当售货员,AI和Excel谁更强?长周期商业Agent的“执行鸿沟”

2026-10-29 · LLM 与智能体 · PaperDaily

当 AI 走进现实：被忽视的物理世界摩擦力

你雇佣了一位精通经济学理论的 AI 店长管理自动售货机。它每天能给出完美的定价建议，选品眼光也极佳。但一个月后盘点，它的净利润却比只会按固定公式补货的老员工低得多。为什么“聪明”的决策反而赚不到钱？

这是当前大语言模型（LLM）智能体在商业落地中面临的真实困境。在聊天机器人或代码生成等纯数字任务中，LLM 的表现已经令人惊艳。然而，一旦进入线上到线下（O2O）的商业场景，决策就不再只是屏幕上的文字游戏，而是要面对物理世界的摩擦。在线决策与线下执行之间存在巨大的割裂：模型擅长处理文本逻辑和即时反馈，但在面对库存过期、物流延迟和真实的访问成本时，其优势可能瞬间转化为劣势 [1]。

这种“执行鸿沟”的核心在于，商业运营是一个长周期的过程。一个看似完美的单次交易优化，如果忽略了跨站点的库存协调和长期的仓储侵蚀，最终可能导致整体经济的失败。AI 售货员跑不赢规则基线，并不是因为 AI 不够聪明，而是因为现实世界的账本，远比提示词里的逻辑复杂。

AutoVend 实验：烧钱的推理与失效的协调

为了量化这一差距，研究人员推出了 AutoVend 基准测试，让 LLM 代理模拟管理 20 台分布在不同场景的自动售货机长达 180 天 [1]。这个仿真器不仅基于真实数据校准需求，更引入了残酷的物理约束：采购需要 3 天的提前期，补货必须支付每次 35 元的现场访问费，且库存有保质期并产生每日仓储租金 [1]。

结果令人清醒：在评估的五种主流 LLM 代理中，有四种的最终净资产低于基于规则的 Newsvendor 库存控制基线 [1]。只有 GPT-6.1 Sol 超越了基线，但其高昂的 API 调用成本抵消了部分利润增长——它的推理成本是 DeepSeek V4.1 Flash 的约 80 倍，但净资产增长仅为后者的 2.9 倍 [1]。这就是典型的“API 成本陷阱”：为了获得微小的策略提升，支付了不成比例的算力账单。值得注意的是，若以每美元推理成本带来的资产增长来衡量，DeepSeek 反而优于 GPT-6.1 Sol [1]。

深入分析发现，失败的主要原因在于模型过度关注单次交易的局部最优，而忽视了全局协调。例如，Claude Sonnet 5.5 虽然将浪费率控制在最低的 0.16%，但因货架空置率过高导致错失销售机会，最终收益不如简单粗暴的规则基线 [1]。此外，Kimi K3 在多次运行中的变异系数高达 45.6%，显示出其在长期规划中的极度不稳定 [1]。这些现象表明，当前的 LLM 难以在动态环境中维持一致的策略，往往陷入“拆东墙补西墙”的短视循环。

当然，实际情况比这个比喻更复杂。AutoVend 的作者也承认，结论仅基于单一环境下的三次运行，且未考虑极端黑天鹅事件对供应链的冲击 [1]。但这足以说明，在缺乏显式状态验证和持久化策略更新机制的情况下，LLM 很难跨越从“单点最优决策”到“持续经济回报”的鸿沟。

进化路径：从静态工具到动态记忆与标准化协议

既然问题出在长周期连贯性上，解决思路自然指向增强系统的记忆与协作能力。历史脉络显示，RetailBench 和 MerchantBench 等早期基准已指出，现有模型在长期生存和经济效益上显著落后于人类或最优策略，主要归因于证据获取不完整和表面化的决策 [6, 7]。MerchantBench 甚至发现，最佳 LLM 配置仅达到人类平均最终净资产的 27.3% [7]。

为应对这一挑战，CoEvolve 框架提出了一种协同进化方案：通过反事实轨迹对比，让多智能体系统中的记忆与工作流同步进化 [2]。简单来说，当任务失败时，系统会“虚拟地”移除某个执行器并重跑，若结果改善，则定位该环节为瓶颈，并联合更新技能库和相关记忆，确保新流程有对应的经验支撑 [2]。在 ALFWorld 和 WebShop 基准上，这种方法比单独进化记忆或协作模式取得了更好的性能 [2]。

另一方面，EREBOTS 4.0 试图从架构层面缩小执行鸿沟，通过 A2A（Agent-to-Agent）和 MCP（Model Context Protocol）协议，将神经网络的规划能力与符号工具的精确执行分离 [4]。在这种星型拓扑结构中，LLM 负责路由和意图理解，而确定性的 MCP 工具负责计算如单位转换等精确结果，避免了幻觉导致的操作错误 [4]。这种设计通过了官方兼容性测试，实现了代理间的标准化组合 [4]。

然而，当前的解决方案仍面临局限。SynthAPI 的研究表明，训练数据中工具和数据库状态的多样性比单纯增加任务数量更能提升代理的泛化能力 [3]。这意味着，要让 AI 真正胜任复杂商业，可能需要极其丰富且结构化的合成环境数据进行微调，而这本身又是一项高昂的成本。此外，ASPEN 等效率优化方法虽然能通过预测指令持久性减少推理开销，但其主要适用于重复性高的导航任务，对于需要频繁权衡取舍的商业决策，其适用性尚待验证 [5]。

目前的 Agentic Commerce 领域依然缺乏对极端突发状况的鲁棒性，以及多代理协作时的谈判与冲突解决机制 [4]。我们正处在从“静态工具调用”向“动态记忆进化”过渡的阶段，但距离真正的自主商业智能，仍有相当长的路要走。

启发

AI 售货员跑不赢规则基线，不是因为 AI 不懂经济学，而是因为现实商业充满了物理摩擦和延迟反馈。当前的 LLM 代理在长周期运营中，往往因忽略库存侵蚀、协调成本和推理开销而败给简单的规则基线。未来的突破不在于让模型更“聪明”，而在于构建能与物理执行深度耦合的记忆系统与标准化协议，让 AI 学会像老练店主一样，在算得清账的前提下做决定。

参考文献

1. AutoVend: Benchmarking LLM Agents on Long-Horizon Autonomous Vending Operationshttps://arxiv.org/abs/2610.36980（arXiv、2026、全文精读）

2. CoEvolve: Counterfactual-Guided Co-Evolution of Memory and Collaboration in Multi-Agent Systemshttps://doi.org/10.48550/arxiv.2610.33539（arXiv (Cornell University)、2026、全文精读）

3. Scaling Laws for Tool-Use Agents via Controllable Environment Synthesishttps://arxiv.org/abs/2610.37648（arXiv、2026、全文精读）

4. EREBOTS 4.0: A framework for conversational assistants with A2A agents and MCP toolshttps://arxiv.org/abs/2610.36221（arXiv、2026、全文精读）

5. ASPEN: Adaptive Semantic Reasoning via Command Persistence Prediction for Efficient Navigation VLAshttps://arxiv.org/abs/2610.36285（arXiv、2026、全文精读）

6. RetailBench: Benchmarking long horizon reasoning and coherent decision making of LLM agents in realistic retail environmentshttps://doi.org/10.48550/arxiv.2606.15862（arXiv (Cornell University)、2026、仅摘要）

7. MerchantBench: Benchmarking LLM Agents for Long-Term Coherence in E-Commerce Operationshttps://doi.org/10.48550/arxiv.2607.28956（arXiv (Cornell University)、2026、仅摘要）

8. The Execution Gap in Agentic Commerce: An Oracle-Grounded Benchmark of Pricing and Buying Agentshttps://doi.org/10.2139/ssrn.7129500（SSRN、2026、仅摘要）

本文首发于 Chunlin 的论文科普：https://blog.chunlin.ch/posts/2026-10-29-llm-agent/点击下方「阅读原文」查看原文及可点击的参考文献链接。