用例优先架构：面向LLM自动开发工业软件的代码幻觉与虚假实现抑制框架摘要针对大语言模型（LLM）自动生成工业软件代码时存在代码导入幻觉、业务虚假实现、需求无溯源、人工验证成本高等问题，本文提出一套标准化用例优先架构（UseCase-First Architecture）。该架构以可量化原子用例作为系统唯一需求真相源，建立“需求契约层-代码生成层-双层校验层”三层闭环开发流程，配套代码幻觉检查器与反偷懒校验框架两类自动化校验工具，分别从代码语法依赖、业务执行效果两个维度约束LLM输出。本文基于工程图纸修复工具完成完整对照复现实验，以传统代码优先架构作为对照组，从Token消耗、代码幻觉率、全周期研发耗时、业务校验通过率四项量化指标开展对比。实验复现结果表明：用例优先架构总Token开销较传统架构上升28.7%，但代码初始幻觉率由35%降至26%，自动化修复后代码幻觉清零；业务虚假实现问题完全消除，全流程开发总耗时缩短30.8%，所有业务用例校验通过率100%。该架构可有效约束LLM生成质量，为工业领域AI工具自动化开发提供可复现、可量化、可审计的标准化流程。关键词：大语言模型；代码生成；用例优先架构；代码幻觉；自动化校验；工业软件1 引言1.1 研究背景大语言模型已广泛应用于自动化代码生成场景，但在工业软件开发中存在两类难以规避的缺陷：一是代码幻觉，模型生成不存在的模块、函数、错误导入路径，引发程序运行异常；二是虚假实现（偷懒输出），模型仅生成文本注释、空逻辑，未完成实质性业务运算，人工核验成本极高。传统LLM辅助开发采用“需求描述→直接生成代码→人工测试”的代码优先架构，存在三大固有缺陷：需求无标准化约束，自然语言需求模糊，LLM理解偏差不可控；缺乏自动化代码幻觉检测手段，依赖人工逐文件排查依赖错误；无业务层量化校验机制，无法自动识别“只写文字不实现逻辑”的虚假代码。1.2 现有研究不足现有代码幻觉抑制研究多聚焦Prompt优化、静态语法检测，仅解决语法层面幻觉；传统用例驱动开发（TDD）面向人工编码，未适配LLM自动生成场景，缺少针对模型虚假实现的专用校验机制；现有工程智能工具研究仅聚焦业务算法，未形成完整可复现的LLM开发管控框架。1.3 本文工作提出用例优先架构完整三层闭环体系，定义原子用例标准化拆解规范与编写范式；设计两类配套自动化校验工具：代码幻觉检查器、反偷懒校验框架，给出完整运行逻辑；设计可完整复现的对照实验，统一环境、数据集、需求规模，提供全部复现命令、指标计算方式；通过复现实验量化对比两种架构的资源消耗、幻觉水平、开发效率、业务有效性，分析架构优劣与适用边界。2 相关工作2.1 LLM代码幻觉检测代码幻觉分为导入幻觉、逻辑幻觉、接口幻觉。现有方案基于AST静态分析、代码执行验证识别幻觉，但仅针对通用软件，未结合工业业务做结果层校验，无法识别虚假实现。2.2 用例驱动开发（TDD）传统TDD流程为“先写测试用例，再实现代码”，面向人工开发，不存在LLM偷懒输出问题；且无标准化用例拆解倍率、量化验收标准，无法直接用于AI自动编码。2.3 工业图纸智能修复算法现有CAD图纸修复研究集中于几何去重、断线闭合、图层规整等算法，仅解决业务功能，未讨论LLM自动开发整套工具时的质量管控方案。3 用例优先架构整体设计3.1 架构核心范式核心逻辑反转传统开发流程：原子用例为唯一真相源，代码是用例的附属产物。整体三层架构无人工干预循环，全部流程可自动化执行：需求契约层：原始业务需求拆解为标准化原子用例，每条用例包含可量化输入、输出、验收指标，消除模糊描述；代码生成层：LLM读取全部用例批量生成完整工程代码，包含核心逻辑、功能模块、单元测试、UI程序；双层校验层：幻觉检查器：静态扫描全部Python代码，检测导入路径、不存在类/函数等语法幻觉；反偷懒校验框
