适应不断变化的需求：用于零售供应链运营的智能体AI

零售供应链运营依赖于耦合决策模块，这些模块必须随着需求的变化而调整。LLM为此任务提供了自然语言界面，但现有方法主要关注个体优化模型。将它们扩展到异构决策管道具有挑战性，因为需求可能允许具有不同下游影响的多个干预路径。我们将需求驱动的适应制定为干预路线和可接受的模块级更改的联合选择，并提出了一种图约束代理框架，其中域代理公开可接受的重新制定接口，中央处理器在有界干预路径上进行搜索。使用下游 KPI 对候选人进行验证和比较。我们与一家大型零售合作伙伴合作，以 GPT、Qwen 和 DeepSeek 作为基础LLM，评估了从从业者访谈中得出的 100 个仓库要求。相对于直接 LLM 重新制定，我们的框架提高了所有三种模型的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%。