Python Portal

Набор из 54 компонентов анимации загрузки в терминальном стиле для React Native и Expo, реализованных полностью на тексте без нативных зависимостей. Разделены на четыре категории: Braille, ASCII, стрелки и Emoji. Работают только на Text и setInterval, без использования нативных модулей. Можно просто скопировать нужный компонент из src/components/spinners — подходит для сценариев вроде стриминга вывода ИИ-агентов, интерфейсов в стиле CLI и подобных задач. ❤️❤️ 👉 @PythonPortal

HTML заходит в 3D? Или наоборот? С новым HTML in Canvas от WICG теперь можно напрямую размещать нативные DOM-элементы внутри сцен WebGL / WebGPU. Пока это экспериментальная фича, но потенциал для 3D-интерфейсов и визуальных эффектов значительный. Этот демо-проект собран на Three.js и Omma AI (инструмент от Spline). Новый способ посмотреть, на что способен веб. Интересно посмотреть демо? 👉 @PythonPortal

😆😆😆 👉 @PythonPortal

Редакторы Markdown — это текстовые инструменты, которые позволяют быстро форматировать контент с помощью простого синтаксиса — широко используются как де-факто язык для структурирования промптов и вывода в AI 😎 👉 @PythonPortal

GPT Image 2 + Codex: или как сделать так, чтобы Codex не был слаб в UI. Шаг 1: Сгенерировать изображение интерфейса (это нативно поддерживается в Codex) Шаг 2: Попросить Codex реализовать UI по этому референсу Шаг 3: Гонять итерации, пока результат не будет максимально совпадать с изображением Codex слабо справляется со стартовым UI, но хорошо реализует интерфейс по референс-дизайну. Поэтому рабочий подход такой: сначала делаешь несколько итераций через модель генерации изображений, потом Codex уже нормально собирает UI по готовому референсу. 👉 @PythonPortal

😁😁😁 👉 @PythonPortal

Стек AI/ML — это многослойный набор инструментов, покрывающий полный воркфлоу разработки моделей 😎 👉 @PythonPortal

Сталкивался с тем, как безопасно шарить API-ключи внутри команды? Файл .env хранит конфигурацию вроде API-ключей и URL базы данных в открытом виде. Поэтому коммит в git приводит к утечке всех секретов. Обычно файл добавляют в .gitignore, а креды раздают вручную через Slack или менеджеры паролей. Со временем секреты расползаются по разным местам без единого источника истины. dotenvx решает это, шифруя .env через криптографию с открытым ключом. Можно коммитить зашифрованный файл в git, а команде нужен только приватный ключ (хранится в .env.keys, который в .gitignore) для расшифровки при запуске приложения. Ключевые возможности: • Работает с Python, Node, Go, Ruby, Rust и другими через единый CLI • Шифрует .env с использованием той же криптографии, что и Bitcoin (secp256k1) • Разделяет окружения через .env.production, .env.staging и .env.ci 👉 @PythonPortal

😡😡😡 👉 @PythonPortal

Быстрый совет по Code, о котором ты можешь не знать: содержимое скобок и строк можно выделить простым двойным кликом 🖱 👉 @PythonPortal

Бывший исследователь MIT Исаак Фримен бросил PhD и выложил роадмап на 50 000 GPU H100 для эмуляции полноценного человеческого мозга. Он описал полный путь — от червя с 302 нейронами до человека с 86 миллиардами нейронов. Стоимость коннектомики сейчас оценивается примерно в $100 за нейрон, и основным узким местом остаётся сбор данных с помощью продвинутых микроскопов — у «цифровых людей» появился реалистичный таймлайн. https://pdf.isaak.net/thesis 👉 @PythonPortal

👉 @PythonPortal

Google DeepMind выпустили, пожалуй, самый тревожный отчёт по кибербезопасности за год. Они описали поверхность атак, о которой почти не говорят в контексте ИИ. Сайты уже умеют определять, что к ним пришёл агент, и отдавать ему совсем другой контент, чем человеку. - скрытые инструкции в HTML - вредоносные команды в пикселях изображений - джейлбрейки, зашитые в PDF Эта «асимметрия детекции» означает: пользователю показывается нормальный контент, а агенту — скрытый и вредоносный. Агент не понимает, что его обманывают. Он просто обрабатывает вход и действует. Вот поверхность атак, о которой мало говорят: → косвенные веб-инъекции: инструкции, спрятанные в HTML-комментариях, CSS-трюках или тексте «белым по белому» → мультимодальная стеганография: команды, закодированные прямо в пикселях изображений, невидимые человеку, но читаемые моделями зрения → джейлбрейки в документах: инструкции, спрятанные глубоко в PDF, таблицах и календарных событиях → отравление памяти: внедрение ложных данных, которые сохраняются и влияют на будущие сессии → атаки на утечку данных: агент вынуждается отправлять приватную информацию на контролируемые атакующим эндпоинты → каскады между агентами: худший сценарий — агент A скомпрометирован, передаёт «яд» агенту B, затем C, и заражается весь пайплайн из-за доверия между агентами Самая отрезвляющая часть отчёта: защита серьёзно отстаёт. Санитизация входа не работает — пиксели нельзя «очистить». Инструкции уровня промпта вроде «игнорируй подозрительные команды» не помогают — атаки маскируются под легитимные. Человеческий контроль невозможен на скоростях и масштабах, на которых работают агенты. Если агенту поручить анализ 50 сайтов, невозможно проверить, одинаковый ли контент получил агент и пользователь. 👉 @PythonPortal

Как работает DNS за 60 секунд: Что такое DNS: система доменных имён. Ты вводишь http://xyz.com в браузере. Но интернет не понимает доменные имена — он работает с IP-адресами. Вот что происходит под капотом: 1. Браузер спрашивает: «Где находится http://xyz.com?» 2. Резолвер DNS у провайдера проверяет кэш. Если запрос уже был — отвечает сразу. Если нет — начинает опрос. 3. Запрос к корневому серверу имён → «Не знаю, спроси у сервера зоны .com» 4. Запрос к серверу зоны .com → «Не знаю, спроси у авторитетного сервера для http://xyz.com» 5. Авторитетный сервер отвечает: «http://xyz.com = 203.0.113.47» 6. Резолвер кэширует ответ и возвращает его браузеру 7. Браузер подключается к 203.0.113.47 — сайт загружается Всё это происходит за миллисекунды. Каждый раз при открытии сайта. И когда DNS ломается — не работает ничего. Ни сайты, ни приложения. Даже если сервер полностью исправен. Поэтому фраза «всегда виноват DNS» — одна из самых часто повторяемых в ИТ. 👉 @PythonPortal

👊👊👊 👉 @PythonPortal

Нашли репозиторий с большим количеством шпаргалок по Python на русском языке 😮 Есть PDF-ки по: - типам данных; - функциям; - декораторам; - итераторам и генераторам; - различным модулям; - ООП и многому другому. ⛓ Ссылка: тык 👉 @PythonPortal

MCP и Skills для AI-агентов — разбор без путаницы. Разработчики часто воспринимают MCP и Skills как одно и то же. Это ошибка. Смешивание этих понятий — один из самых частых фейлов при переходе к серьёзной разработке AI-агентов. Разберём с нуля. До появления MCP подключение модели к внешним инструментам требовало писать кастомную интеграцию каждый раз. Например, 10 моделей и 100 инструментов давали 1000 отдельных коннекторов, которые нужно поддерживать. MCP решает это через общий протокол взаимодействия. Инструменты становятся частью “сервера”, который экспонирует возможности. Каждый агент — это “клиент”, который умеет делать запросы. Общение идёт через структурированные JSON-сообщения по чётко заданному интерфейсу. Например, можно один раз реализовать MCP-сервер для GitHub, и он будет работать с Claude, ChatGPT, Cursor или любым другим агентом с поддержкой MCP. Ключевая ценность — одна интеграция, многократное использование. MCP решает проблему подключения, но не решает проблему использования. Агент может иметь 50 корректно подключённых MCP-инструментов и при этом работать слабо, если не понимает: - когда вызывать инструмент - в каком порядке - с каким контекстом Этот разрыв закрывают Skills. Skill — это переносимый пакет процедурных знаний. Файл SKILL.md не просто описывает доступные инструменты, а задаёт, как именно их применять в рамках конкретной задачи. - Skill для написания текста включает гайд по тону и шаблоны вывода - Skill для код-ревью включает паттерны проверок и правила MCP даёт агенту доступ к инструментам. Skills формируют устойчивые паттерны их использования. Вместе это полный стек возможностей продакшен-агента: - MCP — слой подключения инструментов - Skills — слой знаний и выполнения задач - Агент — оркестрация через контекст и рассуждение Поэтому продвинутые конфигурации используют оба подхода: MCP-серверы для интеграций и SKILL.md для доменной экспертизы. 👉 @PythonPortal

Ты: безупречное резюме/CV/рекомендации с прошлого места работы, десятки топовых проектов за плечами Требования HR: 👉 @PythonPortal

Запуск open-source платформы PostgreSQL в Kubernetes с использованием copy-on-write для ветвления данных объёмом в терабайты за считанные секунды и автоматической гибернацией при простое для экономии ресурсов — подходит для компаний, которые строят внутренние базы данных или быстро поднимают окружения для разработки и тестирования. Xata — это open-source облачная платформа PostgreSQL, которая умеет одновременно управлять большим количеством инстансов Postgres в Kubernetes. Ключевые возможности: создание веток данных объёмом в терабайты за секунды и автоматическое масштабирование до нуля при простое с последующим пробуждением при новых подключениях. На уровне инфраструктуры используется CloudNativePG для управления и обслуживания Postgres и OpenEBS для хранения, а на верхнем уровне доступны встроенные SQL-шлюз, управление ветками, REST API и CLI. Компании могут использовать её для построения внутренних платформ баз данных или быстро выделять отдельную копию данных для каждого разработчика и каждого тестового запуска с последующей автоматической гибернацией для экономии ресурсов и затрат. 100% опенсорс 👉 @PythonPortal

Docker Tip Вот как можно проанализировать, что раздувает образ. Как известно, каждый Docker-образ состоит из слоёв. Каждый слой добавляется отдельной строкой в Dockerfile. Эти слои позволяют понять, почему образ большой, медленно собирается или плохо кэшируется. Вот как можно проинспектировать слои и посмотреть, что изменилось в каждом из них. Можно использовать утилиту dive. Она даёт визуальное представление: ✅ всех созданных слоёв ✅ какие файлы были добавлены или изменены ✅ сколько места занимает каждый слой При анализе слоёв образа можно определить: - какая команда добавляет лишний объём - как оптимизировать Dockerfile для более компактных и эффективных сборок Также утилита показывает метрику эффективности образа, которая отражает, сколько данных дублируется или расходуется впустую между слоями. 👉 @PythonPortal