[论文阅读] 人工智能 + 软件工程 | 从模糊到精准：模块化LLM agents（REQINONE）如何重塑SRS生成
从模糊到精准：模块化LLM agents（REQINONE）如何重塑SRS生成
论文信息
- 原标题：REQINONE: A Large Language Model-Based Agent for Software Requirements Specification Generation
- 主要作者及机构：
Taohong Zhu, Lucas C. Cordeiro（Department of Computer Science, The University of Manchester, UK）；Youcheng Sun（Mohamed bin Zayed University of Artificial Intelligence, Abu Dhabi, UAE） - APA引文格式：
Zhu, T., Cordeiro, L. C., & Sun, Y. (2025). REQINONE: A Large Language Model-Based Agent for Software Requirements Specification Generation. arXiv preprint arXiv:2508.09648v1 [cs.SE]. https://arxiv.org/abs/2508.09648v1
一段话总结
本文提出了基于大语言模型（LLM）的智能体REQINONE，通过将软件需求规格说明书（SRS）生成任务拆解为“总结”“需求提取”“需求分类”三个子任务，并为每个任务设计定制化提示模板，解决了传统手动撰写SRS耗时、模糊，以及现有LLM方法易产生幻觉、可控性差的问题。实验表明，REQINONE生成的SRS在准确性、结构性上优于现有自动化方法和初级需求工程师的产出，且其需求分类性能与当前最优模型相当甚至更优，相关代码、数据集已开源。
研究背景
软件需求规格说明书（SRS）是软件项目的“蓝图”，定义了系统功能、约束和运行环境，直接影响设计、开发和测试环节。但写好一份SRS并不容易：
- 手动撰写的痛点：用自然语言描述易导致模糊、矛盾（比如“系统应快速响应”中的“快速”没有量化标准），且需反复沟通，耗时费力。
- 现有工具的局限：像Visual Paradigm、ReqView等工具虽提供模板，但仍需大量手动输入，无法自动生成内容；部分自动化方法（如NLSSRE）仅能提取需求，无法生成完整SRS（如用例、术语表）。
- LLM方法的问题：近年LLM（如GPT、LLaMA）被用于SRS生成，但直接让模型“一步到位”写完整SRS，容易出现“幻觉”（生成不存在的需求），且难以保证各部分结构一致。
打个比方：手动写SRS像用手写信，慢且易出错；传统工具像给了信纸模板，但内容还得自己填；直接用LLM生成像让AI代笔，可能写得流畅但偏离原意。REQINONE的目标就是让AI“按步骤写”，既快又准。
创新点
- 模块化任务拆解：将复杂的SRS生成拆分为“总结”“需求提取”“需求分类”三个子任务，让LLM专注于单一目标，避免“一步到位”的混乱。
- 定制化提示模板：每个子任务都有专属模板，比如提取任务要求用固定格式（“The <主体> shall <动作> when <条件>”），分类任务提供11种非功能需求的定义和关键词，减少幻觉并保证一致性。
- 高可扩展性：支持用户自定义SRS模板（只需修改提示模板），非功能需求的分类也可根据项目调整，适应不同场景。
研究方法和思路
REQINONE的工作流程分三步，像流水线一样生成SRS：
-
总结任务
- 目标：生成SRS中的“引言”“利益相关者”“用例”“术语表”等概括性内容。
- 方法：通过提示模板让LLM扮演“需求助手”，基于输入文本回答预设问题（如“文档面向谁？”），并要求标注内容来源（避免幻觉）。
-
需求提取任务
- 目标：从输入文本中提取结构化需求。
- 方法：用模板定义“需求”为“产品必须满足的物理或功能需求”，并强制按固定格式输出（如“系统在用户登录时应验证密码”），同时附带来源和提取理由。
-
需求分类任务
- 目标：将提取的需求分为“功能需求（FR）”和“非功能需求（NFR）”，并细化NFR为可用性、性能等11个子类。
- 方法：模板提供FR/NFR定义、NFR子类关键词（如“可用性”关联“uptime”），并附示例（如“系统应24小时可用”属于可用性需求）。
主要贡献
| 核心贡献 | 具体说明 |
|---|---|
| 生成高质量SRS | REQINONE（GPT-4o）在一致性、完整性等指标上超越基线方法和初级工程师。 |
| 提升需求质量 | 生成的需求更明确、正确（LLaMA3驱动时表现最优），因结构化模板减少了模糊性。 |
| 优异的分类性能 | 在PROMISE数据集上与NoRBERT相当，在新数据集ReqFromSRS上表现更优（泛化性强）。 |
| 开源资源支持研究 | 提供代码、提示模板、数据集（ReqFromSRS）和实验结果：https://github.com/TaohongZ/ReqInOne。 |
关键问题（问答形式）
-
REQINONE如何解决LLM生成SRS时的“幻觉”问题？
答：通过要求所有内容附带来源（如总结内容标注来自输入文本哪部分，提取的需求附提取理由），强制LLM基于输入生成，减少无依据内容。 -
为什么要把SRS生成拆分为三个子任务？
答：复杂任务一步完成时，LLM易出错；拆解后每个任务更简单，LLM可专注提升单一环节质量，整体效果更优。 -
REQINONE支持自定义SRS模板吗？
答：支持。用户只需修改总结任务的提示模板，定义新模板中的概括性 sections 即可。 -
与直接用GPT-4生成SRS相比，REQINONE的优势是什么？
答：REQINONE生成的SRS在可追溯性等指标上更优，且GPT-4o成本仅为GPT-4的1/12，更划算。
总结
REQINONE通过模块化设计和定制提示模板，让LLM生成SRS的过程更可控、结果更优质，既解决了手动撰写的低效问题，又克服了现有LLM方法的缺陷。实验证明其在SRS质量、需求分类上的优势，且开源资源为后续研究提供了便利。未来若加入自动化验证机制，有望进一步提升SRS的可靠性。