系統設計從目標開始，但從一般概念到正式且安全的規格之間的路徑往往緩慢且繁瑣。本案例研究展示開發人員如何使用Visual Paradigm 人工智慧聊天機器人以迭代且對話的方式跳過繁瑣的手動工作。我們從高階目標開始，讓人工智慧產生穩健的結構，然後再使用簡單的自然語言指令來優化該結構。
我們的目標是建立一個安全的使用者註冊流程.
第一階段：從構想到靈感——最初的簡單提示
開發人員從最基礎的意圖陳述開始，以高階目標作為提示，僅希望獲得一個用於靈感的基本結構。
最初的AI提示：
「為『使用者註冊流程』生成一個UML活動圖。」
人工智慧聊天機器人立即回應了一個高度詳細的PlantUML結構，不僅超越簡單的線性流程，更融入了關鍵且真實世界的複雜性：
- 分層前置檢查：依序驗證密碼複雜度, 使用者名稱唯一性，以及電子郵件格式.
- 安全循環：一個
重複直到迴圈，允許驗證金鑰重試但限制為< 3嘗試。
- 鎖定邏輯： 一條明確的路徑，通往鎖定使用者帳戶 在驗證迴圈失敗時。
這個複雜且可投入生產的結構節省了數小時的手動努力，瞬間將基本概念轉化為堅實的設計基礎。
第二階段：對話式優化 – 使用自然語言更新圖表
強大的初始輸出提供了完美的基礎，但開發人員需要進行兩項微小的最終調整以確保清晰度與合規性。在對話式建模環境中，這意味著使用簡單的文字指令，而非拖曳圖形。
優化提示：
- 新增必要安全步驟： 為符合規範，密碼處理必須在流程早期明確建模。
「在「收集使用者名稱、電子郵件、密碼」之後新增一個動作，命名為「安全地雜湊並加鹽密碼」.”
- 重新命名一個動作： 目前用於儲存資料的動作，建立未激活的使用者記錄」對高階流程模型而言過於具體。
「將動作「建立未激活的使用者記錄」重新命名為「保留待處理的註冊資料」.”
優勢： 這種對話式、迭代式的流程正是現代 AI 圖表設計的標誌。開發人員無需與連接線和符號搏鬥，只需發出簡單指令。AI 能理解上下文，調整複雜的 PlantUML 程式碼，並提供最終且精確的模型，準備進入下一階段的分析。
第三階段：分析與文件化 – 利用最終定稿的圖表
在高保真度的活動圖 透過對話式指令完成，下一步是再次利用AI產生關鍵專案文件 基於視覺化模型。
A. 用於審計的正式安全路徑識別
圖表的詳細邏輯，特別是安全迴路，對於合規性和測試至關重要。要求AI正式追蹤預期的失敗路徑。
分析提示：
「根據活動圖，追蹤並記錄動作與條件的精確順序（‘鎖定路徑’），直接導致‘鎖定使用者帳戶’狀態。這對於測試防暴力破解機制是必要的。」
優勢： AI自動提取用於安全測試的精確事件序列：三次（Token無效 → 顯示錯誤 → 增加嘗試次數）後，導致最終的條件退出[驗證嘗試次數 < 3？為（否）] → 鎖定使用者帳戶.
B. 為後端生成狀態轉換文件
註冊流程由其狀態變更定義（例如：未啟用、已啟用、已鎖定）。圖表清楚呈現這些轉換，使AI能夠為資料庫生成技術規格。
分析提示：
「根據圖表中的活動，撰寫技術文件段落，詳細說明三種主要使用者帳戶狀態（未啟用、已啟用、已鎖定）以及導致狀態之間轉換的特定活動。」
優勢： 此方法利用正式模型自動產生狀態轉換規格，這對後端開發人員至關重要，以確保正確實作資料庫狀態更新（建立未啟用使用者記錄, 啟用使用者帳戶, 鎖定使用者帳戶) 在核准流程中定義的精確點上。這可最小化設計與實作程式碼之間的翻譯錯誤。
如需了解有關 UML 和 AI 驅動視覺化的更多資訊，請造訪我們的UML 資源中心.