Сучасні розподілені інформаційні системи потребують складних підходів до автоматизації для планування завдань, розподілу ресурсів та управління виконанням. Незважаючи на значний потенціал використання ШІ агентів на основі великих мовних моделей (LLM) для розв'язання складних завдань розподілених обчислень, повністю автономні рішення представляють суттєві ризики без належного людського нагляду та механізмів контролю. У цій роботі пропонується комплексна гібридна мультиагентна архітектура, яка ефективно поєднує можливості автоматизованого планування та виконання зі стратегічно інтегрованими компонентами "людина в контурі керування" (HITL) для розподілених інтелектуальних систем. Запропонована архітектура має ієрархічну структуру, що складається з агента-оркестратора та агентів-виконавців, які працюють у координації з людьми-спеціалістами у критичних точках прийняття рішень. Агент- оркестратор керує високорівневою декомпозицією завдань та розподілом ресурсів через гетерогенні обчислювальні кластери, тоді як агенти-виконавці обробляють локальну оптимізацію та генерацію коду для конкретних обчислювальних вузлів. Гібридна природа цієї архітектури виникає внаслідок застосування централізованої оркестрації на рівні завдань при збереженні децентралізованого виконання на рівні підзавдань та окремих кластерів. Ключові інновації включають формальне визначення протоколів взаємодії агентів, набори інструментів як для агентів-оркестраторів, так і для агентів-виконавців, та багаторівневі механізми верифікації, які поєднують автоматизований статичний аналіз коду з обов'язковим експертним рецензуванням людини. HITL-компоненти стратегічно розміщені у критичних вузлах, включаючи підтвердження декомпозиції завдань, схвалення розподілу ресурсів та верифікацію коду перед виконанням на реальній розподіленій інфраструктурі. Цей підхід дозволяє мінімізувати проблему балансу між ефективністю автоматизації та операційною безпекою і контролем. Практична застосовність структури демонструється через чітко визначені відповідальності агентів, специфікації інструментів та механізми взаємодії, які забезпечують безпечне розгортання в реальних середовищах розподілених обчислень. Це дослідження робить як практичний, так і науковий внесок у галузь, надаючи структурований підхід до розгортання рішень розподілених обчислень на основі ШІ при збереженні необхідного людського нагляду, формально характеризуючи гібридну співпрацю людини та системи ШІ та встановлюючи надійні протоколи верифікації, які забезпечують операційну безпеку без жертвування обчислювальною ефективністю.
- Al-Fraihat, D., Sharrab, Y., Al-Ghuwairi, A.-R., Alzabut, H., Beshara, M., & Algarni, A. (2024). Utilizing machine learning algorithms for task allocation in distributed agile software development. Heliyon, 10(21), e39926. doi: 10.1016/j.heliyon.2024.e39926
- Kankaniyage Don, R. T. P., Ravi, A., & Toxtli, C. (2024). Assessing the Task Management Capabilities of LLM- Powered Agents. doi:10.13140/RG.2.2.11776.85768
- Li, Z., Wu, W., Wang, Y., Xu, Y., Hunt, W., & Stein, S. (2025). HMCF: A Human-in-the-loop Multi-Robot Collaboration Framework Based on Large Language Models. doi: https://arxiv.org/abs/2505.00820
- Mao, H., Schwarzkopf, M., Venkatakrishnan, S. B., Meng, Z., & Alizadeh, M. (2019). Learning Scheduling Algorithms for Data Processing Clusters. doi: https://arxiv.org/abs/1810.01963
- Mediakov, O., & Khorkanin, M. (2025). Automated Planning in Intelligent Distributed Systems Using a Multi- Agent Approach Based on LLM. Visnyk of Vinnytsia Politechnical Institute, 179(2), 111–117. doi:10.31649/1997-9266-2025-179-2-111-117
- Sypherd, C., & Belle, V. (2024). Practical Considerations for Agentic LLM Systems. doi: https://arxiv.org/ abs/2412.04093
- Takerngsaksiri, W., Pasuksmit, J., Thongtanunam, P., Tantithamthavorn, C., Zhang, R., Jiang, F., ... Wu, M. (2024). Human-In-the-Loop Software Development Agents. doi:10.48550/ARXIV.2411.12924
- Zhang, W., Zeng, L., Xiao, Y., Li, Y., Cui, C., Zhao, Y., ... An, B. (2025). AgentOrchestra: A Hierarchical Multi- Agent Framework for General-Purpose Task Solving. doi:10.48550/ARXIV.2506.12508
- Zou, H. P., Huang, W.-C., Wu, Y., Miao, C., Li, D., Liu, A., ... Yu, P. S. (2025). A Call for Collaborative Intelligence: Why Human-Agent Systems Should Precede AI Autonomy. doi: https://arxiv.org/ abs/2506.09420