대규모 용량 제한 차량 경로 문제 (CVRPs)는 일반적으로 라우팅 인스턴스를 계산 가능한 더 작은 하위 문제로 나누는 클러스터 우선 경로 후순위 (CFRS) 접근 방식을 사용하여 해결됩니다. 기존의 분할 방법은 일반적으로 고정된 분할 규칙, 사전 정의된 최적화 목표 또는 학습된 정책에 의존하며, 이는 공간적, 수요 및 운영 특성이 서로 다른 인스턴스 전반에서 일관되지 않은 성능을 보일 수 있습니다. 본 연구에서는 분해 절차를 반복적인 의사 결정 프로세스로 공식화하는 적응형 CFRS 시스템을 제안합니다. 추론 및 도구 선택 분야에서 최근 거대 언어 모델 (LLMs)이 거둔 성공에 영감을 받아, 이 시스템은 진화하는 분해 상태를 분석하고 추가적인 클러스터링, 균형 조정 및 정제 연산자를 선택적으로 적용하는 상위 수준의 의사 결정자로서 LLM을 채택합니다. 제안된 알고리즘은 고객과 차량을 공동으로 분할하여, 각 문제의 특성에 맞춰 분할 결정을 조정하는 동시에 용량을 고려한 클러스터링을 가능하게 합니다. 우리는 최대 500,000명의 고객을 포함하는 합성 및 벤치마크 유도 CVRP 인스턴스에서 이 접근 방식을 평가합니다. 실험 결과, 벤치마크 규모의 인스턴스에서 경쟁력 있는 성능을 입증하는 동시에, 훨씬 더 큰 문제에서 개선된 확장성과 견고한 라우팅 품질을 보여주었습니다. 이러한 결과는 산업 규모의 차량 경로 계획 및 대규모 물류 계획을 위한 실질적인 접근 방식으로서 적응형, LLM 가이드 의사 결정 지원의 잠재력을 강조합니다.