Ask Before You Optimize: Dynamic Pre-Formulation Clarification for Interactive Optimization
先澄清再优化：动态预建模澄清的交互式优化框架
🧭 LLM Agent 交互式优化澄清
Cardinal Operations · Shanghai Jiao Tong University
提出OR-Clarify基准与InterOPT两阶段框架，在优化建模前主动识别缺失槽位并决定追问或停止
📌 工作参考价值
- 在营销/广告预算分配、促销优化等业务自动化中，将需求澄清抽象为“槽位恢复”：预定义目标函数、约束、业务规则等关键槽位，用多选或填空式追问替代开放问答，可显著降低交互成本并减少错误建模。
- 借鉴 InterOPT 的两阶段设计：先识别 formulation-critical 未解决槽位，再依据槽位覆盖度/信息增益决定继续追问还是停止，避免过度打扰用户；可嵌入电商广告计划 Agent 的需求确认环节。
- 用“silent assumptions”指标兜底：跟踪模型未经用户确认就默认的关键假设，在生成广告投放模型或 SQL 前强制校验，防止预算、排期等约束被静默填错。
- 对交互式推荐/搜索澄清场景：当用户 query 或目标模糊时，可以基于预定义维度（价格带、类目、目标 KPI）生成候选澄清项，而不是直接生成推荐或优化方案，提升准确率。
动机：真实 OR 需求常不完整，缺少目标函数、约束或业务规则会直接改变最终数学模型；但现有 LLM 建模评估大多假设输入已完整，忽略智能体在建模前是否知道何时需要澄清。
方法：论文构建 OR-Clarify 基准，任务只给出部分公开问题描述，隐藏结构化槽位，通过有限轮次与模拟用户交互来评估智能体。指标包含槽位恢复率、停止行为、静默假设和交互成本，支持开放回答与选项式澄清两种模式。提出的 InterOPT 采用两阶段框架：先识别尚未解决的 formulation-critical 缺口，再根据这些缺口决定是否继续追问下一题或停止。
关键结果：在选项式实验中，InterOPT 的精确槽位恢复率显著超过所有基线；在开放回答场景下与已有强方法保持可比。论文将 OR 辅助重新定义为“选择性完整性决策”：需要时澄清、准备好时停止，并量化仍缺失的信息。