Опубликовано: 12.08.2026 | Источник: CNews (новости)

LLM-агенты и голосовые роботы в ВКР: как применить кейс «Авито» в дипломе

Новость от 16 марта 2026 года: «Авито» объявляет закупку готовых голосовых роботов и лицензий на LLM-агентов. Компания уже потратила миллиарды на собственные нейросети, но всё равно покупает внешние решения. Для студента ИТ-специальности это не просто новость, а готовый производственный кейс. В нём есть всё, что любят на защите: интеграция внешних ИИ-сервисов, оценка экономической эффективности, архитектура гибридной системы, проблемы качества диалогов. Ниже разберу, как превратить этот тренд в конкретную тему ВКР, какие стандарты применять и какие метрики считать, чтобы работа выглядела как индустриальный проект.

Темы ВКР на основе статьи: от анализа до внедрения

Как встроить кейс «Авито» в главы ВКР

Глава 1: анализ, а не пересказ

Не пишите «компания Авито покупает роботов». Проведите анализ: какие функциональные компоненты нужны голосовому роботу (ASR, NLU, dialog management, TTS), какие из них можно взять как SaaS, а какие — развернуть локально. Используйте нотацию C4: контекст, контейнеры, компоненты. Пример контейнерной диаграммы:

+-------------------+      +---------------------+
|   Frontend (IVR)  | ---> |  Orchestrator (Python)|
+-------------------+      +---------------------+
                          |   - intent routing   |
                          +----------+----------+
                                     |
                    +----------------+----------------+
                    |                |                |
            +-------v-----+  +------v------+  +------v--------+
            | ASR service |  | LLM agent   |  | Billing/Logs  |
            | (Cloud)     |  | (external)  |  | (PostgreSQL)  |
            +-------------+  +-------------+  +---------------+

Глава 2: проектирование интеграции

Опишите контракт REST API для LLM-агента. Обязательные поля: session_id, dialog_history, user_intent, confidence. Пример запроса на Python:

import requests

response = requests.post(
    "https://llm-gateway.example.com/v1/dialog",
    json={
        "session_id": "123e4567-e89b-12d3-a456-426614174000",
        "dialog_history": [
            {"role": "user", "content": "Хочу продать холодильник"}
        ],
        "kb_params": {"category": "electronics", "region": "msk"}
    },
    timeout=2.7
)

if response.status_code == 200:
    agent_reply = response.json()["reply"]
else:
    # fallback на ручного оператора
    agent_reply = "Переключение на оператора"

Такой сниппет показывает, что вы умеете проектировать отказоустойчивость: таймаут, fallback, идемпотентность. В ВКР кроме кода нужна диаграмма последовательности (UML seq) для сценария «пользователь перебивает робота».

Глава 3: метрики и эффективность

Просто «протестировать» мало. Считайте конкретные цифры. Рекомендуемые метрики:

• Intent Accuracy — доля верно распознанных намерений;
• Containment Rate — доля звонков, где робот не потребовал переключения на оператора;
• Aver Age Handling Time — экономия времени оператора;
• TCO — совокупная стоимость владения за 3 года.

Обязательно свяжите метрики с ГОСТ 34.601 (стадии создания автоматизированной системы) и ISO/IEC 25010 (характеристики качества). Например, стадия «Рабочая документация» по ГОСТ 34.601 соответствует написанию инструкции администратора — это часто требуют на нормоконтроле.

Практические выводы: чему вы научитесь

1. Проектировать интеграцию внешних ИИ-сервисов в реальную ИТ-архитектуру.
2. Составлять технико-экономическое обоснование: считали TCO, объясняли, почему покупка выгоднее разработки (кейс «Авито» это подтверждает).
3. Применять стандарты: ГОСТ 34.601 для этапов разработки, ISO/IEC 25010 для качества продукта, C4/UML для описания архитектуры.
4. Автоматизировать тестирование диалогов: скрипт гоняет тестовые сценарии и собирает метрики.
5. Корректно оформлять схемы и код, чтобы защита прошла без вопросов «а это вы сами писали?».

FAQ по диплому

Сложно ли делать ВКР по LLM-агентам, если у вуза нет GPU-кластера?

Для диплома не обязательно обучать модель с нуля. Достаточно взять готовую open-source модель (GigaChat API, Qwen, Llama) и построить вокруг неё систему: обработка контекста, промпт-инжиниринг, векторная БД, мониторинг. Это уровень бакалаврской ВКР, и он хорошо ложится в кейс «Авито».

Где брать данные для тестирования голосового робота?

Используйте открытые датасеты: Atis, Snips (intent classification), Melod/Boris для русского языка. Или соберите 50–100 синтетических сценариев «звонок в поддержку классифайда» — это опишите в методике, в вузах такое принимают как самостоятельный вклад.

Как оформить код в ВКР, чтобы не ругались на плагиат?

В основной текст выносите только фрагменты (10–15 строк) с комментариями «критически важный участок». Полный листинг вынесите в Приложение. Каждый фрагмент должен быть связан с описанием: «листинг 2.3 реализует таймаут, показанный на рисунке 2.5» — иначе рецензент не поймёт, почему этот код в работе.

Какие метрики считать, если руководитель просит «эффективность»?

Минимум три категории: технические (accuracy, latency p95), экономические (TCO, ROC за 3 года), эксплуатационные (снижение нагрузки на операторов). Покажите связь: уменьшение времени обработки = сэкономленные часы × ставка оператора.

Источник: «Авито» скупает готовых нейросотрудников и голосовых роботов. На фоне многомиллиардных инвестиций в свои нейросети (опубликовано 2026-03-18)