모델 주도 공학 (Model-driven engineering)에서 메타모델 (Metamodel)의 진화는 일관성을 유지하기 위해 그에 대응하는 문법 (Grammar)을 적응시켜야 하는 필요성을 야기하며, 이는 일반적으로 지루한 수작업을 요구합니다. 기존의 규칙 기반 (Rule-based) 방식은 부분적인 자동화를 달성할 수 있지만, 복잡한 문법 시나리오를 처리할 때 한계가 있습니다. 본 논문은 이전 버전으로부터 문법 적응을 학습함으로써, 진화 후 새로운 문법에 적응을 자동으로 적용하는 대규모 언어 모델 (Large Language Model, LLM) 기반 접근 방식을 제안합니다. 우리는 6개의 실제 Xtext 도메인 특화 언어 (Domain-specific languages, DSLs)를 대상으로 이 접근 방식을 평가하였으며, 4개의 DSL을 프롬프팅 (Prompting) 전략 개발을 위한 학습 세트로, 2개의 DSL을 검증을 위한 테스트 세트로 사용하였고, QVTo에 대한 종단적 사례 연구 (Longitudinal case study)를 수행하였습니다. 평가에는 세 가지 대규모 언어 모델 (Claude Sonnet 4.5, ChatGPT 5.1, Gemini 3)이 사용되었으며, 문법 규칙 수준의 적응 일관성 (Grammar rule-level adaptation consistency), 출력 유사도 (Output similarity), 그리고 메타모델 준수성 (Metamodel conformance)이라는 세 가지 차원에서 문법 적응 품질을 측정하였습니다. 결과에 따르면, 테스트 세트에서 세 가지 LLM 모두 100%의 적응 일관성과 출력 유사도를 달성한 반면, 규칙 기반 방식은 DOT에서 84.21%, Xcore에서 62.50%만을 달성했습니다. QVTo 종단 연구에서 LLM 기반 방식은 수동적인 문법 편집 없이 세 번의 진화 단계 모두에서 학습된 적응을 성공적으로 재사용한 반면, 규칙 기반 방식은 세 번의 전환 중 두 번에서 수동 조정이 필요했습니다. 그러나 대규모 문법 (EAST-ADL, 297개 규칙)의 경우, LLM의 적응 일관성은 90%에 훨씬 못 미쳤습니다. 본 연구는 복잡한 문법 시나리오를 처리하는 데 있어 LLM 기반 접근 방식의 장점을 입증하는 동시에, 대규모 문법 적응에서의 한계를 밝히고 있습니다.