用于库存控制的AI代理：人类-LLM-运筹学互补性

库存控制是运营管理中的一个基本问题，传统上依赖于基于理论的运筹学（OR）算法来指导订购决策。然而，这些算法通常依赖于严格的建模假设，在需求分布变化或缺乏相关上下文信息时表现不佳。近年来，大语言模型（LLMs）的进步引发了对能够灵活推理并整合丰富上下文信号的AI代理的兴趣，但如何将基于LLM的方法最佳地整合到传统决策流程中仍不清楚。本文研究了在多期库存控制场景中，OR算法、LLMs和人类如何相互作用并互补。我们构建了InventoryBench基准测试集，包含超过1000个库存实例，涵盖合成和真实世界的需求数据，旨在测试决策规则在需求变化、季节性和不确定交货时间下的表现。通过该基准测试，我们发现增强OR的LLM方法优于单独使用任一方法，表明这些方法是互补而非替代关系。此外，我们通过受控课堂实验研究了人类的作用，将LLM建议嵌入到人机协作的决策流程中。与之前认为人机协作可能降低性能的发现相反，我们证明平均而言，人机团队的利润高于单独由人类或AI代理操作。除了这一群体层面的发现，我们还形式化了一个个体层面的互补效应，并推导出一个无需分布假设的下限，即从AI协作中受益的个体比例；实证结果显示这一比例相当可观。