Опубликовано: 21.09.2026 | Источник: TechCrunch

AI-агенты в корпоративных приложениях: что взять в ВКР из кейса Granola

25 марта 2026 года Granola закрыла раунд на $125 млн и подняла оценку с $250 млн до $1,5 млрд — на фоне расширения от meeting-нотейкера к enterprise AI-приложению и добавления поддержки AI-агентов. Для выпускника это не просто новость из мира стартапов, а готовый каркас постановки задачи: те же вопросы — где хранить контекст встреч, как обеспечить приватность, какие метрики доказывают пользу — приходится решать в дипломе по AI/ML или Backend. Ниже разбираем, как превратить этот тренд в защищаемую работу: темы, архитектура, метрики и типичные грабли.

Темы ВКР, которые вырастают из кейса

• 1. AI-агент для суммаризации корпоративных встреч с RAG-поиском по базе знаний
  Актуальность: кейс Granola демонстрирует переход от пассивной транскрипции к активным агентам, извлекающим action items.
  Цель: спроектировать и реализовать сервис, формирующий резюме встречи и задачи в трекер.
  Задачи: анализ существующих решений; проектирование RAG-пайплайна; реализация оркестратора; оценка качества и производительности.
  Структура: Гл.1 — анализ рынка и требований по ISO/IEC 25010; Гл.2 — C4-диаграммы, схема БД, код; Гл.3 — тесты на датасете, метрики, экономический эффект.
• 2. Мультиагентная оркестрация для enterprise-сценариев на базе LLM
  Актуальность: расширение Granola до платформы предполагает координацию ролей — суммаризатор, планировщик, валидатор.
  Цель: построить фреймворк, распределяющий задачи между агентами с контролем стоимости токенов.
  Задачи: обзор паттернов (router, supervisor, sequential); реализация на LangGraph/LlamaIndex; трейсинг через OpenTelemetry; сравнение с монолитом.
  Структура: Гл.1 — теория агентных архитектур; Гл.2 — UML-диаграммы последовательностей, реализация; Гл.3 — нагрузочные тесты, accuracy/стоимость.
• 3. Наблюдаемость LLM-приложений: трейсы, метрики, алерты
  Актуальность: при масштабировании enterprise-агента отказы inference-сервиса критичны для клиента.
  Цель: внедрить стек observability для AI-сервиса и доказать снижение MTTR.
  Задачи: обзор OpenTelemetry и инструментов LLM-трейсинга; развёртывание в Kubernetes; дашборды; имитация инцидентов.
  Структура: Гл.1 — анализ SRE-практик для AI; Гл.2 — архитектура сбора телеметрии; Гл.3 — эксперименты, MTTR до/после.

Как встроить материал статьи в главу 1

Новость об инвестициях сама по себе — не научный источник, но она даёт фактуру для постановки проблемы. Разделите главу на три подглавы: (1) рынок meeting-нотейкеров и его ограничения; (2) почему отрасль уходит к агентам и enterprise-контуру; (3) формализация требований к вашей системе. В первом пункте ссылайтесь на публикации TechCrunch, Crunchbase, отчёты Gartner по AI-ассистентам — этого достаточно для обоснования актуальности. Во втором — разберите, что именно не устраивало пользователей Granola (интеграции, приватность, поддержка агентов), и превратите это в функциональные требования. В третьем — оформите по ISO/IEC 25010: функциональная полнота, производительность, безопасность, удобство использования. Так «новость» становится научным аппаратом, а не пересказом.

Проектирование архитектуры агента: что рисовать во главе 2

Комиссия смотрит не на код, а на схему, из которой видно, что вы понимаете поток данных. Минимальный набор диаграмм:

• C4-контекст: пользователь → веб-клиент → API Gateway → оркестратор агентов → LLM-провайдер, векторная БД, интеграции (календарь, таск-трекер).
• C4-контейнеры: где FastAPI, где воркер очереди, где хранилище embeddings (pgvector/Weaviate), где слой аудита.
• UML-sequence: путь одного запроса — от аудио/текста до action items, с таймаутами и fallback’ами.
• Диаграмма классов или ER: Meeting, Transcript, Chunk, Embedding, AgentRun, ExtractedTask.

Типовой скелет оркестратора на Python — что показать в приложении к диплому:

from fastapi import FastAPI
from pydantic import BaseModel

app = FastAPI()

class Meeting(BaseModel):
    id: str
    transcript: str
    participants: list[str]

@app.post("/agent/summarize")
async def summarize(m: Meeting):
    chunks = chunk_text(m.transcript, size=800, overlap=120)
    contexts = await vector_store.search(chunks, top_k=5)
    summary = await llm.complete(
        prompt=SUMMARY_PROMPT.format(context=contexts),
        max_tokens=800,
        temperature=0.2,
    )
    tasks = await llm.complete(prompt=EXTRACT_PROMPT, temperature=0.0)
    return {"summary": summary, "action_items": parse_tasks(tasks)}

Обязательно заложите трассировку: один запрос — один trace_id, атрибуты — модель, число токенов, latency, стоимость. Это снимает половину вопросов на защите.

Метрики и тестирование в главе 3

Не смешивайте замеры качества и производительности в одной таблице — комиссия это ценит. В выводах обязательно свяжите метрику с задачей: «сократили время на post-meeting рутину на X%».

Чему вы реально научитесь

• Проектировать RAG-пайплайн и обосновывать размер чанка, top_k, стратегию эмбеддинга.
• Оркестрировать несколько LLM-вызовов с контролем стоимости и таймаутов.
• Внедрять OpenTelemetry-трейсинг в AI-сервис и строить дашборды по SLO.
• Готовить требования и архитектуру по ISO/IEC 25010 и C4/UML.
• Считать TCO и защищать экономический эффект проекта перед комиссией.

Источник: Granola raises $125M, hits $1.5B valuation as it expands from meeting notetaker to enterprise AI app (опубликовано 2026-03-25)