利用大语言模型支持文本领域特定语言定义与实例的协同演化：一项系统性评估
软件工程
2026-02-13 v1 人工智能
摘要
软件语言会因功能添加等原因随时间演化。当语法演化时，原本符合该语法的文本实例可能变得过时。虽然模型驱动工程提供了许多用于模型与元模型协同演化的技术，但这些方法并非为文本领域特定语言（DSL）设计，且可能丢失布局和注释等与人类相关的信息。本研究系统性地评估了大语言模型（LLM）在协同演化文本DSL的语法与实例方面的潜力。使用Claude Sonnet 4.5和GPT-5.2，在十个案例语言上各运行十次，我们评估了正确性和人类导向信息的保留程度。结果表明，在小规模案例上性能强劲（对于修改行数少于20行的实例，精确率和召回率均≥94%），但性能随规模增大而下降：Claude在40行时保持85%的召回率，而GPT在最大实例上失败。响应时间随实例大小显著增加，且语法演化复杂性和删除粒度对性能的影响大于变更类型。这些发现阐明了基于LLM的协同演化在何种情况下有效，以及当前局限所在。
引用
@article{arxiv.2602.11904,
title = {Leveraging LLMs to support co-evolution between definitions and instances of textual DSLs: A Systematic Evaluation},
author = {Weixing Zhang and Bowen Jiang and Yuhong Fu and Anne Koziolek and Regina Hebig and Daniel Strüber},
journal= {arXiv preprint arXiv:2602.11904},
year = {2026}
}