使用大语言模型处理用户需求

当前主流大语言模型因训练目标设定与架构设计路径的不同，各自形成了差异化的核心优势。其中，Deepseek-R1在逻辑推理与编程能力上表现尤为突出，尤其适用于数学问题求解、代码生成以及技术文档撰写等对专业严谨性要求较高的任务。鉴于本文需借助大语言模型生成PFCC模型代码，而DeepSeek-R1的能力特性与这一核心需求高度匹配，因此，本文拟采用DeepSeek-R1作为衔接用户需求与产品功能拓扑的生成模型。
通过精心设计的提示词，可以把用户对产品的需求以自然语言形式输入至DeepSeek-R1中进行处理。例如，在汽车设计场景中，通过强调“需求中功能组件及其交互关系”并要求生成C&C模型代码，DeepSeek-R1就能够生成符合C&C模型规范的代码。在实际应用中，经过多次迭代优化提示词策略，发现强调“功能结构”而避免“过度指定端口细节”的方式，能够显著提升生成效果，如图3所示。这类提示词通常明确约束模型输出集中于核心组件及其连接关系，从而确保生成的代码符合规范并具有良好的可读性和可用性。
相比之下，尽管ChatGPT-4o同样具备生成C&C代码的能力，但在实际测试中其输出稳定性较差，经常出现代码格式错误或语义不一致问题，导致无法直接用于后续流程。其他大语言模型（如Claude、Gemini等）在生成代码的结构一致性、风格规范性和语法正确性方面表现不一，整体可靠性及可用性仍不及专门优化后的DeepSeek-R1。而且，实践当中发现DeepSeek-R1生成过程的随机性影响较小。因主流模型间差异较大，此处不再逐一展开比较。