面向供应链的AI Agent系统：结构化决策提示与记忆检索

本研究探讨了基于大语言模型（LLM）的多智能体系统（MASs）在库存管理中的应用，这是供应链管理的关键组成部分。尽管这些系统因其解决传统库存管理方法挑战的潜力而受到广泛关注，但其有效性仍存在不确定性。具体而言，尚不清楚基于LLM的MAS是否能持续得出最优订购策略并适应多样化的供应链场景。为解决这些问题，我们研究了一种带有固定订购策略提示的LLM-MAS，该提示编码了问题设定的分步过程和库存管理中常用的安全库存策略。实证结果表明，即使没有详细的提示调整，基于LLM的MAS也能在受限场景中确定最佳订购决策。为增强适应性，我们提出了一种新的代理AIM-RM，它通过相似性匹配利用类似的历史经验。结果表明，AIM-RM在各种供应链场景中优于基准方法，突显了其鲁棒性和适应性。