Прототип ИИ-агента по учебному курсу как часть УМК

                                            том 22 № 1 (70), 2026, ст. 4

Появление больших языковых моделей (LLM) расширило возможности адаптивных образовательных инструментов. LLM способны генерировать содержательные объяснения, поддерживать диалог и анализировать текстовые материалы, что делает их перспективными для использования в университетских курсах [2]. Однако генеративные модели нередко допускают ошибки, если не опираются на фактические данные. Поэтому всё большее внимание привлекают архитектуры Retrieval-Augmented Generation (RAG), сочетающие генерацию с поиском по внешней базе знаний. Исследования показывают, что такой подход существенно повышает точность и полезность ответов [3].

Несмотря на развитие технологий, большинство учебно-методических комплексов (УМК) остаются статичными: студенту предоставляются лекции и задания, но отсутствует механизм получения оперативных разъяснений. В работах [4] подчеркивается, что отсутствие адаптивной обратной связи снижает эффективность обучения, особенно в дистанционных форматах. Это создает потребность в компактных ИИ-агентах, встроенных в конкретный курс и использующих материалы УМК как основную базу знаний.

При этом вопрос разработки легких, локально работающих ИИ-агентов для отдельных дисциплин, остается недостаточно изученным. Особенно мало исследований, комбинируемых архитектуру RAG с ограниченным набором реальных учебных материалов.

Целью исследования является разработать и апробировать прототип ИИ-агента, интегрированного в УМК по дисциплине «Практическое предпринимательство», основанный на архитектуре Retrieval-Augmented Generation и компактной языковой модели. В работе анализируется возможность формирования адаптивных объяснений на основе ограниченного контента учебных материалов курса.

Методы исследования

Методологическая часть исследования включала последовательную разработку прототипа ИИ-агента, ориентированного на работу исключительно с учебными материалами конкретного университетского курса. Поскольку на момент исследования были доступны только лекции преподавателя, контент данных состоял из ограниченного набора текстов, сформированных на основе аудиозаписей лекционных занятий. Это обстоятельство определяло как структуру RAG-модуля, так и характер получаемых ответов модели, поскольку система опиралась лишь на содержимое лекций и не включала учебные пособия, практикумы или методические рекомендации.

Архитектура агента была построена на принципах Retrieval-Augmented Generation [5]. В этой архитектуре языковая модель формирует ответ на основе релевантных фрагментов учебного материала, извлеченных из векторной базы, а не только за счет собственных параметров. Тексты лекций предварительно очищались, нормализовались и разбивались на небольшие смысловые сегменты. Для каждого сегмента вычислялись эмбеддинги, которые сохранялись в векторном хранилище и использовались при обработке пользовательских запросов. Такая структура как на рисунке 1 обеспечивала воспроизводимость и позволяла работать строго в рамках доступного корпуса данных.

Рис. 1. Архитектура образовательного ассистента на основе RAG и компактной языковой модели

Поскольку значительная часть исходного материала существовала в виде аудиозаписей, ключевым этапом подготовки данных стала их транскрибация. Для обеспечения прозрачности процесса и независимости от коммерческих сервисов использовался открытый инструмент

OpenAI Whisper, запускаемый локально. Применялась модель Whisper-small, обеспечивавшая удовлетворительное качество распознавания русской речи при умеренных вычислительных требованиях. Полученные транскрипты очищались и структурировались, после чего служили основой для построения базы знаний RAG-модуля. Таким образом, весь корпус данных был сформирован исключительно из лекционного материала.

На следующем этапе рассматривались компактные языковые модели, которые могли быть запущены локально и обеспечивали разумный баланс между качеством генерации и доступностью вычислительных ресурсов. При выборе модели учитывались её размер, уровень поддержки русского языка, контекстное окно и возможность интеграции в RAG-архитектуру. Для корректного сравнения анализ ограничивался моделями объёмом до четырёх миллиардов параметров, поскольку именно эта категория обеспечивает возможность работы без специализированного оборудования.

Оценка качества работы моделей с русским языком проводилась не экспериментально, а на основе открытых данных. В качестве основных ориентиров использовались результаты многоязычного бенчмарка FLORES-200, включающего тесты по русскому языку, а также сведения о составе обучающих корпусов [6]. Согласно техническому отчету Microsoft, модели семейства Phi обучались преимущественно на англоязычных данных, что ограничивает их многоязычную продуктивность [7]. В противоположность этому, модель Gemma создавалась на расширенном многоязычном корпусе, что отражено в отчете Google DeepMind. Дополнительно учитывались независимые многоязычные оценки из проекта HELM [8]. Эти данные позволили объективно сопоставить модели без необходимости локального тестирования.

Сравнение проводилось по данным официальной документации и охватывало наиболее подходящие компактные модели:

Таблица 1. Сравнение моделей

Модель	Параметры	Требования к памяти	Контекст	Поддержка русского языка
Gemma-3 2B	2 млрд	низкие	~8 000	средняя
Phi-3.5 1.6B	1.6 млрд	низкие	~4 000	ниже среднего
Phi-3 mini 3.8B	3.8 млрд	низкие–средние	~4 000	средняя
Mistral-Nemo 3B	3 млрд	средние	~8 000	хорошая

Gemma-3 2B была выбрана в качестве основной модели, поскольку сочетает небольшой размер, открытость весов, устойчивую работу с системами семантического поиска и приемлемый уровень поддержки русского языка. В отличие от более крупных моделей, Gemma-3 2B способна работать на обычной рабочей станции с умеренными вычислительными характеристиками, что отвечало целям разработки локального прототипа.

Прототип агента был развернут на локальной рабочей станции, соответствующей типовым требованиям для запуска компактных языковых моделей. Использовалось оборудование среднего уровня с дискретной видеокартой, обеспечивающей не менее 6–8 GB видеопамяти, многоядерным процессором и оперативной памятью объёмом 16 GB. Система работала под управлением Windows 11 и включала программную среду на базе Python 3.9. Для транскрибации аудиозаписей применялась библиотека openai-whisper, для расчёта эмбеддингов — sentence-transformers, а для хранения векторных представлений использовались Faiss или ChromaDB. Запуск языковой модели осуществлялся при помощи библиотеки Transformers. Указанная конфигурация отражает минимальные требования, необходимые для локального воспроизведения эксперимента, и может быть реализована на любом сопоставимом оборудовании.

Результаты

В рамках исследования была проведена первичная оценка работоспособности прототипа ИИ-агента, использующего архитектуру Retrieval-Augmented Generation и ограниченную базу знаний, сформированную исключительно на основе лекций курса. Проверка была направлена на анализ того, насколько корректно модель использует внешний контекст, способна ли она извлекать релевантные фрагменты из векторной базы и насколько полно отражает содержание лекций в ответах на учебные вопросы.

Для иллюстрации работы системы ниже приведен пример ответа, полученного при обращении к прототипу. На рисунке 2 демонстрируется, что модель формирует объяснение, опираясь на найденные фрагменты лекций. Ответ содержит фактические элементы текста преподавателя, что подтверждает корректность взаимодействия между модулем поиска и языковой моделью.

• Ответ модели:

Что такое точка безубыточности в бизнесе?

**Точка безубыточности** - это точка, при которой доходы компании равны ее расходам.

**Как понять, что точка безубыточности достигнута:**

* **Общий доход превышает расходы:** Когда доходы превышают расходы, компания остается в прибыли.

* **Общий доход равен расходам:** Когда доходы равны расходам, компания достигает точки безубыточности.

* **Продукция/услуга может быть продана:** Если компания продает свою продукцию или услугу, то она должна прибыль.

**3ачем нужно знать точку безубыточности?**

* **Определение целевых цен:** Точка безубыточности позволяет определить, сколько продукции или услуг нужно продать, чтобы покрытие затрат.

* ^Уменьшение рисков:** Если компания достигает точки безубыточности, она может иметь больше уверенности в будущем и в том, что она сможет заработать деньги.

* **Повышение эффективности:** Точка безубыточности показывает, где компания должна фокусироваться на снижение затрат и увеличение доходов.

* **0ценка финансовой устойчивости:** Точка безубыточности помогает оценить финансовую устойчивость компании.

**Как определить точку безубыточности:**

* **Лланирование затрат:** Перечислите все расходы, которые компания имеет.

* **Лланирование доходов:** Определите прогнозируемой доход, который компания может получить.

* **Рассчитайте точку безубыточности:** Добавьте все расходы к прогнозируемому доходу, чтобы получить точку безубыточности.

**Важно:**

* Точка безубыточности может меняться со временем, в зависимости от экономической ситуации и спроса на продукцию или услуги компании.

* Не стоит забывать о том, что точка безубыточности не является целью, а лишь инструментом для управления бизнесом.

Рис. 2. Прототип образовательного ассистента

Поскольку корпус данных на момент эксперимента включал только лекционный материал, была проведена серия тестовых запросов, направленных на оценку способности агента воспроизводить содержание курса. В тестовый набор вошли двенадцать вопросов, которые были сформированы на основе ключевых тем лекций и охватывали содержание всех разделов курса. Для каждого ответа проводилась ручная экспертная оценка, в рамках которой ответы классифицировались как полные, частичные, поверхностные или некорректные.

Анализ показал, что 16.7 % ответов (2 из 12) можно отнести к полным: модель корректно опиралась на содержание лекций и формировала логичное объяснение. Основную долю — 50 % (6 ответов) — составили частичные ответы, в которых тема распознавалась верно, но выводы были неполными или недостаточно развернутыми. Поверхностные ответы составили 25 % (3 случая), что связано с ограниченностью лекционного корпуса и отсутствием учебных пособий. Некорректный ответ был получен один раз (8.3 %), преимущественно в случаях, когда вопрос выходил за рамки содержания лекций.

Отдельно оценивалось влияние механизма поиска на качество ответа. Вопросы, обработанные без предоставления контекста, демонстрировали менее точные и более общие ответы, тогда как подключение RAG-модуля приводило к включению в объяснение конкретных фрагментов лекций. Такой результат согласуется с выводами Lewis, показывающих, что использование внешнего контекста существенно снижает вероятность ошибок генерации в узких предметных областях [3].

В целом прототип показал стабильную работу при ограниченной базе знаний. Модель успешно извлекает фрагменты, релевантные запросу, и использует их для формирования ответа, что подтверждает корректность реализации RAG-архитектуры. Ограничения в глубине и полноте ответов обусловлены отсутствием учебных пособий, методических указаний и практических материалов, которые будут включены в систему на следующем этапе исследования. Полученные результаты свидетельствуют о работоспособности прототипа и позволяют перейти к этапу расширения корпуса данных и последующей качественной оценке системы.

Обсуждение

Полученные результаты показывают, что прототип ИИ-агента способен формировать корректные и содержательные ответы даже при работе с ограниченным корпусом, состоящим исключительно из лекций. Подключение RAG-модуля существенно повысило точность: модель начала включать в ответы конкретные фрагменты лекций, тогда как без внешнего контекста ответы становились более общими. Этот эффект соответствует выводам исследований по Retrieval-Augmented Generation, где подчеркивается преимущество генерации, опирающейся на внешние данные.

Структура ответов (полные, частичные, поверхностные) отражает естественные ограничения компактных языковых моделей. При отсутствии достаточного объёма учебных материалов модель способна корректно определять тему, но не всегда формирует развернутое объяснение, поскольку лекционный корпус сам по себе не обеспечивает разнообразия формулировок и подробной структуры. Поверхностные ответы, зафиксированные в ходе тестирования, связаны именно с недостатком доступного контента, а не с неправильной работой архитектуры.

Единственный некорректный ответ был получен в случае, когда вопрос выходил за пределы лекционного материала. Такая ситуация типична для систем с узкой базой знаний: при отсутствии релевантных фрагментов поисковый модуль не может предоставить контекст, и модель возвращает обобщенный ответ, который может быть неточным.

Заключение

В целом эксперимент подтверждает, что использованная архитектура RAG корректно работает даже при минимальном наборе учебных данных. Качество ответов в первую очередь ограничено объемом и разнообразием корпуса. Это определяет направление дальнейшего развития системы: включение учебников, практических заданий, методических материалов и кейсов. Расширение базы позволит увеличить полноту ответов, снизить количество поверхностных формулировок и повысить устойчивость модели к вопросам, выходящим за рамки лекций.