背景。软件系统的日益增长的复杂性在自动化各种开发任务方面已经提高了互动，将文本描述转换为结构化代码为这样一个领域。大型语言模型（LLMS）在自动化此过程方面表现出了巨大的希望，但是它们在生成基于XML的Java Spring Bean配置中的使用仍在探索中。本研究研究了如何利用LLM来增强代码生成。问题语句。LLM在软件开发中的越来越多的使用高光在测试配置代码生成中自动化的需求。尽管AI中有广告，但将文本测试案例描述转换为基于XML的Java Spring Beans配置仍然是一个挑战。该研究解决的问题是缺乏对如何有效利用LLM的理解来自动化此转换，从而确保具有适当的语法和命名会议的准确，结构化的代码。目标。该项目旨在探讨如何使用LLMS将文本测试案例描述有效地转换为测试配置代码。它涉及对生成优化代码并确定最合适的LLM所需的深度和参数化。项目构建并评估了经过训练的LLM实例，该实例将测试案例描述转换为测试配置代码，特别是基于XML的Java Spring Bean配置，证明了这种方法在自动化测试配置代码代码中的实际有效性。方法。结果。结论。这项研究使用实验和系统文献综述（SLR）来评估在测试描述中具有不同详细信息级别的数据集上选定的LLM。它探讨了不同的培训策略以优化模型性能，尤其是在处理不同的输入序列长度时。调查结果表明，Mistral-7b是通过SLR选择的模型中表现最好的模型。Phi-3-3.8b在选定的培训策略下，与Codellama-7B相比，PHI-3-3.8B显示出更好的代码生成能力。结果还表明，测试案例描述中的细节水平显着提高了基于XML的Java Spring Bean配置的准确性和质量。该研究得出的结论是，LLM，尤其是Mistral-7b，具有从文本描述中自动化基于XML的Java Spring Bean配置自动化的潜力。但是，需要进一步的研究来探索最佳模型，培训策略和参数以提高性能和效率。