@cryptovalerii
Время Валеры
Telegram channel @cryptovalerii: 31.2K subscribers, 14.3K views per post, score 74
74BAhead of 9 in 10 channels in its category
Category midrange 46–63This channel 74
- 31.2K
- Subscribers
- 14.3K
- Median views over 30 days
- 45.7%
- Views / subscribers over 30 days
- 7
- Posts over 30 days
Data as of October 1, 2026
Engineering notes on machine learning and agentic systems: design docs, system prompt compression, and practical work with LLM agents. The author shares experience building GraphQL agents, reviewing technical documentation, and is co-writing the book Agentic AI System Design with collaborators from an ML System Design course. As of 14 September: subscribers stand at 30.8K — well above the category median of 14K — while posts over 30 days number 6, less frequent than most channels in the category. ER sits at 53.6%, well above the category median of 24.0%. Recent topics include the open-source skill lossless-doc-compress for compressing documents without losing information, a breakdown of Shopify's approach to gisting, and an announcement of the Yandex Scale 2026 conference. The channel mixes technical breakdowns with personal stories, including an invite to a FuckUp Night event with Valery Babushkin and other speakers.
catalog description About the channel, by its author
Мне платят за то, что я говорю другим людям что им делать. Автор книги venheads.io linkedin.com/in/venheads
manning.com/…
https://www.manning.com/books/machine-learning-system-designOverview
Written automatically from the channel's data, updated 6 September 2026. The numbers in this text are as of that date; the fresh ones are in the tiles above.
Vremya Valery is a personal channel of an engineer writing about the practical side of AI systems: prompt compression for agents, an open-source skill called lossless-doc-compress, design-doc reviews, and work on a book titled 'Agentic AI System Design'. Alongside that are posts about conferences like Yandex Scale and a FuckUp Night with industry peers, plus occasional personal notes on running, supplements, or bespoke shoes. The voice is distinctly personal — a practitioner's log, not a curated news feed.
Over 30 days only 8 posts went out, well below the category median of 20 posts in the same window for Artificial Intelligence. Yet median views sit at 17,307 and ER at 56.1%, nearly double the category median of 28.0% — whoever reads this channel reads it closely. Across the 13-day observation window, subscribers grew by 76 while average views dropped by 1,593.
This fits readers who want deep, practitioner-level takes on LLM engineering and agent system design rather than a quick news digest. With 30,827 subscribers and a Place Score of 83, the channel stands out among the category's 71 listings, even though it posts far less often than most neighbors.
Common questions
- What is the @cryptovalerii channel about?
- It covers LLM agent engineering, prompt compression, design-doc reviews, and the author's work on a book about agentic AI systems. It also includes personal notes and conference mentions.
- Is advertising available on @cryptovalerii?
- The owner hasn't published a price list yet. You can reach out directly on Telegram.
- How many subscribers?
- Subscribers: 31.2K. Median views per post: 14.3K. Views per subscriber: 45.7%. Measured on October 1, 2026.
- How often are posts published?
- Posts in the last 30 days: 7 — that is a few times a week. Measured on October 1, 2026.
- Does this channel have a Telegram tick?
- No Telegram tick.
- Who runs this channel page in the catalog?
- Nobody yet. If this is your channel, claim the page: you will be able to reply to reviews and see its stats.
Is this your channel?
Claim it — accurate metrics, replies to reviews as the channel, and an owner badge on the page.
Verify ownershipTakes a minute: a post with a code, or the bot as an admin
Your page on tg.place
Know the owner?
Forward them this message — they can verify their rights and collect what has piled up: page statistics and replies to reviews.
31,24330,751
Oct 131,243+298 in a day
Hover the chart or swipe it — we show the day.
| What it is made of | |
|---|---|
| Engagement | 24.3 of 30 |
| Growth quality | 16.6 of 20 |
| Reactions and forwards | 13.2 of 15 |
| Consistency | 4.2 of 12 |
| Trust | 4.3 of 8 |
| Reviews | not enough datano reviews yet |
Score 74 — from 5 of 6 signals: the rest are not measured yet. Methodology
Latest posts
Posts are in Russian — that is what the channel publishes.
- AI-проекты с нуля: как выбрать нишу, собрать продукт и выйти на первую выручку Собрать AI-продукт сейчас можно за выходные. Сложнее добиться, чтобы им пользовались и за него платили: большинство таких проектов так и остаются демками. 8 октября на онлайн-панели разберём весь путь от идеи до первых денег. Обсудим: — как выбрать нишу, которую не съест следующий релиз OpenAI — на чём собирать продукт: готовые API, агенты или своя модель, и как не утонуть в стоимости токенов — где найти первых платящих клиентов без бюджета на маркетинг — по каким сигналам понять, что проект пора масштабировать или закрывать Спикеры: Андрей Резинкин — ангел-инвестор в 20+ стартапах Валерий Бабушкин — ex-VP of ML в Alibaba, руководил AI-командами до 600 человек в BP, Kaggle Grandmaster Игорь Зуев — в портфеле 30+ приложений на рынок ЕС и США, выручка $1.5 млн+ в год Артём Субботин — 20 лет опыта в hardware и создании глобальных трендов Николай Хлебинский — серийный IT-предприниматель, основатель Retail Rocket Александр Горный — ex-директор по стратегии Mail.Ru Group (VK), основатель клуба для предпринимателей ShareAI 📅 Когда: 8 октября, четверг, 19:00 мск 📍 Где: онлайн, Zoom 💰 Стоимость: бесплатно, нужна подписка на каналы всех спикеров ❓Q&A: да, приносите вопросы по своим проектам Доступ к трансляции и запись получат только зарегистрированные — забирайте место: 👉 Зарегистрироваться на конференцию
- Не перестаю радоваться и удивляться тому, что студенты всегда остаются студентами. Вот и в эту субботу они в очередной раз это доказали. Команда из пяти человек. Все очень серьёзные люди, умудрённые опытом, сединами и отягощенные грузом PhD: архитекторы, совладельцы бизнеса - вообщем серьезные дядьки. Должны были продемонстрировать и защитить первую половину дизайн-документа по агентной системе, которая призвана ревьюить дизайн-документы. Они начали переделывать под себя систему с предыдущего потока, потому что задача у них как у архитекторов достаточно интересная: какие вопросы нужно задать и какие ответы получить, чтобы снизить дисперсию оценки проекта. Это, очевидно, очень важно для любой компании, которая оценивает проекты, а затем их выполняет. Изначально они должны были защищаться за неделю до этого, но попросили отсрочку: все разъехались по командировкам. Люди, опять же, занятые. Договорились встретиться на защите в субботу. Суббота наступила, я заварил чай, думаю: Ну, наконец-то я буду не читать, а слушать. Начинаем занятие, вызываю команду: И тут лидер команды говорит: — А мы сегодня не готовы и документ не покажем Чем в очередной раз подтверждает: студенты всегда остаются студентами. Дисперсию они, очевидно, не снизили.
- В последнее время все дружно делают корпоративных AI-агентов и постепенно приходят к замечательной мысли: чтобы модель делала работу, ей надо дать доступ к работе. А не только поле, куда работяга будет заботливо копировать содержимое остальных корпоративных систем. OpenAI называют это переходом от assistance к execution. Microsoft развивает skills, коннекторы к корпоративным данным и взаимодействие агентов между собой. В общем, хочется, чтобы AI уже что-нибудь сделал, а не только рассказал, как это можно было бы сделать. Вполне понятное желание. Яндекс туда же: на Yandex Scale 2026 (обсуждали здесь) анонсировали Алису AI Про. Заявленный сценарий — сотрудник описывает задачу обычным языком, а дальше Алиса сама определяет шаги (делает стейт машину?), подбирает инструменты и работает с подключёнными корпоративными системами (mcp/a2a registry?). Для сложной задачи может собрать команду специализированных агентов, которые параллельно занимаются документами, поиском информации и прочими частями работы (конкурент моей книге по дизайну AI систем?) В целом задача непростая Модель, даже очень умная, сама по себе не знает, как устроена ваша компания. Где лежит актуальный договор, кто согласовывает закупку, откуда брать цифры для отчёта и почему файл «финал_финал_2» использовать нельзя (лекция про rag), а надо спросить у человека, который сейчас в отпуске. В обучающую выборку эти замечательные знания, скорее всего, не попали. Ей нужны документы, внутренние инструкции, CRM, почта, трекер, базы знаний и правила выполнения конкретных операций. Причём всё это надо не просто подключить, но и разобраться, что кому можно читать и менять. Просьба в системном промпте «пожалуйста, не показывай чужие данные» проверку прав доступа не заменяет. Дальше надо решить, какие действия агент выполняет сам, а где должен остановиться и спросить человека. У Алисы AI Про такие разрешения предусмотрены отдельно. Потому что между «подготовь письмо клиенту» и «отправь письмо клиенту» разница небольшая только в количестве букв. В общем, снова данные, интеграции, permissions и оркестрация. Обычный system design, который после появления LLM почему-то никуда не делся. Хорошая модель нужна, но работу по встраиванию в конкретную организацию за вас не отменяет. Для российского enterprise есть ещё вопрос, где всё это разворачивается и куда уходят данные. Если компания не готова отправлять их во внешнее облако, рассказ о том, какой у вас замечательный интеллект, обсуждение далеко не продвинет. Поэтому мои бывшие коллеги, Яндексоиды, предусмотрели варианты on-premises и гибридного развёртывания, выбор модели и собственные специализированные навыки. Конкретные условия и доступность возможностей имеет смысл обсуждать наравне с качеством самой модели как ещё одну часть ТТХ Поэтому следует смотреть на следующий показатель : сколько работы после внедрения перестал делать сотрудник. С учётом времени на подготовку контекста, проверку и исправление результата, конечно. Если он по-прежнему должен всё найти, скачать, скопировать, принести в чат, а потом разнести ответ обратно по системам, то агент у вас, возможно, и появился. Но коннектором в этой архитектуре всё ещё работает человек.
- Про важное поговорили, теперь можно про ML. Сейчас читаю ML System Design (который уже неприлично разросся: 5 месяцев и 10+ часов контента только по агентским системам, а всего 60+) в школе ML Inside (запись на текущий поток закрыта). Мой давний друг и коллега Витя Кантор попросил рассказать про другой его курс. Онлайн-специализация «Искусственный интеллект и анализ данных» Это реинкарнация старой специализации по ML на Coursera от МФТИ и Яндекса, теперь, небось, без второго Питона. В программе 7 модулей: Математика и Python, Classic ML, DL, AI-агенты, A/B, Production ML (MLOps) и введение в ML System Design. mlinside.ru/specializaciya Подойдёт тем, кто хочет перейти в ML из аналитики или разработки, подтянуть теорию перед собеседованиями или просто освежить базу и разобраться в новом, например, в агентах. Учиться можно в своём темпе, все модули открыты сразу (только последний ещё в разработке). Для студентов университетов особое предложение: покупать подписку не надо, доступ можно получить бесплатно. Бюджет или платная форма обучения, очно или дистанционно, бакалавриат, магистратура или даже аспирантура — заполняете анкету, подтверждаете, что вы студент, и получаете доступ:
forms.yandex.ru/…
https://forms.yandex.ru/u/69e893846d2d7372b90870d5 - С середины лета мегапростыня начала барахлить. Ну как барахлить — она просто говорила, что меня нет. Я спал, а она говорит: нет, сегодня ты на мне не спал. Сначала пару раз в неделю, потом 3–4, потом уже почти каждый день. Но продолжала но ночам холодить, а по утрам греть и жужжать Поначалу я подумал, что, возможно, уже достиг такого уровня познания, что по ночам ухожу в астрал. Но затем решил что реальность прозаичнее. Мельдонщик из зала тоже недавно заявил ряду людей: «Что-то я давно не видел Валерия». Сказал он это людям, которым я регулярно говорил, что хожу в зал. Неловко вышло. Потом оказалось, что он просто начал работать в другую смену, как, видимо, и мегапростыня. В итоге я написал в команду поддержки, что вот я был, а вот меня не стало. Они почесали репу и выслали мне новую мегапростыню бесплатно. Спасибо. А мельдонщик, кстати, снова вышел в утреннюю смену и попросил еще мельдония.
- На днях начал делать ревью А/Б-платформы от Три сигма, позавчера отправил им 9 уточняющих вопросов, и пока они отвечают, попросили прорекламировать их митап в Ташкенте. На что я говорю: так вы ответьте на вопросы, я в одном посте разбор проведу и заодно про митап расскажу. Говорят, не успевают, митап уже скоро. 1 октября у них митап в Ташкенте Data-Driven – от данных к действиям
- Мы давно про это знали: Design Docs Are All You Need: An AI-native Machine-Learning Performance Tool
- Прочитал отличную заметку Shopify про gisting — сжатие системного промпта в обучаемые токены. По сути, это компиляция промпта. У GraphQL-агента Sidekick системный промпт занимал около 6 000 токенов, которые постоянно приходилось обрабатывать снова и снова. Prefix caching решает проблему лишь частично. Модели не нужно повторно вычислять KV cache для промпта, но при генерации каждый новый токен всё равно работает со всем контекстом. Чем длиннее промпт, тем больше памяти и времени требуется на каждый шаг декодирования. Придумали логичную штуку применить: gisting Как работает gisting. Сначала Shopify выбрали коэффициент сжатия 4:1(это гиперпараметр) и создали 1 500 новых специальных токенов вместо 6 000 исходных. Эти токены не были выбраны из системного промпта и не являлись его текстовым summary. Это просто новые ID вроде
<GIST_1>,<GIST_2>и так далее. Дальше: * Все веса модели замораживаются. Обучаются только эмбединги новых gist-токенов. * Teacher-версия модели получает полный системный промпт, запрос пользователя и начало правильного ответа. На каждой позиции она выдаёт распределение вероятностей следующего токена. * Student-версия той же самой модели получает тот же запрос и ответ, но вместо 6 000 токенов системного промпта видит 1 500 gist-токенов; * Распределения teacher и student сравниваются через KL divergence. * Градиент меняет только эмбединги gist-токенов, пока student не начинает выдавать практически те же распределения ответов, что и teacher. * Изначально новые эмбединги можно было бы задать случайно. Но Shopify нашли более эффективную инициализацию: исходный промпт разделили на группы по четыре токена, а каждый gist-embedding инициализировали средним значением эмбедингов соответствующей четвёрки. Это снизило начальный loss в семь раз. При этом<GIST_1>не становится сокращённым обозначением первых четырёх токенов. Все 1 500 embeddings обучаются совместно и в итоге кодируют не текст промпта, а его влияние на поведение модели. Получаем сжатие поведения: модель учат реагировать на короткую последовательность обучаемых векторов так же, как на длинную текстовую инструкцию. В результате примерно 6 000 обычных токенов превратились в 1 500 обученных токенов. Модель ведёт себя так, будто прочитала полный промпт, хотя фактически получает его сжатое представление. После обучения никакой отдельной архитектуры не требуется. Эмбединги записываются в embedding matrix, токены регистрируются в tokenizer, а длинный промпт при запросе просто заменяется их последовательностью. Нет дополнительного encoder, специального attention mask или отдельного serving path. Результаты при нагрузке 350 запросов в минуту: — time to first token: с 438 до 354 мс, −19%; — полная задержка: с 6,8 до 4,2 секунды, −38%; — throughput: с 20,2 до 23,4 запроса в секунду, +16%; — требуемое количество GPU: −14%. Качество при этом не ухудшилось. Как они подбирали рецепт: Autoresearch-цикл сам менял гиперпараметры, запускал обучение и оценивал результат. Так нашли оптимальное сжатие 4:1. При дальнейшем уменьшении количества gist-токенов качество начинало падать. Для другой модели, промпта и предметной области граница будет другой. Предварительный расчёт teacher logits и токенизация сократили один обучающий прогон с 30 до 6 часов. Оказалось также, что усреднение функции потерь по токенам ответа приводило к галлюцинациям, а усреднение по batch сохраняло больше сигнала от длинных ответов. Хорошее напоминание, что даже в относительно простой оптимизации детали функции потерь могут полностью изменить поведение системы. Prompt engineering постепенно превращается в обычный ML engineering. Системный промпт можно рассматривать как исходный код, а gist-токены — как его скомпилированную версию. Здесь всё знакомо: датасет, distillation, loss, evaluation, нагрузочное тестирование, мониторинг качества и стоимости. #ArticleReview - На основе пятничного поста про промт: Сожми документ максимально, не потеряв никакой информации. Превратили этот подход в отдельный open-source skill — lossless-doc-compress. Скилл читает документ целиком и относит каждый фрагмент к одной из трёх категорий: KEEP — содержит информацию и остаётся без изменений; REMOVE — доказуемо избыточен и удаляется; FLAG — требует решения автора, поэтому остаётся в документе с пометкой. Он удаляет filler, пустой hedging, LLM-slop, дословные повторы и избыточные формулировки. Сохраняет факты, цифры, решения, оговорки, ограничения, названия систем, код и таблицы. Если есть сомнение — не удалять, дает отметку для автора Результат: три артефакта: Сжатый документ. Лог всех удалений и спорных мест. Scorecard: число слов до/после, процент сокращения и подтверждение сохранности содержания.
npx skills add ML-SystemDesign/MLSystemDesignКод и инструкция:Это пост был прогнан через скиллgithub.com/…
https://github.com/ML-SystemDesign/MLSystemDesign/tree/main/skills/lossless-doc-compress - ☁☁☁☁☁☁☁ 24 сентября Yandex Cloud проведёт флагманскую технологическую конференцию — Yandex Scale 2026. 🎨🎨🎨🎨🎨🎨🎨🎨🎨🎨 🎨🎨🎨🎨🎨🎨🎨🎨🎨🎨 🎨🎨🎨🎨🎨🎨🎨🎨🎨 В программе четыре продуктовых трека — AI, Data, Security и Hybrid Infrastructure & DevOps, — и отдельный углублённый технологический трек DeepTech, который пройдёт только онлайн. 🎨🎨🎨🎨🎨🎨🎨🎨🎨🎨 🎨🎨🎨🎨🎨🎨🎨🎨🎨🎨 🎨🎨🎨🎨🎨🎨🎨🎨🎨 В треке DeepTech откроем программу докладом о том, как мы ускорили Lua в Valkey — добавили LuaJIT и Lua 5.5 без патчей интерпретатора и получили прирост скорости до 2–5 раз. Расскажем, как строим экономически эффективный инференс LLM для агентских сценариев в Yandex AI Studio — на примере DeepSeek-V3.2 и DeepSeek-V4-Flash. Разберём, что разваливается в поиске, когда он должен быть одновременно распределённым, транзакционным и линейно масштабируемым — на примере векторного, полнотекстового и гибридного поиска в YDB. Покажем, какая инфраструктура превращает недетерминированную модель в управляемый и наблюдаемый сервис, когда агент выходит из демо в продакшн. Расскажем, как мы первыми в РФ научились мониторить ИИ-агентов внутри «чёрного ящика» LLM. И заглянем под капот сети облака — Interconnect, Private Link, Inbound DNS и DNS Firewall, которые складываются в герметичный контур между Yandex Cloud, on-premises и другими облаками. 🎨🎨🎨🎨🎨🎨🎨🎨🎨🎨 🎨🎨🎨🎨🎨🎨🎨🎨🎨🎨 Плюс демозоны, питчинг решений, IT-квест и мерч для тех, кто в Москве. А кто смотрит онлайн, помимо трека DeepTech, есть ещё отдельная онлайн-студия: розыгрыш призов и секретный гость. Полную программу можно посмотреть на сайте, там же — зарегистрироваться. Участие бесплатное
The channel in numbers
- Created
- December 7, 2021
- Photos
- 233
- Videos
- 9
- Files
- 1
- Links
- 472
Telegram data as of October 1, 2026
Rankings and collections
- AI: what to readcollection
Reviews
Leave a review
No reviews yet. Yours would be the first.
