面向无幻觉需求复用的神经符号智能体

面向需求编写与管理的对象导向方法（OOMRAM）是一种需求复用框架，依赖于精确标识符匹配和刚性模板，限制了其在跨越多样化情境下调整规范的能力。虽然大型语言模型（LLM）提供了克服这一瓶颈的灵活性，但会引入生成结构无效或不一致需求组合的风险。为解决这一矛盾，我们提出了一种神经符号多智能体系统，将需求复用重新概念化为模型驱动的需求收集过程。在此范式中，LLM 作为遍历由形式化 OOMRAM 需求格表示的确定性领域模型的非确定性启发式方法。一种确定性、符号化的验证器在智能体循环中强制执行所有结构约束，有效地通过构造消除幻觉需求组合。在两个应用族上的自主基准评估中，我们的系统实现了 100% 的需求覆盖率，仅有 0.2% 的约束违规率。尽管相对于单一黄金标准的 F1 分数适中（0.47-0.51），但每生成的规范都是结构有效的，并且满足所有强制的领域需求。该模型无关的实现通过子图导航扩展至更大的格点，并为监管合规提供透明的审计轨迹。