夜雨聆风关于 AI4MBDSE AI+MBSE+测试 - 三个领域交叉的个人技术雷达。 从跨领域信号中找到真正值得关注的变化， 用「雷达扫描 → 精读拆解 → 方法沉淀」的多Agent协作流， 把技术洞察转化为可复用的工程方法和知识资产。 |
假设你正在做一个“需求到测试”的 AI 辅助流程：AI 能生成代码、测试、验证意见和工程资料摘要，但每一步都可能把错误包装得更像正确答案。
今天的重点不是让 AI 多干一点，而是给它的产出加上独立判定、过程反馈和可检索的数据底座。
01 今日重点信号
信号 01｜LLM 先写代码再写测试，会让测试失去独立性 英文标题：On the risk of coding before testing: An empirical study on LLM-based test generation workflow 分类：AI+测试 | AI + 测试 为什么选它：放回“AI 参与测试与验证”的工程现场，LLM 先写代码再写测试，会让测试失去独立性提醒我们：真正要防的不是生成能力不足，而是验证规则和验证对象失去独立性。 这条信号直接击中 AI 辅助测试的工程边界：测试生成必须保留独立性，否则覆盖率再高也可能只是自证。 它影响 AI4MBDSE 中从需求到测试设计的验证闭环，尤其是 oracle、验收规则和人工复核的位置。 能用吗：适合先做小样例或方法卡，不适合直接当成熟方案照搬。需要保留场景边界、证据来源和人工复核点。 怎么用：选一个很小的需求到测试场景，围绕这条信号补一张检查表；最小产出是 4 个字段：输入约束、处理过程、验证证据、复核结论。 可沉淀为一条 AI 测试设计原则：让 AI 生成测试前，先明确需求约束和独立判定规则。 原始链接：https://arxiv.org/abs/2607.05139v1 |
信号 02｜LLM-as-a-Verifier：把验证能力作为新的扩展轴 英文标题：LLM-as-a-Verifier: A General-Purpose Verification Framework 分类：AI+测试 | AI Early Signal 为什么选它：上一条看测试独立性，这条看验证反馈如何成为单独组件。对应同一个现场，它关心的是 AI 产出之后，谁来给出可定位、可复核、可回流的反馈。 这条信号的重要性在于把验证能力单独抽成工作流组件，而不是附属在生成模型之后。 它对 AI4MBDSE 的影响主要在测试评审、模型检查和 agent 任务验收环节，短期应作为验证框架思路观察。 能用吗：适合先做小样例或方法卡，不适合直接当成熟方案照搬。需要保留场景边界、证据来源和人工复核点。 怎么用：选一个很小的需求到测试场景，围绕这条信号补一张检查表；最小产出是 4 个字段：输入约束、处理过程、验证证据、复核结论。 可用于补充 AI4MBDSE 的验证层设计：生成器负责产出，验证器负责给出可复核的证据和反馈。 原始链接：https://arxiv.org/abs/2607.05391v1 |
信号 03｜工程设计与系统工程数据集地图：补数字线程的数据底座 英文标题：A Framework and Prototype for a Navigable Map of Datasets in Engineering Design and Systems Engineering 分类：MBSE+测试 | AI Early Signal / 工程方法 / 数字线程 为什么选它：前两条讨论生成和验证，这条把问题推进到数据底座：如果需求、模型、测试和证据不可查找、不可引用，闭环就很难复现。 这条信号补的是 AI4MBDSE 的底层约束：方法再先进，如果工程数据不可发现、不可复用、不可追踪，验证就难以复现。它主要影响需求、模型、测试证据和案例库的组织方式。 能用吗：适合先做小样例或方法卡，不适合直接当成熟方案照搬。需要保留场景边界、证据来源和人工复核点。 怎么用：选一个很小的需求到测试场景，围绕这条信号补一张检查表；最小产出是 4 个字段：输入约束、处理过程、验证证据、复核结论。可用于设计个人知识库和案例库结构，把工程数据按需求、模型、测试、证据四类建立索引。 原始链接：https://arxiv.org/abs/2603.15722v2 |
信号 04｜GenAI Workbench：从多模态工程数据合成系统模型 英文标题：GENAI WORKBENCH: AI-Assisted Analysis and Synthesis of Engineering Systems from Multimodal Engineering Data 分类：工程方法 / 数字线程 | 工程方法 / 数字线程 为什么选它：它和前面的信号不是重复：前面看验证规则和证据底座，这条更像 AI+MBSE 能力拆解的背景信号。 这条信号提供了 AI 进入 MBSE 的一个可迁移场景：多模态工程数据如何支撑需求、架构和验证的一体化分析。它仍处于原型/概念阶段，价值在能力拆解，不在直接采用。 能用吗：适合先做小样例或方法卡，不适合直接当成熟方案照搬。需要保留场景边界、证据来源和人工复核点。 怎么用：选一个很小的需求到测试场景，围绕这条信号补一张检查表；最小产出是 4 个字段：输入约束、处理过程、验证证据、复核结论。 可用于建立 AI4MBDSE 能力矩阵：多模态输入、需求抽取、架构关联、验证证据生成。 原始链接：https://arxiv.org/abs/2603.00251v2 |
02 今日沉淀
今天沉淀下来的方法很克制：不要先问 AI 能生成什么，先问生成前的约束、生成后的独立复核、过程反馈和证据留存在哪里。
把这四件事连起来，需求、模型、测试和验证才有机会从一次性产出变成可复用的工程闭环。
03 今日小动作
• 今天的小动作：选一个 AI 生成测试或验证反馈的小场景，画一张‘输入约束—AI 产出—独立复核—证据回流’流程图。
• 完成标准：图里至少写清对象、复核人/复核规则、证据字段和失败后的回退路径。
日报精读PPT
AI4MBDSE 不追热点，只沉淀 AI 如何成为系统工程生产力。
