用例优先架构：面向LLM自动开发工业软件的代码幻觉与虚假实现抑制框架
用例优先架构：面向LLM自动开发工业软件的代码幻觉与虚假实现抑制框架
摘要
针对大语言模型（LLM）自动生成工业软件代码时存在代码导入幻觉、业务虚假实现、需求无溯源、人工验证成本高等问题，本文提出一套标准化用例优先架构（UseCase-First Architecture）。该架构以可量化原子用例作为系统唯一需求真相源，建立“需求契约层-代码生成层-双层校验层”三层闭环开发流程，配套代码幻觉检查器与反偷懒校验框架两类自动化校验工具，分别从代码语法依赖、业务执行效果两个维度约束LLM输出。本文基于工程图纸修复工具完成完整对照复现实验，以传统代码优先架构作为对照组，从Token消耗、代码幻觉率、全周期研发耗时、业务校验通过率四项量化指标开展对比。实验复现结果表明：用例优先架构总Token开销较传统架构上升28.7%，但代码初始幻觉率由35%降至26%，自动化修复后代码幻觉清零；业务虚假实现问题完全消除，全流程开发总耗时缩短30.8%，所有业务用例校验通过率100%。该架构可有效约束LLM生成质量，为工业领域AI工具自动化开发提供可复现、可量化、可审计的标准化流程。
关键词：大语言模型；代码生成；用例优先架构；代码幻觉；自动化校验；工业软件
1 引言
1.1 研究背景
大语言模型已广泛应用于自动化代码生成场景，但在工业软件开发中存在两类难以规避的缺陷：一是代码幻觉，模型生成不存在的模块、函数、错误导入路径，引发程序运行异常；二是虚假实现（偷懒输出），模型仅生成文本注释、空逻辑，未完成实质性业务运算，人工核验成本极高。
传统LLM辅助开发采用“需求描述→直接生成代码→人工测试”的代码优先架构，存在三大固有缺陷：
- 需求无标准化约束，自然语言需求模糊，LLM理解偏差不可控；
- 缺乏自动化代码幻觉检测手段，依赖人工逐文件排查依赖错误；
- 无业务层量化校验机制，无法自动识别“只写文字不实现逻辑”的虚假代码。
1.2 现有研究不足
现有代码幻觉抑制研究多聚焦Prompt优化、静态语法检测，仅解决语法层面幻觉；传统用例驱动开发（TDD）面向人工编码，未适配LLM自动生成场景，缺少针对模型虚假实现的专用校验机制；现有工程智能工具研究仅聚焦业务算法，未形成完整可复现的LLM开发管控框架。
1.3 本文工作
- 提出用例优先架构完整三层闭环体系，定义原子用例标准化拆解规范与编写范式；
- 设计两类配套自动化校验工具：代码幻觉检查器、反偷懒校验框架，给出完整运行逻辑；
- 设计可完整复现的对照实验，统一环境、数据集、需求规模，提供全部复现命令、指标计算方式；
- 通过复现实验量化对比两种架构的资源消耗、幻觉水平、开发效率、业务有效性，分析架构优劣与适用边界。
2 相关工作
2.1 LLM代码幻觉检测
代码幻觉分为导入幻觉、逻辑幻觉、接口幻觉。现有方案基于AST静态分析、代码执行验证识别幻觉，但仅针对通用软件，未结合工业业务做结果层校验，无法识别虚假实现。
2.2 用例驱动开发（TDD）
传统TDD流程为“先写测试用例，再实现代码”，面向人工开发，不存在LLM偷懒输出问题；且无标准化用例拆解倍率、量化验收标准，无法直接用于AI自动编码。
2.3 工业图纸智能修复算法
现有CAD图纸修复研究集中于几何去重、断线闭合、图层规整等算法，仅解决业务功能，未讨论LLM自动开发整套工具时的质量管控方案。
3 用例优先架构整体设计
3.1 架构核心范式
核心逻辑反转传统开发流程：原子用例为唯一真相源，代码是用例的附属产物。整体三层架构无人工干预循环，全部流程可自动化执行：
- 需求契约层：原始业务需求拆解为标准化原子用例，每条用例包含可量化输入、输出、验收指标，消除模糊描述；
- 代码生成层：LLM读取全部用例批量生成完整工程代码，包含核心逻辑、功能模块、单元测试、UI程序；
- 双层校验层：
- 幻觉检查器：静态扫描全部Python代码，检测导入路径、不存在类/函数等语法幻觉；
- 反偷懒校验框