让我们对话：面向交互式优化的LLM智能体设计与评估

优化既在于求解，也同样在于对正确的问题建模。识别正确的目标、约束与权衡需要研究者与利益相关者之间的大量互动。大语言模型可以通过能够提出、解释和改进解方案的交互式优化智能体，为决策者赋予优化能力。然而，评估基于对话的交互从根本上比传统一次性方法更难。本文提出一种通过对话评估优化智能体的可扩展、可复现的方法论。我们构建了由LLM驱动的决策智能体，它们扮演多样化的利益相关者，各自受内部效用函数支配，但像真实决策者一样交流。我们在一个学校排课案例研究中生成了数千段对话。结果表明，一次性评估存在严重局限：同一个优化智能体通过对话能收敛到质量高得多的解。随后，本文运用该方法论证明，与通用聊天机器人相比，配备领域特定提示词和结构化工具的定制化优化智能体能以更少的交互显著提升解方案质量。这些发现为AI与优化交叉领域新兴方案的好处提供了证据，表明其能扩大优化技术在实践中的覆盖面。它们还揭示了运筹学专业知识在通过设计有效且可靠的优化智能体来促成交互式部署方面的作用。