本研究探讨将大语言模型（LLM）整合到航空航天防御系统工程项目中，以实现两个关键流程的自动化：通过系统理论过程分析（STPA）获取需求，以及为航空航天防御系统需求分配合规方法（MoC）。其动机在于应对传统方法劳动密集且易出错的问题，这些方法高度依赖人工专业知识。该研究专门评估了在先进提示词工程技术和微调方法指导下的LLM（例如GPT-3.5和GPT-4）的可行性和性能。这些方法旨在达到或超越该领域专家通常实现的准确性和质量。所研究的问题是手动需求工程和合规流程的低效性和多变性，由于航空航天防御系统对安全性和可靠性有严格要求，这些问题在该领域尤为关键。研究以一个假设的“无人作战飞行器”（UCAV）作为案例，并将研究置于巴西空军（FAB）的背景下，因为这些挑战在该背景下尤为突出。该方法涉及通过定制的提示词自动化STPA的第一阶段以生成系统需求，并训练一个微调模型以准确分配合规方法。其性能以真实系统数据和领域专家的输出作为基准进行衡量。研究结果强调，经提示词工程指导的LLM能够生成满足或超越九项已评估质量属性中八项的需求，这些属性包括可测试性、完整性、清晰性和可修改性。微调后的“gpt-3.5-turbo”模型在合规方法分配任务中达到了80.18%的准确率。最后，借助适当的技术，能够从真实产品的技术文档生成初步危险分析（PHA）等安全评估报告。这项研究的意义深远。通过简化需求获取、合规方法分配和工程报告生成，LLM减少了相关工程流程的时间、人力和成本，同时保持了高度的严谨性和可靠性。这项工作增进了学术界对LLM在安全关键系统中应用的理解，引入了一个可扩展、可复制的框架用于将LLM集成到工程工作流中，并为航空航天防御行业提供了实用工具。

本文共分为七章：

第一章介绍研究主题，提供全面的背景知识，将研究置于当前学术和工业界图景中进行背景阐述，并确立其重要性。清晰阐述了研究问题，随后提出了旨在验证该假设的假设和具体研究目标。本章还探讨了人工智能应用在我们社会中的更广泛影响。

第二章提出理论框架，简要概述与本研究相关的关键概念。本章作为基础，涵盖了系统理论过程分析（STPA）、大语言模型（LLM）、提示词工程以及航空航天防御系统中的自动化合规性等基本主题，从而使读者具备必要的理论背景。

第三章包含文献综述，批判性分析了该领域近期的研究成果，并将本研究置于航空航天自动合规性与安全分析学术进展的更广阔图景中。本章重点指出了现有文献的贡献与不足，从而强调了本研究的原创性和必要性。

第四章详述了为实现第一章概述的研究目标所采用的方法论。它描述了具体技术，包括使用既定的提示词工程技术进行STPA分析，以及用于自动化合规方法（MoC）分配的微调过程，并解释了这些技术与研究目标的一致性。

第五章展示研究成果。本章批判性地审视了所遇到的局限性，探讨了基于人工智能的自动化技术的潜在影响，并验证了第四章所采用的方法论。

最后，第六章对全文进行总结，概括了本研究在该领域的贡献和意义。本章反思了研究目标在多大程度上得以实现，并为未来在航空航天防御系统中应用人工智能驱动的分析与合规性方面的潜在工作提供了见解。

通过这种结构化的组织，本论文旨在提供一个全面且连贯的论述，引导读者从基础理论和文献到实践方法、结果，以及对研究更广泛影响的思考。