个性化产品越来越多，产线要频繁重构，多智能体控制因此被寄予厚望：产品智能体（Product Agent，PA）谈需求，资源智能体（Resource Agent，RA）管设备。但传统多智能体架构依赖预定义的任务模型，新产品一来就失灵；大模型能补上灵活性，却没人能保证它排出的任务分配不撞车、不违反先后顺序。这篇论文的思路是：让大模型负责想，让自动机负责查。
产品智能体出 DAG，资源智能体建自动机
PA 用自然语言理解产品需求与资源能力，生成一张有向无环图（DAG）作为任务计划，节点是子任务，边是先后约束。每个 RA 被建模为有限状态自动机（FSA）：状态是物理状态，事件是任务的开始与完成，转移由动作决定。把 DAG 编译成计划自动机后，全局状态空间是各 RA 状态的笛卡尔积子集，因此两台机器人同时抢一个装配台这类资源冲突会在联合状态里显形，而不是被各自的局部模型掩盖。
安全规则：从自然语言到 LTLf
现场的安全要求通常写在规程里，是人话。框架先把每条自然语言规则结构化为约束类型、工序、产品、资源、事件与上下文，再由中央控制智能体（Central Controller Agent，CCA）转成原子命题，写成有限轨迹线性时序逻辑（LTLf）规格，最后编译成安全自动机。验证时，CCA 拿生成的联合计划与安全自动机做乘积检查：只要存在一条执行轨迹违反规则，计划就不许下发。这里有三条明确假设：形式化规格忠实于原意且经领域专家确认；安全相关事件可观测并映射为原子命题；需求在当前制造能力下可实现。
不合规就带着证据重规划
验证失败不是终点。CCA 把违规细节作为反馈交回 PA，要求它修改计划，单次试验最多五轮修复。这样既保留大模型的灵活性，又把能不能执行的否决权留在形式化层。
三场景实测：规则满足率与验证代价
案例是多机器人装配，规模从 S1 的 2 台机器人、3 个零件、2 条规则，升到 S2 的 3/4/3 与 S3 的 4/6/4，规则同时包含顺序约束与互斥约束，每场景 20 次试验，模型为 GPT-5。只用自然语言约束的纯大模型基线，规则满足率 S1 为 50%、S2 为 75.93%、S3 为 50%；加入验证与重规划后升到 92.5%、91.67% 与 86.25%。代价也随规模上升：平均修复次数从 1.8 到 2.2 再到 3.9，平均验证时间从 0.1 秒、1.53 秒涨到 25.46 秒，验证中探索的产品状态从 170 个增到 1378 与 14618 个。
还没解决的部分
规则满足率没有到 100%，因为修复仍要靠大模型读懂违规反馈；验证时间是硬瓶颈，单一 CCA 在更大工厂会撑不住。作者提出的下一步是符号化与组合式验证、分层验证架构，以及面向运行期事件的在线验证。
这篇工作的价值在于划清责任：大模型可以自由地排任务，但安全由离散事件模型与时序逻辑签字。对准备把排产交给智能体的工厂，这比再换一个更强的模型更重要。