Operations Research → AI Agents
用运筹学与管理科学的思想、模型和算法，重新思考 AI Agent 的架构与行为。
当下主流的方向是 LLM4OR——用大语言模型赋能运筹优化。这个项目选择反过来走。
OR4Agents 的信念是：运筹优化数十年来积累的管理科学方法论——决策建模、资源调度、约束优化、随机规划、博弈论、排队论、库存理论——不应该只是 LLM 的"被服务对象"。它们本身就应该成为 AI Agent 系统的一等设计范式。
我们不是把 OR 问题丢给 LLM 去解，而是把 OR 的思维装进 Agent 的骨架里。
| 传统 Agent 开发 | OR4Agents 视角 |
|---|---|
| 凭经验设计 prompt 链 | 决策建模：Agent 行为是可形式化的决策过程 |
| 手工调参、反复试错 | 参数优化：用数学规划求解最优策略配置 |
| 静态工具调用 | 动态资源分配：Agent 在约束下实时调度算力、上下文、工具 |
| 单步推理 | 多阶段随机规划：在不确定环境中做序列决策 |
| 硬编码的 fallback | 鲁棒优化：在最坏情况下保证 Agent 行为下界 |
| 无模型的 workflow | 排队论 & 库存论：建模 Agent 的吞吐、延迟、缓冲 |
人类设计Agent执行某些任务，哪个agent是最好的？
where
- S : A complete Agent configuration.
- S* : The optimal Agent configuration.
- 𝓕 : The feasible solution space defined by all hard constraints.
- f(S) : The utility (reward) of Agent S.
- P(S) : The penalty induced by soft constraints.
We define a general search process over agent configurations:
This includes:
- neighborhood generation
- black-box evaluation
- feasibility checking
- acceptance strategy
- iterative improvement
👉 ASP defines how we search the solution space
ALS is a concrete realization of ASP using local search:
- start from an initial agent
- explore local neighborhood
- feasibility check and evaluate candidates
- iteratively improve solution
👉 ALS is a metaheuristic solver for AOP
ALS can be instantiated into multiple classical OR algorithms:
- ALNS4Agents — Adaptive Large Neighborhood Search
- Tabu4Agents — Tabu Search with memory
- SA4Agents — Simulated Annealing
- VNS4Agents — Variable Neighborhood Search
Each solver explores the same AOP but with different search strategies.
OR4Agents decouples Agent systems into three layers:
| Layer | Meaning |
|---|---|
| AOP | Optimization problem definition |
| ASP | Search paradigm |
| ALS | Concrete solver |
This separation allows:
- systematic agent design
- reusable optimization strategies
- plug-and-play solvers
Modern AI Agents are equipped with increasing numbers of skills, tools, and domain capabilities.
However, simply adding more skills does not always improve agent performance. A large skill library introduces:
- Skill routing complexity
- Context consumption overhead
- Redundant capabilities
- Maintenance cost
Therefore, we introduce Skill Portfolio Optimization (SPO) as a new perspective for Agent Optimization.
The goal is to automatically discover an optimal skill portfolio under limited computational and cognitive resources.
Given:
- A task distribution
- A skill library
- Execution feedback
- Resource constraints
SPO optimizes:
- Skill selection
- Skill composition
- Skill allocation
- Skill evolution
The problem has strong connections with classical Operations Research problems:
- Facility Location
- P-median
- Maximum Coverage
- Submodular Optimization
- Portfolio Optimization
More details:
+-------------------------------------------------------------+
¦ OR4Agents Framework ¦
+-------------------------------------------------------------¦
¦ 📐 Decision Layer (MDP / Markov) ¦
¦ ⚙️ Optimization Layer (LP / MILP / Metaheuristics) ¦
¦ 📊 Resource Layer (Scheduling / Queueing) ¦
¦ 🎲 Uncertainty Layer (Stochastic Prog. / Robust) ¦
¦ 🧠 Strategy Layer (Game Theory / Mechanism) ¦
+-------------------------------------------------------------¦
¦ LLM / Tool-Use / Memory / RAG ¦
+-------------------------------------------------------------+
OR 层为 Agent 提供结构化决策能力，LLM 层负责语义理解与生成——两者各司其职，而非一方吞并另一方。
- Survey：OR × Agent — 系统梳理运筹优化与 AI Agent 的交叉研究现状
- 建立统一问题分类（Taxonomy） — 将 Agent 系统的设计问题映射到 OR 的标准问题类型（分配、调度、路由、库存、排队……）
- 收集相关论文和经典案例 — 构建文献库，提炼可复用的方法论模板
构建五个核心 OR 组件，每个对应 Agent 系统的一个关键决策环节：
| 组件 | 解决什么问题 | OR 工具 |
|---|---|---|
| Memory Optimizer | 哪些上下文该保留？何时压缩/遗忘？ | 库存论、信息价值 |
| Tool Selector | 在多个工具中如何选最优组合？ | 组合优化、Multi-armed Bandit |
| Workflow Scheduler | 多个子任务的执行顺序与并行策略 | 调度论、关键路径法 |
| Budget Allocator | Token / 算力 / 时间如何在子任务间分配 | 资源分配、Knapsack |
| Search Planner | 大规模解空间中的高效探索策略 | 搜索论、分支定界 |
建立面向 Agent 效率与质量 的量化评估体系：
- Agent 运行成本 — 端到端任务的经济成本
- Token 效率 — 单位任务的 token 消耗
- Tool 调用效率 — 工具选择与调用的精准度
- 成功率 — 任务完成率与准确率
- 延迟 — 端到端响应时间分布
- 鲁棒性 — 输入扰动/工具失效下的性能退化
- 构建完整的 OR4Agents Runtime，将 Phase 2 的组件集成为可插拔的优化引擎
- 支持 LangGraph、AutoGen 等主流 Agent 框架的优化插件
- 提供标准化的
Optimizer接口，使任意 Agent 框架均可接入 OR 决策层
OR4Agents/
├── core/ # 核心抽象：决策模型、优化器、调度器
├── agents/ # 基于 OR 范式构建的 Agent 实例
├── benchmarks/ # 面向 Agent 决策质量的评估基准
├── examples/ # 场景示例
└── docs/ # 理论背景与设计文档
- Operations Research — 管理科学中关于约束条件下最优决策的整套理论
- Agentic Systems — LLM-based agent 在推理、规划、工具使用上的实践
- Control Theory — 反馈控制与自适应系统
- Cybernetics — 目的论系统中的通信与控制
MIT License — 见 LICENSE
"The goal is not to make OR smarter with AI, but to make AI more rational with OR."