ИИ-агенты в дипломе: автоматизация разработки и метрики эффективности
В марте 2026 года The Verge опубликовал материал с говорящим заголовком: «Будущее кода захватывает и пугает». Речь идёт о стремительном распространении ИИ-ассистентов, таких как Claude Code, которые берут на себя генерацию кода, а человек превращается в менеджера агентов. Для студента, делающего ВКР, это не просто хайп, а возможность выбрать действительно живую тему: спроектировать систему, которая управляет агентами, оценить её качество или встроить ИИ-инструменты в классический процесс разработки. Ниже — как перевести этот тренд в плоскость дипломного проекта, не утонуть в абстракциях и получить работу, которую легко защитить.
Темы ВКР и их привязка к статье
Статья даёт минимум три направления для исследования. Я свела их в таблицу: для каждой темы указала цель, задачи и структуру. Выбирайте то, что ближе к вашему профилю — прикладная разработка, анализ или исследование процессов.
| Тема ВКР | Актуальность | Цель | Задачи | Структура работы |
|---|---|---|---|---|
| Разработка ИИ-агента для автоматизации написания кода | Прямо вытекает из статьи: разработчики всё чаще управляют агентами, а не пишут код вручную. Потребность в таких агентах растёт. | Спроектировать и реализовать ИИ-агента, который генерирует код по техническому заданию. |
|
Глава 1 — обзор ИИ-агентов, глава 2 — проектирование и реализация, глава 3 — тестирование и оценка. |
| Оценка качества ИИ-сгенерированного кода | В статье упоминается, что «многие пишут меньше кода сами». Возникает вопрос: насколько этот код надёжен, безопасен и поддерживаем? | Разработать методику оценки кода, созданного ИИ, на основе стандартов качества. |
|
Глава 1 — теория качества и ИИ, глава 2 — разработка методики, глава 3 — эксперимент и результаты. |
| Влияние ИИ-ассистентов на скорость и надёжность разработки ПО | Ключевая идея статьи — переход от написания кода к управлению агентами. Это меняет метрики процесса, например, время разработки и трудозатраты. | Исследовать, как ИИ-ассистенты влияют на производительность команды и качество продукта. |
|
Глава 1 — процесс разработки и метрики, глава 2 — дизайн исследования и сбор данных, глава 3 — анализ и рекомендации. |
| Архитектура платформы для управления ИИ-агентами | Из статьи: разработчик превращается в «менеджера агентов». Значит, нужны инструменты для их координации, логирования и контроля. | Спроектировать платформу, которая позволяет управлять несколькими ИИ-агентами, отслеживать их действия и результаты. |
|
Глава 1 — аналитика требований и обзор аналогов, глава 2 — проектирование и реализация, глава 3 — тестирование и нагрузочные испытания. |
Как встроить материал статьи в основную часть ВКР
Глава 1: от «все кодеры» к «менеджеры агентов»
Используйте статью как отправную точку в обзоре литературы. Процитируйте факт: раньше программист писал код, теперь — управляет процессами генерации. В главе 1 вы должны показать, что понимаете тренд, но не уходите в публицистику. Сформулируйте исследовательский вопрос, например: «Какие методы оценки ИИ-сгенерированного кода существуют и как их применить в реальном проекте?» Здесь же уместно разобрать стандарты: ГОСТ 34.601-90 (для автоматизированных систем), ISO/IEC 25010 (качество продукта), OWASP Top 10 (безопасность).
Глава 2: проектируем решение
В главе 2 вы показываете архитектуру. Если тема связана с инструментом, нарисуйте C4-диаграмму: Context, Container, Component. Для ИИ-агента типичная схема состоит из следующих компонентов:
- Пользователь (инженер) ставит задачу на естественном языке.
- Оркестратор разбивает задачу на подзадачи и вызывает LLM.
- LLM генерирует код или diff.
- Набор валидаторов проверяет синтаксис, линтер, безопасность.
- Результат возвращается пользователю или интегрируется в CI/CD.
Зафиксируйте эту схему в виде модели на UML (диаграмма последовательности или компонентов). Обязательно добавьте участок, где происходит оценка качества — там людям потребуются метрики.
# Пример конфигурации агента для Claude Code (псевдокод)
agent:
model: claude-opus-4
tools: [editor, terminal, grep]
system_prompt: "Ты — senior-разработчик. Пиши короткие комментарии и следуй стилю проекта"
validation:
lint: true
type_check: false
test_command: "pytest"Для платформы управления агентами используйте Kubernetes и OpenTelemetry: это позволит показать практический уровень работы. Пример k8s-манифеста для подов агентов можно добавить в приложение, но в тексте дайте только ключевой фрагмент.
Глава 3: метрики и эффективность
Вы не можете просто сказать «стало лучше». Нужны цифры. Какие метрики реально используются для ИИ-агентов:
- F1-score — точность и полнота извлечения задач (если агент парсит ТЗ).
- CodeBLEU — качество сгенерированного кода.
- Успешность прохождения тестов (pass@k) — доля задач, где агент дал правильное решение.
- Скорость выполнения (cycle time) — время от выдачи ТЗ до готового результата.
- Коэффициент дефектов — отношение числа ошибок, найденных код-ревью, к общему объёму кода.
Сравните со средними значениями, если вручную писать код по таким же задачам. Эксперимент оформите по ГОСТ 7.32-2017 (отчёт о НИР) — это важный нормоконтроль.
Практические выводы: чему вы научитесь
Независимо от выбранной темы, после работы над ВКР вы сможете:
- Проектировать архитектуру ИИ-систем с учётом требований качества.
- Настраивать CI/CD и контейнеризацию для агентов.
- Валидировать код на безопасность с OWASP.
- Считать метрики эффективности и оформлять их в виде графиков.
- Составлять ТЗ по ГОСТ 34.602-2020.
- Писать выдержанную научную работу без перегруза технологическим сленгом.
Типичные ошибки студентов
Ошибка 1. Переоценка способностей ИИ. Статья говорит, что разработчики всё меньше пишут код сами, но не значит, что агенты всё делают идеально. В ВКР обязательно покажите ограничения: выдуманные API, уязвимости, неоптимальный код.
Ошибка 2. Слишком абстрактные метрики. «Качество кода стало выше» — не защитимая фраза. Используйте численные метрики и сравнение с базовым уровнем.
Ошибка 3. Игнорирование безопасности. Особенно если вы генерируете код автоматически. Добавьте в работу раздел о безопасности: как избежать инъекций, недочётов, излишних привилегий.
FAQ: вопросы, которые задают студенты
Слишком сложно настраивать ИИ-модель для ВКР. Что делать?
Вы можете не обучать свою модель, а использовать готовые LLM через API. В этом случае ваша работа — архитектура, промпт-инжиниринг и оценка. Это вполне полноценная тема.
Вуз требует строгое соответствие ГОСТ, как это подружить с ИИ?
ВКР — это исследование. Вы можете оформить описание эксперимента по ГОСТ 7.32-2017, а код в приложении (не в основной части). Также примените ГОСТ 34.601-90, если разрабатываете автоматизированную систему.
Как быстро получить рабочий прототип для демонстрации?
Используйте Jupyter Notebook с вызовом API Llama-3 или GPT-4o. Это займёт два дня вместо месяца. Для Kubernetes-темы — dev-кластер (minikube) и готовые Helm-чарты.
Что делать, если нет данных о реальной команде разработчиков?
Соберите данные в учебной группе: дайте 5 задач респондентам, замерьте время и качество. Длительность эксперимента — не больше недели, зато будет собственная статистика.
Чек-лист перед сдачей
- Есть ли в введении авторская формулировка актуальности (без «в наше время»)?
- Сформулированы ли задачи конкретно, с глаголами действия («разработать», «оценить»)?
- Соответствуют ли выводы главы 3 задачам главы 1?
- Есть ли диаграммы в формате C4 или UML, подписанные в соответствии с ГОСТ?
- Все ли метрики сопровождаются методикой расчёта и примерами?
- Приведены ли источники, включая статью The Verge?
- Уникальность текста не меньше требований вуза?
- Проверен ли нормоконтроль по ГОСТ 7.32?
Если вы чувствуете, что не успеваете или запутались в методологии, не бойтесь просить помощь. Многие студенты заказывают консультации и частичную поддержку, а не «всю работу под ключ» — это разумный путь.
Вы трудоустроитесь или пойдёте в магистратуру — и диплом станет вашим портфолио. Чтобы качество работы было высоким, а защита прошла уверенно, вы можете обратиться за консультацией или сопровождением написания. Если нужно — мы поможем разработать тему, составить план и рассчитать метрики. Обычно это занимает в среднем 120 часов работы — используйте время с умом.
Источник: The future of code is exciting and terrifying (опубликовано 2026-03-17)