[论文解读] Contract2Plan: Verified Contract-Grounded Retrieval-Augmented Optimization for BOM-Aware Procurement and Multi-Echelon Inventory Planning

Sahil Agarwal|arXiv (Cornell University)|Jan 7, 2026

Constraint Satisfaction and Optimization被引用 0

一句话总结

Contract2Plan 提供一个经过验证的检索增强系统，能够提取带出处的合同约束，基于 BOM 感知的 MILP 模型给出依据，并使用求解器验证器结合保守修复循环和人机在环门控来确保可行性与合规性。

ABSTRACT

Procurement and inventory planning is governed not only by demand forecasts and bills of materials (BOMs), but also by operational terms in contracts and supplier documents (e.g., MOQs, lead times, price tiers, allocation caps, substitution approvals). LLM-based extraction can speed up structuring these terms, but extraction-only or LLM-only decision pipelines are brittle: missed clauses, unit errors, and unresolved conflicts can yield infeasible plans or silent contract violations, amplified by BOM coupling. We introduce Contract2Plan, a verified GenAI-to-optimizer pipeline that inserts a solver-based compliance gate before plans are emitted. The system retrieves clause evidence with provenance, extracts a typed constraint schema with evidence spans, compiles constraints into a BOM-aware MILP, and verifies grounding, eligibility, consistency, and feasibility using solver diagnostics, triggering targeted repair or abstention when automation is unsafe. We formalize which clause classes admit conservative repair with contract-safe feasibility guarantees and which require human confirmation. A self-contained synthetic micro-benchmark (500 instances; T=5) computed by exact enumeration under an execution model with MOQ uplift and emergency purchases shows heavy-tailed regret and nontrivial MOQ-violation incidence for extraction-only planning, motivating verification as a first-class component of contract-grounded planning systems.

研究动机与目标

• 定义一个带可审计出处的、BOM 感知的采购与规划问题。
• 开发一个经过验证的检索增强生成管线，提取带证据跨度和置信度的约束模式。
• 整合一个求解器为基础的验证器，对依据、可行性进行核对，并执行保守修复或升级至人工处理。
• 为单调合同条款提供合规保证，并为非单调条款建立弃权政策。
• 量化尾部风险并展示在合同驱动的供应链优化中验证的重要性。

提出的方法

• 混合检索管线，结合 BM25、密集检索与再排序，以获取带版本控制的多源采购文档。
• 为每个字段提供带出处与置信度的类型化约束模式，确保 grounding 与可审计的决策。
• 对约束进行规范化和确定性编译，形成基于 BOM 感知的 MILP 骨架。
• 多层验证器强制 grounding、一致性与求解器可行性，设定有针对性的修复循环与不安全条款的人门控。
• 决策卡将每个绑定约束与建议链接到证据跨度，便于审计。
• 形式化合规定理区分Class A（单调）约束在保守修复下的安全性与Class C（非单调）条款需要人工确认。

实验结果

研究问题

• RQ1 哪些 derived 合同约束可在保守修复与 grounding 保证下安全地整合进 BOM 感知优化？
• RQ2 验证层如何检测并修复抽取错误，防止不可行或不合规的计划？
• RQ3 在受控的小型基准测试中，抽取错误对规划成本与服务水平的影响如何？
• RQ4 在何种条件下弃权规则触发人工干预，以及它们如何影响运营决策？
• RQ5 provenance 启用的约束 grounding 如何提升合同驱动采购的可审计性与合规性？

主要发现

• 仅抽取的规划相对于经过验证的规划呈现重尾后悔代价（均值 142.33，占均值最优成本的 5.40%）。
• 合成微基准（500 个样本、 horizon 5）显示非平凡的尾部风险，抽取计划中 MOQ 违规发生率为 16.6%。
• 在联合 MOQ 与提前期错误抽取下，尾部风险最高，因为上调的订单与延迟到货触发应急采购。
• 在显式假设下，保守修复能保证单调约束（MOQ、提前期、产能、节奏）在合同安全的可行性。
• 阶层资格约束通过将阈值编码为绑定约束，防止不符合条件的折扣主张。
• 非单调或例外密集条款触发弃权或升级至人工确认，避免安全的自动合并。