Towards LLM-Assisted Architecture Recovery for Real-World ROS~2 Systems: An Agent-Based Multi-Level Approach to Hierarchical Structural Architecture Reconstruction

Resumo Técnico: Recuperação de Arquitetura Assistida por LLM para Sistemas ROS 2 do Mundo Real

Declaração do Problema
Modelos explícitos de arquitetura de software são críticos para analisar e evoluir sistemas complexos, contudo, frequentemente estão ausentes, desatualizados ou inconsistentes em projetos de software de longa duração. Esta questão é particularmente aguda em sistemas ciber-físicos distribuídos baseados no Robot Operating System 2 (ROS 2). No ROS 2, a composição estrutural hierárquica e as semânticas de integração são frequentemente codificadas implicitamente em artefatos dispersos, incluindo código-fonte, arquivos de construção, arquivos de lançamento e arquivos de parâmetros. Diferentemente de sistemas tradicionais, as instâncias de nós de tempo de execução do ROS 2, namespaces, remapeamentos e composições induzidas por lançamento raramente são mantidas em um modelo arquitetônico completo.

As abordagens de recuperação existentes focam principalmente em entidades de nível de nó e fiação de comunicação, oferecendo suporte limitado para recuperar a composição (des)estrutural hierárquica através de múltiplos níveis de abstração. Embora os Modelos de Linguagem Grandes (LLMs) mostrem promessa na inferência de relações semânticas a partir de artefatos heterogêneos, a recuperação baseada em LLMs sem restrições corre o risco de produzir elementos alucinados, incompletos ou estruturalmente não suportados devido à falta de orientação arquitetônica específica do sistema. Trabalhos anteriores dos autores demonstraram que uma abordagem guiada por blueprint poderia restringir a síntese de LLMs, mas mostrou diminuição no recall em repositórios com composição complexa induzida por lançamento e semânticas de integração distribuída.

Metodologia
Este artigo apresenta uma abordagem aprimorada, baseada em agentes e multinível, para a reconstrução de arquitetura estrutural hierárquica para sistemas ROS 2. A metodologia mantém o conceito de modelagem baseado em UML do trabalho anterior dos autores, mas refina o processo de recuperação através de uma estratégia em estágios que introduz artefatos intermediários explícitos para guiar a síntese de LLMs.

O pipeline proposto opera em três estágios distintos:

1. Identificação de Nós Atômicos (NodeAnalyzer):
   O processo começa com a extração determinística de definições de nós atômicos do ROS 2 a partir de arquivos de origem. O agente NodeAnalyzer produz um artefato JSON estruturado intitulado "Lista de Nós ROS Atômicos". Este artefato agrega evidências de origem em nível de repositório em um inventário unificado, registrando a identidade do nó, propriedade da origem, linguagem de implementação (Python/C++) e pontos de entrada de execução. Isso serve como um índice em nível de origem para estágios subsequentes.

2. Análise de Dependências de Lançamento (LaunchFileAnalyzer):
   Antes da síntese em nível de sistema, o agente LaunchFileAnalyzer gera uma "Descrição de Dependência de Arquivo de Lançamento" (JSON). Este artefato modela explicitamente a organização no momento do lançamento, incluindo:

   • Cadeias de inclusão de arquivos de lançamento.
   • Instanciações diretas de nós.
   • Escopos de namespaces e relações de remapeamento.
   • Instâncias de nós em tempo de execução (distinguindo entre definições de origem e suas configurações em tempo de execução).
     Esta etapa separa definições em nível de origem de instâncias em nível de sistema, fixando identidades de nós e dependências antes da síntese final.

3. Síntese Guiada por Blueprint em Estágios:
   O estágio final emprega um agente SystemArchitectureConstructor. Diferentemente de abordagens anteriores que sintetizavam subsistemas diretamente a partir de artefatos brutos, este agente utiliza um contrato de prompt refinado. O prompt é um modelo reutilizável que incorpora a "Lista de Nós ROS Atômicos" e a "Descrição de Dependência de Arquivo de Lançamento" como contexto estruturado.

   • Engenharia de Prompt: O prompt define o papel do agente, objetivos, história de fundo e saída esperada, restringindo estritamente a síntese às evidências fornecidas.
   • Síntese: O agente alinha o contexto de tempo de execução (da descrição de dependência) com as definições em nível de origem (da lista de nós) e interfaces em nível de componente para gerar um modelo de arquitetura composto final em PlantUML.
   • Validação: A saída é validada contra o blueprint baseado em UML, que define o vocabulário arquitetônico alvo (por exemplo, AtomicRosNodeClassifier, ComposedRosNodeClassifier, RosNodePart) e restrições estruturais.

Contribuições Principais

• Estratégia de Recuperação em Estágios: A introdução de artefatos intermediários explícitos (listas de nós baseadas em JSON e descrições de dependência de lançamento) que desacoplam a análise em nível de origem da análise de composição em tempo de execução. Isso reduz a ambiguidade semântica e melhora a controlabilidade da síntese assistida por LLM.
• Contratos de Prompt Refinados: Um mecanismo de prompt estruturado que integra artefatos intermediários diretamente no contexto do LLM, garantindo que a arquitetura gerada esteja fundamentada em evidências específicas do repositório e não em conhecimento geral.
• Reconstrução Multinível: A abordagem reconstrói com sucesso a arquitetura através de dois níveis de abstração:
  • Nível Atômico: Definições em nível de implementação de nós individuais.
  • Nível Composto: Hierarquias de subsistemas induzidas por lançamento, incluindo propagação de namespaces e remapeamento.

Avaliação Experimental
A abordagem foi avaliada no estudo de caso BrickByBrick, um sistema real de desmontagem automatizada de produtos que apresenta braços robóticos cooperativos, artefatos heterogêneos do ROS 2 e domínios funcionais complexos (visão computacional, planejamento de movimento, interface com hardware). O sistema compreende aproximadamente 1.500 linhas de código Python distribuídas em 4 pacotes, 10 classes de nós e 1 arquivo de lançamento.

A avaliação comparou os modelos PlantUML recuperados contra um modelo de referência construído manualmente usando precisão, recall e escores F1 em elementos específicos de métricas arquitetônicas (por exemplo, nomes de classificadores, tipos de mensagens, tipos de serviço).

• Resultados em Nível Atômico: A recuperação de elementos AtomicRosNodeClassifier (ACD) alcançou pontuações perfeitas: Precisão = 1,0, Recall = 1,0, F1 = 1,0. Isso indica que o processo refinado preserva capacidades fortes de recuperação em nível de implementação.
• Resultados em Nível Composto: A recuperação de elementos ComposedClassifierDiagram (CCD), representando a composição de subsistemas, alcançou Precisão = 1,0, Recall = 0,95 e F1 = 0,98.
  • A precisão perfeita sugere que todos os elementos gerados em nível de sistema são estruturalmente suportados por evidências do repositório.
  • A pequena lacuna no recall (0,95) indica um pequeno número de relações de composição induzidas por lançamento ausentes, destacando que a reconstrução completa das semânticas de integração permanece desafiadora quando os limites são codificados implicitamente.

Significado e Alegações
O artigo alega que a abordagem proposta em estágios e guiada por blueprint melhora significativamente a consistência estrutural, escalabilidade e robustez da recuperação de arquitetura em comparação com métodos anteriores de síntese direta. Ao tornar explícitas as evidências intermediárias de recuperação, a abordagem reduz o risco de alucinação e melhora a rastreabilidade de artefatos de implementação para modelos arquitetônicos.

Os autores concluem modestamente que, embora o método recupere com sucesso representações arquitetônicas de alta fidelidade a partir de artefatos heterogêneos do ROS 2, desafios permanecem quanto à reconstrução completa de composição complexa induzida por lançamento e semânticas de integração dinâmicas. Trabalhos futuros são identificados como focando na formalização do conceito de modelagem em um perfil UML mais explícito, estendendo o suporte para construtos complexos de lançamento (propagação de namespaces, remapeamento) e incorporando evidências comportamentais ou de tempo de execução para complementar a recuperação estática.