动态柔性作业车间调度（DFJSP）是典型的 NP-hard 问题：每道工序可以落在多台候选机器上，新订单到达、机器故障等事件又在实时发生，排产必须不断重算。把车间状态写成提示词、让大模型直接选下一步动作，看起来很自然，但论文发现这种做法稳定地不够好。
先找出三个“坑”
作者把直接让大模型排产的失败原因拆成三条，并逐条做了实验。第一是“长上下文悖论”：机器加工时间、工件结构等静态信息占了提示词七成以上，但把这些内容整块删掉，完工时间的中位数比值几乎还是 1.0，说明模型并没有真正用上这些基础数据。第二是专家启发式被架空：团队构造了 PDR-Bench，每个实例都预先设计成只有某一条优先派工规则最优；模型即使用户明确要求使用这条规则，表现仍比不上单独执行该规则，往往会退回预训练学到的泛化行为。第三是短视贪心：逐 token 生成让模型倾向局部最优，贪心决策比例在各模型上持续偏高，一个局部选择就可能把下游堵死。
把“慢思考”和“快决策”拆开
ReflecSched 的做法不是让模型算得更快，而是改变它在调度中的角色。框架分两个模块：分层反思模块负责长程策略，经验引导决策模块负责实时执行。
分层反思采用“模拟—反思—精炼”的循环。它以随机基础策略在多个层级上推演未来：高层做稀疏的长程探索，底层对每个可行动作做短程 rollout，基础策略每一步从预定义规则池里采样一条派工规则。推演结束后，模块挑出本层代价最小和最大的两条轨迹，交给大模型对比，提炼出一段简短的“策略经验”（Strategic Experience）。这段经验只在动态事件发生时重新生成，比如新工件到达或机器故障，因为这类事件会让旧经验失效。
最终决策时，提示词只放当前状态和这段策略经验，不再塞入完整车间快照。这样既压掉了长上下文噪声，也让专家规则通过 rollout 真正参与推理。
数据说明了什么
实验覆盖 GPT-4o、DeepSeek-V3 和 Qwen3 的 8B、14B、32B 版本，反思深度取 6 层、每层 24 次 rollout。相对直接让大模型决策的基线，ReflecSched 取得 71.35% 的平均胜率和 2.755% 的相对偏差下降，Wilcoxon 符号秩检验 p<0.05；它也优于所有单独评估的派工规则，并与“为每个实例挑最强规则”的上界没有显著差异（p>0.05）。消融显示，只做单层搜索、把 rollout 数量从 1 加到 24，性能会平台化甚至变差，说明分层带来的前瞻性才是主要来源。
这套方法还有一层理论解释：把反思产出的经验视为对基础策略的策略改进，在“rollout 代价近似真实代价”和“模型忠实综合”两个假设下，可以继承 rollout 算法的性能不劣保证。假设无法对黑箱模型形式化证明，但实验中的稳定增益说明它们在实践中大致成立。
对车间落地而言，关键不是让大模型替代 APS，而是把它放在“策略层”：事件触发时做一次较重的推演和复盘，平时用轻量提示快速决策。这样既保留了启发式的可解释性，也补上了单条规则看不到的长程后果。
资料来源：ReflecSched: Solving Dynamic Flexible Job-Shop Scheduling via LLM-Powered Hierarchical Reflection — arXiv（2025-08）。本文为技术要点整理/编译，非原文全文。