一种基于大语言模型的XDM文件智能解析及问答方法、系统与流程
本发明属于汽车软件公车与人工智能,具体涉及一种基于大语言模型的xdm文件智能解析及问答方法、系统。
背景技术:
1、在汽车软件开发中,尤其是遵循autosar标准的系统中,软件组件(swc)、通信矩阵(commodule)、信号路由等核心设计数据通常存储在复杂的xdm(xml data model)文件中。这些文件具有层级深、节点多、命名空间复杂的特点。
2、现有技术在处理xdm文件查询时存在以下主要缺陷:
3、查询门槛高:用户必须精通xpath语法及autosar特定的xml schema结构才能提取数据。普通工程师无法直接通过自然语言(如“com模块有多少个发送ipdu?”)获取信息。
4、静态模板局限性:现有的脚本工具通常依赖预编写的固定xpath模板。当xdm文件结构因版本迭代发生微调(如节点路径变更、命名空间更新)时,硬编码的脚本极易失效,维护成本极高。
5、缺乏语义理解:传统解析器无法理解业务语义。例如,它无法区分“发送ipdu”和“接收ipdu”在xml结构中的逻辑差异,除非预先定义严格的规则,难以应对复杂的组合查询(如“周期小于100ms的发送ipdu”)。
6、溯源困难:现有工具仅返回数据值,无法像文档1中提到的那样,将回答精确映射回原始xdm文件的具体节点路径,导致数据可信度验证困难。
技术实现思路
1、为解背景技术提出的问题,在本发明的一方面,提供了一种基于大语言模型的xdm文件智能解析及问答方法,包括:解析xdm文件以获得结构信息;基于所述结构信息和自然语言查询,调用大语言模型生成xpath语句;执行所述xpath语句以获得查询结果;基于所述查询结果输出问答结果,并关联输出所述xpath语句或对应源节点信息。
2、在本发明的一些实施例中,所述结构信息包括根节点信息、命名空间信息、层级关系信息或节点引用关系信息中的至少一种。
3、在本发明的一些实施例中,所述基于所述结构信息和自然语言查询调用大语言模型生成xpath语句包括:根据所述结构信息构建结构摘要,并将所述结构摘要与所述自然语言查询共同输入所述大语言模型。
4、在本发明的一些实施例中,所述调用大语言模型生成xpath语句时,还结合autosar领域知识,以建立自然语言语义与xdm节点、属性或节点间关系之间的对应关系。
5、在本发明的一些实施例中,在所述xpath语句执行失败或查询结果无效时,根据执行反馈信息再次调用所述大语言模型生成修正后的xpath语句。
6、在本发明的一些实施例中,所述查询结果包括节点数量、节点列表、属性值和关系统计结果中的至少一种。
7、本发明的二方面,提供了一种基于大语言模型的xdm文件智能解析及问答系统,包括:解析模块,用于解析xdm文件以获得结构信息;生成模块,用于基于所述结构信息和自然语言查询,调用大语言模型生成xpath语句;执行模块,用于执行所述xpath语句以获得查询结果;输出模块,用于基于所述查询结果输出问答结果,并关联输出所述xpath语句或对应源节点信息。
8、本发明的第三方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明在第一方面提供的基于大语言模型的xdm文件智能解析及问答方法。
9、本发明的第四方面,提供了一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现本发明在第一方面提供的基于大语言模型的xdm文件智能解析及问答方法。
10、本发明的有益效果是:
11、零门槛交互:非技术人员可通过自然语言直接查询复杂的xdm配置数据,大幅降低汽车软件配置分析的难度。
12、高鲁棒性与适应性:不依赖硬编码规则,利用llm的语义理解能力,能够自动适应不同项目、不同版本的xdm文件结构变化,减少维护工作量。
13、复杂查询能力强:能够处理多条件组合查询(如“统计所有周期为20ms且属于网关路由的ipdu”),这是传统正则或简单脚本难以实现的。
14、结果可信可验:继承了文档1中“细粒度溯源”的理念,每个回答都附带精确的xpath路径,用户可一键定位到xml源文件的具体位置,确保数据的真实性和可审计性。
1.一种基于大语言模型的xdm文件智能解析及问答方法,其特征在于,包括:
2.根据权利要求1所述的基于大语言模型的xdm文件智能解析及问答方法,其特征在于,所述结构信息包括根节点信息、命名空间信息、层级关系信息或节点引用关系信息中的至少一种。
3.根据权利要求1所述的基于大语言模型的xdm文件智能解析及问答方法,其特征在于,所述基于所述结构信息和自然语言查询调用大语言模型生成xpath语句包括:
4.根据权利要求1所述的基于大语言模型的xdm文件智能解析及问答方法,其特征在于,所述调用大语言模型生成xpath语句时,还结合autosar领域知识,以建立自然语言语义与xdm节点、属性或节点间关系之间的对应关系。
5.根据权利要求1所述的基于大语言模型的xdm文件智能解析及问答方法,其特征在于,在所述xpath语句执行失败或查询结果无效时,根据执行反馈信息再次调用所述大语言模型生成修正后的xpath语句。
6.根据权利要求1所述的基于大语言模型的xdm文件智能解析及问答方法,其特征在于,所述查询结果包括节点数量、节点列表、属性值和关系统计结果中的至少一种。
7.一种基于大语言模型的xdm文件智能解析及问答系统,其特征在于,包括:
8.根据权利要求7所述的基于大语言模型的xdm文件智能解析及问答系统,其特征在于,所述执行模块还包括:
9.一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至6任一项所述的基于大语言模型的xdm文件智能解析及问答方法。
10.一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的基于大语言模型的xdm文件智能解析及问答方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com