Can AI Build Systems? an Exploratory Study on Generating Software Architecture With LLMS
Notice bibliographique
Résumé
Software architecture is instrumental in shaping the quality, maintainability, and integrity of a software system, providing a blueprint that ensures that all components function cohesively. Despite being introduced only recently, Large Language Models (LLMs) have shown great potential in automating low-level software engineering tasks, such as coding and test generation. However, the application of LLMs on high level cognitive tasks, such as architecture and design, has not been explored as much. To that end, this study evaluates the capability of LLMs-specifically Llama 4 Llama, Gemini 2.0 Gemini, and OpenAI o3 in generating software architecture given unstructured textual requirements in natural language. We employ prompt engineering techniques, including zero-shot prompting, in-context learning and chain-of-thought prompting to assess each model's responsiveness and accuracy. Furthermore, we evaluate iterative refinement, an approach where an LLM revises the output of another for enhanced quality, akin to a human editing a preliminary draft for improvements. Our results indicate that state of the art models like OpenAI o3 and Gemini 2.0 Gemini perform exceptionally well in identifying all the domain concepts of the system and how they interact, especially in conjunction with iterative refinement, while Llama' Llama 4's performance was subpar. In terms of generating an architecture for the system, again models from OpenAI and Gemini are able to come close to the benchmark architecture by using the correct architectural styles especially with Chain-of-Thought prompting, however Llama's model do not infer the correct styles.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,005 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».