背景介绍

SysML v2是新一代的系统建模规范，在语义规范、文本化建模和工具集成能力等方面相比SysML v1有了显著的提升，也更适用与AI大模型的结合。

大语言模型（Large Language Model，LLM）是一类能够理解、生成和推理自然语言的人工智能模型。借助其文本理解、结构化生成和推理能力，可以辅助完成需求分析、模型生成、语法校验和设计迭代。

SysML v2的标准化文本语法，使其构建出的模型更容易被LLM理解和生成，为“AI + MBSE”的创新实践提供了技术路径。

本文以新型核动力滑翔炸弹作为案例，介绍在华望自主研发的新一代系统建模平台M-Design v2和AI插件工具上呈现LLM驱动SysML v2建模的典型场景、流程与实践方法。

通用技术路线

在面向复杂系统的智能建模时，应构建“多源输入—LLM生成—工具校验—迭代优化—模型输出”的闭环流程（如图1所示）。LLM在解析需求文档等多源素材后生成SysML v2文本代码，在M-Design v2工具中编译校验并迭代优化获得最终的案例模型。

图 1 通用技术路线示意图

案例解析

新型核动力滑翔炸弹是一类涉及动力、气动、热、结构和控制等多学科相关的复杂系统。本案例采用“LLM + SysML v2”的方法开展系统的设计与建模，通过LLM辅助生成SysML v2文本模型，进而实现需求、功能、架构、接口和验证关系的一体化表达，提升复杂系统在正向设计时的建模效率与数据一致性。

◆ 多源输入

在多源输入阶段，充分利用大模型的语义理解能力，汇集核动力滑翔炸弹的需求文档、技术方案、会议纪要、领域知识等多类型的非结构化素材，并对分散的设计信息进行统一组织与关联分析，为后续生成文本模型做准备。

◆ LLM智能建模

将多源素材输入大模型后，结合预设的建模指令，引导LLM进行语义理解与模型推理，生成符合SysML v2语法规范、可被建模工具M-Design v2解析的文本化的模型代码。

在此步骤，采用分层与分阶段的方式生成模型，逐步完成需求、功能、架构、接口和验证模型的构建（如图2所示）。

图 2  LLM分阶段生成代码过程的示意图

◆ 模型执行

将SysML v2文本代码导入建模工具M-Design v2中，可自动解析代码并同步生成对应模型的结构、关系和视图（如图3所示）。

 图 3  M-Design v2软件解析LLM建模的界面图

◆ 校验与迭代

受限于不同大模型的能力，不同厂商、版本生成的模型可能存在一定的语法差异和兼容问题，需要结合工具校验结果进行代码的调整与优化（如图4所示）。借助LLM学习已有项目中的SysML v2文本代码的样例，并结合标准语法和建模经验，对生成的代码进行格式匹配与优化修订，提升模型代码的兼容性与可用性。

图 4  M-Design v2校验代码语法的界面图

以M-Design V2工具自带的AI智能agent为例：对SysML v2代码进行检查，识别语法与兼容问题，提出修改建议后通过迭代优化生成可用模型（如图5所示）。

图 5  M-Design v2 自带AI智能agent给出修改意见的界面图

◆ 模型成果示例

基于“LLM+SysML v2”智能建模方法，构建了核动力滑翔炸弹的系统模型。图 6展示了LLM分阶段建模过程中需求、行为/用例和架构模型的生成结果，实现了从需求分析到架构设计的分步构建。

图 6  LLM辅助构建的需求-行为-架构模型界面图

LLM分阶段建模过程中的个体配置与模型分析，可识别出关键的设计变量、生成变体点的定义及不同方案的配置模型，实现了系统多方案的灵活表达与设计权衡（如图7所示）。

图 7  LLM辅助构建的变体点分析界面图

采用SysML v2通用视图展示模型包之间的关系，通过包层级与依赖关系的可视化方式，可实现模型的快速定位与导航，提升了复杂系统模型的组织管理（如图8所示）。

图 8  M-Design v2生成包层级关系的界面图

总结

本文依托M-Design v2平台，探索了LLM驱动的SysML v2建模方法。通过多源信息解析、分阶段模型生成、工具校验与迭代优化，实现了需求、行为、架构等模型的分阶段构建与关联表达。该实践为提高建模效率、保持模型一致性提供了可行的路径，也体现了SysML v2文本化建模与AI大模型结合的应用潜力。随着AI大模型能力的提升、领域知识的融入和建模工具的完善，LLM与SysML v2的融合有望拓展复杂系统智能建模的应用场景，推动系统工程向模型驱动、知识赋能与人机协同的新范式演进。