Large Language Models to Enhance Business Process Modeling: Past, Present, and Future Trends
作者: João Bettencourt, Sérgio Guerreiro
分类: cs.SE, cs.AI, cs.IR
发布日期: 2026-04-15
备注: 27 pages, 2 images, 1 table
💡 一句话要点
利用大型语言模型增强业务流程建模：综述现有方法并展望未来趋势
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 大型语言模型 业务流程建模 自然语言处理 文献综述 流程自动化
📋 核心要点
- 现有方法在将自然语言转化为业务流程模型时，面临语义正确性、评估标准不统一以及真实场景验证不足等挑战。
- 该研究旨在通过分析现有文献，梳理基于大型语言模型的业务流程建模方法，并识别其优势与不足。
- 通过结构化文献综述，揭示了从传统NLP到LLM架构的转变，并提出了未来研究方向，如RAG集成和交互式建模。
📝 摘要（中文）
生成式人工智能，特别是大型语言模型（LLM）的最新进展，激发了人们对使用自然语言自动执行或辅助业务流程建模任务的兴趣。已经有多种方法被提出，用于将文本流程描述转换为BPMN和相关的工作流模型。然而，这些方法在多大程度上有效地支持组织环境中的复杂流程建模仍不清楚。本文对AI驱动的将自然语言转换为BPMN流程模型的方法进行了文献综述，特别关注LLM的作用。通过结构化的综述策略，识别并分析了相关研究，以对现有方法进行分类，检查LLM如何集成到文本到模型的pipeline中，并调查用于评估生成模型的评估实践。分析表明，存在从基于规则和传统NLP pipeline向基于LLM的架构的明显转变，后者依赖于prompt工程、中间表示和迭代改进机制。虽然这些方法显著扩展了自动流程模型生成的能力，但文献也暴露了与语义正确性、评估碎片化、可重复性和在真实组织环境中有限的验证相关的持续挑战。基于这些发现，本综述确定了关键的研究差距，并讨论了未来研究的有希望的方向，包括通过检索增强生成（RAG）集成上下文知识，将其与LLM集成，开发交互式建模架构，以及需要更全面和标准化的评估框架。
🔬 方法详解
问题定义：论文旨在解决如何利用大型语言模型（LLM）更有效地将自然语言描述转换为业务流程模型（例如BPMN）。现有方法，如基于规则和传统NLP pipeline，在处理复杂流程描述时，语义理解能力有限，难以保证生成模型的正确性和完整性。此外，缺乏统一的评估标准和真实场景验证，使得这些方法的实际应用价值受到限制。
核心思路：论文的核心思路是通过系统性地回顾和分析现有文献，了解LLM在业务流程建模中的应用现状，并识别其优势、局限性和未来发展方向。通过对不同方法的分类、比较和评估，为未来的研究提供指导，并促进LLM在业务流程建模领域的更广泛应用。
技术框架：论文采用结构化的文献综述方法，首先确定检索关键词和数据库，然后筛选相关文献，并对这些文献进行分类和分析。分析主要集中在以下几个方面：1) 现有方法的分类；2) LLM如何集成到文本到模型的pipeline中；3) 用于评估生成模型的评估实践。最后，基于分析结果，总结现有方法的优势和不足，并提出未来研究方向。
关键创新：论文的主要创新在于对LLM在业务流程建模领域的应用进行了全面的综述和分析，揭示了从传统NLP到LLM架构的转变，并指出了现有方法面临的挑战和未来研究方向。通过对现有方法的分类和比较，为研究人员提供了一个清晰的框架，帮助他们更好地理解LLM在业务流程建模中的作用和潜力。
关键设计：论文的关键设计在于其结构化的文献综述方法，确保了研究的全面性和系统性。通过对现有文献的分类和分析，论文能够清晰地呈现LLM在业务流程建模中的应用现状，并识别其优势和不足。此外，论文还提出了未来研究方向，如RAG集成和交互式建模，为未来的研究提供了指导。
🖼️ 关键图片
📊 实验亮点
该研究通过文献综述，揭示了基于LLM的业务流程建模方法正逐渐取代传统NLP方法。研究强调了prompt工程、中间表示和迭代优化在LLM应用中的重要性，并指出了语义正确性、评估标准和真实场景验证是当前面临的主要挑战。
🎯 应用场景
该研究成果可应用于自动化业务流程建模、流程优化和知识管理等领域。通过利用LLM将自然语言描述转化为可执行的流程模型，可以提高流程建模的效率和准确性，降低人工成本，并促进企业数字化转型。
📄 摘要（原文）
Recent advances in Generative Artificial Intelligence, particularly Large Language Models (LLMs), have stimulated growing interest in automating or assisting Business Process Modeling tasks using natural language. Several approaches have been proposed to transform textual process descriptions into BPMN and related workflow models. However, the extent to which these approaches effectively support complex process modeling in organizational settings remains unclear. This article presents a literature review of AI-driven methods for transforming natural language into BPMN process models, with a particular focus on the role of LLMs. Following a structured review strategy, relevant studies were identified and analyzed to classify existing approaches, examine how LLMs are integrated into text-to-model pipelines, and investigate the evaluation practices used to assess generated models. The analysis reveals a clear shift from rule-based and traditional NLP pipelines toward LLM-based architectures that rely on prompt engineering, intermediate representations, and iterative refinement mechanisms. While these approaches significantly expand the capabilities of automated process model generation, the literature also exposes persistent challenges related to semantic correctness, evaluation fragmentation, reproducibility, and limited validation in real-world organizational contexts. Based on these findings, this review identifies key research gaps and discusses promising directions for future research, including the integration of contextual knowledge through Retrieval-Augmented Generation (RAG), its integration with LLMs, the development of interactive modeling architectures, and the need for more comprehensive and standardized evaluation frameworks.