InvAgent: A Large Language Model based Multi-Agent System for Inventory Management in Supply Chains

供应链管理（SCM）涉及协调各个实体之间的货物、信息和资金流动，以实现产品的高效交付。在今天这个动荡、不确定、复杂和模糊（VUCA）的世界中，有效的库存管理至关重要。先前的研究已经证明，启发式方法和强化学习应用在库存管理方面具有优越性。然而，将大型语言模型（LLMs）作为自主代理人应用于多智能体系统以进行库存管理的应用仍未得到充分探索。本研究介绍了一种新方法，使用LLMs来管理多智能体库存系统。利用它们的零-shot学习能力，我们的模型InvAgent提高了供应链网络的弹性和效率。我们的贡献包括利用LLMs进行零-shot学习，实现自适应和知情决策，提供通过Chain-of-Thought（CoT）的显著可解释性和清晰度，并展示在最小化成本和避免缺货的同时对不同需求场景的动态适应能力。在不同场景的广泛评估中，我们的模型在SCM方面的效率得到了突出展现。

使用大型语言模型（LLMs）作为自主智能体管理多智能体库存系统，以提高供应链管理的效率和韧性。

使用LLMs的零-shot学习能力，开发出一种名为InvAgent的模型，可以适应不同的需求情况并最小化成本，避免库存短缺。

该模型具有良好的解释性和清晰度，使用Chain-of-Thought（CoT）进行解释。通过在不同情境下进行广泛的评估，证明了该模型在供应链管理中的高效性。

先前的研究已经证明了启发式方法和强化学习在库存管理中的优越性。但是，将LLMs作为自主智能体在多智能体库存系统中进行管理的应用仍未得到充分探索。