锚定-恢复让步框架：让LLM成为货运谈判的自然语言翻译层

研究团队提出双索引锚定-恢复框架，针对动态定价环境下的货运谈判难题，通过利差自适应的让步参数β和锚定机制保证报价单调性，将LLM仅用于自然语言翻译层，定价决策由确定性公式控制，实现零推理成本的大规模并发谈判。

货运经纪行业每天需进行海量价格谈判，动态定价环境（燃油波动、运力变化等）导致定价目标随时调整，传统框架假设定价目标固定，与现实脱节。核心挑战包括：1. 经典时间依赖让步框架的固定β无法适应实时定价目标；2. LLM谈判代理存在高成本、非确定性及提示注入风险。

框架包含两大核心机制：1. 利差自适应β参数：从实时利差推导β，窄利差快速让步确保成交，中等利差稳健平衡，宽利差激进争取利润；2. 锚定-恢复机制：定价目标更新时记录当前最低报价为锚点，新让步曲线从锚点恢复，保证报价单调不减。

框架重新定义LLM角色：不参与定价决策，仅作为翻译层——将系统报价和策略意图转为自然语言，解析承运商回复提取关键信息。解耦设计优势：成本可控（推理成本近乎零）、确定性保障（无LLM幻觉）、安全性提升（提示注入不影响定价）、可水平扩展至数千并发谈判。

基于115,125次真实谈判数据验证：1. 自适应β在窄利差时提升成交率，中等/宽利差匹配最佳固定β基线；2. 与200亿参数LLM代理相比，成交率和成本节省相近但推理成本为零；3. 面对LLM驱动对手时，保持节省水平且成交率更高。

工程价值：可解释（决策有数学依据）、可调试（精确定位问题）、可维护（LLM与核心逻辑解耦）、合规友好（满足监管要求）。方法论启示：LLM非万能药，传统算法+LLM增强更优；职责分离（确定性决策与语言交互分离）；需权衡成本效益。

应用场景扩展：在线广告竞价、供应链金融、能源交易、采购管理等动态定价场景。局限：一对一谈判为主、情感因素和长期关系体现不足、对手建模简化。未来方向：多方博弈扩展、强化学习优化策略参数、精细对手建模。