Современные цепочки поставок в розничной торговле по-прежнему скованы жесткими последовательными эвристиками. Когда заказы поступают в региональный распределительный центр, процессы распределения партий, комплектации, сборки и упаковки выполняются строго поэтапно задолго до того, как поставки для пополнения запасов доберутся до полок магазинов. Поскольку результаты ранних этапов напрямую определяют параметры последующих шагов, малейшее изменение бизнес-ограничений или появление узких мест неизбежно провоцирует каскадные сбои по всей цепочке выполнения.
Графовая архитектура для модульной адаптации
Чтобы разорвать дорогостоящий замкнутый круг, когда изменение бизнес-правил требует недель ручного рефакторинга кода и исправления эвристик, исследователи из HKUST, USTC и Национального университета Сингапура представили мультиагентную архитектуру на основе графовых ограничений. Система создана специально для автоматизированной адаптации цепочек поставок под меняющиеся требования бизнеса.
В стандартных ERP-системах подстройка под неожиданные сбои вынуждает инженеров по логистике вручную изолировать нарушенные зависимости, переписывать логику модулей и рисковать стабильностью смежных процессов.
«мы формулируем адаптацию под требования бизнеса как совместный выбор маршрута вмешательства и допустимого изменения на уровне конкретного модуля»
Вместо того чтобы давать языковым моделям полную свободу действий без ограничений, данная мультиагентная архитектура работает на базе заранее заданного графа зависимостей. Она иерархически распределяет операционные директивы на естественном языке, подключает специализированных агентов для формулирования и симуляции изменений, а также тестирует сквозную стабильность всей цепочки исполнения перед отправкой обновлений в рабочую среду.
Результаты тестирования на различных LLM
В партнерстве с крупным ритейлером ученые протестировали фреймворк на 100 реальных сценариях изменения складских требований, полученных напрямую от операционного персонала. В рамках бенчмарка стандартные промпты для LLM без жестких ограничений сравнивались с предложенной мультиагентной графовой архитектурой на базе моделей GPT, Qwen и DeepSeek.
Структурированный подход увеличил долю успешных сквозных операций с 72–76% при обычном промптинге до 79–83% на всех семействах протестированных моделей, полностью исключив накопление ошибок во время исполнения.
Что это значит для бизнеса
Для операционных директоров и руководителей логистических подразделений главная ценность заключается в замене хрупких монолитных ERP-правил на адаптивных мультиагентных координаторов. Привязка языковых моделей к проверенным графам зависимостей и валидация сценариев до их запуска позволяют компаниям внедрять динамические требования ритейла без падения пропускной способности складов и лишних затрат на ручную разработку.