零售供应链的运营依赖于一系列耦合的决策模块，这些模块必须随业务需求的变化而快速调整。大型语言模型（LLM）提供了自然语言的交互方式，但现有方法主要针对单一的优化模型进行改写，难以直接扩展到结构复杂、模块异构的决策流水线。因为同一需求可能对应多条干预路径，每条路径的下游影响各不相同。
我们将需求驱动的适配问题形式化为干预路径与模块级改动的联合选择，并提出一种图约束的自主智能体框架。框架中，领域智能体负责暴露各自可接受的改写接口，中心处理器在预定义的路径图上搜索可行的干预方案。每个候选方案在实际运行后通过下游关键绩效指标（KPI）进行验证和比较，从而选出最优方案。
在与一家大型零售企业的合作中，我们收集了 100 条来自业务实践者访谈的仓库需求，使用 GPT、Qwen 与 DeepSeek 作为底层 LLM 进行实验。相较于直接让 LLM 进行单一步骤改写，我们的框架在所有模型上均提升了正确率和端到端成功率，成功率从 72%‑76% 提升至 79%‑83%。
关键技术要点
- 将需求适配建模为图上的路径搜索问题；
- 通过领域智能体提供的接口实现模块级的可控改动；
- 使用下游 KPI 进行候选方案的闭环评估。
点评