Research Insights Space
К каталогу
paper
conceptual

From Requirements to Architecture: An AI-Based Journey to Semi-Automatically Generate Software Architectures

Разбор исследовательского плана по semi-automatic генерации архитектуры: от требований к архитектурам-кандидатам, их оценке и итеративной эволюции решений.

Открыть PDF

Практика чтения для этого источника ещё не опубликована

Ниже доступен готовый редакционный brief из прежнего каталога. Он даёт контекст, но не засчитывается как lab.

Открыть оригинал

Готовый редакционный разбор

Он сохранён из прежней версии каталога и расположен после самостоятельной практики, чтобы не подменять чтение оригинала готовым пересказом.

Основа главы

Telegram-пост #3028

Разбор paper в рубрике #Architecture с акцентом на процесс и исследовательские вопросы.

Перейти на сайт

Whitepaper

From Requirements to Architecture: An AI-Based Journey to Semi-Automatically Generate Software Architectures

Короткий research paper с дорожной картой по semi-automatic архитектурной генерации.

Перейти на сайт

По посту в tg-канале paper выглядит как исследовательский blueprint: не готовая индустриальная методика, а схема экспериментов по переходу от требований к архитектуре с комбинацией LLM-генерации, инженерной ручной валидации и последующей эволюционной доработки решений.

Первая страница whitepaper From Requirements to Architecture

Первая страница whitepaper (клик по изображению откроет PDF).

TL;DR

  • Paper задает амбициозную рамку: от текстовых требований к нескольким архитектурам-кандидатам с полуавтоматической оценкой качества.
  • Авторы не дают финальных ответов по эффективности подхода, но фиксируют четкие исследовательские вопросы и план валидации.
  • Процесс сочетает автоматизацию LLM и обязательные ручные шаги: refinement артефактов, интерпретация компромиссов и финальный архитектурный выбор.
  • Концептуально это напоминает ICONIX-подход, но в современной AI-обертке с опорой на 4+1 и попыткой автоматизировать ATAM-подобный анализ.

Предложенный pipeline генерации архитектуры

Шаг 1

Шаг 1. Требования -> доменная модель и use cases

LLM получает качественные требования на естественном языке и генерирует первичную доменную модель и набор сценариев использования.

AI-assisted

Шаг 2

Шаг 2. Ручная доработка артефактов

Инженер вручную уточняет модель и use cases, убирая неоднозначности и доменные ошибки до перехода к архитектуре.

Human-in-the-loop

Шаг 3

Шаг 3. Генерация архитектур-кандидатов + ADR

На основе уточненных входов LLM предлагает несколько вариантов архитектуры и фиксирует ключевые архитектурные решения (ADR) с представлением через 4+1, PlantUML и Mermaid.

AI-assisted

Шаг 4

Шаг 4. Оценка архитектур

Кандидаты проходят автоматизированный анализ (ATAM или альтернативы). Если автоматизация ограничена, допускается ручная экспертная оценка.

AI + Manual fallback

Шаг 5

Шаг 5. Итеративные улучшения через промпты

Архитектуры-кандидаты дорабатываются итеративно: в промптах задаются корректировки по quality attributes и обнаруженным рискам.

AI-assisted iterative loop

Шаг 6

Шаг 6. Финальный выбор архитектуры

Итоговый выбор остается ручным: архитектор принимает решение между кандидатами с учетом trade-off и контекста внедрения.

Human decision

Ключевые опоры подхода

4+1 Model

Классическая модель Kruchten (1995) используется как каркас представления архитектур-кандидатов.

PlantUML + Mermaid

Диаграммы выступают форматом фиксации решений, который можно ревьюить и повторно анализировать.

ATAM / trade-off analysis

Оценка архитектур рассматривается как отдельный этап: автоматизируемый при возможности и ручной при необходимости.

Исследовательские вопросы (RQ1-RQ4)

  • RQ1: Can state-of-the-art NLP technology generate reproducible, correct, and elaborate domain models and use case scenarios based on requirements in natural language?
  • RQ2: Can state-of-the-art AI technology generate software architectures based on a domain model, use case scenarios, and requirements that can appropriately fulfill these requirements?
  • RQ3: Can quantitative and qualitative software architecture evaluations and trade-off analyses be automated through the use of AI?
  • RQ4: Does a method for semi-automatic architecture generation improve the architecture's quality while reducing the time required?

План дальнейших исследований

  • Ручной разбор референсных архитектур и восстановление требований, которые к ним привели.
  • Повторная подача этих требований в LLM и генерация архитектур-кандидатов.
  • Сравнение кандидатов с референсной архитектурой через экспертную оценку.
  • Попытка формализовать и автоматизировать оценку качества/компромиссов для воспроизводимого анализа.

Что важно учитывать в интерпретации paper

Сильная сторона

Хорошо сформулирован roadmap: от requirements engineering к архитектурной генерации, оценке quality attributes и итеративной эволюции решений.

Ограничение

В текущей статье практически нет подтвержденных эмпирических результатов; ключевая ценность пока в гипотезе и дизайне будущих экспериментов.

Интересные материалы из референсов и связанных разборов

Software Architecture Metrics: a literature review

Обзор архитектурных метрик и того, как их реально применять в оценке архитектурных решений.

Experiences applying automated architecture analysis tool suites

Практический опыт автоматизированного архитектурного анализа и ограничений tool-based подхода.

Architecture Anti-patterns: Automatically Detectable Violations of Design Principles

Связанный разбор по автоматическому выявлению архитектурных нарушений.

Enhancing Software Design and Developer Experience Via LLMs

Связанный обзор paper о влиянии LLM на дизайн и developer experience.

Связанные главы

QA-guided Architecture Re-Design at Google

Кейс архитектурного редизайна через quality attributes и структурированный trade-off анализ.

Prompt Pattern Sequence for Architecture Decision-Making

Практика пошагового применения LLM в архитектурных решениях, близкая по intent к обсуждаемому paper.

Quality Metrics in Software Architecture

Контекст по метрикам оценки архитектуры, который важен для шага автоматизированного анализа.