我们提出了OptiAgent，一个多智能体框架，能够根据运筹学问题的自然语言描述，输出可用于求解的数学公式及可执行代码。我们的架构优先考虑数学建模步骤，通过专门的代理提取结构，如决策变量和约束，支持迭代自我修正。我们引入了一种新颖的多循环验证架构，包含四个专门的反馈机制，针对不同的失败模式，如误解、结构缺陷、数学不一致性、验证失败和代码错误。
除了准确性，我们的模块化设计通过提高透明度改善了优化问题的求解过程，因为每个代理都会公开其推理和反馈，使得整个建模过程可审计。在LP、MILP和非线性规划任务的4个基准测试中，我们的框架在3个上达到了最先进的性能，并在剩余数据集上保持竞争力。
博主点评： OptiAgent的多智能体设计展现了运筹学问题求解的新思路，通过模块化与透明化增强了模型的可解释性，值得关注其在实际应用中的潜力与挑战。尤其是在面对复杂约束和大规模数据时，如何保持性能与准确性将是关键。