Python Portal

Теперь можно искать по PDF на 500 страниц без чанкинга и без векторизации. Андрей Карпати недавно озвучил идею: что если база знаний работает как вики, а не как векторная база? OpenKB — open-source CLI, построенный вокруг этой концепции. Он компилирует сырые документы в структурированную связанную вики-систему с помощью LLM. Знания накапливаются, а не пересобираются при каждом запросе. В классическом RAG контекст каждый раз восстанавливается заново. Здесь модель опирается на уже построенную структуру. Длинные PDF разбираются через PageIndex — древовидный индекс без векторов, который позволяет рассуждать по структуре документа. Что получается на выходе: > авто-суммаризация и страницы концептов > кросс-ссылки между документами > детект противоречий и пробелов > режим наблюдения за изменениями > markdown, совместимый с Obsidian Поддерживаются PDF, Word, PowerPoint, Excel, HTML и изображения. Таблицы и фигуры извлекаются нативно. Один новый файл может автоматически обновить до 15 страниц в вики. База знаний начинает сохранять то, что уже было выучено. https://github.com/VectifyAI/OpenKB 👉 @PythonPortal

Нужно обнулить время (до полуночи) в серии datetime в Pandas — используется dt.normalize:

df['x'].dt.normalize()

На выходе та же серия datetime, но у всех значений время 00:00:00. 👉 @PythonPortal

Нужно округлить даты/время в Pandas: * dt.floor — вниз (к предыдущему интервалу) * dt.ceil — вверх (к следующему интервалу) * dt.round — к ближайшему интервалу Пример:

s.dt.floor('3h')   # предыдущий 3-часовой слот
s.dt.ceil('15m')   # следующий 15-минутный слот
s.dt.round('1D')   # ближайшие сутки

👉 @PythonPortal

f-строки в Python: * Перед строкой ставится f * Возвращается обычная строка * Выражения в {} вычисляются и подставляются

x = 5
y = 7
f'{x} + {y} = {x+y}'  # 5 + 7 = 12

x = [1, 2]
y = [3, 4]
f'{x} + {y} = {x+y}'  # [1, 2] + [3, 4] = [1, 2, 3, 4]

👉 @PythonPortal

Хотите освоить анализ данных, но не знаете, с чего начать? Центр непрерывного образования ФКН НИУ ВШЭ запускает онлайн-программу профессиональной переподготовки «Практический анализ данных» — полный цикл обучения от нуля до уровня практикующего аналитика. Что вас ждет: 🟣Python для автоматизации и анализа данных: от первых строк кода до Pandas и визуализации 🟣SQL на продвинутом уровне: оконные функции, индексы, партиционирование, оптимизация запросов 🟣Прикладная статистика и A/B-тестирование: проверка гипотез, планирование экспериментов, работа с малыми выборками 🟣Основы машинного обучения: регрессия, классификация, кластеризация 🟣Дашборды в Tableau и Yandex DataLens 🟣Продуктовая аналитика: метрики, сегментация, приоритизация гипотез 🟣Хранилища данных: архитектура DWH, Hadoop, Spark, ETL, Airflow Преподаватели — практикующие специалисты из Wildberries, Вкусно — и точка и других компаний. По окончании вы получите диплом о профессиональной переподготовке НИУ ВШЭ. 📁 Старт: 12 мая. Подробнее о программе 📍

👉 @PythonPortal

Твой ПК скоро станет по-настоящему «умным». Aiden — это полноценная ИИ-операционная система, которая работает на 100% локально на Windows или Linux: - 1500+ компонуемых навыков - 89+ автономных инструментов - Управляет мышью, клавиатурой, экраном и приложениями (по сути как JARVIS) - 6-слойная память + граф знаний - Рой сабагентов, работающих параллельно - Голос + каналы (Discord, Telegram, WhatsApp…) Всё офлайн через Ollama. Без аккаунтов. Без телеметрии. Без отправки данных в облако. Это не чат-бот — это ассистент, который живёт внутри твоей машины. Будущее персонального ИИ уже здесь, и оно с открытым исходным кодом. 👉 @PythonPortal

Не усложняй методы startswith и endswith. Когда нужно проверить, начинается ли строка с одного из нескольких вариантов, не используй цикл — передай кортеж, и метод сам проверит совпадение с любым из значений в кортеже.

user_string = input()
starts = ('One', 'Two', 'Three')

# Переусложнённо
for s in starts:
    if user_string.startswith(s):
        # Сделать что-то и выйти
        break

# Чистый вариант
if user_string.startswith(starts):
    # Сделать что-то

👉 @PythonPortal

Ну что, проверим ваши знания? 👉 @PythonPortal

Если видишь одну и ту же переменную по обе стороны and, обрати внимание на этот синтаксический сахар:

x, y, z = 20, 15, 3

# Традиционный способ с 'and'
if x > y and y > z:
    ...

# Питоничный способ — цепное сравнение
if x > y > z:
    ...

👉 @PythonPortal

Если тебе нужны 3+ вложенных цикла — остановись и отрефактори. Глубокую вложенность лучше избегать: такой код сложнее читать и поддерживать. Цель всегда одна — читаемость и поддерживаемость. Если ловишь себя на глубокой вложенности, остановись и подумай, можно ли сделать это понятнее. Использование библиотеки часто будет лучшей альтернативой. 👉 @PythonPortal

У вас больше не будет возможности попасть в ШАД в этом году. Школа анализа данных от Яндекса — бесплатная двухлетняя программа по машинному обучению, Data Science, анализу данных и ИИ. Внутри — сильная база, практические задачи из индустрии, преподаватели из Яндекса и мощное комьюнити. Поступить можно по двум трекам: классическому, где нужно пройти 3 этапа отбора, и альтернативному — для специалистов с опытом. Учиться можно офлайн, гибридно или онлайн. Отбор сложный, но ваша карьера вас точно поблагодарит. Анкету нужно подать до 3 мая включительно. По этой ссылке

Использую Claude Opus 4.7, чтобы отцентрировать div

Чёрт… хакеры это точно оценят. Кто-то выложил в опенсорс универсальный тулкит для взлома, который объединяет все основные инструменты пентеста в одно CLI-меню. Ставишь один раз — и сразу получаешь доступ к инструментам из всех категорий: анонимность, сбор информации, атаки на беспроводные сети, подбор паролей, сканирование веба, фреймворки эксплуатации, генерация полезной нагрузки и т.д. Называется HackingTool. → Одно меню запускает Tor, Anonsurf, Macchanger и цепочки прокси за секунды → Включает Nmap, Dracnmap, RED HAWK и ReconSpider для полной разведки сети → Содержит SQLMap, XSStrike, WPScan и SecretFinder для эксплуатации веба → Есть John the Ripper, Hashbuster и BruteX для атак на пароли 51K звёзд. Работает на любом Linux-дистрибутиве. Полностью опенсорс. 👉 @PythonPortal

GitHub-репозитории, чтобы прокачать Python

- Веб-разработка с Django — https://github.com/django/django - Инструментарий для Data Science — https://github.com/rasbt/python-machine-learning-book - Алгоритмические задачи — https://github.com/TheAlgorithms/Python - Рецепты машинного обучения — https://github.com/ageron/handson-ml2 - Лучшие практики тестирования — https://github.com/pytest-dev/pytest - Скрипты для автоматизации — https://github.com/soimort/you-get - Продвинутые концепции Python — https://github.com/faif/python-patterns

Кидайте в закладки и делитесь с коллегами 🌟 👉 @PythonPortal

F = q(E + v \times B) Наблюдать, как сила Лоренца из абстракции из учебника превращается в 30 000 об/мин в реальном времени — чистый дофамин. В какой-то момент поток магнитного поля уже воспринимается как физическое размытие. Большинство видит «крутящуюся игрушку», но по факту это векторное произведение скорости и магнитного поля, дающее силу, создающую момент на якоре. Это и есть практическое проявление уравнений Максвелла — не формулы, а реальная физика в работе. Это демонстрация базового принципа работы коллекторных электродвигателей постоянного тока. 👉 @PythonPortal

MIT сделал ход, который ставит под сомнение ставки индустрии на рост контекстного окна. Они решили проблему памяти не увеличением «окна», а сменой модели работы с данными. Проблема. У любой модели есть предел — контекстное окно. При его переполнении возникает деградация качества: факты теряются, связи между частями текста исчезают, ответы становятся хуже. Это называют «деградацией контекста». Что делали раньше. RAG (генерация с извлечением): - документ режется на чанки - хранится во внешнем хранилище - перед запросом извлекаются «релевантные» куски Проблемы: - извлечение делает предположение до чтения - ошибки в выборе → модель не видит нужные данные - связи между частями документа разрушаются Подход MIT. Документ не помещается в контекст вообще. Он хранится вне модели, например как переменная. Модели сообщается, что данные существуют и как к ним обращаться. Дальше модель: - пишет код для поиска - использует регулярные выражения - извлекает нужные фрагменты - подгружает только релевантные части Ключевой момент. Обработка становится рекурсивной: - модель находит релевантные участки - запускает подзадачи (сабагенты) для их анализа - агрегирует результат Нет сжатия, нет потерь, нет переполнения контекста. Результаты. - обработка до ~10 млн токенов - значительный прирост качества на задачах с длинным контекстом - стоимость сопоставима с обычными запросами Вывод. Фокус смещается: не «сколько текста держать в голове», а «как эффективно к нему обращаться». Модель начинает работать как разработчик с доступом к данным: поиск → извлечение → анализ → агрегация. Ссылки: - Статья: http://arxiv.org/abs/2512.24601 - Код: http://github.com/alexzhang13/rlm 👉 @PythonPortal

Райан — лучший, делает божью работу 👉 @PythonPortal

Разработчик на Rust фактически «убил» Headless Chrome. Проект называется Obscura — браузер без графического интерфейса с открытым исходным кодом, изначально заточенный под ИИ-агентов и масштабный скрейпинг. Chrome vs Obscura: - Память: 200MB+ → 30MB - Бинарник: 300MB+ → 70MB - Загрузка страницы: 500ms → 85ms - Старт: 2s → мгновенно - Антидетект: отсутствует → встроен Один бинарник. Без Node, без Chrome, без зависимостей. Стелс-режим: → Рандомизация отпечатка на каждую сессию (GPU, canvas, аудио, батарея) → 3 520 трекер-доменов заблокированы по умолчанию → navigator.webdriver замаскирован под реальный Chrome → Маскирование нативных функций, чтобы детекторы не могли их определить Подменяет Puppeteer и Playwright через протокол отладки Chrome. Без изменений кода. Если используются агенты или серьёзный скрейпинг в масштабе — репозиторий даёт прямую выгоду. Полностью open source. 👉 @PythonPortal

Совет на 2026 год — переходите в ML. Пока обычные разрабы конкурируют с ИИ-копилотами, ML-инженеры эти самые нейронки создают. В эпоху нейростей это самые востребованые люди в мире программирования. Зарплаты мидлов начинаются от 250 000 ₽, а у сеньоров в BigTech доходят до 700 000 ₽. А чтобы освоить его всего за 4 месяца без лишней суеты — изучите канал Артема Алехина. Его бэкграунд: Руководитель команды в Сбере, валютная удаленка. К 22 годам вышел на доход 1 000 000+ ₽ в месяц. На канале вы найдёте: — Всё про самые востребованные стеки(Python, ИИ-агенты, NLP) и почему математика — это не страшно, если учить только нужное. — Как оформить резюме, чтобы оно пролетало через любые LLM-фильтры и ATS-системы прямо к тимлидам. — Скрипты переговоров, которые помогли его ученикам прыгнуть с 0 до 360к всего за 8 месяцев. Во времена острой нехватки ML-разработчиков, это лучшее время, чтобы перекатиться. Переходи и изучай: https://t.me/+w33eYYK1a2kwOWI6