Development and Evaluation of a Retrieval-Augmented Generation Tool for Creating SAPPhIRE Models of Artificial Systems

使用SAPPhIRE因果模型来表示系统在支持类比设计方面是有用的。然而，创建人工或生物系统的SAPPhIRE模型是一项耗费精力的过程，需要人类专家从多个技术文件中获取有关系统运作方式的技术知识。本研究探讨如何利用大型语言模型（LLMs）来创建使用SAPPhIRE因果模型的系统的结构化描述。本文是两部分研究的第二部分，介绍了一种新的检索增强生成（RAG）工具，用于生成与人工系统的SAPPhIRE构造相关的信息，并报告了工具成功的初步评估结果——重点关注结果的事实准确性和可靠性。

如何利用大型语言模型（LLMs）创建系统的SAPPhIRE模型，以支持设计比拟？本研究试图解决这一问题。

本文提出了一种新的检索增强生成（RAG）工具，用于生成与人工系统的SAPPhIRE结构相关的信息。该工具利用LLMs生成技术和人类专家的知识，实现了自动化生成SAPPhIRE模型的过程。

本文的实验结果表明，该工具生成的信息在事实准确性和可靠性方面表现出色。此外，该工具的开发为SAPPhIRE模型的自动化生成提供了新思路，并且该工具的技术可以应用于其他领域。

近年来，也有其他研究关注如何利用自然语言处理技术来生成系统模型。例如，Liu等人在其论文“基于自然语言处理的系统工程知识获取和应用”中探讨了如何从自然语言文本中提取系统工程知识。