MAS4SysML：一个用于自然语言生成SysML v2模型的多代理框架

Summary

该协议提出了MAS4SysML，这是一种多智能体方法，通过协调任务划分自动生成SysML v2代码，无需少量修复迭代，显著减少手工建模时间，同时提升系统建模效率。

Abstract

自动从自然语言需求生成准确的SysML模型，可以显著加速基于模型的系统工程（MBSE）在复杂系统开发中的采用。然而，使用大型语言模型（LLMs）生成模型代码往往无法满足形式建模语言严格的语法约束，确保生成模型与需求之间的语义一致性依然具有挑战性。为应对这些挑战，本文介绍了MAS4SysML，一个多代理协作框架，用于SysML v2代码生成，在有限的修复预算下提升语法正确性和语义一致性。该框架将建模任务分解为层级子任务，形式化为结构化任务卡，并以自下而上的方式生成模型代码。在生成过程中，语法诊断使用官方验证环境;完成后，框架验证代码与任务卡之间的语义一致性。如果语法或语义验证失败，框架会在预设的修复预算内反复修复和重新验证代码，并以诊断反馈为指导，直到验证标准满足或预算耗尽。为评估所提方法，我们构建了一个涵盖五种核心任务类型——需求、用例、结构、参数和状态机——的SysML v2数据集，并进行了比较实验。结果显示，MAS4SysML将平均语法错误率降低至2.63，语义相似度提升至0.91，整体表现优于现有代码生成方法。

Introduction

MBSE已成为需求分析、系统架构设计和验证规划中，航空和^航空航天等领域复杂设备开发的关键方法论。利用SysML等统一建模语言作为建模骨干，信息——包括需求、结构、行为和约束——可以组织成连贯的模型框架，提升流程结构和跨学科协作效率².然而，随着系统规模的持续扩大，需要开发的模型数量相应增加，导致手动SysML建模的工作量持续增加。此外，建模师必须在严格的语法和方法论约束下工作，这需要丰富的专业知识和强大的抽象能力。这些因素已成为MBSE³工程采用的主要瓶颈。

近年来，LLM展现了在自然语言理解、结构化信息表示和代码生成方面的强大能力，为从自然语言向代码⁴自动化MBSE建模开辟了新机遇。此前的研究曾探索过利用^{LLMs 5}直接生成SysML模型代码的方法。然而，仍然存在重大挑战。在语法上，SysML 的类型系统、作用域机制和引用语义受严格的形式约束，通常比通用编程语言⁶ 更为复杂。从语义上讲，LLM可能无法完全捕捉行为逻辑、结构关系和跨层约束，导致缺少关系、逻辑不一致^或模型不完整。这....

Protocol

MAS4SysML 框架的代码生成过程在 补充文件 1 中进行了总结。需要注意的是，本研究并不旨在实现从自然语言中一次性生成一个完整的系统模型，且严格符合交叉视图一致性，包括需求、结构、参数和行为。相反，该协议专注于生成几种代表性的 SysML v2 视图代码类型。

第一阶段：任务分析
工作流程从任务解析开始。该系统向任务结构生成代理提供自然语言建模意图，该代理输出任务卡集。为了确保后续世代的可执行和可重复，每张任务卡至少必须包含：（i） 任务标识符，（ii） 依赖关系，以及 （iii） 验证所需的关键建模信息，如建模目标、约束/边界条件、参数槽、实例化值以及预期输出。该阶段输出 task_card_set，作为后续模型代码生成的统一基础。

第二阶段：迭代代码生成
在迭代生成中，系统将代码上下文prev_code初始化为空状态，并根据依赖字段确定的顺序顺序为每个任务卡生成代码。对于每个任务卡，代码生成代理会将当前任务卡和上下文代码作为输入，生成candidate_code，然后立即调用语法验证模块进行检查。该模块使用官方的 SysML v2 验证环境验证代码并返回诊断结果。如果验证成功，<....

Results

基线模型评估
我们首先选定了几个主流大型语言模型，并使用直接的模型到代码生成进行了初步性能测试，包括CodeX（175B）¹⁹、CodeGen-Mono（16.1B）²⁰、PaLM Coder（62B）²¹、Alphacode（1.1B）²²、Incoder（6.7B）²³和code-davinci-002（175B）²⁴。如 表2所示，code-davinci-002（175B）²⁴ 在SER和SCS指标上均表现最佳。因此，code-davinci-002（175B）被选为本研究评估各种代码生成策略的基础LLM。这些策略评估的结果总结于 表2

Discussion

我们提出了MAS4SysML，一个多智能体协作框架，用于半自动化SysML v2模型代码生成。该框架由四个功能互补的代理组成。在生成过程中，它（i）利用基于任务树的结构分层分解自然语言建模需求，并将其形式化为结构化任务卡，（ii）根据这些卡中指定的约束和依赖关系，自下而上生成SysML v2模型代码。在生成过程中，基于官方 SysML v2 验证环境构建的语法验证模块执行语法诊断并返回以修复为导向的反馈。代码生成后，框架进一步检查关键任务卡字段的语义一致性，提升生成代码的可执行性及其与预期需求的一致性。

MAS4SysML为将自然语言建模意图转化为SysML v2模型代码提供了实用路径。它有助于降低复杂设备开发中手工建模的成本和学习负担，并通过闭环验证过程提高迭代效率。相较于模板或规则驱动的模型生成方法35，MAS4SysML避免了大规模手动模板维护，能够在结构化任务卡约束下以更低的工程成本适应多样化建模任务，同时通过验证反馈提升输出稳定性和可执行性。与仅使用LLMs.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
LangChain	LangChain（开源项目）	v1.0.8;https://github.com/langchain-ai/langchain	LLM交互与代理编排框架
LangGraph	LangChain（开源项目）	v1.0.3;https://github.com/langchain-ai/langgraph	多智能体工作流执行框架
蟒蛇	Python 软件基础	3.10.x;https://www.python.org/downloads/release/python-3100/	MAS4SysML 实现的主要编程语言
SysML v2 试点实现	对象管理组（OMG）	（提供发行/标签版本）;https://github.com/Systems-Modeling/SysML-v2-Pilot-Implementation	用于语法验证和模型解析