RetailBench：在真实零售环境中基准测试 LLM 智能体的长程推理与连贯决策能力

大型语言模型智能体在短程任务中进展迅速，但在动态长程环境中的连贯决策能力尚不明确。本文提出 RetailBench，一个基于数据的仿真基准，用于评估单店超市运营中工具使用型智能体。该环境将零售管理建模为部分可观察决策过程，支持千日级仿真，涵盖定价、补货、供应商选择等复杂约束。实验评估了七种主流模型，结果显示仅少数能完成全程，且表现远逊于最优策略。行为分析表明差距源于证据获取不全、决策表面化及缺乏一致的长程策略。