Каскадное планирование тренировок с LLM: решение проблемы контекста в 1trAIner

Что представлено в статье

Авторы статьи на Habr AI рассматривают проблему, с которой сталкиваются многие пользователи больших языковых моделей (LLM) при построении тренировочных программ: модель умеет формировать расписание, описывать интенсивность и объяснять упражнения, но не хранит актуальный контекст спортсмена и не гарантирует преемственность между долгосрочными целями сезона и отдельными тренировками.

Решение от 1trAIner

В рамках проекта 1trAIner предложен подход «каскадное планирование»:

1. Каскад горизонтов – план разбивается на несколько уровней (сезон, макро‑цикл, микро‑цикл). Каждый уровень получает собственный контекст, который передаётся в более детальные уровни.
2. Явный контекст – вместо скрытого состояния модели вводятся структурированные данные о текущем состоянии спортсмена (текущие показатели, усталость, травмы, цель недели).
3. Ограничения поверх генерации – после получения текста от LLM применяется пост‑процессинг: проверка соответствия ограничениям (например, не превышать 80 % от максимального объёма нагрузки) и корректировка при необходимости.

Ключевые факты

• Подход позволяет поддерживать преемственность между целями сезона и отдельными тренировками без необходимости переобучать модель.
• В тестах на наборе данных из 500 тренировочных программ наблюдалось сокращение ошибок контекстной несогласованности на 37 %.
• Система интегрирована в API, совместимое с OpenAI, Anthropic и другими LLM, что упрощает внедрение в существующие фитнес‑приложения.

Ссылка на оригинал

Каскадное планирование тренировок с LLM: как удержать план в рамках методики