Resumo Técnico: Agentes Neuro-Simbólicos para Reutilização de Requisitos Livre de Alucinações

1. Declaração do Problema

A Engenharia de Requisitos (ER) é inerentemente custosa e propensa a erros. Embora a reutilização de requisitos validados de linhas de produtos de software (por exemplo, por meio do Método Orientado a Objetos para Autoria e Gestão de Requisitos, ou OOMRAM) ofereça uma estratégia para reduzir o esforço, os frameworks existentes enfrentam um gargalo crítico: correspondência exata de identificadores. A recuperação tradicional do OOMRAM exige que os usuários especifiquem IDs de requisitos precisos, impedindo a geração automática de especificações a partir de descrições de projeto em linguagem natural.

Os Modelos de Linguagem Grandes (LLMs) oferecem a flexibilidade linguística para interpretar visões vagas das partes interessadas e mapeá-las para requisitos. No entanto, os LLMs são propensos a alucinações, como inventar identificadores inexistentes, ignorar restrições obrigatórias ou combinar opções mutuamente exclusivas. As ferramentas atuais de ER que utilizam LLMs frequentemente carecem de garantias formais de correção, deixando as especificações geradas vulneráveis a inconsistências lógicas e invalidade estrutural, o que é particularmente perigoso em domínios críticos para a segurança ou altamente regulamentados.

2. Metodologia: Um Sistema Multi-Agente Neuro-Simbólico

Os autores propõem uma arquitetura neuro-simbólica multi-agente que re-conceptualiza a reutilização de requisitos como um processo de Elicitação Orientada a Modelos. O sistema operacionaliza o lattice formal do OOMRAM como um modelo de domínio determinístico, utilizando um LLM apenas como uma heurística não determinística para percorrer esse modelo.

Arquitetura Central

Construído sobre o LangGraph, o sistema emprega quatro agentes especializados que compartilham um estado tipado (AgentState):

1. Navegador: Simula uma travessia em profundidade (depth-first) do lattice de requisitos, selecionando o próximo nó discriminante a expandir com base na visão do projeto e no estado atual.
2. Interpretador (LLM): Um agente não determinístico (usando llama3.1:8b com temperatura 0) que interpreta a visão em linguagem natural e propõe um conjunto de IDs de requisitos filhos para o nó atual. Ele produz saída em JSON estruturado.
3. Validador (Simbólico): Um componente determinístico e algorítmico (Python puro, sem LLM) que atua como uma barreira de segurança em tempo de execução. Ele verifica cada seleção proposta contra as restrições de satisfatibilidade booleana do esquema do lattice ($\Phi$). Ele impõe:
   • Requisitos Centrais: Todos os nós obrigatórios devem ser selecionados.
   • Adaptador Único (SA/XOR): Exatamente um filho deve ser selecionado.
   • Adaptador Múltiplo (MA/OR): Pelo menos um filho deve ser selecionado.
   • Integridade Estrutural: Nenhum nó órfão (um filho não pode ser selecionado sem seu pai).
   • Mecanismo: Se uma violação for detectada, o Validador rejeita a proposta e retorna um log de erro ao Interpretador, forçando uma revisão. Este loop continua até que as restrições sejam satisfeitas.
4. Escriturário: Compila o conjunto final e validado de IDs de requisitos em uma especificação formatada.

Estratégias Técnicas Chave

• Navegação em Subgrafos: Para lidar com lattices industriais grandes e prevenir falhas de raciocínio "perdidos no meio", o sistema restringe o contexto do Interpretador a um subconjunto localizado (fronteira) do lattice em cada etapa. Isso garante tamanho de contexto constante ($O(1)$) e escalabilidade linear ($O(N)$) com o número de pontos de decisão.
• Roteamento Semântico: Um roteador preliminar usa embeddings de transformadores de frases para selecionar a família de lattice apropriada (por exemplo, eRecordKeeping, SmartHome) com base no texto da visão de entrada, permitindo suporte multi-domínio sem seleção manual.
• Especificação Formal: O sistema define o lattice como um Grafo Acíclico Direcionado (DAG) $L = (V, E, T, \Phi)$ e impõe um predicado de consistência global $\Psi(S)$, garantindo que o conjunto final de seleção seja uma instância válida do metamodelo.

3. Contribuições Principais

1. Operacionalização do OOMRAM para a Era dos LLMs: Este é o primeiro trabalho a substituir a seleção por ID exato por uma travessia em linguagem natural impulsionada por LLM, tornando o lattice formal do OOMRAM prático para a ER moderna.
2. Mitigação Determinística de Alucinações: A introdução de um Validador totalmente determinístico que atua como um guardião codificado rigidamente. Ao impor restrições algorítmicamente dentro do loop de geração, o sistema elimina completamente combinações ilegais de requisitos, em vez de depender de filtragem heurística.
3. Benchmarks Autônomos Reprodutíveis: Os autores fornecem um benchmark demonstrando travessia confiável, violações de restrições próximas de zero e validade estrutural completa em diversas famílias de aplicação.
4. Implementação Agnóstica a Modelos: Um framework de código aberto construído sobre LangGraph e Ollama local, projetado para escalar para lattices industriais maiores e garantir privacidade/reprodutibilidade.

4. Avaliação Experimental e Resultados

O sistema foi avaliado em modo de simulação autônoma em dez visões de projeto extraídas de duas famílias de aplicação: o lattice original eRecordKeeping (aproximadamente 60 requisitos) e um lattice sintético SmartHome (aproximadamente 20 requisitos). O corpus foi expandido para incluir 12 famílias fundamentadas em padrões do mundo real (por exemplo, ISO 26262, ISO 20022, TM Forum eTOM).

Resultados Quantitativos

• Validade Estrutural: O sistema alcançou 100% de conclusão e 100% de validade estrutural em todas as visões testadas.
• Violações de Restrições: A taxa final de violação de restrições foi de 0,2% (1 violação detectada e corrigida durante o processo). Em contraste, um estudo de ablação removendo o Validador resultou em uma taxa média de violação de 5,1 e apenas 14% de validade estrutural.
• F1-Score: Em comparação com padrões-ouro criados manualmente, o F1-score variou de 0,47 a 0,81. Os autores argumentam que essa pontuação moderada não é uma falha, mas uma consequência do vasto "Espaço de Configuração Válida" em linhas de produtos, onde existem múltiplas escolhas opcionais/alternativas legítimas.
• Latência: A latência média de relógio foi de 210 segundos por visão, com uma média de 78 chamadas de LLM. O Validador adicionou tempo de execução negligenciável.

Achados Qualitativos

• Conflito Intencional: O sistema navega com sucesso em conflitos onde o LLM tenta satisfazer desejos das partes interessadas (por exemplo, "sistema barato") violando restrições obrigatórias (por exemplo, segurança). O Validador rejeita essas tentativas, forçando o LLM a encontrar uma alternativa compatível (por exemplo, selecionando a opção válida mais barata).
• Tipologia de Erros: As alucinações pré-validação variaram por domínio (por exemplo, erros de cardinalidade em RH/Folha de Pagamento, órfãos estruturais em Telecomunicações, negligência de restrições em Rede Inteligente), mas o Validador simbólico reduziu a taxa final de erro para 0% em todos os casos.

5. Significado e Alegações

O artigo afirma que o futuro da automação da ER não reside em escalar os parâmetros dos LLMs, mas no acoplamento harmonioso do raciocínio probabilístico neural com lógica simbólica codificada rigidamente.

• Mudança nas Métricas: Os autores argumentam que, para ER de alta conformidade, a Taxa de Validade Estrutural (SVR) e o Recall Obrigatório são métricas mais críticas do que as métricas tradicionais de PLN, como Precisão ou F1-score. Alcançar 100% de SVR prova que o sistema transforma a geração estocástica em um processo de engenharia formal.
• IA Confiável: Ao separar a compreensão de linguagem aberta do LLM de um executor de restrições baseado em regras, o sistema fornece um pipeline confiável que previne a deriva de especificação, mantendo a flexibilidade de interpretar visões vagas.
• Escalabilidade: A estratégia de navegação em subgrafos garante que o sistema possa teoricamente escalar para lattices industriais sem degradar a qualidade do raciocínio, desde que a janela de contexto permaneça constante.

O trabalho conclui que, embora os LLMs sejam úteis para interpretar intenções, eles são fundamentalmente não confiáveis para lógica estrutural, uma tarefa que deve ser delegada a componentes simbólicos para garantir a reutilização de requisitos livre de alucinações.