18 июня 2026 года Rohit Negi и Mustafa Yilmaz опубликовали на arXiv работу «Optimal Scheduling in a Question-Answering Forum of Knowledge Workers». Авторы рассматривают Q&A-форум как queuing system: вопросы разных тем приходят потоком, эксперты с разными компетенциями их обрабатывают. Задача — спроектировать планировщик, который максимизирует пропускную способность и удерживает систему стабильной. Дополнительно исследуется, как коллаборация между экспертами меняет теоретическую ёмкость.
Контекст
Stack Overflow, корпоративный Confluence с разделом #help, Slack-канал поддержки — всё это де-факто Q&A-форумы. Сейчас они работают на волонтёрах или по принципу «кто первый ответит». Авторы моделируют следующее поколение: платные knowledge workers с измеримыми уровнями экспертизы в разных областях. Это не фантастика — уже сегодня специализированные AI-агенты с системными промптами фактически являются такими «экспертами».
Математически система описывается как многоканальная очередь с неоднородными серверами и многомерным входным потоком. Каждый эксперт получает вектор компетенций по темам. Планировщик направляет вопрос по теме T к эксперту с достаточной квалификацией в этой теме — так, чтобы суммарная нагрузка оставалась ниже порога насыщения. 14 страниц, 4 графика, строгие доказательства.
Отдельный блок статьи — коллаборация. Что если двое экспертов с частичными компетенциями отвечают на вопрос совместно? Авторы показывают, что это математически расширяет capacity region — область допустимых нагрузок, при которых система остаётся стабильной.
Аналитика
Архитектура «LLM + routing + специализированные агенты» — это ровно та же задача, только вместо людей-экспертов стоят модели или агенты с разными системными промптами и базами знаний. Multi-agent orchestration в 2026 году столкнулась именно с этим вопросом: как правильно роутить запросы между агентами разной специализации, чтобы не перегружать дорогих и не недогружать дешёвых? Большинство enterprise-роутеров сегодня используют наивные стратегии — round-robin или «первый свободный». Теория оптимального планирования предлагает делать это лучше.
Формальная модель из статьи даёт язык для инженерных решений: capacity region, stability condition, throughput-optimal policy. Это не абстрактная математика — это критерии, по которым можно оценить, выдержит ли ваша multi-agent система пиковую нагрузку без деградации. Если агент-роутер не знает матрицу компетенций своих агентов, он неизбежно создаёт узкие места.
Вывод о коллаборации особенно интересен: совместная работа двух агентов с частичными компетенциями математически обоснованно расширяет пропускную способность. Паттерн «несколько агентов совместно обрабатывают сложный запрос» — это не просто инженерный трюк, это доказуемо эффективная стратегия. И именно такой паттерн сейчас набирает популярность в agentic-фреймворках.
Кейсы применения в бизнесе
B2B SaaS стартап с несколькими AI-агентами. Если у вас уже есть специализированные агенты (sales, tech-support, onboarding, billing), внедрите роутер на основе intent classification + skills matrix. Каждый агент объявляет список тем, которые он обслуживает. Входящий запрос классифицируется lightweight-моделью и направляется к агенту с наибольшим match. При перегрузке основного — автоматический fallback на агента с частичной компетенцией. Результат: меньше эскалаций, выше точность, предсказуемое время ответа.
Корпорация с legacy-инфраструктурой. Внутренние базы знаний перегружены — сотрудники не знают, к кому обратиться. Q&A-платформа с routing по департаментам и уровням экспертизы (junior/senior/principal) снижает время первого ответа. Коллаборативный режим — запрос автоматически идёт к двум экспертам из смежных областей — разбирает сложные кросс-функциональные вопросы без ручной эскалации.
SMB и локальный бизнес в КР/ЦА. Небольшая команда из трёх-пяти человек обрабатывает разные типы клиентских запросов. Простой классификатор входящих сообщений в Telegram или WhatsApp автоматически тегирует запрос по теме и направляет к нужному сотруднику или шаблону ответа. Никакого найма: та же команда, но без потерь на ручную сортировку.
Кейсы в личной жизни
Разработчик, строящий multi-agent pipeline. Используйте идею skills matrix как паттерн проектирования: каждый агент объявляет список доменов в метаданных. Роутер (отдельный lightweight-агент или простой классификатор) выбирает агента с наибольшим match. При сложных запросах — запускает двух агентов параллельно и агрегирует ответ. Это прямая реализация capacity-expanding collaboration из статьи.
Фрилансер или контент-мейкер в нескольких нишах. Если вы принимаете заказы в разных областях, простой AI-классификатор на входящих сообщениях автоматически тегирует запрос и направляет в нужный шаблон ответа или рабочий процесс. Меньше ручного переключения контекста — больше времени на саму работу.
Студент или исследователь в области AI/distributed systems. Статья — хорошее введение в теорию очередей применительно к социальным и AI-системам. 14 страниц с доказательствами, доступна бесплатно. Если вы изучаете scheduling, multi-agent coordination или capacity planning, это конкретная точка входа с формальным аппаратом.
Как применить сегодня
- Нарисуйте матрицу «агент × тема» для своей команды или AI-системы: строки — агенты/сотрудники, столбцы — типы запросов, ячейки — уровень компетенции (0/1/2)
- Внедрите intent classifier на входящие запросы — Claude Haiku достаточно для классификации по 5-10 темам; системный промпт с перечнем категорий, ответ — одно слово-тег
- Задайте порог насыщения: если очередь одного агента или сотрудника превышает N запросов, роутер автоматически перенаправляет к следующему с частичной компетенцией
- Попробуйте паттерн коллаборации: для сложных или кросс-доменных запросов запускайте двух агентов параллельно и агрегируйте их ответы финальным агентом-синтезатором
- Если принимаете архитектурные решения по multi-agent системе — прочитайте статью arXiv:2606.19759: формальные доказательства capacity-optimal scheduling полезны для обоснования выбора перед командой или инвесторами