Опубликовано: 20.07.2026 | Источник: TechCrunch

Контекстуальные AI-агенты в дипломе: как добавить «человечность» в систему с помощью Data Engineering

Поддомен: Data Engineering
Роль: Data/ML-инженер

Семантический анализ (внутренний фильтр)

• Primary keyword: контекстуальные AI-агенты в дипломе
• LSI-запросы: data pipelines для агентов ИИ, контекстное хранилище данных, RAG-архитектура, векторные базы данных, граф знаний, метрики релевантности ответов, UML-диаграммы потоков данных, C4-модель уровня системы, OpenTelemetry для трассировки агентов, метрики качества данных (DQ)
• Вопросы студентов:
  1. Как реализовать сбор и обогащение контекста без большого объема данных?
  2. Где брать реальные данные для обучения или симуляции поведения агента?
  3. Как оформить архитектурную диаграмму по ГОСТ 34.19?
  4. Какие метрики считать при тестировании "человечности" агента?
  5. Можно ли защитить ВКР на тему ИИ-агентов без глубоких знаний ML?
• Ключевые сущности: ГОСТ 34.19, ISO/IEC 25010, OWASP Top 10 для API, OpenTelemetry, векторная БД (например, Pinecone/Weaviate)

Введение

Стартап Nyne привлёк $5,3 млн на решение острой боли современных AI-агентов — отсутствия человеческого контекста. Без понимания истории взаимодействий, эмоций, личных предпочтений и социальных связей даже самые продвинутые LLM дают шаблонные, а порой и неуместные ответы. Это не просто бизнес-проблема — это технический вызов для инженеров данных. Для студента ВКР на эту тему — шанс показать не абстрактный пайплайн, а систему, которая делает ИИ «умнее через данные». Такая работа будет защищаемой, потому что выходит за рамки «подключил API и получил ответ». Вы покажете, как строится **инфраструктура контекста**, как она измеряется и как влияет на качество решения.

Темы ВКР: как превратить кейс Nyne в диплом

Основная часть: как внедрить кейс Nyne в главы диплома

Глава 1: Анализ и теория — не просто обзор, а основа архитектуры

Не ограничивайтесь пересказом статьи. Возьмите Nyne как пример **проблемы недостатка контекста** и развивайте её технически. Например:

• Сравните подходы: RAG vs fine-tuning vs graph-augmented LLM.
• Обоснуйте выбор именно контекстного хранилища (а не дообучения модели).
• Примените C4-модель: покажите уровень системы (System Context), где Nyne-like агент взаимодействует с CRM, чатами, базой знаний.

// Пример C4-диаграммы (в PlantUML)
@startuml
skinparam linetype ortho

Person(customer, "Клиент")
System_Boundary(crm, "CRM-система") {
  System(agent, "AI-агент")
  System(context_db, "Контекстное хранилище")
  System(llm_gateway, "Шлюз к LLM")
}

Rel(customer, agent, "Задаёт вопрос")
Rel(agent, context_db, "Запрашивает контекст", "REST")
Rel(agent, llm_gateway, "Генерирует ответ", "API")
Rel(context_db, agent, "Возвращает профиль, историю, тональность")

@enduml

Глава 2: Проектирование — покажите инженерию, а не только код

Здесь вы переходите от идеи к реализации. Ключевые элементы:

• Архитектура пайплайна: Kafka → Airflow → Weaviate → FastAPI → LLM.
• Хранение контекста: используйте векторную БД (Pinecone, Chroma, Weaviate) + реляционное хранилище для метаданных.
• Обогащение: добавьте сентимент-анализ (VADER, TextBlob), распознавание сущностей (NER), привязку к профилю.

# Пример DAG в Airflow для обновления контекста
def update_user_context(**context):
    user_id = context['dag_run'].conf.get('user_id')
    chat_history = fetch_recent_chats(user_id)
    sentiment = analyze_sentiment(chat_history)
    entities = extract_entities(chat_history)
    
    # Сохраняем в векторную БД
    weaviate_client.update_context(
        user_id=user_id,
        vectors=embed(chat_history),
        metadata={"sentiment": sentiment, "last_topic": entities[0]}
    )

with DAG('update_context', schedule_interval='@hourly') as dag:
    task = PythonOperator(task_id='update', python_callable=update_user_context)

Глава 3: Тестирование — докажите, что «стало лучше»

Эффективность нельзя оценивать «на глаз». Используйте метрики:

• Качество ответа: BLEU, ROUGE, BERTScore (сравнение с эталонным ответом).
• Релевантность контекста: hit-rate векторного поиска, precision@k.
• Производительность: latency, throughput, cost per request.
• Удовлетворённость (если есть пользователи): CSAT, NPS.

Сравните два сценария:

1. Агент без контекста (только текущий запрос).
2. Агент с контекстным слоем (история, профиль, тональность).

Вывод должен быть количественным: «Точность ответов выросла на 37%, время обработки увеличилось на 15% — приемлемая цена за качество».

Чему вы научитесь

• Проектировать многослойные data pipelines для ИИ-агентов.
• Строить и документировать архитектуру с использованием C4 и ГОСТ 34.19.
• Интегрировать векторные базы данных и RAG-логику.
• Оценивать качество данных и работы агента объективными метриками.
• Оформлять технические решения в формате, пригодном для защиты.

FAQ

Какой стек выбрать, если я не силен в ML?

Фокус на Data Engineering, а не на модели. Используйте готовый LLM (через API), а свою работу направьте на pipeline: сбор данных, хранение в Weaviate, вызов RAG. Ваш вклад — в архитектуре, а не в обучении нейросети.

Какие требования к коду в приложении?

Код должен быть:

• Читаемым (PEP8 / стиль вуза).
• С комментариями к ключевым блокам.
• С примерами запуска (в README).
• Вынесенным в приложение (не в текст глав).

Необязательно делать production-ready, но должно быть видно, что система работоспособна.

Как оформить схемы по ГОСТ?

Используйте ГОСТ 34.19-89 для схем алгоритмов и взаимодействия. Диаграммы должны иметь:

• Название и номер (например, «Рисунок 2.1 — Диаграмма потока данных»).
• Подпись под рисунком.
• Единый стиль (цвета, шрифты).

Можно рисовать в draw.io, Lucidchart или PlantUML — главное, чтобы было читаемо.

Как доказать эффективность на защите?

Покажите:

• Таблицу с метриками до/после.
• Примеры диалогов (с контекстом и без).
• Графики нагрузки и задержек.

Свяжите результаты с целью и задачами. Если цель — повысить релевантность, а вы увеличили hit-rate на 40% — это победа.

Источник: Nyne, founded by a father-son duo, gives AI agents the human context they’re missing (опубликовано 2026-03-13)