跳转至

适应不断演变的需求：用于零售供应链运营的智能体化 AI

文章背景与核心概要

现代零售供应链运营依赖于相互关联的决策模块，这些模块必须不断适应瞬息万变的需求。尽管大语言模型（LLM）为此类场景提供了自然语言交互界面，但现有的方法大都局限于单一的优化模型。要将 LLM 扩展到异构决策流水线中非常困难，因为单一的需求变更可能会引发多条干预路径，并带来不同的下游影响。

为了解决这一问题，本文作者将“需求驱动的适应”建模为干预路径与允许的模块级变更的联合选择。他们引入了一种图约束智能体框架（graph-constrained agentic framework），其中领域智能体暴露出允许的重构接口，而中央处理器则在有界的干预路径中进行搜索。通过对从从业者访谈中收集的 100 个仓库需求进行下游关键绩效指标（KPI）验证，并在包括 GPT、Qwen 和 DeepSeek 在内的基础 LLM 上进行测试，该框架在所有评估模型中均提升了正确性与端到端成功率，将整体成功率从 72–76% 提升至 79–83%。

📋 摘要 (Summary)

零售供应链运营依赖于相互关联的决策模块，这些模块必须不断适应不断变化的需求。虽然大语言模型 (LLM) 为此目的提供了自然语言接口，但现有方法大多局限于个别的优化模型。将 LLM 扩展到异构决策流水线是困难的，因为单一需求可能会触发多个具有不同下游后果的干预途径。

Retail supply chain operations depend on interconnected decision modules that must continuously adapt to shifting requirements. While Large Language Models (LLMs) provide natural-language interfaces for this purpose, existing methodologies are largely confined to individual optimization models. Extending LLMs to heterogeneous decision pipelines is difficult because a single requirement can trigger multiple intervention pathways with distinct downstream consequences.

为了解决这个问题，作者将需求驱动的适应制定为干预路线与允许的模块级变更的联合选择。他们引入了一个图约束智能体框架，其中领域智能体暴露出允许的重构接口，而中央处理器则在有界的干预路径上进行搜索。通过使用从从业者访谈中收集的 100 个仓库需求针对下游关键绩效指标 (KPI) 进行验证，并在包括 GPT、Qwen 和 DeepSeek 在内的基础 LLM 上进行测试，所提出的框架提高了所有评估模型的正确性和端到端成功率，将总体成功率从 72–76% 提升至 79–83%。

To address this, the authors formulate requirement-driven adaptation as the joint selection of an intervention route alongside an admissible module-level change. They introduce a graph-constrained agentic framework, wherein domain agents expose admissible reformulation interfaces while a central processor searches over bounded intervention paths. Validated against downstream Key Performance Indicators (KPIs) using 100 warehouse requirements gathered from practitioner interviews—and tested across base LLMs including GPT, Qwen, and DeepSeek—the proposed framework improves both correctness and end-to-end success across all evaluated models, boosting overall success rates from 72–76% to 79–83%.

📌 文档元数据 (Document Metadata)

元数据字段 详情
arXiv ID arXiv:2609.03860 [cs.AI]
主学科 计算机科学 > 人工智能 (cs.AI)
次学科 优化与控制 (math.OC)
提交日期 2026年9月3日
作者 Lei Zheng, Liping Yang, Zihao Li, Guodong Lyu, Chaik Ming Koh, Chung-Piaw Teo
数字对象唯一标识符 (DOI) 10.48550/arXiv.2609.03860
Metadata Field Details
arXiv ID arXiv:2609.03860 [cs.AI]
Primary Subject Computer Science > Artificial Intelligence (cs.AI)
Secondary Subjects Optimization and Control (math.OC)
Submission Date September 3, 2026
Authors Lei Zheng, Liping Yang, Zihao Li, Guodong Lyu, Chaik Ming Koh, Chung-Piaw Teo
Digital Object Identifier (DOI) 10.48550/arXiv.2609.03860