Решил тут пару недель назад попробовать нарезать моделями рилсов с подкастов где я был. И да, мое почтение! Модели очень неплохо справляются с программной нарезкой всего этого. 

Распознают голос, выделяют ценное, монтируют. Конечно я два часа поработал над стилистикой и примерно по 10-15 итераций над каждым рилсом

Но, оно работает!

Первую порцию выложил к себе на ютуб: https://www.youtube.com/@tired_glebmikheev/shorts.

Разберём доклад Будущее MCP — Дэвид Сориа Парра, Anthropic.

Дэвид — со-автор Model Context Protocol и знатный матершинник (а все уже знают, что использование мата при общении с ИИ экономит токены). Кому как не ему рассказывать, какое у протокола будущее.

Для себя я утащил на изучение два инструмента, которые можно использовать уже сейчас. Оба направлены на борьбу с раздуванием контекстного окна.

Progressive discovery

Подход работает за счёт tool discovery и даёт модели возможность не подгружать сразу все инструменты в контекстное окно, а вынести этот этап на обработку простым regexp (совпадение по словам). За счёт этого снижается расход токенов и уменьшается шум в работе модели. Модель в процессе работы может обратиться к tool search и найти подходящий инструмент в своей библиотеке.

Это упростит работу с агентами для обычных пользователей и ещё раз понизит порог входа в агентскую разработку. Ведь многие привыкли подключать все MCP-серверы подряд, а потом внезапно жаловаться, что быстро улетают лимиты на подписке и модель тупит.

Programmatic tool calling

Второй инструмент решает проблему, когда модели приходится постоянно участвовать в цепочке вызовов MCP: вызвать тул → взять результат → вызвать следующий → взять результат → вызвать третий. И так по кругу. Решение простое — разрешить модели писать скрипты, которые сами вызывают MCP.

Помимо экономии на постоянном пересмотре, это позволяет сэкономить ресурс на парсинге ненужной информации из ответа MCP. Модель через Structured Output понимает, какие поля ей нужны, и отсекает скриптом всё лишнее. Отдельным плюсом — возможность комбинировать MCP с обычными CLI-утилитами и вообще любыми доступными питону инструментами.

Но хватит о настоящем, что же там в будущем?

SDK v2. TypeScript SDK и Python SDK получат вторую версию — с учётом всех уроков прошедшего года.

Cross-app access. История для энтерпрайза. Один раз логинитесь в корпоративный IDP — Google, Okta, неважно — и дальше пользуетесь MCP-серверами без повторных логинов, прокидываний токенов и настроек.

Server discovery. Автоматическое обнаружение серверов по well-known URL. Краулеры, браузеры, агенты заходят на сайт и спрашивают: «кроме HTML-страницы, у вас тут MCP-сервер не стоит?» — и сразу его подхватывают. Обещают в июне, вместе со следующей версией спецификации.

Skills over MCP. Вместе с подключением MCP будет поставляться инструкция — как правильно использовать весь этот зоопарк. Для меня основная ценность — в бизнес-агентах, а не в кодинговых. Они заточены под конкретные задачи, и логично сразу поставлять инструкцию и бизнес-сценарии, в которых используется MCP-сервер.

Все эти изменения про одно: больше автономности, меньше затрат. Именно это позволит протоколу захватить не только агентскую разработку, но и сектор реального бизнеса. Уверен, в 26–27 годах публичных MCP станет сильно больше. ВкусВилл уже сделал свой.

#владсноваутащил

Программирование нейросетей без обучения

Исследователи из MIT дали GPT-6 Astra задачу исправить маленькую Qwen, которая постоянно зацикливалась в рассуждениях.

Astra исследовала её поведение, и за 50 итеративных подходов к снаряду нашла проблемные участки в весах и напрямую их отредактировала. Не через fine-tuning, не через градиентный спуск, а буквально переписав числовые параметры как есть

Изменилось всего 0,016% весов, а результат на MATH-500 вырос с 7,9% до 48,1%

Еще раз, модель не приобрела новые свойства, у нее были исправлены ошибки, которые вызывали зацикливания, не давая сделать задачу до конца

https://rikiyat.github.io/blog/weight-space-programming/