询问、澄清、优化：人-LLM Agent协作实现更智能的库存控制

库存管理对许多缺乏部署先进优化方法专业知识的小型和中小企业而言仍是一个挑战。本文研究大语言模型（LLM）能否帮助弥合这一差距。我们发现，将LLM用作直接的端到端求解器会带来显著的"幻觉税"：一种源于模型无法进行有依据的随机推理的性能差距。为解决这一问题，我们提出一个将语义推理与数学计算严格解耦的混合agentic框架。在该架构中，LLM充当智能接口，从自然语言中引出参数并解读结果，同时自动调用严谨的算法来构建优化引擎。为了在现实世界管理对话的模糊性与不一致性下评估这一交互系统，我们引入Human Imitator，一个经过微调的、有界理性管理者的"数字孪生"，可进行可扩展、可复现的压力测试。我们的实证分析表明，相对于使用GPT-4o作为端到端求解器的交互式基线，该混合agentic框架将总库存成本降低了32.1%。此外，我们发现仅提供完美的真值信息并不足以提升GPT-4o的表现，这证实瓶颈根本上是计算性的而非信息性的。我们的结果表明，LLM不是运筹学的替代品，而是让非专家也能使用严谨的基于求解器的策略的自然语言接口。