领域专家熟悉业务约束，却可能缺乏运筹学经验或专门的技术支持。基于大模型的优化代理能够把自然语言需求转化为数学模型或求解器程序，从而让已有的优化工具直接执行。这一进展降低了优化的使用门槛，但真实业务环境是动态的：需求、资源和优先级会不断变化，需要对数据、约束和目标进行快速更新。传统的单次请求方法难以在保持已有决策的同时复用之前的搜索结果。
我们提出 MAPLE（Memory-Augmented Planning with Language and Evolution），它是一种能够通过连续的自然语言请求维护优化问题的智能体。MAPLE 将语言驱动的问题构建、数学规划求解和进化搜索相结合，并在内部保存完整的优化程序、已接受的方案、历史更新以及候选解，以便在后续请求中直接复用。
为评估 MAPLE，我们构建了 NLDO 基准，包含 15 条任务轨迹和 180 次更新，覆盖选址、调度、排班、路径规划和云资源分配等场景。实验结果显示，MAPLE 能完整执行所有轨迹，在线标量质量达到 0.951，Pareto 超体积比为 0.875。对照实验进一步表明，保持可执行状态的记忆能够提升更新的有效性，并在大幅度修改后仍保留有价值的搜索信息。
点评：MAPLE 通过记忆机制实现了跨请求的知识累积，显著提升了动态优化场景下的适应速度和解的质量，为面向业务用户的自助优化提供了可行路径。