最优化是人工智能（AI）的基石，为规划、调度、决策以及机器学习等核心技术提供了有力支撑。然而，尽管算法在过去几十年中取得了长足进步，但由于高效建模与求解对专业经验的高度依赖，尖端最优化求解器的广泛应用仍受到限制。这种“经验壁垒”意味着，强大的最优化工具对于非专业人士而言依然难以触及，领先求解器的使用者大多拥有高级学术学位。 生成式人工智能（尤其是大语言模型，LLMs）的最新进展，为实现最优化技术的民主化提供了一条极具前景的新路径。通过自动化最优化流程中的关键环节——从模型构建、求解器配置到模型验证——LLMs 有望扩大强大最优化工具的应用范围。然而，这些模型在处理最优化等复杂推理任务时，往往难以实现“开箱即用”。 本教程综述了面向数学优化的 LLMs 这一新兴研究方向，重点介绍了现有的实际系统及尚未解决的研究问题。我们将全面概述 LLMs 如何支持最优化流程的各个阶段，包括模型构建、求解器配置及验证。本教程旨在为不具备相关领域先验经验的参会者提供指导，为这一快速发展的研究领域提供概念框架与实践见解。 https://conlaw.github.io/llm_opt_tutorial/tutorial.html