В статье представлен новый фреймворк LPT (Little Protein Tiger), который использует большие языковые модели (LLM) для автоматизированного de novo дизайна белковых биндеров на основе одного текстового запроса. В отличие от стандартных подходов, LPT применяет фиксированную оркестрацию этапов LLM с ограниченными агентными циклами, что позволяет минимизировать потребление токенов и вычислительных ресурсов. Для обеспечения специализированных знаний система интегрирована с курируемой базой данных, содержащей около 14 000 научных статей, обработанных в виде ключевых выводов. Эксперименты показали, что LLM с доступом к этой базе правильно ответила на 41 из 48 тестовых вопросов, в то время как модель без доступа дала нулевой результат. В ходе трех автономных кампаний по дизайну система успешно идентифицировала намерения, выбрала мишени (CALCRL/RAMP1, PD-1/PD-L1, PVR-TIGIT) и спроектировала кандидаты в биндеры. Кросс-валидация с использованием нескольких моделей фолдинга подтвердила высокую успешность in silico предсказаний при низких затратах вычислений. Этот подход демонстрирует эффективное применение ИИ для решения сложных задач структурной биологии и разработки терапевтических белков.