UT-Agent：基于大语言模型的高校课程表智能编排系统

UT-Agent是利用Google Gemini和DeepSeek模型实现的高校课程表自动编排系统，采用验证器驱动的智能代理架构，解决传统排课系统中多约束条件下的NP-hard优化难题。该系统结合LLM的语义理解能力与严格的约束验证，平衡灵活性与可靠性，为课程表编排提供创新解决方案。

高校课程表编排是经典组合优化问题，涉及教师、教室、课程等多维度复杂约束，核心挑战包括：

1. 多维度约束交织（教师时间、教室容量、课程关系等）
2. 规模庞大（数千门课程、数万名学生、数百间教室）
3. 软硬约束并存（硬约束必须满足，软约束尽量满足）
4. 动态变化（选课调整、教师变动等需快速响应） 传统方法（启发式算法、约束求解器）需大量人工调参，难以处理模糊偏好类约束。

UT-Agent采用"验证器驱动"架构，LLM为建议者，约束验证由专门验证器完成，优势如下：

自然语言约束理解

LLM可解析自然语言描述的模糊约束（如教师时间偏好），无需复杂数学公式。

迭代优化循环

工作流程为：生成（LLM生成候选表）→验证（检查约束）→反馈（自然语言违规信息）→修正（LLM改进），循环至满足硬约束并优化软约束。

多模型后端支持

支持Google Gemini和DeepSeek两种LLM，用户可灵活选择；不同模型在约束理解、生成质量等方面各有特点。

技术细节：

• 提示词工程：定义领域知识、约束优先级、输出格式等。
• 验证器设计：解析课程表、检查硬约束、评估软约束、生成反馈，平衡严格性与灵活性。

UT-Agent配套发布UTP-VN-V1数据集（基于越南高校实际），包含：

• courses.json（课程元数据）
• curriculum.json（课程组关系）
• instructors.json（教师信息）
• rooms.json（教室信息）
• constraints.json（自然语言约束） 时间槽用(day, period)表示，完整数据集因治理限制未公开，但提供代表性样本。

实验结果：

1. 多数实例3-5轮迭代达可行解
2. LLM有效平衡相互冲突的软约束
3. Gemini与DeepSeek处理复杂约束风格不同。

优势：

• 灵活性：易添加新约束，无需修改算法
• 可解释性：LLM能解释编排决策理由
• 人机协作：教务人员可用自然语言交互

局限：

• 成本：多次LLM调用导致API费用较高
• 稳定性：结果受模型版本、随机性影响
• 规模限制：超大规模问题需分治策略。

UT-Agent展示LLM在教育管理复杂决策优化的应用价值，可扩展至考试安排、宿舍分配、实验室调度等场景。

随着LLM能力提升和成本降低，"AI+优化"方法有望在更多决策场景应用，UT-Agent开源代码为该领域研究提供参考。