Google подключил Gemini к Gap Inc, чтобы ассистент оформлял заказ из Gap, Old Navy, Banana Republic и Athleta прямо в диалоге. OpenAI в ответ обновил shopping-интерфейс в ChatGPT. Для выпускника это не новость из мира ретейла, а готовый каркас дипломной темы: мультиагентная система, интеграция с внешними API, оценка качества выдачи. Такой кейс легко защищается, потому что у него есть измеримые метрики (CTR, p95 latency, стоимость сессии), а не абстрактная «актуальность». Ниже — как разложить это на три главы, что считать и где спотыкаются студенты.
Для ВКР уровня бакалавра достаточно API. Своя модель на 8B параметров потребует GPU и отнимет главу на файнтюнинг, а защищается всё равно по метрикам качества ответа. Берите hosted-модель с function calling, а ресурс потратьте на архитектуру, evaluation и наблюдаемость.
Публичные: Amazon Product Reviews, RetailRocket, REES46. Синтетика: сгенерируйте 200–500 диалогов через саму LLM и разметьте вручную — это допустимый подход, если в главе 2 вы опишете протокол разметки. Никакого «взял у знакомого из Ozon» — комиссия это ловит.
Оффлайн-метрики: NDCG@10, MRR, precision/recall по релевантности товара. Онлайн-имитация: A/B на синтетических пользователях с фиксированной политикой выбора. И обязательно cost per successful session — руководители любят экономику.
ГОСТ 34.602 — на ТЗ, схемы — по ГОСТ 19.701 (функциональные блоки) плюс C4 Model (Context/Container/Component) как современная альтернатива. Диаграмму последовательностей (UML Sequence) стройте для флоу «запрос → поиск → оплата → подтверждение».
Актуальность: кейс Gemini × Gap показывает переход от чат-бота к транзакционному агенту; в работе фиксируете это как сдвиг парадигмы e-commerce. Цель: спроектировать и прототипировать агента, оформляющего заказ без выхода из диалога. Задачи: анализ протоколов function calling; проектирование оркестратора; реализация интеграции с mock-API каталога; оценка качества и стоимости. Структура: Гл.1 — обзор LLM-агентов и e-commerce API; Гл.2 — архитектура (C4 + Sequence UML); Гл.3 — тестирование, метрики, выводы.
Актуальность: Google и OpenAI по-разному решают задачу подбора — через подключение каталога партнёра и через обновлённый интерфейс выдачи. Цель: эмпирически определить, какой подход даёт более релевантную выдачу при разном размере каталога. Задачи: векторный индекс, baseline на function calling, оценка NDCG@10 и hallucination rate. Структура: Гл.1 — теория RAG/retrieval; Гл.2 — стенд и пайплайн; Гл.3 — эксперимент, статистика.
Актуальность: без телеметрии невозможно понять, приносит ли агент продажи. Цель: построить систему сбора метрик и методику оценки. Задачи: инструментирование через OpenTelemetry; дашборд; дизайн A/B-эксперимента; расчёт confidence interval. Структура: Гл.1 — observability и SRE-практики; Гл.2 — пайплайн телеметрии; Гл.3 — результаты эксперимента.
Опишите эволюцию: от поисковой строки к диалоговому интерфейсу. Здесь уместно сравнить модели интеграции — партнёрский каталог (как у Gemini с Gap) против собственного shopping-слоя (как у ChatGPT). Это не пересказ новости, а аналитическая таблица с колонками: способ интеграции, latency, контроль над выдачей, риск vendor lock-in.
Стройте C4-диаграмму: Context (пользователь, ассистент, партнёрский каталог) → Container (оркестратор, LLM gateway, векторный индекс, платёжный шлюз) → Component. Для описания tool-схемы приводите код.
tools = [{
"type": "function",
"function": {
"name": "search_catalog",
"description": "Поиск товаров в каталоге партнёра",
"parameters": {
"type": "object",
"properties": {
"query": {"type": "string"},
"brand": {"type": "string",
"enum": ["gap","old_navy","banana_republic","athleta"]},
"max_price": {"type": "number"}
},
"required": ["query"]
}
}
}]
Инструментируйте каждый шаг спанами OpenTelemetry: llm.request, tool.search_catalog, tool.checkout. Метрики, без которых третья глава пустая: p95 latency, success rate оформления, cost per session, hallucination rate (доля ответов с несуществующим SKU). По качеству ПО опирайтесь на ISO/IEC 25010 — характеристики «функциональная полнота» и «производительность» тут читаются буквально. Безопасность — по OWASP Top 10 for LLM Applications (prompt injection, insecure output handling), это сильно поднимет уровень работы.
Источник: ChatGPT and Gemini are fighting to be the AI bot that sells you stuff (опубликовано 2026-03-24)