운영 연구 (Operations Research, OR) 전문가들이 개발한 최적화 모델은 산업 현장에서 의사결정 지원 시스템으로 자주 배포됩니다. 그러나 실제 환경은 비즈니스 규칙의 진화, 이전에 간과되었던 제약 조건, 그리고 예측하지 못한 섭동 (Perturbations) 등으로 인해 역동적입니다. 이러한 맥락에서 최종 사용자는 실행 가능하고 구현 가능한 솔루션을 회복하기 위해 모델을 신속하게 재최적화 (Re-optimize)해야 합니다. 본 논문은 대규모 언어 모델 (Large Language Model, LLM)이 OR 전문가 역할을 수행하며 자연어 상호작용을 통해 최종 사용자를 동적으로 지원하는 에이전트 기반 재최적화 프레임워크를 소개합니다. LLM은 사용자 프롬프트를 기반 모델의 구조화된 업데이트로 변환하고, 최적화 툴박스 (Optimization toolbox)에서 적절한 재최적화 기술을 선택하며, 결과 인스턴스를 해결하여 구현 가능한 솔루션을 반환합니다. 이 툴박스는 솔루션 품질을 유지하면서 재최적화를 가속화하기 위해 과거 솔루션, 유효 부등식 (Valid inequalities), 솔버 설정 (Solver configurations), 메타휴리스틱 (Metaheuristics)을 포함한 원 프라이멀 정보 (Primal information)를 활용합니다. 제안된 프레임워크는 배포된 최적화 모델의 대화형 및 지속적인 적응을 가능하게 하여, OR 전문가에 대한 의존도를 낮추고 의사결정 지원 시스템의 지속 가능성을 향상시킵니다. 두 가지 상호 보완적인 대규모 실제 사례 연구에 대한 광범위한 실험을 통해 제안된 프레임워크의 효과와 확장성을 입증합니다. 첫 번째 사례는 배포된 계획과 근접성을 유지하면서 솔루션을 신속하게 생성해야 하는 온라인 공급망 재최적화를 다루며, 두 번째 사례는 실행 시간보다 솔루션 품질이 우선시되는 오프라인 대학교 시험 시간표 작성을 다룹니다. 결과에 따르면, 툴박스 기반 아키텍처는 프라이멀 기반 및 솔버 인지 (Solver-aware) 재최적화 기술을 통해 계산 효율성을 크게 향상시키는 한편, 구조화된 패치 기반 업데이트는 모델 수정의 해석 가능성과 추적 가능성을 개선합니다.