Python/ django

🐍 Маленькая, но красивая фишка Python. В большинстве языков, чтобы поменять значения переменных местами, используют временную переменную:

temp = a
a = b
b = temp

В Python всё гораздо проще. Можно сделать обмен значений в одну строку:

a, b = b, a

Без временных переменных, без лишнего кода. Python просто распаковывает значения и меняет их местами. Мелочь, но именно из таких вещей и складывается читаемый и лаконичный код. 🐍 Python полезные ресурсы 🚀Max @pythonl

Документальный короткометражный фильм о команде разработки товарных операций Ozon Tech уже доступен к просмотру. Товарные операции - это весь цикл работы с посылкой до отправки покупателю: хранение, перемещение по складу, упаковка, сортировка и подготовка к отгрузке. Речь идёт о более чем 55 000 000 операций ежедневно. Значительная часть процессов уже автоматизирована, остальное продолжает активно развиваться и масштабироваться. В фильме показано, как устроена работа команды разработки, какие задачи они решают и как их решения связаны с реальными физическими процессами. Посмотреть можно здесь: VK Видео | YouTube Если интересно, как выглядит разработка на стыке IT и логистики, стоит взглянуть.

🚀 DeepSeek-V4 ломает рынок: 1M контекста стал нормой DeepSeek выкатили V4 и сделали то, к чему все шли последние два года. Длинный контекст больше не фича для демо. Теперь это базовый уровень. V4-Pro выглядит как заявка на прямую конкуренцию с закрытыми моделями. 49B активных параметров дают уровень reasoning, который раньше был доступен только в дорогих API. Агентные задачи закрываются на уровне SOTA среди open-source. V4-Flash почти не отстает по качеству, зато быстрее и заметно дешевле. Это уже не про исследования. Это про продакшен, где важна цена за каждый запрос. Новый attention с компрессией токенов и sparse-подходом делает 1M контекста не просто возможным, а экономически адекватным. Раньше длинный контекст стоил как эксперимент. Теперь это рабочий инструмент. DeepSeek явно ставит ставку на агентов. Интеграция с Claude Code, OpenClaw и другими системами показывает, куда они целятся. Не чат. Автоматизация процессов, цепочки действий, реальные workflow. И еще один важный момент. Теперь есть выбор между thinking и non-thinking режимами. Можно управлять тем, тратить ли ресурсы на глубокое рассуждение или получать быстрый ответ. В итоге меняется базовая логика рынка. Если раньше ты выбирал между качеством и ценой, то теперь появляется третья точка. Длинный контекст плюс агентность при адекватной стоимости. Это новый baseline, под который придется перестраиваться всем. 📄 Tech Report: https://huggingface.co/deepseek-ai/DeepSeek-V4-Pro/blob/main/DeepSeek_V4.pdf 🤗 Open Weights: https://huggingface.co/collections/deepseek-ai/deepseek-v4 @ai_machinelearning_big_data #DeepSeek

🚀 50+ команд Claude Code, которые реально ускоряют разработку Если ты используешь Claude Code как обычный чат - ты теряешь 80% его мощности. Это не просто AI. Это полноценная система разработки внутри терминала. Вот как его правильно использовать: База, без которой никуда: - /init - создаёт CLAUDE.md и память проекта - /memory - открывает контекст проекта - /add-dir - подключает новые директории - /compact - чистит контекст и экономит токены Работа с кодом: - /diff - показывает изменения - /review - ревью кода - /simplify - 3 агента анализируют код - /debug - системный дебаг Контроль процесса: - /plan - сначала думает, потом пишет код - /permissions - контроль действий - --dangerously-skip-permissions - полный автопилот Продвинутые фичи: - /agents - параллельные агенты - /loop - повтор задач - /bash - выполнение команд - /remote-control - управление через браузер Модели и режимы: - /model - переключение моделей - /effort - глубина мышления - /fast - быстрый режим Что важно знать: - Claude Code = не чат, а инженер внутри проекта - память (CLAUDE.md) решает больше, чем промпты - агенты дают x2-x5 ускорение на сложных задачах

🚀 Автономные исследования на Apple Silicon Порт Karpathy's autoresearch для Apple Silicon, использующий MLX. Проект реализует автономные исследовательские циклы с фиксированным временем и управлением через program.md. Основные файлы включают train.py для обучения и prepare.py для подготовки данных. 🚀 Основные моменты: - Нативная поддержка Apple Silicon без PyTorch/CUDA - Фиксированный 5-минутный бюджет на обучение - Логирование результатов в results.tsv - Простая структура для автономного эксперимента - Оптимизация моделей для повышения эффективности 📌 GitHub: https://github.com/trevin-creator/autoresearch-mlx #python

Когда я прошу Клода провести проверку кода

🔍Тестовое собеседование на Middle Python с разработчиком из Авито завтра вечером Уже завтра вечером в 19:00 по мск приходи онлайн на открытое собеседование, чтобы посмотреть на настоящее интервью на Middle Python-разработчика. Как это будет: 📂 Даня, старший разработчик в Авито, будет задавать реальные вопросы и задачи разработчику-добровольцу 📂 Даня будет комментировать каждый ответ респондента, чтобы дать понять чего от вас ожидает собеседующий на интервью 📂 В конце можно будет задать любой вопрос Дане Это бесплатно. Эфир проходит в рамках менторской программы от ШОРТКАТ для Python-разработчиков, которые хотят повысить свой грейд, ЗП и прокачать скиллы. Переходи в нашего бота, чтобы получить ссылку на эфир → @shortcut_py_bot Реклама. О рекламодателе.

🗂️ Живая база лучших AI-инструментов - обновляется с 2023 и держит только актуальное В одном месте собрали весь стек, который реально используют сейчас: - свежие LLM и новые релизы - мультимодалка: изображения, видео, аудио - AI-агенты и автоматизация - dev-платформы и API - инфраструктура, плагины и утилиты Это не статичный список, а постоянно обновляемая карта рынка. Сохрани - пригодится. https://github.com/eudk/awesome-ai-tools

Продвинутый совет по Django: Не тащи бизнес-логику в views и serializers. Выноси её в отдельный service layer. Пока проект маленький, удобно писать всё прямо во view: получил request, дёрнул ORM, что-то посчитал, сохранил, отправил ответ. Но как только появляются повторяющиеся сценарии, несколько точек входа, celery-задачи, admin, API и тесты, код начинает расползаться. Хороший паттерн такой: view отвечает только за HTTP, serializer за валидацию, model за данные, а вся бизнес-логика живёт в services. Пример:

# services/order_service.py

from django.db import transaction
from .models import Order, OrderItem

class OrderService:
    @staticmethod
    @transaction.atomic
    def create_order(*, user, items_data):
        order = Order.objects.create(user=user, status="new")

        order_items = [
            OrderItem(
                order=order,
                product_id=item["product_id"],
                quantity=item["quantity"],
                price=item["price"],
            )
            for item in items_data
        ]
        OrderItem.objects.bulk_create(order_items)

        return order

Во view тогда остаётся только это:

def create_order_view(request):
    serializer = OrderCreateSerializer(data=request.data)
    serializer.is_valid(raise_exception=True)

    order = OrderService.create_order(
        user=request.user,
        items_data=serializer.validated_data["items"],
    )

    return Response({"order_id": order.id})

Что это даёт: код проще тестировать, логика не дублируется, её можно использовать в API, admin и background jobs, и становится меньше шансов сломать что-то при росте проекта. Если коротко: Django-проект становится взрослее в тот момент, когда ты перестаёшь писать всё во views. 🐍 Python полезные ресурсы @pythonl

⚡️ Qwen3.6-35B-A3B - ставка на эффективную архитектуру, а не на размер 35B параметров, ~3B активных за счёт MoE. Главное: - по agentic coding показывает уровень моделей с ~10x большим активным объёмом - превосходит Qwen3.5-27B (dense) и предыдущую Qwen3.5-35B-A3B - нативно мультимодальная архитектура (text + vision) - в VLM-бенчмарках сопоставима с Claude Sonnet 4.5, в ряде задач выше - сильные метрики в задачах spatial reasoning Практическое значение: - MoE даёт кратное снижение compute без потери качества - подходит для агентных сценариев, где важны последовательные действия и планирование - можно использовать как единый стек для code + vision задач Apache 2.0 - без ограничений для продакшена qwen.ai/blog?id=qwen3.6-35b-a3b chat.qwen.ai huggingface.co/Qwen/Qwen3.6-35B-A3B modelscope.cn/models/Qwen/Qwen3.6-35B-A3B @ai_machinelearning_big_data

🎨🚀 Генерация 3D-моделей из изображений с помощью AI Modly — это приложение для настольных ПК, позволяющее преобразовывать фотографии в 3D-модели с использованием открытых AI-моделей. Работает на Windows и Linux, с поддержкой macOS в будущем. 🚀Основные моменты: - Генерация 3D-моделей из изображений. - Поддержка внешних AI-расширений. - Открытый исходный код и работа на GPU. - Доступно для Windows и Linux. 📌 GitHub: https://github.com/lightningpixel/modly #python

🔊 В опенсорс вышел самый лёгкий и доступный генератор речи - MOSS-TTS-Nano работает локально на любом процессоре даже без видеокарты. Ультралёгкий TTS, который можно гонять хоть на тостере - MOSS-TTS. Это не «демка на поиграться», а нормальный инструмент: запускается на обычном 4-ядерном CPU, тянется даже на уровне Raspberry Pi и при этом выдаёт живую речь без ощутимой задержки. Модель крошечная - около 100 млн параметров, но звук на уровне: до 48 кГц и вполне чистая озвучка. Лучше всего справляется с английским, но русский тоже поддерживает. Умеет не только короткие фразы. Спокойно читает длинные тексты и может клонировать голос, что открывает кучу сценариев - от ботов до локальных ассистентов. Фактически это TTS, который не требует ни облака, ни GPU, ни сложной инфраструктуры. Запустил и используешь. https://github.com/OpenMOSS/MOSS-TTS-Nano Демо: https://huggingface.co/spaces/OpenMOSS-Team/MOSS-TTS-Nano

🚀 Claude Code получил open-source инструмент, который снимает лимиты использования и не даёт ему останавливаться посреди задачи. 47 000+ звёзд, бесплатно, и уже называют чит-кодом для power-пользователей. https://github.com/thedotmack/claude-mem

⚡️ Вышло большое обновление популярного курса- Ai AI агенты, которые реально работают в проде! Вы всё ещё пишете обёртки над ChatGPT и называете это «AI-продуктом»? Пока вы промптите - рынок переходит на агентные системы. Те, что принимают решения, ходят в API, работают с Postgres и Redis, управляют браузером через Playwright. И 90% таких систем ломаются между ноутбуком и продом. AI Agents Engineering - курс, который закрывает этот разрыв. LangGraph, AutoGen, Computer Use, LLMOps. 8 модулей, 120+ шагов - от архитектуры до деплоя в Docker. На выходе: реальный опыт на большой практической базе, а production-агент и навыки, за которые уже платят. 👉 48 часов действует скидка на курс 55 процентов: https://stepik.org/a/276971/

🚀 OpenGauss: Умный оркестратор для Lean-работ OpenGauss - это инструмент для управления рабочими процессами в Lean, позволяющий эффективно организовывать задачи, такие как доказательства и формализация. Он интегрирует несколько агентов и упрощает взаимодействие с Lean-экосистемой через удобный CLI. 🚀Основные моменты: - Многоагентная архитектура для Lean-работ - Поддержка различных рабочих процессов: prove, draft, autoprove - Удобное управление проектами и сессиями - Интеграция с Lean tooling и MCP/LSP 📌 GitHub: https://github.com/math-inc/OpenGauss

🚀 GigaChat 3.1 Ultra и GigaChat 3.1 Lightning в опенсорс под MIT лицензией! Обе модели • Обучены с нуля — без инициализации зарубежными весами • MoE + MTP + MLA • Совместимы с HuggingFace, llama.cpp / vLLM / SGLang Код и веса уже на платформе GitVerse. Это не просто релиз весов, а результат большой инженерной работы над качеством, alignment и стабильностью модели. В блоге команда поделилась результатами и своими наработками. В релизе: высокие результаты на аренах, улучшенный function calling, решённая проблема циклов, DPO в нативном FP8, найденный и зарепорченный баг в SGLang при dp > 1.

🔥 Linux 7.0 - Торвальд и команда вычистили десятилетия грязного легаси и ОС стала реально быстрее! Линус Торвальдс наконец пошёл на радикальный шаг и начал массовую зачистку старого кода. То, что копилось годами, просто выкинули. Итог - система стала заметно проще, чище и быстрее. Что изменилось по факту: XFS сильно прокачали - файловая система стала надёжнее, меньше рисков потери данных и лучше ведёт себя под нагрузкой Работа с памятью ускорилась примерно на 20%, плюс подтянули сетевой стек - соединения стабильнее при высоких нагрузках Контейнеры теперь стартуют быстрее за счёт улучшений в open_tree - меньше оверхеда при разворачивании В Kconfig наконец дали больше свободы кастомизации - можно заменить Tux на свой логотип Поддержка железа тоже прокачана - AMD и Intel работают эффективнее без ручных оптимизаций Главное здесь не список фич, а тренд. Ядро постепенно избавляется от исторического балласта и становится более предсказуемым и удобным для современных нагрузок. https://github.com/torvalds/linux/releases/tag/v7.0

🚨 Без этого репо ты используешь Claude Code на 10% Практически все, кто реально работает с Claude Code, уже сидят на claude-code-best-practice. Остальные просто не выжимают и половины возможностей. Это не очередной список советов, а собранная база практики: 84 конкретных приёма, примеры внедрения и разбор того, как строят workflow топовые пользователи. Внутри разложено всё, что обычно собираешь по кускам: промптинг, планирование, CLAUDE.md, агенты, команды, skills, hooks, дебаг, утилиты реальные примеры использования каждой ключевой фичи сравнение подходов из крупных репозиториев и методологий оркестрация через цепочку Command → Agent → Skill советы Бориса Черны, собранные из тредов и интервью Есть и практические вещи, которые реально меняют работу: • использование subagents, чтобы разгружать контекст и ускорять задачи • второй Claude как ревьюер перед выполнением плана • контроль размера CLAUDE.md, чтобы модель не деградировала • ручное управление контекстом через /compact • переписывание решений «с нуля», когда уже понял задачу глубже Отдельно - блок с открытыми вопросами, на которые до сих пор нет нормального ответа. Это уже уровень, где начинается настоящая инженерия вокруг Claude Code. Репозиторий залетел в топ GitHub, почти 20K звёзд и активно растёт. https://github.com/shanraisshan/claude-code-best-practice

🐍 Python полезные ресурсы 🚀Max @pythonl