让 AI 管半年售货机，五个模型四个亏

帮消费者网购的 agent 已经卷起来了，替老板经营生意的 agent 行不行？一篇 10 月 27 日提交的论文搭了个售货机考场：一个网页后台、20 台机器、模拟 180 天。结果五个大模型 agent，四个跑不赢一条朴素的补货规则。

一、发生了什么

AutoVend 考的是线上决策落到线下执行的完整链条。agent 通过网页界面管理五类点位的 20 台售货机，模拟器里共享仓库、采购周期、付费补货、库存过期、日常运营成本一样不少，目标是看线上的决定能不能变成持续的经济回报。对照是一条基于规则的库存控制基线——不聪明，但老实。五个被测的大模型 agent 里，四个没跑过它。

这个考场的价值在于把「决策」和「后果」钉在了一起。线上下单只是零成本的一条指令，线下执行却要花真金白银：补货要等、要付运费，货压多了会过期，点位多了要协调。模型 agent 的通病在这里暴露无遗：单看某些运营指标并不差，可库存积压和执行成本把这些优势吃掉了。作者还指出一个容易被忽略的口径问题：按每美元推理成本的回报排名，和单看回报的排名并不一致——赚钱多的模型未必赚钱效率高。轨迹分析点出三类老大难：想不出当下可行的动作、管不住库存承诺、拿到反馈改不动策略。这是论文原文的诊断，不是推测。

二、跟你有什么关系

做 O2O 或零售 agent 的：先别谈增长，先保证不输给一条规则基线，这是新的及格线。

算 agent 成本的：「回报除以推理成本」应该写进所有 agent 项目的验收指标，光看赚多少会选错模型。

做电商自动化的：线上决策和线下履约的成本要放进同一个优化目标，分开算一定失真。

三、怎么判断

1. 拿任何经营类 agent 先对规则基线：跑不过补货规则，就谈不上智能溢价。
2. 汇报业绩时带上推理成本，两个排名可能给出相反的选型结论。
3. 排查失败先看三处：可行动作识别、库存承诺、反馈修订，论文指认这里最容易断。
4. 模拟器里的约束条件——仓库、时效、成本——一个都不能省，砍掉约束后 agent 的成绩会虚高，考出来的不是经营能力是运气。

四、三个别信的说法

指标好看就是经营得好。 单项运营指标的增益会被库存和执行成本直接吞掉，经济回报才是总账。

大模型 agent 天然强过规则。 五个里四个输给规则基线，智能要兑现到线下才算数。

贵的模型一定划算。 成本调整后的排名会重排，按回报选型可能选到最不划算的那个。

五、一句话结论

会下单只是入场券，能让线上的决定在 180 天里持续赚到钱，才算会做生意。

顺带说个选型提醒：论文按「每美元推理成本的回报」重排名次后，结果和只看回报的排法并不一致。任何 agent 采购决策都应该同时拿到这两个数字再签字。这是背景，不是论文结论。

信息来源

• 论文摘要：售货机长程经营基准 AutoVend（arXiv），2026 年 10 月 27 日提交

功能与价格以官方公告为准。本文写于 2026 年 10 月 29 日。