该论文聚焦于一个现实痛点：自然语言描述访问控制需求易于人读，却难以直接落地为机器可执行的策略代码，而让大模型一次性生成策略往往在编译、语义与安全边界上频繁出错。作者提出并实现了一套基于 LLM 的模块化端到端管线，把自然语言访问控制策略（NLACP）逐级转化为 Open Policy Agent（OPA）可执行的 Rego 代码。管线并非依赖单次提示直接出码，而是拆分为多个可验证阶段：策略语句检测、主体/动作/资源等组件抽取、针对目标 schema 的校验、代码 lint、编译，以及自动化测试的生成与执行。这种结构化分解加 schema 感知校验的设计，目标是在部署可靠性与安全正确性上弥合人读需求与策略即代码（PaC）之间的鸿沟。评估数据为 372 条 ACRE 完整且主体、动作、资源标注均非空的访问控制语句，对照基线是直接单提示 LLM 生成。结果显示，系统端到端策略正确率为 50.3%，基线仅 15.3%，提升约 3.3 倍；注意其正确性判定极为严格，必须同时通过编译、lint、正向测试与负向测试，因而衡量的是真正可部署的正确性。在安全关键模式上优势更明显：deny 策略的正确拒绝语义达 87.5%（基线 37.5%），带所有权限定的策略 100%（基线 40%），带状态限定的策略 100%（基线 55.6%）。作者据此认为，结构化分解与 schema 感知校验对提升 LLM 生成授权策略的可靠性起关键作用。