自动化运筹学（OR）建模要求大语言模型（LLM）将自然语言描述的决策问题转化为正确的数学程序。现有方法虽能提升单个模型的公式化质量，却往往在孤立的任务中工作，缺乏可复用的经验，导致类似的建模错误反复出现。记忆型方法通常保存示例、思路或洞见作为参考，但 OR 建模更需要能够跨问题叙述迁移的可复用“技能”，以指导具体的建模决策。
OptiSkill 提出了一套技能增强框架，构建层次化且可演化的 SkillBank 用于 LLM 驱动的 OR 建模。SkillBank 以求解器验证过的经验为基础，分为两类可复用技能：
- 全局策略（Global Strategies）：提供问题层面的公式化骨架，帮助模型快速搭建整体结构。
- 步骤经验（Step Experiences）：针对局部建模步骤提供错误预防规则，如变量命名规范、约束表达方式等。
SkillBank 在批量测试阶段进行稳定的演化：候选技能仅在通过验证后才被纳入库中，从而保证技能的可靠性和覆盖面。实验在八个 OR 建模基准上进行，结果显示 OptiSkill 能显著提升不同 LLM 主干的公式化准确率，超越强基线的代理模型，并在扩展 SkillBank 后进一步提升性能。代码与数据已开源，地址为 https://github.com/rachhhhing/OptiSkill。
点评