58174
Всё самое интересное из мира Python Связь: @devmangx РКН: https://clck.ru/3GMMF6
Все задания курса Stanford The Modern Software Developer теперь доступны онлайн.
Это первый полноценный университетский курс, который охватывает, как кодогенеративные LLM меняют каждый этап жизненного цикла разработки. Задания рассчитаны на то, чтобы провести тебя от новичка до уверенного специалиста в использовании ИИ для прокачки продуктивности в разработке.
Приятного изучения! ✌️
👉 @PythonPortal
Несколько часов назад представили: vmux
это утилита, которая запускает код в долго живущем контейнере на Cloudflare.
vmux run упаковывает и поднимает проект в контейнере и за пару секунд выдаёт превью-URL.
По сути, это замена для uv run: можно закрыть ноутбук, запустить тренировку/джобу, а потом вернуться и приконнектиться снова через tmux.
Вперёд, тестить!
Примеры 😕
👉 @PythonPortal
Это прям момент DeepSeek для голосового ИИ.
Chatterbox Turbo — голосовая модель с MIT-лицензией, которая обходит ElevenLabs Turbo и Cartesia Sonic 3.
- <150 мс до первого звука
- Клонирование голоса с 5 секунд аудио
- Паралингвистические теги для живой, человеческой подачи
И всё это полностью open-source.
👉 @PythonPortal
API — это узкое горлышко, а не решение.
ИИ-агенты не видят 95% веба, потому что у большинства сайтов просто нет API.
Порталы поставщиков, системы записи, региональные джобборды — у них нет dev-API.
Полезные данные спрятаны за логином, многошаговыми формами и интерфейсами, сделанными под людей, а не под машины.
Поэтому уже лет 25 всё упирается в одно и то же:
- Поисковики индексируют процентов пять интернета (ничего за аутентификацией)
- Ручной ввод данных или хрупкие скрейперы, которые падают от любого правки CSS
Эту проблему и закрывает Mino от TinyFish.
Это веб-автоматизация с API, которая может одновременно обходить сотни сайтов и превращать их в структурированные данные.
Ты отправляешь список URL и цель обычным текстом. На выходе получаешь JSON.
Подход отличается от типичных ИИ-агентов:
Большинство браузерных агентов используют vision-модели: делают скрин, думают что кликнуть, снова скрин — и так по циклу.
Каждое действие — отдельный вызов модели. Медленно и дорого.
Mino один раз учит структуру сайта, а потом исполняет всё детерминированным кодом. Первый прогон разбирает страницу. Все последующие — работают как точный код за миллисекунды.
Три базовые возможности:
→ Navigate — логины, формы, многошаговые сценарии
→ Extract — вытащить структурированный JSON из любой вёрстки
→ Execute — параллельный запуск 100+ сайтов в стелс-режиме
Производительность на уровне продакшена:
85–95% успеха на сложных сценария
10–30 секунд на задачу
Копейки за запуск
Работает за аутентификацией, обходит антибот-защиту и всегда возвращает чистый JSON.
Плюс можно подключить его MCP-сервер к клиентам вроде Claude Desktop. В видео есть разбор.
Пробуем 😎
👉 @PythonPortal
Роботы стали настолько точными, что могут проводить операции на яйце, не разбивая его. 😆
👉 @PythonPortal
Практичное руководство по структуре реальных проектов
👉 @PythonPortal
😂 VSCode переименовали в «опенсорсный AI-редактор кода» The open source AI code editor
Сейчас у VSCode реально полно нативных AI-фич: автодополнение, предложения правок кода, подтверждение изменений с помощью модели и прочие штуки прямо из коробки.
👉 @PythonPortal
Использовать mocap-костюм, чтобы робот пнул тебя по яйцам, звучит как идеальная метафора для финала 2025.
👉 @PythonPortal
Генерируй сортируемые ID экспериментов с UUID v7 из Python 3.14
UUID4 выдаёт чисто рандомные идентификаторы без хронологического порядка.
Без встроенного таймстемпа тебе приходится заводить отдельное поле с временем и городить свою сортировку по времени создания записей.
В Python 3.14 появился UUID версии 7 со встроенной упорядоченностью по времени.
Ключевые моменты:
• Порядок создания можно определить просто сравнивая два UUID напрямую
• Точное время создания можно вытащить из встроенного в UUID таймстемпа
import uuid
from datetime import datetime
# UUID v7 вшивает таймстемп для сортируемых ID
id1 = uuid.uuid7()
id2 = uuid.uuid7()
# Получить UUID
print(id1)
# '019a0da1-c3be-744e-9062-9cfa43dbfe41'
# Извлечь таймстемп в миллисекундах
print(id1.time)
# '1761165168875'
# Автоматическая сортировка по времени создания
id1 < id2
# True
Дрон, который стартует прыжком, как птица 🐦⬛️
Исследователи из EPFL собрали RAVEN: дрон по мотивам птиц, который умеет ходить, подпрыгивать и прыгать в момент взлета без полосы, катапульты и без помощи человека.
Вместо того чтобы считать ноги балластом, команда спроектировала легкие птичьи ноги, которые реально участвуют и в передвижении, и во взлете.
Дрон использует пружинно-моторные ноги, вдохновленные воронами, за счет чего он может проходить по неровной местности, запрыгивать на возвышения и эффективно “выстреливать” себя в воздух.
Энергия накапливается и высвобождается за счет гибких пальцев и пружин, работающих как сухожилия, на ногах. При размахе крыльев 1 метр дрон может пройти метр за четыре секунды, прыгнуть на 26 см и перепрыгивать щели шириной 12 см.
По сравнению со статическим запуском, взлет с использованием ног подбрасывает его почти на 50 см при скорости вперед 2,2 м/с, и это дает примерно в 10 раз лучшую энергоэффективность.
👉 @PythonPortal
Создавай Python-пакеты за пару секунд с uv init --package
Python-пакеты позволяют вынести код в переиспользуемые модули и шарить их между проектами.
Обычно это возня с setuptools, настройка билд-системы и разбор всей этой кухни с дистрибуцией.
UV, быстрый установщик и резолвер зависимостей для Python, упрощает всё до двух команд:
• uv init --package сразу поднимает структуру пакета
• uv build и uv publish собирают и отправляют пакет на PyPI
Полная статья: https://bit.ly/3Jyqtok
👉 @PythonPortal
FastPython
Это официальный репозиторий FastPython на GitHub. FastPython — проект про повышение производительности Python за счет практичных, drop-in паттернов и техник оптимизации. Локальные переменные, меньше обращений к атрибутам, микротюнинг горячих функций
Обещает ускорить код без переписывания всего приложения 😋
👉 @PythonPortal
❗ Пора отвлечься от хотфиксов на приятные хлопоты ❗
Время забирать подарки — годовые подписки на Облако Mail и VK Музыку.
Чтобы посоревноваться за подарки:
🔹 подпишитесь на наш канал @backendhubvk
🔹 нажмите кнопку «Участвовать»
🔹 почитайте по ссылке информацию об организаторе, правилах и призах
🔹 дождитесь 30 декабря — в этом посте мы выберем случайным образом 6 победителей
Этот репозиторий ужимает 60 миллионов текстовых чанков со 201 ГБ до каких-то 6 ГБ без потери точности.
Это реально меняет правила игры.
* 201 ГБ превращаются в 6 ГБ (минус 97%)
* Без облака
* Без GPU, работает прямо на обычном ноуте
* Полная приватность
* Полностью open-source
LEANN это open-source векторная база, которая сжимает RAG-индексы примерно на 97% за счет графовой рекомпозиции и вычисления эмбеддингов по запросу.
👉 @PythonPortal
Гарвард выложил в открытый доступ свой учебник по ML-системам. Штука максимально прикладная: не только про то, как тренировать модели, а как собирать продакшн-системы вокруг них — то, что реально решает.
Темы там прям топ:
> сборка autograd, оптимизаторов, attention и мини-PyTorch с нуля, чтобы понять, как фреймворк устроен изнутри. (это вообще кайф)
> базовые вещи по DL: батчи, точность вычислений, архитектуры моделей и тренировка
> оптимизация производительности ML, ускорение на железе, бенчмаркинг, эффективность
То есть это не просто вводный курс по ML, а полный цикл от старта до боевого применения. Уже сейчас можно читать книгу и смотреть код бесплатно. На 2025 год это один из самых сильных учебников, что выходили, так что лучше не пропускать.
Репозиторий тут, ссылка на книгу внутри 👏
👉 @PythonPortal
Анализируй свой инвестиционный портфель в пару строк на Python 👍
Если ты когда-нибудь пытался разобрать портфель как пет-проект, то знаешь, насколько муторно склеивать всё из разных Python-библиотек.
ffn закрывает весь пайплайн анализа портфеля в одном пакете с API, похожим на Pandas.
Основные фичи:
• Подтягивает котировки прямо из Yahoo Finance
• Считает доходность и метрики риска автоматически
• Помогает подобрать оптимальное распределение активов
• Строит графики сравнения и корреляций по производительности
Вот репозиторий
Пример запуска
👉 @PythonPortal
Новая Python-библиотека для алгоритмического трейдинга.
Представляют TensorTrade — опенсорсный Python-фреймворк для трейдинга на базе обучения с подкреплением (RL / AI).
По словам Quant Science :
TensorTrade — это фреймворк для сборки, обучения, оценки и деплоя торговых стратегий на RL, использующий стек:
- numpy
- pandas
- gym
- keras
- tensorflow
Пример: обучение и оценка стратегии с Reinforcement Learning
Шаг 1: формируем датасеты для тренировки и валидации
Готовим два CSV, один под обучение, второй под тест.
import yfinance
import pandas_ta #noqa
TICKER = 'ITRD' # TODO: подставь свой тикер
TRAIN_START_DATE = '2021-02-09' # TODO: замени на свою дату начала обучения
TRAIN_END_DATE = '2021-09-30' # TODO: замени на свою дату конца обучения
EVAL_START_DATE = '2021-10-01' # TODO: замени на свою дату начала валидации
EVAL_END_DATE = '2021-11-12' # TODO: замени на свою дату конца валидации
yf_ticker = yfinance.Ticker(ticker=TICKER)
# Загружаем данные для обучения
df_training = yf_ticker.history(start=TRAIN_START_DATE, end=TRAIN_END_DATE, interval='60m')
df_training.drop(['Dividends', 'Stock Splits'], axis=1, inplace=True)
df_training["Volume"] = df_training["Volume"].astype(int)
# Технические индикаторы
df_training.ta.log_return(append=True, length=16)
df_training.ta.rsi(append=True, length=14)
df_training.ta.macd(append=True, fast=12, slow=26)
df_training.to_csv('training.csv', index=False)
# Загружаем данные для оценки
df_evaluation = yf_ticker.history(start=EVAL_START_DATE, end=EVAL_END_DATE, interval='60m')
df_evaluation.drop(['Dividends', 'Stock Splits'], axis=1, inplace=True)
df_evaluation["Volume"] = df_evaluation["Volume"].astype(int)
# Те же индикаторы для оценки
df_evaluation.ta.log_return(append=True, length=16)
df_evaluation.ta.rsi(append=True, length=14)
df_evaluation.ta.macd(append=True, fast=12, slow=26)
df_evaluation.to_csv('evaluation.csv', index=False)
5 реальных проектов на Python
1. Трекер расходов (приложение для личных финансов)
Что делает:
Отслеживает доходы, траты, категории, месячную статистику.
Практический кейс:
Люди используют такое, чтобы контролировать бюджет, как в Walnut или Money Manager.
Что прокачаешь:
• работа с файлами / SQLite
• структуры данных
• базовая аналитика
• простой UI или CLI
2. Веб-скрэпер для отслеживания цен
Что делает:
Собирает цены с Amazon/Flipkart и присылает уведомления при снижении.
Практический кейс:
Используется в сервисах сравнения цен.
Что прокачаешь:
• веб-скрейпинг (BeautifulSoup / Selenium)
• HTTP-запросы
• автоматизация
• планировщики задач
3. Бот для автоматизации рутины
Что делает:
Автоматизирует повторяющиеся задачи: почта, отчёты, переименовывание файлов.
Практический кейс:
Офисная автоматизация, фриланс, помощь в рабочих процессах.
Что прокачаешь:
• планирование/расписание задач
• автоматизация почты
• скриптовая логика
4. Анализатор цен акций
Что делает:
Следит за котировками, считает прибыль/убыток, строит графики.
Практический кейс:
Используют трейдеры, аналитики, финтех-приложения.
Что прокачаешь:
• API
• анализ данных (pandas)
• графики (matplotlib)
5. Система логина и аутентификации
Что делает:
Обрабатывает регистрацию и вход пользователей с безопасным хранением данных.
Практический кейс:
Нужно в любом веб-приложении.
Что прокачаешь:
• хеширование паролей
• поток аутентификации
• работа с базой и отношениями таблиц
👉 @PythonPortal
Кое-что интересненькое: проект отслеживает позы людей сквозь стены, используя Wi-Fi сигналы для реконструкции положения тела.
100% открытый исходный код 🕺
👉 @PythonPortal
Требования к начальным должностям в наши дни😂
👉 @PythonPortal
Давай соберем динамическую память для AI-агентов на графах знаний и RAG всего в 6 строк кода, шаг за шагом (100% локально).
Когда ты шлёшь в агента большие объёмы данных, это часто приводит к раздутию контекста и галлюцинациям.
Чтобы агенты были надежными, нужен способ связать данные между собой и зафиксировать базовые «ground truth», которые повышают точность в многошаговых диалогах.
Именно это и делает Cognee.
Он помогает строить динамическую память для AI-агентов, заменяя RAG на масштабируемые модульные ECL-пайплайны (Extract, Cognify, Load).
Давай пройдемся по настройке по шагам:
Шаг 1: Data ingestion
В этом примере мы просто прокинем строку текста в Cognee и превратим её в память для ИИ.
Но ты не ограничен только текстом: можно кормить документы, файлы или любые другие источники данных, чтобы собрать knowledge graph.
Дальше можно дергать search() и ходить в него с обычными текстовыми запросами.
Шаг 2: Memify
Теперь добавляем функции памяти. Они работают поверх семантического слоя (knowledge graph), связывают точки и улучшают поиск.
Memify полностью кастомизируется и может использовать любые преобразования, которые ты напишешь.
Шаг 3: Наконец, добавляем Feedback Loops
Cognee поддерживает непрерывное улучшение за счёт механизма обратной связи: он фиксирует, насколько полезны и релевантны результаты поиска по реальным сообщениям пользователей.
Со временем получается обучающаяся система, которая адаптируется под твои задачи и предпочтения.
Cognee сделан под память агентов. Он превращает документы, чаты и файлы в knowledge graph, по которому любая LLM может рассуждать.
Можно запускать локально, в том числе через интерактивные ноутбуки.
Он на 100% опенсорс. 😱
👉 @PythonPortal
Я люблю таких вайб-кодеров
спасибо за все халявные API-ключи
чел получил четыре предупреждения «не пушить в паблик»
и все равно выкатил туда 💀😂
👉 @PythonPortal
Ты должен увидеть мои мегапиксели 😅
👉 @PythonPortal
С 35-летием, WorldWideWeb, первый браузер!
25 декабря 1990 года в CERN британский физик и интернет-первопроходец Тим Бернерс-Ли сделал первый в мире веб-браузер под названием WorldWideWeb.
Потыкать эмулятор браузер 👌
👉 @PythonPortal
Преобразуй сложные регэкспы в нормальный читаемый Python-код с Pregex
Шаблоны вроде [a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,} выглядят пугающе и плохо читаются. Команде без опыта в регулярках сложно понять и править такие валидации.
Pregex разворачивает regex в понятный питоновский код из описательных компонентов.
Что получаем:
• Код сам объясняет намерение, даже без комментариев
• Можно править без знаний регэкспов
• Компонуешь паттерны для сложной валидации
• При необходимости обратно экспортируешь в обычный regex
Инструмент open source. Установка: pip install pregex
Полная статья: https://bit.ly/3IWAE5O
Запустите этот код: https://bit.ly/4hdQjKM
👉 @PythonPortal
Что вы будете делать в этой ситуации?
👉 @PythonPortal