（RAG）到更复杂的图RAG方法，包括对图组件的语义丰富化和对资源间依赖关系的建模。实验结果表明，尽管基线LLM性能较差（整体成功率为27.1%），但注入结构化配置知识后，技术验证成功率提升至75.3%，整体成功率达到62.6%。尽管在技术正确性方面取得这些进步，但意图对齐仍然停滞，揭示了一种“正确性-一致性鸿沟”，即LLM可以成为高效的“编码者”，但在满足细致用户意图方面仍受限于“建筑师”。
引用
@article{arxiv.2512.14792,
title = {IaC Generation with LLMs: An Error Taxonomy and A Study on Configuration Knowledge Injection},
author = {Roman Nekrasov and Stefano Fossati and Indika Kumara and Damian Andrew Tamburri and Willem-Jan van den Heuvel},
journal= {arXiv preprint arXiv:2512.14792},
year = {2025}
}
备注
Submitted to ACM