ARLO方法旨在解决自然语言软件需求中的冗长、模糊和不一致问题。它利用自然语言需求和大型语言模型，自动将需求映射到架构，识别相关需求子集，并通过整数线性规划确定最优架构，以支持软件架构的选择与评估。

本研究提出了HoarePrompt方法，旨在解决自然语言需求与程序正确性验证之间的难题。该方法结合程序分析与自然语言文档，生成程序状态描述，显著提高了程序正确性分类效果，尤其在处理循环时表现出色。

本研究提出了一种新方法——程序-证明共演修复引擎，旨在解决AI生成代码的不可靠性和自然语言需求模糊的问题。该方法能够识别程序员意图，生成符合该意图的代码及其证明，从而提高自动生成程序的可验证性。