Recoleta Item Note
QUARE: Multi-Agent Negotiation for Balancing Quality Attributes in Requirements Engineering
QUARE 是一个用于需求工程的多智能体框架，把不同质量属性之间的冲突显式地变成“协商”过程，而不是让单个 LLM 隐式折中。它的核心主张是：比起更大的模型，结构化的角色分工、谈判协议和自动验证更能提升需求分析质量。
multi-agent-systemsrequirements-engineeringllm-agentsnegotiation-protocolsoftware-qualitykaos-modeling
Summary
QUARE 是一个用于需求工程的多智能体框架，把不同质量属性之间的冲突显式地变成“协商”过程，而不是让单个 LLM 隐式折中。它的核心主张是：比起更大的模型，结构化的角色分工、谈判协议和自动验证更能提升需求分析质量。
Problem
- 需求工程中常常要同时满足 安全、效率、可持续、可信、责任/合规 等互相冲突的质量属性，手工平衡这些约束既费时又容易出错。
- 现有 LLM 方法多是单体推理或隐式聚合，难以显式暴露冲突、解释权衡理由、保留利益相关者原意。
- 在软件项目里，需求问题很关键；文中指出70% 以上失败项目可追溯到需求相关缺陷，因此自动化且可追踪的需求分析很重要。
Approach
- QUARE 将需求分析拆成 5 个质量专长代理（Safety、Efficiency、Green、Trustworthiness、Responsibility）加 1 个 orchestrator，所有代理共享同一 LLM 骨干，但通过不同系统提示实现角色隔离。
- 它使用一个辩证式协商协议：代理先提出需求，再由其他代理批评约束冲突，最后由协调器综合；冲突被分为 resource-bound 和 logical incompatibility 两类，并最多进行 3 轮协商。
- 为了找冲突，系统先用 BERT embedding 余弦相似度阈值 0.85 找潜在重叠，再用 LLM 判断是冗余还是两类冲突之一。
- 协商后的结果会被转换成 KAOS 目标模型，并做 拓扑/DAG 校验、规则检查、RAG 支持的幻觉与合规验证（如 ISO 26262、ISO 27001），最后输出标准化工程材料。
- 实验中用 gpt-4o-mini-2024-07-18，在 5 个案例（MARE、iReDev 基准和一个工业自动驾驶规格）上，对比 single-agent、无协商多代理、MARE、iReDev。
Results
- 文中声称 QUARE 达到 98.2% compliance coverage，相对基线为 +105% 提升。
- 在语义保持上达到 94.9% semantic preservation，比最佳基线高 +2.3 个百分点。
- 可验证性评分达到 4.96/5.0。
- 生成的需求数量比现有多智能体 RE 框架多 25–43%。
- 协商在所有场景中都在 3 轮上限内收敛；实验使用 3 个随机种子、统一配置，共 180 次运行。
- 摘要与节选未提供每个数据集/每个基线的完整逐项数值表，但最强定量结论是：QUARE 在合规覆盖、语义保持、可验证性和需求产出量上整体优于所比较方法。
Link
Built with Recoleta
Run your own research radar
Turn arXiv, Hacker News, OpenReview, Hugging Face Daily Papers, and RSS into local Markdown, Obsidian notes, Telegram digests, and a public site.