13 May 2026, 07:02 UTC529 views20 reactionsread 7 August 2026 На этом моя неделя заканчивается
Пытался показать агентскую разработку не со стороны хайпа, а со стороны реальных приколов:
— tool оказался backend-friendly, а не LLM-friendly
— ReAct-промпт превратился в монолит
— модели не дали места, где можно безопасно подумать
— часть ошибок оказалось проще чинить кодом, а не промптом
Главная мысль недели:
Если вы не можете дообучить модель, вас ждёт захватывающий и удивительн…
❤12🔥5👍2💯1
Signed Egor
12 May 2026, 20:19 UTC528 views22 reactionsread 7 August 2026 Tool call — это просто текст. Его можно модифицировать
Когда LLM вызывает инструмент, это не какой-то магический вызов функции напрямую. Сначала модель генерирует структуру в JSON, примерно такую:
{
"name": "search_cruises",
"args": {
"departure_cities": ["москва"],
"departure_date_from": "2026-08-10",
"arrival_date_to": "2026-08-30"
},
"type": "tool_call"
}
А уже потом наш код берет name, бере…
❤14🤝5👍2🔥1
Signed Egor
10 May 2026, 11:24 UTC509 views23 reactionsread 7 August 2026 Пока писал пост про перегрузку LLM-промпта, понял, что упустил важное ограничение: ответ агента сразу стримился пользователю. Нельзя, чтобы промежуточные размышления модели не должны были быть видны пользователю, поэтому reasoning вслух я фактически запретил.
Получился странный сетап: модель должна следовать сложной логике промпта, но не может размышлять.
Ей нужно сразу понять задачу, выбрать нужные инструменты, уд…
❤13👍6🤩3👏1
Signed Egor
9 May 2026, 19:58 UTC544 views18 reactionsread 7 August 2026 ReAct-промпт стал монолитом
Это был узел в агенте, который искал круизы и вел пользователя по процессу бронирования. Тот самый, который упоминался в посте выше.
В этом агентском цикле модель должна была делать tool calls по инструкциям, а затем отвечать пользователю.
Пока бронирований не было, всё работало нормально: агент искал круизы, уточнял параметры и показывал варианты. Алгоритм был достаточно простым.
Пото…
🔥8❤6🐳4
Signed Egor
7 May 2026, 20:14 UTC552 views37 reactionsread 7 August 2026 Агенту нельзя просто дать backend API и ждать магии
Делали простой сценарий:
— есть LLM-агент
— есть API сервиса поиска круизов
— есть клиент, который пишет: “хочу круиз из Казани в июле на 5 дней”
Задача агента — вызвать поиск и вернуть подходящие варианты.
Казалось бы, всё просто: берем метод API, заворачиваем в MCP tool, описываем параметры и даем агенту.
Формально работает. Но на практике быстро выяснилось, ч…
👍19❤9🤩5🤷♂4
Signed Egor
6 May 2026, 19:25 UTC647 views35 reactionsread 7 August 2026 Всем привет! Меня зовут Егор, на этой неделе канал веду я
Я эдакий фулстак мл - начинал с CV в медицине, а потом в банке, а затем делал агентов и обучал VLM (и даже чуть-чуть рексис). Веду канал @yet_another_mle
Я, как и многие, тоже подвержен LLM-ой лихорадке, поэтому на этой неделе хочу поразбирать случаи из практики разработки агентов. Должно быть интересно!
👍22🔥10❤3
Signed Egor
6 May 2026, 06:31 UTC644 views37 reactionsread 7 August 2026 Неделя авторства тут пересеклась с организацией хакатона, поэтому не успел написать побольше постов. Надеюсь, было интересно!
Напоследок поделюсь тем, каково делать PhD в Германии (точнее в Мюнхене, так как Германия довольно разная). Офигенно. Если послушать людей или почитать чаты, многие жалуются на переработки – это, конечно, не 40 часов в неделю – и низкие зарплаты. Если сравнивать с индустрией, то это так, но н…
🔥23❤12🤩2
Signed Vladimir Shitov
4 May 2026, 15:59 UTC684 views21 reactionsread 7 August 2026 Video
Другое важное направление – диагностика болезней и стратификация пациентов. На языке машинного обучения это классификация и кластеризация. Вам дают какие-нибудь данные и нужно понять, что за болезнь у человека или есть ли там какие-то интересные кластеры, которые врачи не видят. Например, не все пациенты реагируют на лечение. Что-то в них отличается, но что? Есть надежда, что это поможет понять машинное обучение
Осо…
🔥12❤5👍4
Signed Vladimir Shitov
3 May 2026, 14:59 UTC720 views28 reactionsread 7 August 2026 Photo
Примерно каждый первый стартап по машинному обучению в медицине занимается разработкой лекарств. Что это означает?
В идеальном мире – вы запихиваете в алгоритм данные пациента (например, медицинскую карту, результаты анализов или снимок из микроскопа), а он говорит вам какое лекарство нужно применить, чтобы пациент выздоровел. А если такого лекарства ещё не придумали, генерирует химическую формулу новой молекулы. Он…
🔥12😍9❤6👍1
Signed Vladimir Shitov
1 May 2026, 07:35 UTC≈1,100 views36 reactionsread 7 August 2026 Photo
Как вообще применяется машинное обучение в биологии? Со стороны инструментов – примерно так же, как везде. Если вы анализируете картинки, применяемые инструменты те же самые, что и в других областях. Например, визуальный трансформер DINO, который мета презентует на картинках собак и сендвичей, также успешно применяется для сегментации опухолей. А если вы работаете с естественным языком, никто не помешает натравить тр…
❤16🔥12👍5😁3
Signed Vladimir Shitov
30 Apr 2026, 08:41 UTC787 views14 reactionsread 7 August 2026 Начну со своего любимого примера приложения ML к биологии. Если вы когда-нибудь смотрели в микроскоп на биологические препараты, то знаете, что без окраски там сложно что-то увидеть. Понятно, что какие-то структуры есть, но чтобы из различить, человеческому глазу нужна окраска препаратов. А вот компьютерам, оказывается, не нужна! И это хорошие новости для разработки лекарств
🔥11❤2👍1
Signed Vladimir Shitov
30 Apr 2026, 08:41 UTC783 views22 reactionsread 7 August 2026 Forwarded from @chelovek_naukPhoto
Идеальный пример приложения машинного обучения к биологии. Компания Recursion разрабатывает лекарства, тестируя огромное количество химических веществ на клеточных линиях и наблюдая как клетки меняют вид под воздействием разных молекул. Раньше учёные полагались на окрашивание клеток – безумно красивый биологический метод, позволяющий по-разному окрасить органеллы: ядро, элементы клеточного скелета и другие. Однако с …
❤13🔥8👍1
Signed Vladimir Shitov
Showing the 12 most recent of 20 posts we hold for @deepschool_underthehood. View and reaction counts are the latest single reading for each post, not a live figure, and a recent post is still accumulating both. A view count marked ≈ was rounded by Telegram before we ever saw it — t.me prints views in full below 1,000 and to three significant figures above, so ≈1,200,000 means somewhere between 1,150,000 and 1,249,999. Unmarked counts are exact. Text is reproduced from the public post preview and truncated for length.
