动态调度需要在在线到达的作业上做出调度，同时要预估未来作业。错误的决策会在非线性迟到目标下导致下游成本叠加。我们发现预训练的大语言模型（LLM）可以作为结构化世界模型的外生部分，预测不确定的未来作业到达。具体做法是利用 afterstate 分解，将已知的确定性车间转移与不确定的外生作业到达分离，使得 LLM 只需要对后者进行预测，并通过紧凑的信念表示来完成。基于此我们提出 Afterstate World‑Model Planning（AWMP），它将进化的、基于信念的调度策略与短期情景滚动相结合。一个惊喜触发的刷新机制在新观测到的到达显著偏离先前预测时才查询 LLM，在线残差自校准则根据最近的预测误差进一步条件化 LLM，以应对非平稳到达。实验在多种到达分布下进行，AWMP 在动态作业车间基准上相对八种经典优先调度规则降低加权迟到 6‑21%，在柔性作业车间基准上降低 22‑46%。
点评