1946
Сборник Python новостей: https://pythondigest.ru Наш симулятор IT инцидентов: https://incidenta.tech
Гит в Телеграм?
https://habr.com/ru/articles/1008202/
На своем тг-канале я предлагаю подписчикам выбор, какую бредовую идею запилить следующей. На этот раз подписчики выбрали новый челлендж: сделать Git в Telegram. Чтобы можно было через бота инитить проекты, пушить файлы, коммитить — и всё это в публичном канале с тредами.С практической точки зрения этот проект нахуй не нужен. Есть гитхаб, есть гитлаб, есть куча нормальных инструментов. Но как эксперимент — почему бы и нет?
Автобусы в Петербурге или GTFS по-русски: успеть за 15 минут
https://habr.com/ru/articles/1008224/
Сегодня, когда в очередной раз я вижу 0 сообщений в телеграм канале, который должен предупреждать о приближающихся автобусах, будет достаточно символично написать эту статью. Дело началось в тот момент, когда..
Наблюдаемость LLM-агентов: Часть 1. Трассировка LangGraph и версионирование промптов с LangFuse
https://habr.com/ru/articles/1008300/
Отладка LangGraph-агента - это отдельная боль: когда граф начинает жить своей жизнью, а LLM уходит в бесконечные циклы, понять, что случилось, становится сложно. В этой статье я покажу, как связать LangGraph с LangFuse для трассировки и покажу как управлять промптами как кодом (версионирование и миграция).
tornado - 6.5.5
https://pypi.org/project/tornado/6.5.5/
Масштабируемый, не блокирующий web-сервер. Скачать можно по ссылке: https://pypi.python.org/pypi/tornado/
virtualenv - 21.2.0
https://pypi.org/project/virtualenv/21.2.0/
Инструмент создания виртуального рабочего окружения. Скачать можно по ссылке: https://pypi.python.org/pypi/virtualenv
numpy - 2.4.3
https://pypi.org/project/numpy/2.4.3/
Модуль для работы с многомерными массивами. Скачать можно по ссылке: https://pypi.python.org/pypi/numpy/
3d в MonoGame, python в c# или всё таки KNI в браузере? трёхслойная постирония о том, как я игру делал
https://habr.com/ru/articles/1007946/
В ходе этого материала вы узнаете: 1. Как сделать простой рендер на c# в MonoGame. 2. Что использовать, чтобы вызвать python из c#. 3. Почему пункт 2 - это плохая идея. 4. Как MonoGame игру сбилдить в web/html с помощью его форка KNI
#python #pydigest
IT-новости про Python перед вами.
Часть материалов из выпуска Python Дайджест:
- Алгоритм Крускала и кишки лабиринтов
- Ускоряем pandas, не переписывая код. Мой опыт с FireDucks
- Как мы сделали AI code review через Ollama без облака?
- Использование алгоритма Hunt&Kill для создания клеточного лабиринта
- От скалярной тоски к SIMD-эйфории: как подружить IDA Pro с инструкциями RISC-V P Extension
- Как я автоматизировал юридическую рутину
- Grep-AST или Как мы заменили векторный поиск всего одной библиотекой
- py2many: Transpiler of Python to Many Other Languages
- skill-scanner - Security Scanner for Agent Skills
- redis - 7.3.0
- Django - 6.0.3
Заходите в гости - https://pythondigest.ru/issue/638/
Making Django unique constraints case-insensitive (with no downtime)
https://cliffordgama.com/tech/django-case-insensitive-unique-constraints/
Fix Django’s case-sensitive unique constraint pitfalls by cleaning duplicates, adding Lower() constraints, and safely migrating with PostgreSQL CONCURRENTLY to avoid downtime.
skill-scanner - Security Scanner for Agent Skills
https://github.com/cisco-ai-defense/skill-scanner
Custom Data Structures in E-Graphs
https://uwplse.org/2026/02/24/egglog-containers.html
Deprecate confusing APIs like “os.path.commonprefix()”
https://sethmlarson.dev/deprecate-confusing-apis-like-os-path-commonprefix
Как я определял дистрибутивы Linux по установленным пакетам, и при чем тут KUMA?
https://habr.com/ru/articles/1006546/
Как определить дистрибутив Linux? А что, если имеется только информация о пакетах, установленных на устройстве? История одного «велосипеда» или мы не нашли готового решения.Представьте, что вам нужно определить дистрибутивы, опираясь исключительно на установленные пакеты.
10 900 тестов или почему ваш мониторинг должен быть протестирован
https://habr.com/ru/articles/1006610/
Мониторинг мониторинга - звучит как масло масляное. Ведь наш сервис должен быть надёжнее, чем объекты, которые он отслеживает. Расскажу, как мы дошли до 10 900 автоматических тестов (5100 на бэкенде и 5812 на фронтенде). Все цифры и технологии - строго из нашего репозитория . Без хайпа, только факты, код и архитектурные решения.
Как мы сделали AI code review через Ollama без облака?
https://habr.com/ru/articles/1006258/
Как запустить AI code review по git diff на своей машине через Ollama - без облака и API-ключей? Установка, конфиг и пример отчёта.
Бот из бытовой боли
https://habr.com/ru/articles/1008218/
Все начинается с безобидного "надо не забыть купить фильтр". Потом эта мысль куда-то уезжает. Потом кто-то уверен, что это уже где-то записано. Потом кто-то другой уверен, что это точно помнит. Потом фильтр не куплен, это нигде не зафиксировано, а вся домашне-бытовая система, оказывается, держалась на древней и крайне ненадежной технологии "да это же очевидно, как такое забыть".
Между tail и ELK: пытаюсь собрать логи с нескольких серверов одной командой
https://habr.com/ru/articles/1008256/
Я студент и соло‑разработчик, который только начинает заходить в devops‑тематику. Сам я не админ и не держу в проде десяток серверов, поэтому решил не выдумывать «боли» из головы, а посмотреть, на что реально жалуются люди в статьях и форумах.Одна жалоба повторялась достаточно часто: «Когда что‑то падает, приходится обходить несколько серверов, смотреть логи по отдельности и пытаться сложить картину вручную. ELK/syslog решают, но ради пары сервисов это перебор.»
Умная теплица на Raspberry Pi 4: управляем GPIO, ESP8266 и автоматизацией через веб-интерфейс. Часть 1
https://habr.com/ru/articles/1008126/
Когда у меня появилась теплица, первым желанием было автоматизировать всё, что можно: контроль температуры, управление вентиляцией, полив, освещение. Готовые решения либо стоят дорого, либо замкнуты в экосистеме одного производителя, либо не дают нужной гибкости. Поэтому я решил создать собственную систему по автоматизации управления процессами в теплице.
Сводка от pythonz 01.03.2026 — 08.03.2026
https://pythonz.net/articles/635/
А теперь о том, что происходило в последнее время на других ресурсах.
Как я автоматизировал юридическую рутину
https://habr.com/ru/articles/1007750/
Я бывший фронтенд-разработчик, который уже семь лет работает корпоративным юристом. Устал копировать одни и те же реквизиты в десятки типовых форм. Пробовал автоматизировать через Excel, мечтаю о React-приложении, но в итоге остановился на Python-скрипте, который штампует документы за секунды.Рассказываю про путь от идеи до реализации и почему для небольших юридических команд до сих пор нет нормальных инструментов.
Darts: библиотека для временных рядов
https://habr.com/ru/companies/otus/articles/1003098/
В Python хватает инструментов для работы с временными рядами, но обычно приходится жонглировать тремя-четырьмя пакетами с разными API. Darts — библиотека, которая собирает всё в одном месте: статистические модели, градиентный бустинг, нейросети — и работает по знакомой схеме fit() / predict(). Сегодня разберём её подробно: что умеет, где удобна, как использовать в задачах.
Отказ от ответа в табличной классификации: max-prob, entropy и conformal sets на CatBoost
https://habr.com/ru/articles/1007870/
Модель не обязана отвечать всегда. На мультиклассовой табличке (letter) я сравнил 3 способа отказа для CatBoost: maxprob, entropy/margin и conformal APS. Результаты — в risk–coverage кривых и таблице «coverage → ошибка», чтобы быстро понять, какой метод лучше “отбрасывает” ошибки отказами.
Собственная облачная LLM на 16 ГБ VRAM — часть 1: базовая сборка, tools и MCP
https://habr.com/ru/companies/selectel/articles/1005504/
При плотной нагрузке счет за API легко превращается в постоянную и плохо прогнозируемую статью расходов, от которой уже сложно отмахнуться. В статье я покажу практичный компромисс: как развернуть собственную облачную LLM, которая укладывается в 16 ГБ видеопамяти, поддерживает инструменты и вызов функций, интегрируется с MCP-серверами и может использоваться как полноценный API-сервис для бэкенд-задач.
Знакомьтесь, Ричард Джонс (цикл заметок о выдающихся питонистах)
https://habr.com/ru/articles/1007150/
PyPI — централизованный каталог Python-пакетов. Сегодня в нем более 865 тысяч проектов общим весом 36 терабайт.PyPI создал Ричард Джонс. В октябре 2002-го, в электричке, по дороге на работу в Мельбурн. Будет интересно
Building a Hypervisor in Python with KVM
https://www.nightshift.sh/blog/less-cursed-vm
RAG vs GraphRAG: When Agents Hallucinate Answers
https://dev.to/aws/rag-vs-graphrag-when-agents-hallucinate-answers-2mcb
Как мы научились честно считать эффект промокодов: Causal Inference в онлайн-доставке
https://habr.com/ru/companies/X5Tech/articles/1005410/
Сегодня расскажу о модели, которую мы построили для оценки реального эффекта промокодов. Главные вопросы: кому, какой, и зачем мы выдаем промокод. Спойлер: ответ нас удивил. И именно этот ответ стал главной причиной, по которой эту модель вообще стоило строить.
redis - 7.3.0
https://pypi.org/project/redis/7.3.0/
Python клиент для Redis. Скачать можно по ссылке: https://pypi.python.org/pypi/redis/
Научил ИИ-агента помнить важное и забывать лишнее в SQLite
https://habr.com/ru/articles/1006622/
Я делаю локально работающего ИИ-агента и столкнулся с тем, что стандартный подход «закинуть текст в векторную базу, достать по косинусу» для долгоживущего агента не работает: контекст замусоривается, факты конфликтуют, ничего не забывается. Вместо этого реализовал графовую когнитивную память поверх одного файла SQLite
Propensity Score Matching: как строить аналоги A/B-тестов, когда эксперименты невозможны
https://habr.com/ru/companies/yandex/articles/1004060/
В этой статье я расскажу, как мы применяли PSM (Propensity Score Matching) — статистический метод, который позволяет корректно сравнивать группы, уменьшая систематические различия между ними. Подробно разберу, как выровнять группы теста и контроля с помощью PSM, расскажу о типичных ошибках (например, утечке признаков), дам практические рекомендации по сбору и выбору фич для мэтчинга, а также покажу, как валидировать полученные результаты и оценить их достоверность.