REACT（Requirements Engineering with AI for Consistency and Testing） 的目標：

利用大型語言模型（LLMs）將模糊的自然語言需求轉化為結構化形式；

自動檢測需求之間的一致性、衝突和歧義；

自動生成形式化規範和基於需求的測試用例，提高早期驗證覆蓋率；

通過減少人工解釋和手工形式化步驟，提高傳統驗證流程的可擴展性和準確性。

REACT 的技術架構必須同時滿足四個約束

1. 自然語言友好：輸入是英文/中文需求文檔

2. 形式化嚴格：輸出能被 Breach / Spot / NuSMV 等工具消費

3. LLM 可控：LLM 只做語義，不做“裁判”

4. 工程可審計：每一步都有中間產物與版本記錄

REACT 在軟件工程中的具體應用流程和核心機制如下

1. 核心應用流程：從模糊到精確
REACT 將傳統的人工需求工程轉化為一個“AI 輔助、人在迴路”的流水線，主要包含以下幾個階段：
• 輔助撰寫（REACT Author）：解決歧義性 軟件需求通常以自然語言（如普通英語）編寫，容易產生歧義。REACT 利用 LLM 將這些非限制性的自然語言轉換為結構化的受限英語（Restricted English, RE）。
     ◦ 多選項機制： 由於一句話可能有多重含義，LLM 會生成多個“候選”解釋，而不是單一輸出。這迫使工程師明確設計的真實意圖，而不是讓 AI 盲目猜測。
• 語義驗證（REACT Validate）：確保意圖一致 系統通過形式化驗證技術自動區分不同候選需求之間的語義差異，並將其轉化為工程師易於理解的形式（如執行軌跡或具體場景）。
     ◦ 人在迴路（Human-in-the-loop）： 工程師不需要精通複雜的邏輯符號，只需通過查看具體的行為差異來“修剪”錯誤的候選條目，最終鎖定符合真實意圖的需求。這種方式將工程師從繁瑣的語法工作中解放出來，使其專注於高層的語義決策。
• 自動形式化（REACT Formalize）：生成數學規約 一旦需求被驗證，REACT 會將其轉化為嚴格的數學邏輯，例如有限跡線性時序邏輯（LTLf）。這一步通常由工具（如 NASA 的 FRET）輔助完成，使得需求能夠被計算機系統直接推理和驗證，這對於包含 AI 組件（如感知系統）的複雜系統尤為重要，因為它能捕捉不確定性和置信度閾值。
2. 在質量保證與測試中的應用
• 早期一致性分析（REACT Analyze）： 在編寫代碼之前，REACT 可以對形式化後的需求集進行自動分析，檢測其中是否存在邏輯衝突或不一致。這種“左移”的驗證策略可以在設計階段就發現錯誤，防止缺陷傳播到實現階段，從而避免昂貴的返工,。
• 自動化測試生成（REACT Generate Test Cases）： REACT 利用形式化需求自動生成具有覆蓋率保證的測試用例。
     ◦ 可追溯性： 它建立了從需求到測試用例的直接鏈接，確立了全鏈路的可追溯性，這對於滿足航空航天等安全關鍵領域的標準（如 DO-178C）至關重要,。
     ◦ 語義魯棒性測試： 這些測試用例還可以作為輸入，驅動下游工具（如 SemaLens）生成具體的測試視頻或圖像，用於驗證深度神經網絡（DNN）的語義魯棒性,。
3. 關鍵價值與挑戰
• 解決可擴展性瓶頸： 傳統方法要求工程師手工編寫數百條形式化規約，耗時且易錯。REACT 利用 AI 快速生成初稿，工程師只需負責審核，從而大大提高了處理大規模需求的效率,。
• 應對“黑箱”挑戰： 在集成 AI 組件（如自動駕駛感知系統）時，REACT 幫助定義安全邊界和性能閾值，使得原本不可解釋的神經網絡行為能夠在一個明確的形式化框架下被約束和監控。
• 潛在風險： 儘管提高了效率，但該方法也面臨質疑。如果 LLM 本身產生誤解，而工程師審核不嚴，可能引入隱蔽的錯誤。因此，其可靠性仍高度依賴於“人在迴路”的最終裁決能力,。

REACT-E 的企業級技術架構

業務需求（PRD / Jira / 飛書）
         ↓
LLM 需求解析 + 歧義檢測
         ↓
結構化需求 IR（業務對象 / 規則 / 約束）
         ↓
一致性 & 影響分析
         ↓
業務規則 / API 契約 / 測試用例
         ↓
自動化測試 + 迴歸
         ↓
需求-代碼-測試追溯

如有想了解更多軟件設計與架構, 系統IT,企業信息化, 團隊管理 資訊，請關注我的微信訂閲號：

作者：Petter Liu
出處：http://www.cnblogs.com/wintersun/
本文版權歸作者和博客園共有，歡迎轉載，但未經作者同意必須保留此段聲明，且在文章頁面明顯位置給出原文連接，否則保留追究法律責任的權利。 該文章也同時發佈在我的獨立博客中-Petter Liu Blog。