Python/ django

🖥 pyhctsa - Python-инструмент для highly comparative time-series analysis: он автоматически считает большой набор характеристик временного ряда и превращает сигнал в таблицу признаков. Базовый сценарий выглядит так:

from pyhctsa.calculator import FeatureCalculator

calc = FeatureCalculator()
features = calc.extract(data)

На выходе — DataFrame, где каждая временная серия превращается в набор feature'ов. Причём серии могут быть разной длины. Есть: — полный набор операций из коробки — собственные YAML-конфиги для подмножеств признаков — вызов отдельных feature-функций — параллельная обработка на нескольких CPU — инструменты для nonlinear analysis, HRV и других специализированных задач GitHub: https://github.com/DynamicsAndNeuralSystems/pyhctsa

🔥 Хочешь быстрее расти в IT? Хватит учиться в одиночку Окружение решает больше, чем кажется. Собрал папки и каналы, где можно быстрее влиться в нужное направление, следить за трендами и не вариться в своём пузыре. AI: t.me/ai_machinelearning_big_data Python: t.me/pythonl Linux: t.me/linuxacademiya Хакинг: t.me/linuxkalii DevOps: t.me/DevOPSitsec Docker: https://t.me/+90Z5TAyfuNU5YmRi Golang: t.me/Golang_google Rust: t.me/rust_code C++: t.me/cpluspluc C#: t.me/csharp_1001_notes Java: t.me/javatg JavaScript: t.me/javascriptv React: t.me/react_tg Frontend: t.me/front PHP: t.me/phpshka Android: t.me/android_its Мобильная разработка: t.me/mobdevelop Базы данных: t.me/sqlhub Data Science: t.me/data_analysis_ml Big Data: t.me/bigdatai Математика: t.me/data_math Физика: t.me/fizmat Kubernetes: t.me/kubernetc GameDev: https://t.me/gamedev Haskell: t.me/haskell_tg Собеседования и карьера: DS собеседования: t.me/machinelearning_interview Python собеседования: t.me/python_job_interview Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy Папка Frontend: https://t.me/addlist/mzMMG3RPZhY2M2Iy Полезное сверху: ИТ-мемы: t.me/memes_prog Английский для программистов: t.me/english_forprogrammers ИИ и технологии: t.me/vistehno 954 ГБ open-source курсов: https://t.me/+rKBQEMccAA01MTcy ИТ-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy Max Ai: https://max.ru/ai_machinelearning_big_data Max python: https://max.ru/pythonl ТЕХНО: https://max.ru/vistehno Max Go: https://max.ru/Golang_google Max Linux: https://max.ru/linuxkalii Devops: https://max.ru/DevOPSitsec C#: https://max.ru/csharp_ci C++: https://max.ru/cpluspluc SQL: https://max.ru/sqlhub Java: https://max.ru/javatg Подписывайся на нужные направления и собирай себе ленту, которая реально двигает вперёд.

Python Game Server: простой сервер для пошаговых мультиплеерных игр python-game-server — лёгкий open source-фреймворк на Python для создания пошаговых мультиплеерных игр. Он даёт готовую серверную основу, чтобы не писать с нуля комнаты, игровые сессии и сетевое взаимодействие. Из коробки есть: — единый API для разных игр — несколько параллельных игровых сессий — подключение к конкретной комнате — автоматический вход в ближайшую свободную сессию — возможность относительно легко добавлять новые игры Проект рассчитан в первую очередь на настольные, карточные и другие turn-based игры. Для написания клиентов и новых игровых механик, по словам автора, достаточно базового знания Python. В репозитории уже больше 600 коммитов, отдельно лежат клиентская и серверная части. GitHub: https://github.com/feberts/python-game-server

Для тех, кто работает с ACP-агентами из терминала, появился простой REPL acp-repl запускает любой stdio-сервер с поддержкой Agent Client Protocol и позволяет общаться с агентом прямо из терминала: отправлять промпты, создавать сессии, переключать модель и режим, обрабатывать permission-запросы и смотреть debug-логи. Работает не с одним конкретным агентом. В README есть примеры для OpenCode, Codex, Claude Code и Pi, плюс можно подключить любой другой ACP-совместимый executable. Удобная штука для быстрой проверки агента до того, как встраивать его в свой runtime или приложение. Можно сравнить поведение разных моделей и режимов, проверить permissions или просто понять, нормально ли стартует конкретный ACP-провайдер. Запуск через npm:

npm install -g @normahq/acp-repl@latest

acp-repl -- opencode acp

Репозиторий: https://github.com/normahq/acp-repl

25 августа встречаемся на Agentic Coding Meetup в Сбер.Среде и в онлайне⚡️ AI-агенты уже умеют писать код. Но самое интересное начинается дальше — когда вместе с инструментами меняются роли инженеров, команды и сам процесс разработки. 🔥 Поговорим о том, как agentic coding выглядит на практике: новые инженерные роли и модели команд, SDD и трансформация процессов, coding-агенты и инструменты, подходы к постановке задач и управлению контекстом, а также опыт внедрения AI в разработку больших технологических компаний. ⏳ Начало в 17:00, встреча очных гостей — в 16:00. Количество очных мест ограничено — успейте зарегистрироваться!

### Как нормально тестировать AI-агента, если правильный ответ ещё ничего не доказывает У обычного чат-бота можно проверить финальный ответ. С агентами этого уже мало: модель может выдать вполне убедительный текст, но перед этим выбрать не тот skill, вызвать неправильный tool, потерять контекст на втором сообщении или выполнить только половину задачи. Ed Crewe описал, как они строили eval-фреймворк для агентного чат-бота вокруг Postgres AI Hybrid Manager. Начали с простого routing eval: для каждого запроса проверяется, выбрал ли агент нужный skill или tool. Это быстро, детерминированно и удобно гонять в CI. Следующий слой — Task Completion Rate. Здесь уже оценивается сам результат: выполнил ли агент задачу, использовал ли нужные данные, предложил ли адекватный следующий шаг. Для таких проверок используется LLM-as-a-judge и заранее заданная rubric. Но и этого оказалось мало. Реальные задачи часто состоят из нескольких сообщений, поэтому тестировать приходится уже целые диалоги с сохранением conversation state и отдельными проверками каждого шага. Финальный уровень — trajectory testing: смотреть не только на ответ, а на весь путь агента к нему: маршрутизацию, выбор skills, tool calls, промежуточные действия, состояние диалога и итоговый результат. Получается уже почти классическое E2E-тестирование, только объект проверки здесь не HTTP-запрос или UI, а поведение AI-агента целиком. В основе автор использует deepeval, поверх которого добавлены YAML goldens, CI, плагины, multi-turn evals и телеметрия через Langfuse. https://edcrewe.blogspot.com/2026/08/from-routing-checks-to-trajectory.html

🖥 Для Python появился Interlock - современный circuit breaker без зоопарка отдельных решений для sync и async. Один CircuitBreaker умеет работать и с обычными функциями, и с async, считать процент ошибок по скользящему окну и отдельно реагировать на слишком медленные вызовы. Можно собрать полноценный pipeline отказоустойчивости:

pipeline = (
    Pipeline.builder()
    .fallback(...)
    .retry(attempts=4)
    .circuit_breaker(breaker)
    .bulkhead(8)
    .timeout(2.0)
    .build()
)

То есть timeout, retry, ограничение параллелизма, circuit breaker и fallback складываются в одну явную цепочку. Есть интеграции с httpx, aiohttp, requests, FastAPI, Redis и OpenTelemetry. Через Redis состояние breaker можно шарить между несколькими процессами или инстансами приложения. Ещё полезная штука - METRICS_ONLY: сначала можно просто посмотреть реальные проценты ошибок и медленных запросов в проде, ничего не блокируя, а уже потом включить breaker. https://github.com/bagowix/interlock

🤖Чем больше этапов в разработке решений машинного обучения (ML), тем выше риск запутаться в коде, версиях данных и экспериментах. Но есть подход, который превращает хаос в стройную систему — конвейер машинного обучения (ML‑pipeline). 🦾На открытом уроке вы узнаете, как строить цепочки обработки данных и обучения моделей, которые работают надёжно, гибко и масштабируемо. Разберём понятие конвейера машинного обучения (ML‑pipeline), шаги его построения и практические примеры. 👥Кому подходит урок: • Инженерам машинного обучения и исследователям данных, которые хотят автоматизировать работу и обеспечить воспроизводимость экспериментов. • Разработчикам и ИТ‑специалистам, желающим системно подойти к построению решений на основе машинного обучения и перейти на продвинутый уровень. ➡ Открытый урок пройдёт 9 сентября в преддверии старта курса «Машинное обучение. Продвинутый уровень». Регистрируйтесь https://otus.pw/G0ppi/?erid=2W5zFGqfgUR Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.

Разница между C++ и Python

⚡️ Harness Engineering - полный курс на русском Как заставить AI-агента писать код надёжно. Не «какую модель выбрать», а как спроектировать вокруг неё рабочую систему: инструкции, инструменты, среду, состояние и верификацию. Курс - от нуля до продвинутых тем: теоретическая база из 11 блоков, 14 модулей, 8 практических проектов, 14 лабораторных работ, диагностический протокол «как починить агента», библиотека готовых шаблонов, карта инструментов, 40 приёмов и каталог антипаттернов. Главный тезис курса: способность модели и надёжность исполнения - это две разные вещи. Одна и та же модель в «голой» среде и в среде с продуманным harness даёт качественно разные результаты. Апгрейд модели - это самый дорогой и обычно не самый эффективный способ починить агента. https://github.com/justxor/Harness_ru

🔴В 2025 году Россияне заработали 5,3 млрд рублей на арбитраже криптовалют По данным Минфин 32% граждан покинули своё место работы, поскольку в среднем уже в первый месяц тут можно зарабатывать от 140 000 рублей, а через 2-3 месяца с легкостью выйти на семизначные числа. Самое смешное, что лишь 8% россиян что-то слышали об этой профессии, хотя все инструкции бесплатно лежат на канале Арбитраж Криптовалют Там объясняют, как имея телефон и доступ в интернет, заработать свои первые $2000. Причём разжёвывают так доступно, что поймёт даже ребенок. Кстати, на канале сегодня вышла новая рабочая связка! Быстрее вступайте, пока это бесплатно — https://t.me/+QMOc1G6J2VoxMTcy

🔴В 2025 году Россияне заработали 5,3 млрд рублей на арбитраже криптовалют По данным Минфин 32% граждан покинули своё место работы, поскольку в среднем уже в первый месяц тут можно зарабатывать от 140 000 рублей, а через 2-3 месяца с легкостью выйти на семизначные числа. Самое смешное, что лишь 8% россиян что-то слышали об этой профессии, хотя все инструкции бесплатно лежат на канале Арбитраж Криптовалют Там объясняют, как имея телефон и доступ в интернет, заработать свои первые $2000. Причём разжёвывают так доступно, что поймёт даже ребенок. Кстати, на канале сегодня вышла новая рабочая связка! Быстрее вступайте, пока это бесплатно — https://t.me/+XY66i6xetbg3NDgy

🔥 DeepSeek Harness - пример того, почему сегодня важна не только модель, но и всё окружение вокруг неё Harness - это слой между LLM и реальной работой: инструменты, terminal, permissions, память, tool loop и правила обработки ответов. У deepseek-harness есть Python-библиотека, CLI dsh, MCP-сервер и интеграция в формате Anthropic Skill. Проект документирует особенности протокола DeepSeek V4-Pro/V4-Flash и автоматически обрабатывает проблемные места вроде reasoning_content, parallel tool calls, streaming и context limits. Например:

pip install deepseek-harness-cli

Ключевая идея очень актуальна для agent engineering: одна и та же модель с разным harness может вести себя как совершенно другой агент. Модель отвечает за интеллект. Harness - за то, сможет ли этот интеллект стабильно работать с инструментами и длинными workflow. Вот полезный гайд, где собрали большой разбор проекта: 23 секции, от запуска за минуту до архитектуры и теории Cordis. Что особенно интересно: архитектура максимально модульная - компоненты можно заменять плагинами; проект model-agnostic и работает с OpenAI-compatible API; под harness лежит Cordis - отдельная формальная модель безопасного самоизменения программ; можно менять не только tools, но даже логику, которая решает, что агент должен делать дальше; проект пока developer preview, поэтому breaking changes ожидаемы Разбор: https://helmcode.com/deepseek-harness

Полный инженерный курс по AI-агентам на русском: от tool calling до production Курс инженерный, а не обзорный. Здесь почти нет рассуждений о том, «изменит ли ИИ мир», зато есть: минимальные работающие реализации каждого механизма, лабораторные с критериями приёмки, шаблоны для копирования, чек-листы перед релизом, каталог антипаттернов и набор бенчмарков, по которым можно честно сравнить две версии своего агента. Качество агента почти никогда не упирается в модель. Оно упирается в инженерию вокруг модели: как описаны инструменты, что попадает в контекст, где стоят проверки, что происходит при третьей подряд ошибке и сколько это стоит за тысячу запусков. Модель - двигатель. Курс -про всё остальное в автомобиле. https://github.com/justxor/Aiagentsfullcourse

🐍 Python-разработчики часто тестируют код с зависимостью от времени. Но обычный mock для дат — это намного сложнее, чем кажется. Библиотека time-machine решает эту проблему: она позволяет буквально «перемещать время» внутри тестов. Например:

import datetime as dt
import time_machine

@time_machine.travel("2030-01-01")
def test_future():
    assert dt.date.today() == dt.date(2030, 1, 1)

В отличие от популярных подходов вроде freezegun, библиотека не ищет и не заменяет все импорты в проекте. Она работает на уровне C API CPython, перехватывая функции даты и времени напрямую. Поэтому скорость не зависит от количества загруженных модулей. В бенчмарках time-machine оказался более чем в 100 раз быстрее freezegun на простых сценариях. Полезно для тестирования: • подписок и платежей • истечения токенов • календарных функций • планировщиков задач • логики с дедлайнами Проект: https://github.com/adamchainz/time-machine https://adamj.eu/tech/2026/08/03/python-time-machine-o1-freezegun-on/

🐍 Опытный Python-разработчик рассказал, для каких проектов в 2026 году он уже не выбирает Python первым. Автор десятилетиями использовал Python практически для всего, но со временем пришёл к простой мысли: хороший универсальный язык не обязан быть лучшим инструментом для каждой задачи. В презентации разбирается, где ограничения Python начинают перевешивать его удобство и почему для некоторых проектов сегодня разумнее посмотреть на другие языки и экосистемы. При этом это не очередное «Python умер». Наоборот, автор по-прежнему активно использует Python и отдельно показывает области, где язык остаётся одним из лучших вариантов. Получился полезный взгляд без фанатизма: выбирать язык не по привычке, а под конкретную задачу. https://menno.io/presentations/not-python-2026/index.html#/ #Python #Programming #SoftwareEngineering #Development

✔️ Mistral обновила OCR-модель до версии 4.1 Главный упор сделали на обработку перегруженных страницы, где текст, изображения и подписи идут плотно и наслаиваются друг на друга. По данным Mistral, модель точнее определяет границы каждого элемента - рамки не съезжают, изображения не наезжают одно в другое по ошибке. На нагруженных технических диаграммах модель реже теряет блоки, а текстовые выноски считывает как самостоятельные объекты, а не сливает в один массив. Отдельно заявлена работа с многоколоночными документами, OCR 4.1 сохраняет исходную структуру страницы и отдает каждую колонку отдельной областью текста. В настроенных процессах тем, кто пользуется моделью, менять ничего не нужно. Алиас mistral-ocr-latest уже переводит существующие интеграции на новую версию. Руками модель можно попробовать в Mistral Studio. @ai_machinelearning_big_data #news #ai #ml

🐍 В Python у while есть else. И многие разработчики узнают об этом спустя годы Выглядит непривычно:

number = 0

while number < 5:
    print(number)
    number += 1
else:
    print("Цикл завершился")

Блок else выполнится, если цикл закончился естественно, то есть условие while стало ложным. Но есть важный нюанс. Если внутри сработает break, else уже не выполнится.

number = 0

while number < 5:
    if number == 3:
        break

    number += 1
else:
    print("Сюда не попадём")

Из-за этого while...else удобно использовать там, где нужно отличить нормальное завершение поиска от досрочного выхода. Например, цикл пытается найти нужное значение. Если нашёл, делает break. Если дошёл до конца без успеха, срабатывает else. Синтаксис существует в Python давно, но до сих пор выглядит как маленькая пасхалка языка. #Python #Programming #Backend #PythonTips

🔥 Kimi K3 на 2,78 ТРИЛЛИОНА параметров запустили на CPU с 8 ГБ RAM. Без GPU, BLAS и фреймворков Проект kimi-k3-in-c реализует inference Kimi K3 практически с нуля на portable C99. Чекпоинт модели занимает 1,56 ТБ, но пик RAM при запуске составил всего 8,24 ГБ. Фокус в MoE и стриминге весов. Из 896 экспертов на токен выбираются только 16, а остальные веса не обязаны постоянно лежать в оперативной памяти. Огромная часть модели читается прямо с диска, поверх этого работает LRU-кэш экспертов. Цена такого трюка очевидна: скорость. При 8 ГБ RAM автор получил около 26,5 секунды на токен, при 64 ГБ уже 19,8 секунды, а на машине с 128+ ГБ, где нужные данные помещаются в память, около 5,6 секунды. Получается любопытная смена ограничения: гигантскую MoE уже можно заставить работать без серверной фермы. Вопрос теперь скорее в том, сколько диска и времени на токен вы готовы отдать за такой inference. github.com/FareedKhan-dev/kimi-k3-in-c #AI #Kimi #LLM #C #LocalAI

🤖 Agency Agents - готовая команда специализированных AI-агентов для разработки, маркетинга, дизайна и бизнеса Вместо одного универсального «сделай всё» агента проект предлагает десятки узких специалистов: Backend Architect, AI Engineer, DevOps Automator, Code Reviewer, Database Optimizer, SRE, Prompt Engineer, RAG Engineer и многих других. Каждый агент - это не просто короткий prompt. Внутри описаны: * роль и стиль общения; * рабочий процесс; * ожидаемые deliverables; * технические примеры; * критерии успешного результата. Установить агентов можно в Claude Code, Cursor, Codex, Gemini CLI, OpenCode, Aider, Windsurf и другие инструменты. Есть и отдельное приложение для macOS, Linux и Windows. Например, можно поставить только engineering-команду:

./scripts/install.sh \
  --tool claude-code \
  --division engineering

Или конкретных агентов:

./scripts/install.sh \
  --tool cursor \
  --agent frontend-developer,ui-designer

По сути, Agency Agents превращает папку с промптами в готовый каталог AI-ролей, которые можно подключать к привычному coding agent без создания каждого system prompt с нуля. Проект распространяется по лицензии MIT. GitHub: https://github.com/msitarzewski/agency-agents