查询大型汽车软件模型：智能体方法与直接LLM方法
软件工程
2025-06-17 v1 人工智能
摘要
大语言模型（LLMs）为通过自然语言与复杂软件制品（如软件模型）进行交互提供了新机会。它们对于难以整体把握的大型软件模型尤其具有前景，使传统的交互和分析方法面临挑战。本文研究了利用LLMs回答软件模型问题的两种方法：直接提示法，即将整个软件模型提供在上下文中，以及智能体方法，即将基于LLM的智能体与通用文件访问工具相结合。我们使用一种专为汽车和嵌入式领域的时序分析和软件优化设计的Ecore元模型来评估这些方法。我们的结果表明，虽然智能体方法达到了与直接提示法相当的准确率，但在令牌使用量方面显著更高效。这种效率使智能体方法特别适合汽车工业，因为软件模型的大型规模使直接提示法不可行，从而确立了LLM智能体不仅是实用的替代方案，而且是唯一可行的解决方案。值得注意的是，评估使用的是可在本地执行的小型LLMs，这是满足隐私、知识产权保护和法规合规性严格要求的重要优势。未来工作将研究多种格式的软件模型，探索更复杂的智能体架构，并将智能体工作流扩展以支持不仅查询而且修改软件模型。
引用
@article{arxiv.2506.13171,
title = {Querying Large Automotive Software Models: Agentic vs. Direct LLM Approaches},
author = {Lukasz Mazur and Nenad Petrovic and James Pontes Miranda and Ansgar Radermacher and Robert Rasche and Alois Knoll},
journal= {arXiv preprint arXiv:2506.13171},
year = {2025}
}