研究：图约束智能体框架提升零售供应链需求自适应改造成功率
arXiv预印本论文提出图约束智能体框架，在100个仓库需求测试中，将端到端成功率从72%–76%提升至79%–83%。
AI解读：零售供应链运营依赖多个相互耦合的决策模块，需求一变，这些模块往往需要跟着调整，但调整哪个模块、按什么路径改，会直接影响最终效果。这篇预印本论文提出的方案是：让每个领域模块暴露自己能接受的改动方式，再由一个中央处理器在有限的改造路径中搜索，用下游KPI来验证候选方案。直接让大语言模型改需求时，端到端成功率只有72%–76%，换上这个框架后提升到79%–83%，GPT、Qwen、DeepSeek三种模型都有效。对供应链运营团队来说，这意味着以后可以用自然语言提需求，由系统自动找到靠谱的模型改造路径，而不是靠人工在多个优化模型间来回调整。值得注意，目前测试只覆盖了仓库场景的100条需求，且来自一家零售合作伙伴，扩展到其他环节或行业还需要更多验证。
arXiv预印本论文（编号2609.03860）提出一种图约束智能体框架，用于将自然语言需求转化为零售供应链中多个异构决策模块的联动改造，在100个仓库需求的测试中，框架将端到端成功率从72%–76%提升到79%–83%，正确性同样优于直接使用大语言模型（LLM）改写。
方法：将需求改造视为路径与模块改动的联合选择
论文指出，零售供应链运营依赖相互耦合的决策模块，这些模块需要随需求变化不断调整。大语言模型提供了自然语言交互界面，但现有方法主要针对单个优化模型。扩展到异构决策流水线时，一条需求可能对应多条干预路径，不同路径的下游影响各异，这构成主要挑战。
研究者将需求驱动的改造形式化为：联合选择一个干预路径和一个可行的模块级改动。他们提出图约束智能体框架，由领域智能体暴露可行的重构接口，中央处理器在受限的干预路径范围内搜索。候选方案通过下游KPI进行验证和比较。
实验：三种LLM上成功率提升7个百分点
研究者与一家大型零售合作伙伴协作，从从业者访谈中提取100条仓库需求，以GPT、Qwen和DeepSeek作为基础大语言模型进行评估。
相比直接使用LLM进行重构，该框架在三种模型上都提升了正确性和端到端成功率，将端到端成功率从72%–76%提高到79%–83%。