多级供应链的库存管理有一张经典考卷：每一层只看得到自己的库存、在途、缺货与需求，向上游下单，目标是让整条链的总利润尽量接近集中优化得到的上界。启发式方法（基准库存、需求跟踪）好解释，却要针对场景人工调参；多智能体强化学习能学策略，但样本成本高，还要有与真实数据校准过的仿真器。
这篇论文问的是：大模型智能体能不能直接做这道题？答案是“能，但只在一种场景里能”。
先把题面写清楚，再谈策略
实验把每一层建模为一个智能体，动作为订货量；环境按订单到达、需求履约、发货、利润结算推进，未满足的需求转为缺货并计罚。智能体观察的状态包含自身库存、在途、缺货、需求等维度，层数越多维度越高。
原始提示只给了角色与目标，缺少订单到达与时序等关键信息。作者先补上一段逐步流程说明，把“什么时候下单、货什么时候到、发货受什么限制”讲清楚；再插入安全库存策略：安全库存按需求标准差、提前期与服务水平的经典公式计算，目标消耗量等于提前期加一期的预测需求再加安全库存，订货量取目标与预计库存之间的缺口。这样，智能体不必从零发明策略，而是在一个可解释的框架里做数量判断。
测试覆盖五种场景：各层参数相同或不同，需求恒定、递增或递减。模型用 o4-mini，推理强度取高与中两档，每种配置跑 5 个回合；对照包括基准库存、需求跟踪两种启发式，以及 IPPO、MAPPO 两种多智能体强化学习。指标是相对最优解的差距。
结果一半是好消息：在“参数相同、需求恒定”的场景里，这套多智能体系统确实找到并执行了最优订货策略，作者称这是首次演示大模型多智能体能解出多级库存最优解。另一半是坏消息：同一套提示换到别的场景就不灵了，说明它学到的是特定题面的解，而不是可迁移的策略。
给智能体配一本“相似案例账”
AIM-RM 的办法不是继续调提示，而是给智能体加一个外部记忆：把历史局面存成（状态、订货量、利润）三元组，放进向量库。决策时用欧氏距离在当前状态与历史状态之间找相似案例，距离低于阈值 2 的视为相似，最多取最近 6 条，连同“如何使用这些案例”的提示一起塞进上下文。
记忆可以边跑边攒，也可以预装强化学习日志：把 IPPO 在每个场景下各层的最优动作存进去，智能体参考这些案例时，实际上是在与其他层的动作做隐式协调——分布式架构里没有中央调度，但共享的历史结果让各自的选择彼此兼容。
实验显示，带记忆的 AIM-RM 在多个场景下优于基准方法，并与强化学习方法表现相当。一个反直觉的细节是，提高推理强度并不必然改善表现；作者还观察到推理模型有时直接给出结论，跳过中间推理过程，因此很难判断它是否真的用了检索到的相似案例。
论文也列了三条限制：相似度用固定的欧氏范数与阈值，换数据分布是否仍有效没验证；需求设为确定性序列，是为了控制大模型调用成本，随机需求下的表现仍待测；评估回合数只有 5 个，统计功效有限。作者提出的下一步，是把“自我反思”写进记忆——不只存结果，还存“什么有效、什么失败、为什么”，让相似案例带上可执行的经验规则。
对工程落地的启示
这篇文章的价值不在“智能体能做库存”，而在它诚实地划出了边界：通用推理能力不等于可迁移的决策策略。供应链场景的参数、提前期、需求形态一变，提示里那点隐含假设就失效。把“过去类似局面的解”外置成可检索记忆，比让模型在每次对话里重新悟一遍更划算，也更便于审计——每条建议都能追到它参考了哪几个历史案例。
资料来源：AI Agent Systems for Supply Chains: Structured Decision Prompts and Memory Retrieval — arXiv（AAMAS 2026）。本文为技术要点整理，非原文全文。