Agentic AI-Assisted Modeling for Production Scheduling: Assessment in Constraint Programming
作者: Ángel Sánchez-Fernández, Javier Pernas-Álvarez, Diego Crespo-Pereira
分类: cs.AI, cs.SE
发布日期: 2026-10-07
备注: 29 pages, 9 figures
💡 一句话要点
提出通用LLM辅助约束编程模型以优化生产调度
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 生产调度 约束编程 大型语言模型 多代理系统 优化模型 智能决策支持 工业应用
📋 核心要点
- 现有方法在生产调度优化模型的自动化建模上存在局限，尤其是对特定问题的依赖限制了工业应用。
- 本研究提出了一种将通用大型语言模型作为代理的框架，能够从自然语言描述中生成约束编程模型，无需任务特定训练。
- 实验结果表明，多代理工作流将脚本的正确运行率从14.8%提升至59.3%，在较简单问题上更是达到80.6%。
📝 摘要（中文）
开发生产调度的优化模型需要大量专家投入。现有研究主要集中在两方面：一种是针对混合整数线性规划的自动建模专用方法，另一种是基于代理人工智能的操作决策支持，通常假设优化模型已存在。本研究通过评估通用大型语言模型（LLMs）作为代理，能否从自然语言问题描述中制定和实施约束编程模型，弥合了这两种方向。研究比较了单代理和多代理架构在六个行业相关问题上的表现，结果显示多代理工作流显著提高了脚本的正确运行率。
🔬 方法详解
问题定义：本研究旨在解决生产调度优化模型开发中的高专家投入问题，现有方法往往依赖于特定问题的架构，限制了其工业应用。
核心思路：通过将通用大型语言模型（LLMs）作为代理，研究其在无任务特定训练的情况下，能否从自然语言描述中生成和实施约束编程模型。
技术框架：整体架构包括单代理和多代理系统，结合模型上下文协议服务器，以提供上下文感知的求解文档检索，减少实施过程中的错误。
关键创新：本研究的创新点在于将通用LLMs与多代理架构结合，显著提高了模型生成的准确性和实施的成功率，突破了现有方法的局限。
关键设计：在实验中使用了三种不同的LLMs，评估了建模准确性、执行成功率、延迟和令牌消耗等关键指标，设计了相应的参数设置以优化性能。
🖼️ 关键图片
📊 实验亮点
实验结果显示，使用多代理工作流后，脚本的正确运行率从14.8%提升至59.3%，在四个较简单的问题上更是达到了80.6%。与直接调用LLM的基线相比，显著提高了模型实施的成功率。
🎯 应用场景
该研究的潜在应用领域包括制造业、物流和供应链管理等，能够有效降低生产调度模型开发的时间和成本，提升决策效率。未来，该方法可能推动更多行业的智能化转型，促进生产过程的优化与自动化。
📄 摘要（原文）
Developing optimization models for production scheduling requires substantial expert effort. Research on large language models (LLMs) has followed two directions: specialized approaches for automated modeling, mostly for mixed-integer linear programming, which often rely on dedicated training or problem-specific architectures that limit industrial deployment; and agentic artificial intelligence for operational decision support, which generally assumes that the optimization model already exists. This study bridges both directions by assessing whether general-purpose LLMs, orchestrated as agents without task-specific training, can formulate and implement constraint programming models from natural-language problem descriptions. Singleagent and multi-agent architectures are integrated with a Model Context Protocol server that provides context-aware retrieval of solver documentation to mitigate hallucinations during implementation. Both are compared with a direct LLM baseline on six industry-oriented problems covering flow-shop, job-shop, flexible job-shop and resource-constrained warehouse scheduling, using three LLMs and assessing modeling accuracy, execution success, latency and token consumption. Formulation proves largely within reach of current LLMs, whereas implementation is the main barrier. The multi-agent workflow raises the share of scripts that run correctly as generated from 14.8% with a direct LLM call to 59.3%, reaching 80.6% on the four less complex problems, while tightly coupled intralogistics models remain an open challenge.