MIRROR：一种具有迭代自适应修订和分层检索的多智能体框架，用于运筹学中的优化建模

运筹学（OR）依赖于专家驱动的建模过程，这一过程缓慢且脆弱，难以应对新场景。尽管大语言模型（LLMs）可以自动将自然语言转换为优化模型，但现有方法要么依赖昂贵的后训练，要么采用多智能体框架，但仍缺乏可靠的协作错误纠正和任务特定检索，常导致输出错误。本文提出MIRROR，一种无需微调的端到端多智能体框架，可直接将自然语言优化问题转化为数学模型和求解器代码。MIRROR集成了两个核心机制：（1）基于执行的迭代自适应修订，用于自动错误纠正；（2）分层检索机制，从精心构建的示例库中获取相关的建模和编码示例。实验表明，MIRROR在标准OR基准测试中优于现有方法，在复杂工业数据集如IndustryOR和Mamo-ComplexLP上表现尤为突出。通过结合精确的外部知识注入与系统性错误纠正，MIRROR为非专家用户提供了一种高效可靠的OR建模解决方案，克服了通用LLMs在专家优化任务中的根本性局限。