面向大规模供应链运营的可靠LLM驱动决策引擎：架构、安全与性能保障

当前的大规模供应链高度不确定、动态且易受中断影响，传统的基于规则和纯优化的系统难以及时提供有韧性的决策。事务性需求信号和非结构化中断报告等异构数据源供应的增加，为智能系统提供了机会——这类系统可以同时进行推理、适应和优化。本文提出一种将大语言模型（LLM）与数学优化、概率预测和安全约束决策过滤相结合的混合架构，作为决策引擎的一种实现，称为LLM驱动决策引擎（LLM-DE）。与纯数据驱动或启发式方案相比，LLM-DE将LLM的语义推理与一套性能和安全保障集成在一起，从而在大规模供应链流程中实现安全决策。所建议的框架支持端到端决策，例如需求预测、库存优化、运输路径规划和中断缓解。研究结果证实，基于语言的推理与优化和形式化约束相结合，可以产生不仅更智能、而且更安全、更可扩展的供应链决策。本研究提供了一个新架构、一套完整的算法流水线，以及一个基于数学构造的、纳入LLM的运营决策系统形式化。所提出的模型为下一代智能供应链基础设施提供了务实与理论基础，可在不确定性和大规模复杂性面前可靠运行。