# 运筹与决策优化 职业；职业资料版本 2026-10-21.careers.2；核查 2026-10-20 把业务目标、资源与限制建成模型，选择并实施可行的决策方案。 排程、物流、定价和资源分配是应用方向；“建模”必须说明对象与决策。 本页按职责提供公开参照；地域、职级和准入以目标组织的现行要求另核。 名称/别名：运筹分析师、运筹优化、优化工程师、排程算法、供应链优化、决策科学 来源状态：active ## 职业工作范围 按本职业主要交付组织工作范围；多个目标可以由同一结果包接收。职责来源用于核对工作定义，AI采用、工具可得性和实际表现按各项具体证据判断。这里不是所有地区与细分岗位的完整清单。 ### 决策问题建模 产物：决策变量、目标、硬软约束和数据契约；原规则—模型映射；可计算模型和未决例外 内容覆盖：documented；对应工作：交付决策模型与业务约束映射。 任务应用：/careers/operations-research#work-operations-research-delivery-1 变体：已明确约束的静态决策；业务约束不完整 ### 可执行求解方案 产物：可行解、求解状态、界和最优性差距；可实施排程/配置；目标/界/gap、时间和约束证据 内容覆盖：documented；对应工作：交付可执行方案及质量证据。 任务应用：/careers/operations-research#work-operations-research-delivery-2 变体：已明确约束的静态决策 ### 不确定性与情景分析 产物：鲁棒、随机或敏感性下的方案比较；情景/参数出处；服务水平/成本与失效区域 内容覆盖：documented；对应工作：交付不确定条件下的方案比较。 任务应用：/careers/operations-research#work-operations-research-delivery-3 变体：不确定/动态再规划 ### 决策仿真与验证 产物：现实约束、基线和失效情景核查；独立仿真/基线比较；遗漏规则和实施约束清单 内容覆盖：partial；已给方案/仿真/基线接收路径，现场执行收益和特定行业校准未由通用基准覆盖。 任务应用：/careers/operations-research#work-operations-research-delivery-4 变体：不确定/动态再规划 ### 实施与动态再规划 产物：排程或配置落地、变化响应及效果反馈；状态/版本及重规划入口；实施变更成本/回退/反馈 内容覆盖：partial；完整再规划产物/验收已写，实际控制系统与运营反馈仍需目标环境。 任务应用：/careers/operations-research#work-operations-research-delivery-5 变体：不确定/动态再规划 范围来源：https://www.onetonline.org/link/summary/15-2031.00 当前范围以外： - 未指定行业所有优化场景 - 纯物理仿真和统计推断另列 待补： - 现场规则、实施代价/收益及在线状态需目标系统验证，公开OR任务不替代现场结果。 - 不确定性分布/预测误差和极端场景必须有来源，求解器只验已编码模型。 ## 主要工作与 AI 当前变化 以下条件评估与局部证据分别标示，不表示整项职业已验证。 ### 交付决策模型与业务约束映射 从排程/物流/配置材料形成变量、目标、硬软约束及数据合同。 交付物：原规则—模型映射；可计算模型和未决例外 判断依据：外部报告结果、有条件的编辑推断 当前变化：ORAgentBench直接评价业务材料到决策，支持整包候选；模型漏规则是实际失败类型，先校对原规则。 - 数值模型求解：交付解、残差和条件变化：/work-units/W-M02?version=2026-10-21.workunits.2 冻结规则用静态模型交付，确有缺规则时才进入缺口诊断；两种输入状态不混。（partial；workunits/work-unit/W-M02@2026-10-21.workunits.2） 应用范围：冻结规则用静态模型交付，确有缺规则时才进入缺口诊断；两种输入状态不混。 AI工作组织：给出完整约束后，AI可合并建模代码与验证报告；稳定刷新使用固定程序，异常返回模型层。 ## 任务级判断与证据 采用方式：限定条件下整包委派 从证据到建议：外部可执行OR任务说明模型能组织求解，但“有解”不保证目标质量。成熟求解器可接管确定性运算，采用范围取决于约束忠实度、证书与部署条件；小例枚举不代表大规模优化或真实收益。 当前可用性：open-implementation；数值/OR计算与评估有公开实现；本地历史小例为人工枚举参考，现实业务实例、模型与预算尚需提供。 - SciPy线性规划：https://docs.scipy.org/doc/scipy/reference/generated/scipy.optimize.linprog.html 文档2026-10-20读取；实际SciPy/HiGHS版本需锁定；开源；必须按LP/MIP等模型选择合适入口。 - ORAgentBench：https://github.com/ORAgentBench/ORAgentBench/tree/c9eb952435a4352f33daa2a35efe0f8c76d31b28 c9eb9524…；论文v1；公开任务与Harbor环境；模型API/solver依赖另配，未运行。 ### ORAgentBench的GPT-5.4/Codex配置在107任务中报告35.51%通过；部分可行方案仍达不到质量阈值，可行和高质量交付不同。 依据身份：外部报告结果；状态：active - ORAgentBench v1：业务材料到决策产物：https://arxiv.org/html/2606.19787v1 定位：§3.4、§4.1、Table2；关系：partial 支持：给出真实约束式决策的作者评估，不仅是公式或代码生成。 限制：107任务不是现场收益；不能将其分数分配给本整数示例。 核查：2026-10-20；来源状态：active 配置：v1；107任务/14完整model-agent行；OpenAI用Codex其余Claude Code，high；45分钟交互、5分钟求解，离线Harbor/SCIP，默认四个OR skills。 此结果为GPT-5.4/Codex(high)的单次完整行；通过需可行且归一化质量q>0.4，非任意排程成功率。 适用限制：107任务不是现场收益；不能将其分数分配给本整数示例。 相关进展（本条判断）： - 运筹Agent评价从公式扩到可执行决策质量：/explore?purpose=understand&domain=math&window=all#P-M-ORAGENT 首次公开 2026-06-18 ### 明确模型类别、约束和独立检查时，可把候选计算与变体重算整包委派；实际执行另核。 依据身份：有条件的编辑推断；状态：active - ORAgentBench v1：业务材料到决策产物：https://arxiv.org/html/2606.19787v1 定位：Failure modes；AppendixF multi-step cases；关系：adjacent 支持：漏规则与质量失败决定独立验收重点。 限制：未重跑，本例历史人工枚举不是AI任务试次。 核查：2026-10-20；来源状态：active 适用限制：未重跑，本例历史人工枚举不是AI任务试次。 ## 情境变化 ### 业务约束不完整 输入变化：只有“最低成本”，缺休息/交接或例外规则。 判断变化：先交需求-模型差异和几种约束情景，分阶段接收。 验收变化：从原始排班/物流规则独立检查，而不是仅运行生成的约束。 ### 已明确约束的静态决策 输入变化：目标、数据和硬软约束已冻结，不要求缺规则诊断或在线更新。 判断变化：可整包委派建模代码、候选解和质量证据，稳定计算直接用solver。 验收变化：独立从原始规则核可行/整数性和目标质量，检查界/gap/容差；不附加动态或缺约束前提。 研究前沿：ORAgentBench已评价多文件/多步决策，仍有规则遗漏和可行-质量差距；它给出可试的交付范式，不给本单位职业百分比。 下一项验证：保留历史有限整数例为检查校准；另用授权排程材料盲测，独立核对约束、目标、时间预算和改变容量后的再规划，记录被遗漏的现实限制。 未来改判信号： - 扩大：新行业/新规模实例，原需求映射、可行性及目标质量持续达标，实施反馈与模型一致。 - 收缩：建模反复漏规则，gap未闭或数据延迟导致无法执行；先交模型诊断和保守基线。 接收/拒收： - 结果满足原约束：独立代入每条约束，检查单位、边界和整数性 拒收：将不可拆分工作包当连续变量，交付6.67个包。 - 声称的最优/精度有依据：在小问题枚举对照；大问题看适用证书、gap或误差界 拒收：仅看到求解器success就声称任意非凸模型全局最优。 - 改变条件会重新计算：对约束变体重跑并说明不可行或解变化 拒收：设备上限减少后照抄原解，不再检查容量。 - 原需求也被模型覆盖：独立接收者从业务输入重新列硬约束，用不同检查代码检查方案；模拟容量减少/需求增大，基线与新方案比较可行性和代价。 拒收：优化器成功但漏掉班次休息、不可拆分任务或现实交接条件。 失败处理：不收敛、不可行或无界时返回状态、残差和相关约束；不能挑一个看似合理的数代替求解。 本站记录：既有M01有人工构造的有限枚举参考；它不是AI模型试验，也未证明现实排班适配。 尚未覆盖：行业例外与软约束重要性需目标方输入。 验证方法：独立从原材料重新列约束，用不满足休息/容量/不可拆分的反例检验模型；不只核生成公式。 ### 交付可执行方案及质量证据 提交决策对象、求解代码、状态、界/gap和独立可行性。 交付物：可实施排程/配置；目标/界/gap、时间和约束证据 判断依据：外部报告结果、工具与方法依据、有条件的编辑推断 当前变化：可整包委派候选求解；外部任务显示可行和质量不同，独立检查后才接收。 - 数值模型求解：交付解、残差和条件变化：/work-units/W-M02?version=2026-10-21.workunits.2 本应用为已定模型/业务规则的静态候选解及质量接收，不要求先存在规则缺口。（partial；workunits/work-unit/W-M02@2026-10-21.workunits.2） 应用范围：本应用为已定模型/业务规则的静态候选解及质量接收，不要求先存在规则缺口。 AI工作组织：给出完整约束后，AI可合并建模代码与验证报告；稳定刷新使用固定程序，异常返回模型层。 ## 任务级判断与证据 采用方式：限定条件下整包委派 从证据到建议：外部可执行OR任务说明模型能组织求解，但“有解”不保证目标质量。成熟求解器可接管确定性运算，采用范围取决于约束忠实度、证书与部署条件；小例枚举不代表大规模优化或真实收益。 当前可用性：open-implementation；数值/OR计算与评估有公开实现；本地历史小例为人工枚举参考，现实业务实例、模型与预算尚需提供。 - SciPy线性规划：https://docs.scipy.org/doc/scipy/reference/generated/scipy.optimize.linprog.html 文档2026-10-20读取；实际SciPy/HiGHS版本需锁定；开源；必须按LP/MIP等模型选择合适入口。 - ORAgentBench：https://github.com/ORAgentBench/ORAgentBench/tree/c9eb952435a4352f33daa2a35efe0f8c76d31b28 c9eb9524…；论文v1；公开任务与Harbor环境；模型API/solver依赖另配，未运行。 ### ORAgentBench的GPT-5.4/Codex配置在107任务中报告35.51%通过；部分可行方案仍达不到质量阈值，可行和高质量交付不同。 依据身份：外部报告结果；状态：active - ORAgentBench v1：业务材料到决策产物：https://arxiv.org/html/2606.19787v1 定位：§3.4、§4.1、Table2；关系：partial 支持：给出真实约束式决策的作者评估，不仅是公式或代码生成。 限制：107任务不是现场收益；不能将其分数分配给本整数示例。 核查：2026-10-20；来源状态：active 配置：v1；107任务/14完整model-agent行；OpenAI用Codex其余Claude Code，high；45分钟交互、5分钟求解，离线Harbor/SCIP，默认四个OR skills。 此结果为GPT-5.4/Codex(high)的单次完整行；通过需可行且归一化质量q>0.4，非任意排程成功率。 适用限制：107任务不是现场收益；不能将其分数分配给本整数示例。 相关进展（本条判断）： - 运筹Agent评价从公式扩到可执行决策质量：/explore?purpose=understand&domain=math&window=all#P-M-ORAGENT 首次公开 2026-06-18 ### 求解器退出状态、原约束残差与最优性证据应分别解释。 依据身份：工具与方法依据；状态：active - SciPy线性规划：约束、整数性和退出状态：https://docs.scipy.org/doc/scipy/reference/generated/scipy.optimize.linprog.html 定位：linprog：bounds/integrality/result/status；关系：method 支持：限定模型类别的求解与检查入口。 限制：不验证AI建模，也不证明现实约束齐全。 核查：2026-10-19；来源状态：active 适用限制：不验证AI建模，也不证明现实约束齐全。 ### 明确模型类别、约束和独立检查时，可把候选计算与变体重算整包委派；实际执行另核。 依据身份：有条件的编辑推断；状态：active - ORAgentBench v1：业务材料到决策产物：https://arxiv.org/html/2606.19787v1 定位：Failure modes；AppendixF multi-step cases；关系：adjacent 支持：漏规则与质量失败决定独立验收重点。 限制：未重跑，本例历史人工枚举不是AI任务试次。 核查：2026-10-20；来源状态：active 适用限制：未重跑，本例历史人工枚举不是AI任务试次。 ## 情境变化 ### 已明确约束的静态决策 输入变化：目标、数据和硬软约束已冻结，不要求缺规则诊断或在线更新。 判断变化：可整包委派建模代码、候选解和质量证据，稳定计算直接用solver。 验收变化：独立从原始规则核可行/整数性和目标质量，检查界/gap/容差；不附加动态或缺约束前提。 研究前沿：ORAgentBench已评价多文件/多步决策，仍有规则遗漏和可行-质量差距；它给出可试的交付范式，不给本单位职业百分比。 下一项验证：保留历史有限整数例为检查校准；另用授权排程材料盲测，独立核对约束、目标、时间预算和改变容量后的再规划，记录被遗漏的现实限制。 未来改判信号： - 扩大：新行业/新规模实例，原需求映射、可行性及目标质量持续达标，实施反馈与模型一致。 - 收缩：建模反复漏规则，gap未闭或数据延迟导致无法执行；先交模型诊断和保守基线。 接收/拒收： - 结果满足原约束：独立代入每条约束，检查单位、边界和整数性 拒收：将不可拆分工作包当连续变量，交付6.67个包。 - 声称的最优/精度有依据：在小问题枚举对照；大问题看适用证书、gap或误差界 拒收：仅看到求解器success就声称任意非凸模型全局最优。 - 改变条件会重新计算：对约束变体重跑并说明不可行或解变化 拒收：设备上限减少后照抄原解，不再检查容量。 - 原需求也被模型覆盖：独立接收者从业务输入重新列硬约束，用不同检查代码检查方案；模拟容量减少/需求增大，基线与新方案比较可行性和代价。 拒收：优化器成功但漏掉班次休息、不可拆分任务或现实交接条件。 失败处理：不收敛、不可行或无界时返回状态、残差和相关约束；不能挑一个看似合理的数代替求解。 本站记录：既有M01有人工构造的有限枚举参考；它不是AI模型试验，也未证明现实排班适配。 尚未覆盖：求解器success仅对已编码模型，不证明全局最优或现场收益。 验证方法：独立代入原约束和整数性；比较可用基线/有效界/启发式质量，不以同一代码自述通过。 ### 交付不确定条件下的方案比较 在需求/容量情景下比较鲁棒、随机或敏感性结果。 交付物：情景/参数出处；服务水平/成本与失效区域 判断依据：外部报告结果、有条件的编辑推断 当前变化：可委派完整情景计算与报告；未知分布应以明确假设和压力情景呈现，不从优化分数反推预测正确。 - 数值模型求解：交付解、残差和条件变化：/work-units/W-M02?version=2026-10-21.workunits.2 选情景/多步决策相关证据，模型未来输入另核。（partial；workunits/work-unit/W-M02@2026-10-21.workunits.2） 应用范围：选情景/多步决策相关证据，模型未来输入另核。 AI工作组织：给出完整约束后，AI可合并建模代码与验证报告；稳定刷新使用固定程序，异常返回模型层。 ## 任务级判断与证据 采用方式：限定条件下整包委派 从证据到建议：外部可执行OR任务说明模型能组织求解，但“有解”不保证目标质量。成熟求解器可接管确定性运算，采用范围取决于约束忠实度、证书与部署条件；小例枚举不代表大规模优化或真实收益。 当前可用性：open-implementation；数值/OR计算与评估有公开实现；本地历史小例为人工枚举参考，现实业务实例、模型与预算尚需提供。 - SciPy线性规划：https://docs.scipy.org/doc/scipy/reference/generated/scipy.optimize.linprog.html 文档2026-10-20读取；实际SciPy/HiGHS版本需锁定；开源；必须按LP/MIP等模型选择合适入口。 - ORAgentBench：https://github.com/ORAgentBench/ORAgentBench/tree/c9eb952435a4352f33daa2a35efe0f8c76d31b28 c9eb9524…；论文v1；公开任务与Harbor环境；模型API/solver依赖另配，未运行。 ### ORAgentBench的GPT-5.4/Codex配置在107任务中报告35.51%通过；部分可行方案仍达不到质量阈值，可行和高质量交付不同。 依据身份：外部报告结果；状态：active - ORAgentBench v1：业务材料到决策产物：https://arxiv.org/html/2606.19787v1 定位：§3.4、§4.1、Table2；关系：partial 支持：给出真实约束式决策的作者评估，不仅是公式或代码生成。 限制：107任务不是现场收益；不能将其分数分配给本整数示例。 核查：2026-10-20；来源状态：active 配置：v1；107任务/14完整model-agent行；OpenAI用Codex其余Claude Code，high；45分钟交互、5分钟求解，离线Harbor/SCIP，默认四个OR skills。 此结果为GPT-5.4/Codex(high)的单次完整行；通过需可行且归一化质量q>0.4，非任意排程成功率。 适用限制：107任务不是现场收益；不能将其分数分配给本整数示例。 相关进展（本条判断）： - 运筹Agent评价从公式扩到可执行决策质量：/explore?purpose=understand&domain=math&window=all#P-M-ORAGENT 首次公开 2026-06-18 ### 明确模型类别、约束和独立检查时，可把候选计算与变体重算整包委派；实际执行另核。 依据身份：有条件的编辑推断；状态：active - ORAgentBench v1：业务材料到决策产物：https://arxiv.org/html/2606.19787v1 定位：Failure modes；AppendixF multi-step cases；关系：adjacent 支持：漏规则与质量失败决定独立验收重点。 限制：未重跑，本例历史人工枚举不是AI任务试次。 核查：2026-10-20；来源状态：active 适用限制：未重跑，本例历史人工枚举不是AI任务试次。 ## 情境变化 ### 不确定/动态再规划 输入变化：需求、交通或容量随时间变。 判断变化：可交情景/鲁棒方案和重算入口；预测质量需另证。 验收变化：不同情景独立可行性、服务水平及再规划冻结期/实施成本。 研究前沿：ORAgentBench已评价多文件/多步决策，仍有规则遗漏和可行-质量差距；它给出可试的交付范式，不给本单位职业百分比。 下一项验证：保留历史有限整数例为检查校准；另用授权排程材料盲测，独立核对约束、目标、时间预算和改变容量后的再规划，记录被遗漏的现实限制。 未来改判信号： - 扩大：新行业/新规模实例，原需求映射、可行性及目标质量持续达标，实施反馈与模型一致。 - 收缩：建模反复漏规则，gap未闭或数据延迟导致无法执行；先交模型诊断和保守基线。 接收/拒收： - 结果满足原约束：独立代入每条约束，检查单位、边界和整数性 拒收：将不可拆分工作包当连续变量，交付6.67个包。 - 声称的最优/精度有依据：在小问题枚举对照；大问题看适用证书、gap或误差界 拒收：仅看到求解器success就声称任意非凸模型全局最优。 - 改变条件会重新计算：对约束变体重跑并说明不可行或解变化 拒收：设备上限减少后照抄原解，不再检查容量。 - 原需求也被模型覆盖：独立接收者从业务输入重新列硬约束，用不同检查代码检查方案；模拟容量减少/需求增大，基线与新方案比较可行性和代价。 拒收：优化器成功但漏掉班次休息、不可拆分任务或现实交接条件。 失败处理：不收敛、不可行或无界时返回状态、残差和相关约束；不能挑一个看似合理的数代替求解。 本站记录：既有M01有人工构造的有限枚举参考；它不是AI模型试验，也未证明现实排班适配。 尚未覆盖：概率分布/预测误差和现场损失需独立数据。 验证方法：重算极端需求/容量，比较原方案可行性、代价和后悔值；随机模拟报告误差，不能只选有利情景。 ### 交付决策仿真与实施前验证 把模型方案放进贴近实际的规则和基线中，查失效而非只看最优值。 交付物：独立仿真/基线比较；遗漏规则和实施约束清单 判断依据：有条件的编辑推断 当前变化：可委派仿真候选和压力测试；OR基准质量评价相邻，真实运营收益仍须对应执行或独立仿真证据。 - 数值模型求解：交付解、残差和条件变化：/work-units/W-M02?version=2026-10-21.workunits.2 把决策验证与求解分数分离，避免宣称现场已有效。（partial；workunits/work-unit/W-M02@2026-10-21.workunits.2） 应用范围：把决策验证与求解分数分离，避免宣称现场已有效。 AI工作组织：给出完整约束后，AI可合并建模代码与验证报告；稳定刷新使用固定程序，异常返回模型层。 ## 任务级判断与证据 采用方式：限定条件下整包委派 从证据到建议：外部可执行OR任务说明模型能组织求解，但“有解”不保证目标质量。成熟求解器可接管确定性运算，采用范围取决于约束忠实度、证书与部署条件；小例枚举不代表大规模优化或真实收益。 当前可用性：open-implementation；数值/OR计算与评估有公开实现；本地历史小例为人工枚举参考，现实业务实例、模型与预算尚需提供。 - SciPy线性规划：https://docs.scipy.org/doc/scipy/reference/generated/scipy.optimize.linprog.html 文档2026-10-20读取；实际SciPy/HiGHS版本需锁定；开源；必须按LP/MIP等模型选择合适入口。 - ORAgentBench：https://github.com/ORAgentBench/ORAgentBench/tree/c9eb952435a4352f33daa2a35efe0f8c76d31b28 c9eb9524…；论文v1；公开任务与Harbor环境；模型API/solver依赖另配，未运行。 ### 明确模型类别、约束和独立检查时，可把候选计算与变体重算整包委派；实际执行另核。 依据身份：有条件的编辑推断；状态：active - ORAgentBench v1：业务材料到决策产物：https://arxiv.org/html/2606.19787v1 定位：Failure modes；AppendixF multi-step cases；关系：adjacent 支持：漏规则与质量失败决定独立验收重点。 限制：未重跑，本例历史人工枚举不是AI任务试次。 核查：2026-10-20；来源状态：active 适用限制：未重跑，本例历史人工枚举不是AI任务试次。 ## 情境变化 ### 不确定/动态再规划 输入变化：需求、交通或容量随时间变。 判断变化：可交情景/鲁棒方案和重算入口；预测质量需另证。 验收变化：不同情景独立可行性、服务水平及再规划冻结期/实施成本。 研究前沿：ORAgentBench已评价多文件/多步决策，仍有规则遗漏和可行-质量差距；它给出可试的交付范式，不给本单位职业百分比。 下一项验证：保留历史有限整数例为检查校准；另用授权排程材料盲测，独立核对约束、目标、时间预算和改变容量后的再规划，记录被遗漏的现实限制。 未来改判信号： - 扩大：新行业/新规模实例，原需求映射、可行性及目标质量持续达标，实施反馈与模型一致。 - 收缩：建模反复漏规则，gap未闭或数据延迟导致无法执行；先交模型诊断和保守基线。 接收/拒收： - 结果满足原约束：独立代入每条约束，检查单位、边界和整数性 拒收：将不可拆分工作包当连续变量，交付6.67个包。 - 声称的最优/精度有依据：在小问题枚举对照；大问题看适用证书、gap或误差界 拒收：仅看到求解器success就声称任意非凸模型全局最优。 - 改变条件会重新计算：对约束变体重跑并说明不可行或解变化 拒收：设备上限减少后照抄原解，不再检查容量。 - 原需求也被模型覆盖：独立接收者从业务输入重新列硬约束，用不同检查代码检查方案；模拟容量减少/需求增大，基线与新方案比较可行性和代价。 拒收：优化器成功但漏掉班次休息、不可拆分任务或现实交接条件。 失败处理：不收敛、不可行或无界时返回状态、残差和相关约束；不能挑一个看似合理的数代替求解。 本站记录：既有M01有人工构造的有限枚举参考；它不是AI模型试验，也未证明现实排班适配。 尚未覆盖：无目标行业校准的仿真不证明运营收益。 验证方法：回放历史独立场景/保留情景，检查实施单位、交接和资源；记录模拟与真实规则差异。 ### 交付变化响应与再规划 在需求/资源变动时更新方案，保持冻结承诺与现场状态一致。 交付物：状态/版本及重规划入口；实施变更成本/回退/反馈 判断依据：外部报告结果、有条件的编辑推断 当前变化：可以将再规划候选整包交给代理，但外部多步任务不能保证现场实时系统；先按状态和可行性接收。 - 数值模型求解：交付解、残差和条件变化：/work-units/W-M02?version=2026-10-21.workunits.2 多步OR案例支持动态决策参照；实时执行仍是迁移。（partial；workunits/work-unit/W-M02@2026-10-21.workunits.2） 应用范围：多步OR案例支持动态决策参照；实时执行仍是迁移。 AI工作组织：给出完整约束后，AI可合并建模代码与验证报告；稳定刷新使用固定程序，异常返回模型层。 ## 任务级判断与证据 采用方式：限定条件下整包委派 从证据到建议：外部可执行OR任务说明模型能组织求解，但“有解”不保证目标质量。成熟求解器可接管确定性运算，采用范围取决于约束忠实度、证书与部署条件；小例枚举不代表大规模优化或真实收益。 当前可用性：open-implementation；数值/OR计算与评估有公开实现；本地历史小例为人工枚举参考，现实业务实例、模型与预算尚需提供。 - SciPy线性规划：https://docs.scipy.org/doc/scipy/reference/generated/scipy.optimize.linprog.html 文档2026-10-20读取；实际SciPy/HiGHS版本需锁定；开源；必须按LP/MIP等模型选择合适入口。 - ORAgentBench：https://github.com/ORAgentBench/ORAgentBench/tree/c9eb952435a4352f33daa2a35efe0f8c76d31b28 c9eb9524…；论文v1；公开任务与Harbor环境；模型API/solver依赖另配，未运行。 ### ORAgentBench的GPT-5.4/Codex配置在107任务中报告35.51%通过；部分可行方案仍达不到质量阈值，可行和高质量交付不同。 依据身份：外部报告结果；状态：active - ORAgentBench v1：业务材料到决策产物：https://arxiv.org/html/2606.19787v1 定位：§3.4、§4.1、Table2；关系：partial 支持：给出真实约束式决策的作者评估，不仅是公式或代码生成。 限制：107任务不是现场收益；不能将其分数分配给本整数示例。 核查：2026-10-20；来源状态：active 配置：v1；107任务/14完整model-agent行；OpenAI用Codex其余Claude Code，high；45分钟交互、5分钟求解，离线Harbor/SCIP，默认四个OR skills。 此结果为GPT-5.4/Codex(high)的单次完整行；通过需可行且归一化质量q>0.4，非任意排程成功率。 适用限制：107任务不是现场收益；不能将其分数分配给本整数示例。 相关进展（本条判断）： - 运筹Agent评价从公式扩到可执行决策质量：/explore?purpose=understand&domain=math&window=all#P-M-ORAGENT 首次公开 2026-06-18 ### 明确模型类别、约束和独立检查时，可把候选计算与变体重算整包委派；实际执行另核。 依据身份：有条件的编辑推断；状态：active - ORAgentBench v1：业务材料到决策产物：https://arxiv.org/html/2606.19787v1 定位：Failure modes；AppendixF multi-step cases；关系：adjacent 支持：漏规则与质量失败决定独立验收重点。 限制：未重跑，本例历史人工枚举不是AI任务试次。 核查：2026-10-20；来源状态：active 适用限制：未重跑，本例历史人工枚举不是AI任务试次。 ## 情境变化 ### 不确定/动态再规划 输入变化：需求、交通或容量随时间变。 判断变化：可交情景/鲁棒方案和重算入口；预测质量需另证。 验收变化：不同情景独立可行性、服务水平及再规划冻结期/实施成本。 研究前沿：ORAgentBench已评价多文件/多步决策，仍有规则遗漏和可行-质量差距；它给出可试的交付范式，不给本单位职业百分比。 下一项验证：保留历史有限整数例为检查校准；另用授权排程材料盲测，独立核对约束、目标、时间预算和改变容量后的再规划，记录被遗漏的现实限制。 未来改判信号： - 扩大：新行业/新规模实例，原需求映射、可行性及目标质量持续达标，实施反馈与模型一致。 - 收缩：建模反复漏规则，gap未闭或数据延迟导致无法执行；先交模型诊断和保守基线。 接收/拒收： - 结果满足原约束：独立代入每条约束，检查单位、边界和整数性 拒收：将不可拆分工作包当连续变量，交付6.67个包。 - 声称的最优/精度有依据：在小问题枚举对照；大问题看适用证书、gap或误差界 拒收：仅看到求解器success就声称任意非凸模型全局最优。 - 改变条件会重新计算：对约束变体重跑并说明不可行或解变化 拒收：设备上限减少后照抄原解，不再检查容量。 - 原需求也被模型覆盖：独立接收者从业务输入重新列硬约束，用不同检查代码检查方案；模拟容量减少/需求增大，基线与新方案比较可行性和代价。 拒收：优化器成功但漏掉班次休息、不可拆分任务或现实交接条件。 失败处理：不收敛、不可行或无界时返回状态、残差和相关约束；不能挑一个看似合理的数代替求解。 本站记录：既有M01有人工构造的有限枚举参考；它不是AI模型试验，也未证明现实排班适配。 尚未覆盖：事件延迟、执行中资源和重规划成本需实测。 验证方法：冻结已执行动作，核新资源/约束与旧承诺，压力测迟到事件和不可行返回；对照基线服务/成本。 ## 与工作关联的进展 ### 运筹Agent评价从公式扩到可执行决策质量 公开 2026-06-18 真实多文件/规则到方案被纳入评价。 支持范围：不提供现场净收益；不能外推全部OR或本例概率。 来源状态：active /explore?purpose=understand&domain=math&window=all#P-M-ORAGENT ## 未来3–5年条件情景 未来 3–5 年（2029–2031） 未来 3–5 年是编辑条件情景，不是就业数量预测。每项均列基准、加速、受限路径和需观察的信号；职业职责来源不等于 AI 能力证据。 基准：优化代码和情景报告可更多整包委派，约束忠实、决策质量与执行证据共同决定价值。 加速：若未见行业/规模和在线变化下可独立接收，代理可接更大决策周期。 受限：若只产生可行但低质量或无法执行方案，缩到模型诊断、保守基线和受限再算。 改判信号： - 可行性与质量差距 - 新行业规则遗漏 - 现场执行与仿真预测是否一致 ## 进入与成长的公开能力证据 本页主要提供工作与作品证据；基础课程、责任级别和中国准入尚未完成专题整理。 完整交付作品证据： - 原始业务约束到数学模型映射 - 候选方案、独立可行/目标质量、变动后再规划 具体地区、职级和组织要求按目标岗位核对；美国资料不自动作为中国资格要求。 ## 相邻方向及区别 - 统计研究与应用：/careers/statistician.md?version=2026-10-21.careers.2 统计推断数据说明什么；运筹在给定目标与限制下寻找行动。 - 科学计算与数值模拟：/careers/scientific-computing.md?version=2026-10-21.careers.2 科学计算关注模型的可信求解；运筹还要求方案能实际决策和执行。 ## 职业名称与分类映射 - O*NET-SOC 15-2031.00 Operations Research Analysts；O*NET-SOC 2019；OnLine Updated 2026；US；exact 本记录按该职业定义组织职责；中文为编辑译名，不声明中美资格等价。；定位 Definition / Tasks ## 工作资料与来源 - 数值模型求解：交付解、残差和条件变化：/work-units/W-M02?version=2026-10-21.workunits.2 多步OR案例支持动态决策参照；实时执行仍是迁移。（partial；workunits/work-unit/W-M02@2026-10-21.workunits.2） - Operations Research Analysts：https://www.onetonline.org/link/summary/15-2031.00 O*NET / 美国劳工部职业信息网络；US；O*NET OnLine / Updated 2026 / 2026-10-20访问快照；核查 2026-10-20；状态 active 定位：职业定义、Tasks、Work Activities；不采用薪酬和学历比例 范围：美国 O*NET-SOC 职业职责参照；中文标题及导航由编辑按工作内容映射 限制：不证明中国岗位数量、准入资格或在招需求；不提供该职业的 AI 实测结论。 ## 用于自己的问题 个人适配、具体岗位判断与计划由用户自己的 Agent 结合已有材料处理。复用已知上下文，仅追问影响结论的缺口；目录不是全部选项。阅读或比较公开工作本身无需档案、固定二选一、保存记录或行动计划。