Опубликовано: 25.06.2026 | Источник: The Verge (IT)

Материал подготовлен экспертами компании «IT-Помощь». Мы помогаем студентам с ВКР и дипломами с 2010 года. Если вам нужна помощь в разработке темы, выборе стека или оформлении работы — наши специалисты готовы подсказать.
Последнее обновление: 2026-06-25

Кастомные агенты в ChatGPT для ВКР: как интегрировать AI-автоматизацию в дипломный проект без потери академической строгости

В апреле 2026 года OpenAI запустила в бизнес-планах «Workspace Agents» — кастомные боты, способные выполнять задачи в реальном времени: от сбора обратной связи по продукту до написания и отправки писем в Gmail. Как показывает The Verge, это не просто улучшение интерфейса — это переход от чат-бота к *работающему* агенту, который взаимодействует с внешними API, сохраняет состояние сессии и даже может быть обучен на внутренних данных команды. Для выпускника ИТ-специальности это — не новость, а практический сигнал: если вы пишете дипломную работу по автоматизации, DevOps или системному анализу, то можно и нужно использовать этот тренд как основу для реализации. Не надо ждать, когда всё будет «в готовом виде» — уже сейчас можно построить прототип агента, проверить его на собственных данных и оценить эффективность через метрики, которые входят в стандарты ISO/IEC 25010 и ГОСТ Р 52397–2005.

Какие темы ВКР можно развить из этой новости?

Тема	Актуальность (по статье)	Цель	Задачи	Структура
Автоматизация рабочих процессов с помощью AI-агентов	OpenAI предлагает агентов, работающих в Slack/Gmail — они выполняют задачи без ручного вмешательства. Это прямая аналогия к теме «интеллектуальная автоматизация».	Создать агента, который решает конкретную задачу из бизнес-процесса (например, сбор отзывов клиентов), и оценить его эффективность.	1) Анализ существующих процессов 2) Проектирование агента (архитектура, API-интерфейсы) 3) Реализация с использованием LangChain + OpenAI API 4) Тестирование и сравнение с ручным выполнением	Глава 1: Теоретические основы автоматизации и агентных систем Глава 2: Проектирование и реализация агента (C4-диаграмма, UML-классы, код) Глава 3: Оценка эффективности (метрики TTR, FPR, ROI)
Интеграция AI-агентов в CI/CD-пайплайн	Статья упоминает, что агенты работают в «workspace» — т.е. в среде, где есть доступ к документации, базам и другим инструментам. Это идеально ложится на DevOps-инфраструктуру.	Внедрить агента, который автоматически генерирует тестовые сценарии, фиксирует баги и создаёт PR-запросы на основе анализа коммитов.	1) Выбор инструментов (GitHub Actions, OpenTelemetry) 2) Разработка шаблона агента (LLM + RAG) 3) Интеграция с Jenkins/GitLab CI 4) Измерение метрик (MTTR, % автоматизированных тестов)	Глава 1: Современные подходы к CI/CD и роль LLM Глава 2: Архитектура агента в пайплайне (BPMN-схема, диаграмма контейнеров) Глава 3: Эффективность и безопасность (OWASP Top 10 для LLM)
Оценка безопасности и контроля при работе с агентами в корпоративной среде	Статья не говорит о безопасности — но агенты, работающие с API, могут вызывать уязвимости. Отсутствие мониторинга — риск по OWASP.	Проанализировать риски и предложить механизм контроля (например, ограничения на API-вызовы, логирование действий).	1) Анализ возможных угроз (внедрение, перехват данных) 2) Проектирование системы контроля (OpenTelemetry + logging) 3) Прототип сценария блокировки при превышении лимита запросов 4) Сравнение с требованиями ГОСТ Р 52397	Глава 1: Идентификация угроз в агентных системах Глава 2: Проектирование контролируемой среды (C4-модель, диаграмма потоков) Глава 3: Методы оценки соответствия (ISO/IEC 25010, NIST SP 800-53)

Как вписать материал статьи в дипломную работу — практические шаги

1. Глава 1: Теоретическая база — не просто описание, а сравнение

Для начала сделайте таблицу сравнения: - **Чат-бот** (например, GPT-4o в ChatGPT): только диалог, ограниченная функциональность - **AI-агент** (Workspace Agent): имеет состояния, API-интерфейсы, способен выполнять действия - **Локальный агент** (OpenClaw/Moltbot): работает вне облака, но требует значительной инфраструктуры Пример C4-диаграммы (в текстовом формате): ``` +-------------------+ | Workspace Agent | | (ChatGPT UI) | +--------+----------+ | v +--------+----------+ | External APIs | | (Slack, Gmail) | +--------+----------+ | v +--------+----------+ | Memory Store | | (Vector DB) | +-------------------+ ```

2. Глава 2: Реализация — используйте LangChain и OpenAI API

Пример конфигурации агента (Python, `langchain` + `openai`): ```python from langchain.agents import create_openai_functions_agent from langchain.tools import tool from langchain_openai import ChatOpenAI from langchain.prompts import MessagesPlaceholder @tool def fetch_feedback_from_web(query: str) -> str: """Ищет отзывы на сайте по ключевому слову.""" # Здесь ваш код поиска (например, requests + BeautifulSoup) return "Обратная связь найдена: [пример]..." llm = ChatOpenAI(model="gpt-4-turbo", temperature=0) agent = create_openai_functions_agent( llm, [fetch_feedback_from_web], system_message="Ты — агент, который собирает информацию и формирует отчеты." ) ```

3. Глава 3: Оценка эффективности — метрики, которые проверят на защите

- **TTR (Time to Resolution)** — сколько времени занимает выполнение задачи агентом vs человеком - **FPR (False Positive Rate)** — сколько ошибок агент делает при интерпретации запроса - **ROI** — соотношение затрат на агента и экономии трудозатрат - **MTTR (Mean Time To Recovery)** — время восстановления после сбоя агента Для этого можно использовать OpenTelemetry для сбора логов и метрик: ```yaml # opentelemetry-collector-config.yaml receivers: otlp: protocols: grpc: endpoint: 0.0.0.0:4317 exporters: logging: loglevel: info service: pipelines: metrics: receivers: [otlp] exporters: [logging] ```

Чему вы научитесь — навыки, которые будут цениться на рынке

- ✅ Проектировать агентные системы по принципам C4/UML - ✅ Настройка CI/CD-пайплайнов с включением LLM-компонентов - ✅ Валидировать модели и агентов по ISO/IEC 25010 (функциональная совместимость, надёжность) - ✅ Формировать ТЗ по ГОСТ Р 52397 с учётом требований к безопасности - ✅ Считать TCO и ROI для AI-решений — это ключевой аргумент на защите

Типичные ошибки студентов (и как их избежать)

Ошибка 1: Попытка «сделать всё в одном файле» — например, попытка запустить агента без разделения на модули и без логирования. Как избежать: Делайте каждый компонент — модель, API, хранение — в отдельном модуле. Используйте `pydantic` для валидации входных данных.

Ошибка 2: Невалидация ответов агента — он может «придумать» данные, если нет ограничений на генерацию. Как избежать: Добавьте в системное сообщение: «Если не уверен — не отвечай. Уточни у пользователя». Или используйте RAG с проверкой источников.

FAQ: часто задаваемые вопросы студентов

Как выбрать стек? Нужно ли использовать Python или можно JS?

Для диплома лучше Python — больше библиотек, лучшая документация, удобнее для демонстрации. Но если вы делаете frontend-агент — React + TypeScript допустимо. Главное — согласовать с руководителем и указать в ТЗ.

Как считать эффективность, если нет реальных данных?

Создайте сценарий: напишите 10 тестовых запросов, измерьте TTR и FPR. Используйте имитационные данные из OpenAI Playground или сгенерируйте их с помощью `faker`. Важно — указать методологию и границы её применимости.

Нужно ли писать код полностью? Можно ли использовать готовые шаблоны?

Да, можно. Но обязательно объясните, почему выбран именно этот шаблон, какие изменения были внесены, и как они влияют на безопасность и производительность. Важно — не просто копипаст, а адаптация под задачу.

Чек-лист «Что проверить перед сдачей»

✅ Все схемы (C4, BPMN, UML) — вставлены в главу 2, с подписями и ссылками на стандарты ✅ Код в `main.py`, `config.yaml`, `requirements.txt` — вложен в репозиторий, с комментариями ✅ Метрики (TTR, FPR, ROI) — собраны и проанализированы в главе 3 ✅ Соответствие требованиям: ГОСТ Р 52397 (документация), ISO/IEC 25010 (качество), OWASP (безопасность) ✅ Уникальность — проверено через Plagiarism Checker (если есть доступ) ✅ Приложения — вложены в архив, с описанием, как запустить ✅ Выводы — связаны с целями, а не с общими фразами

Бесплатная консультация по теме ВКР — мы поможем вам выбрать подходящую тему, составить план, подобрать стек и подготовить защиту. В рамках бесплатной консультации вы получите: • 120 часов на решение задач по вашему проекту • Поддержку в оформлении по ГОСТ • Обзор лучших практик по безопасности и метрикам Пишите — мы поможем сделать ваш диплом не просто «зачёт», а «отлично».

Источник: OpenAI now lets teams make custom bots that can do work on their own (опубликовано 2026-04-22)