面向自动化优化的智能体架构协同演化与可解释推理

用大语言模型（LLM）自动化运筹学（operations research，OR）仍受限于手工编写的推理-执行工作流。复杂的OR任务需要在问题解读、数学建模、求解器选择、代码生成与迭代调试之间进行自适应协调。为突破这一局限，我们提出EvoOR-Agent，一个面向自动化优化的协同演化框架。该框架将智能体工作流表示为活动在边（activity-on-edge，AOE）风格的网络，使工作流拓扑、执行依赖与备选推理路径显式化。在此表示之上，框架维护一个架构图，并通过图介导的路径条件化重组、多粒度语义变异与精英种群更新来演化推理个体种群。知识库辅助的经验获取模块进一步将可复用的OR实践注入初始化与语义变异之中。在异构OR基准上的实证结果表明，所提框架持续优于零样本LLM、固定流水线OR智能体以及代表性的演化智能体框架。案例研究与消融分析进一步表明，显式的架构演化与图支持的推理轨迹搜索同时有助于性能提升与结构可解释性。这些结果说明，将智能体架构与推理轨迹视为可演化对象，为自适应且可解释的自动化优化提供了一条有效路径。