Agentic AI в дипломе: автоматизация задач разработчика с помощью Goose
Статья на KDNuggets о Goose — бесплатном open-source AI-агенте, который умеет не просто подсвечивать фрагменты кода, а самостоятельно выполнять целые задачи: редактировать файлы, запускать скрипты, коммитить изменения. Это не очередная автодополнилка, а полноценный «цифровой стажёр» для вашей машины. Для студентов ИТ-направлений это сигнал: тренд смещается от генерации текста к реальной автоматизации рабочих процессов. Включив такую технологию в свою ВКР, вы покажете, что разбираетесь в современной архитектуре ПО, а не только в синтаксисе языков.
Три темы для ВКР, которые вырастут из Goose
Агентный подход (agentic AI) даёт богатый материал для дипломного проектирования. Ниже — три направления, которые вы сможете защитить без «воды». Для каждой темы сформулированы цель, задачи и примерная структура глав.
Тема 1. Проектирование собственного AI-агента для автоматизации рефакторинга кода
Актуальность. Goose показывает, что современный ИИ способен выполнять рутинные операции по улучшению кода. В вашей ВКР можно пойти дальше — спроектировать агента, который автоматически исправляет несоблюдение стиля, удаляет дубли, разбивает длинные функции.
Цель. Разработать архитектуру агента и программную реализацию для рефакторинга Python-кода.
Задачи:
- проанализировать существующие агентные архитектуры (ReAct, Plan-and-Execute) на примере Goose;
- выбрать стек (LLM, инструменты работы с AST, Git-хуки);
- реализовать основные модули: планировщик, исполнитель, модуль валидации;
- провести эксперимент на реальных кодовых базах и сравнить с ручным рефакторингом.
Структура: Глава 1 — анализ агентов, сравнение подходов; Глава 2 — проектирование архитектуры, диаграммы классов (UML); Глава 3 — тестирование, замер скорости и качества.
Тема 2. Интеграция Goose в CI/CD-пайплайн для сокращения времени релиза
Актуальность. Практический DevOps-тренд — встроить ИИ-агента в процесс пайплайна, чтобы он брал на себя часть ручных проверок: тестовые данные, миграции, генерацию changelog. Goose уже делает первые шаги в этом направлении, и в дипломе можно исследовать, как он вписывается в существующие этапы.
Цель. Оптимизировать конвейер CI/CD с помощью AI-агента и оценить экономический эффект.
Задачи:
- проанализировать узкие места пайплайна (сборка, тесты, деплой);
- настроить Goose для автоматической подготовки релизных заметок и проверки кода;
- измерить время выполнения пайплайна до и после интеграции;
- рассчитать ROI от сокращения ручного труда.
Структура: Глава 1 — обзор CI/CD и роли ИИ, Глава 2 — проектирование интеграции, Глава 3 — тестирование и экономическое обоснование.
Тема 3. Оценка качества AI-агентов на основе ISO/IEC 25010
Актуальность. На рынке появляется много «умных» агентов, но как измерить их эффективность? Международный стандарт ISO/IEC 25010 даёт систему характеристик: функциональность, производительность, надёжность, удобство. Вы можете провести оценку Goose и альтернативных решений (Copilot, AutoGPT) по этому стандарту.
Цель. Провести сравнительное тестирование агентов и предложить методику оценки для ИТ-команд.
Задачи:
- адаптировать характеристики ISO/IEC 25010 под специфику ИИ;
- разработать тестовые сценарии (типичные задачи разработчика);
- выполнить измерения и проанализировать результаты;
- сформулировать практические рекомендации по выбору агента.
Структура: Глава 1 — теория метрик качества, Глава 2 — описание эксперимента и методики, Глава 3 — результаты и выводы.
Аналитическая глава: сравниваем решения и обосновываем стек
Любой диплом начинается с обзора. Возьмите за основу статью о Goose, «разложите» его функциональность. Сравните с GitHub Copilot (закрытый, подписка), Codeium (бесплатный, но менее автономный) и AutoGPT (полностью автономный, но сложный в настройке). В таблице покажите критерии вашего сравнения — это сразу усилит практическую часть.
| Критерий | Goose | GitHub Copilot | AutoGPT |
|---|---|---|---|
| Цена | Бесплатно, open source | $10/мес | Бесплатно (кроме API) |
| Автономность | Высокая: выполняет задачи с планом | Низкая: только подсказки | Высокая, но хрупкая |
| Возможность интеграции | CLI, пайплайны | IDE, API | API, веб-интерфейс |
| Поддержка языков | Python, JS, Go и др. | Много, но поверхностно | Зависит от настройки |
Если вы пишете ВКР на тему проектирования, важно обосновать выбор языков и инструментов. Например, агент для рефакторинга удобно реализовать на Python из-за богатой экосистемы работы с AST (модуль ast) и простоты встраивания в Git-хуки. Goose здесь как референс: он тоже написан на Go, но использует Python-инструменты для анализа — это показывает, что смешанный стек вполне жизнеспособен.
Проектная часть: архитектура и интеграция
Для главы о проектировании возьмите схему работы любого agentic-решения: пользователь ставит задачу, агент детализирует её, вызывает инструменты (файловая система, shell, API), проверяет результат. Нарисуйте UML-диаграмму последовательности. Упомяните паттерны из статьи, которые вы увидели в Goose: планирование шагов, выполнение циклов, обработка ошибок. Это укрепит связь с реальным кейсом.
Если ваша ВКР связана с инфраструктурой — используйте контейнеризацию. Goose легко запускается в Docker, а значит, вы можете показать развертывание в Kubernetes. Например:
docker run -it --rm -v "$PWD:/work" -e GOOSE_API_KEY="..." ghcr.io/block/goose:latest run "запусти тесты и почини ошибки"Не забудьте про метрики. Для сбора данных о работе агента используйте OpenTelemetry: трейсы — что именно агент делал, метрики — сколько времени заняла каждая операция. Это резко повышает защищаемость работы: у вас есть не просто программа, а полноценный наблюдаемый сервис.
Тестирование и метрики: производительность, RTO/RPO, мониторинг
В экспериментальной главе вы должны показать цифры. Для тем с Goose хорошо подходят:
- Нагрузочное тестирование — запустите агента на 10 репозиториях с одинаковой задачей, замерьте потребление CPU/RAM, время выполнения.
- Надёжность — используйте RTO/RPO: сколько времени простоя допустимо при сбое агента, сколько потерянных данных можно восстановить. Это важно для производственных интеграций.
- Мониторинг — подключите OpenTelemetry, экспортируйте метрики в Prometheus. В дипломе можно дать скриншот Grafana дашборда — это всегда выглядит презентабельно.
Не пытайтесь «выдумать» показатели. Лучше провести честный эксперимент: соберите среднее время выполнения задачи на 50 запусках. Уверяю, уже после 10 прогонов тренд виден, и у вас будут нормальные данные для анализа.
Чему вы научитесь: от архитектуры до документации
Работа с agentic AI даёт студенту набор опыта, который заметно выделяет его на собеседовании:
- понимание архитектуры современных ИИ-агентов;
- умение настраивать инструменты и пайплайны;
- навык обоснованного выбора фреймворка — вы сможете объяснить, почему взят тот или иной LLM;
- опыт оформления технической документации по ГОСТ (во многих вузах это требование).
Типичные ошибки студентов (и как их избежать)
Ошибка 1. Подмена терминологии: в тексте «AI-агент» заменяют на «нейросеть», не уточняя, что это автономный исполнитель. В итоге рецензент считает, что студент не различает чат-бота и агента. Как избежать: явно определите в Главе 1, что такое агент и чем он отличается от LLM-подсказчика.
Ошибка 2. Нет метрик эффективности. Утверждение «агент работает быстрее» ничем не подкреплено. Обязательно включите таблицу с временными замерами и нагрузкой.
Ошибка 3. Игнорирование стандартов при оформлении ТЗ: если в вузе требуют ГОСТ 34.602-89, а вы пишете «свободное техзадание» без разделов — минус балл. Возьмите структуру ТЗ из ГОСТа и адаптируйте под ИИ-проект.
FAQ по внедрению Goose в диплом
Можно ли не писать код, а только проанализировать Goose?
Да, если тема теоретическая — например, «Анализ безопасности agentic-систем». Но для технического диплома лучше добавить хотя бы один эксперимент или интеграционный контур. Иначе работа будет выглядеть рефератом.
Как измерить производительность агента?
Задайте 20 типов задач (откройте проект, поменяйте функцию, напишите тест) и запустите каждую 10 раз. Замеряйте время успешного завершения, процент неудач, количество запросов к API. Для воспроизводимости зафиксируйте версии LLM.
Где брать тестовые данные?
Используйте открытые репозитории на GitHub (например, популярные библиотеки с незакрытыми issues). Для рефакторинга берите старые курсовые работы однокурсников (с их согласия) или учебные проекты — они идеально подходят для демонстрации.
Как оформить UML-диаграммы по ГОСТ?
В стандарте ГОСТ 34.601-90 нет строгих требований к нотации. Воспользуйтесь обычным UML, главное — подпишите элементы и связи. Избегайте случайных цветов; для печатной версии лучше чёрно-белые диаграммы.
Чек-лист перед сдачей
- ✅ Ссылка и источник на статью в списке литературы — есть (KDNuggets, 2026).
- ✅ Поставленные задачи в ВКР соответствуют выводам — каждая задача отражена в главах.
- ✅ В работе есть схема архитектуры агента, хотя бы в виде UML-диаграммы.
- ✅ Таблицы с метриками подписаны, единицы измерения указаны.
- ✅ Проверено соответствие оформления списка литературы и ГОСТ вуза.
- ✅ Присутствует анализ ограничений и рисков (это отдельный плюс на защите).
Вы поняли, что применение AI-агента в дипломе может занять до 120 часов: от установки и настройки до сбора метрик. Не хотите тратить это время? Получите бесплатную консультацию и готовый план действий. Мы поможем с любой темой — от автоматизации тестирования до внедрения ИИ в инфраструктуру. Как написать ВКР быстро и защищаемо? Оставьте заявку на нашем сайте, и эксперт свяжется с вами в течение часа. Помощь с дипломом — это наш профиль, а заказать диплом можно без риска и с гарантией поддержки до защиты.
Источник: (Free) Agentic Coding with Goose (опубликовано 2026-03-19)
```