A medida que los requisitos de los usuarios se vuelven cada vez más complejos, la demanda de personalización de productos está creciendo, pero la producción tradicional centrada en hardware se basa en procedimientos fijos que carecen de la flexibilidad para satisfacer diversos requisitos. Aunque se ha introducido la fabricación personalizada, solo proporciona a los usuarios algunas opciones estandarizadas, limitando su capacidad para satisfacer una amplia gama de necesidades. Para abordar este problema, ha surgido un nuevo concepto de fabricación llamado fábrica definida por software. Es un sistema de fabricación autónomo que proporciona servicios de fabricación reconfigurables para producir productos personalizados. Se ha sugerido el aprendizaje por refuerzo para la programación flexible para satisfacer los requisitos de los usuarios. Sin embargo, los métodos basados en reglas fijas luchan por acomodar necesidades conflictivas. Este estudio propone una nueva programación de gemelos digitales federados que combina modelos de lenguaje grandes y algoritmos de aprendizaje profundo por refuerzo para satisfacer diversos requisitos de los usuarios en la fábrica definida por software. El módulo de alfabetización basado en modelos de lenguaje grandes analiza los requisitos en lenguaje natural y asigna pesos a los atributos del gemelo digital para lograr KPI altamente relevantes, que se utilizan para guiar las decisiones de programación. El módulo de programación basado en aprendizaje profundo por refuerzo optimiza la programación seleccionando el trabajo y la máquina con la recompensa máxima. Se introducen y evalúan diferentes tipos de requisitos de usuarios, como la reducción de costos de fabricación y la mejora de la productividad, comparando la programación de flujo de trabajo con la programación de taller basada en aprendizaje por refuerzo. Los resultados experimentales indican que en el caso de requisito 1 (el costo de fabricación), el método propuesto supera la programación de flujo de trabajo hasta en un 14.9% y la programación de taller en un 5.6%. Para el caso de requisito 2 (productividad), supera el método de flujo de trabajo hasta en un 13.4% y la línea de base de programación de taller en un 7.2%. Los resultados confirman que la programación de DRL basada en alfabetización propuesta en este documento puede manejar las características individuales de los requisitos.