Python Portal

Классные бесплатные приложения для разработчиков. - http://tracedr.com — Бесплатный трекер рейтинга доменов - http://trackdomains.com — Бесплатный мониторинг WHOIS доменов - http://replacements.fyi — Поиск замены для npm-пакетов - http://quarkdown.com — Open-source система вёрстки на основе Markdown - http://animate-ui.com — Анимация UI с помощью React-компонентов 👉 @PythonPortal

Изучайте глубокое обучение по структурированному курсу от Stanford. Что вас ждет: • работа с последовательностями (sequences) • обработка текста • задачи языкового моделирования (language modeling) Ссылка — вот - 👉 @PythonPortal

Вашему второму мозгу нужно больше, чем демо-чатбот second-brain-ai-assistant-course — это open-source репозиторий курса от Decoding AI для разработчиков, которые хотят создать ассистента для личной базы знаний с LLM, агентами, RAG и LLMOps. Он помогает перейти от разрозненных заметок к полноценному ассистенту через шесть модулей: пайплайны данных, генерация датасета, тонкая настройка, развёртывание, продвинутый RAG и агентный инференс/наблюдаемость. Ключевые особенности: • Шесть модулей — охватывает архитектуру, ETL, тонкую настройку, развёртывание, RAG и LLMOps • Офлайн + онлайн приложения — разделяет ML/пайплайны данных и пайплайн инференса ассистента • Поддержка Notion — использует базу знаний Second Brain, доступен публичный снимок, так что аккаунт Notion не обязателен • Настоящие LLMOps-инструменты — включает ZenML, Opik, Comet, Unsloth, MongoDB, Hugging Face и OpenAI • Ориентация на разработчика — документация модулей, готовый код, uv/ruff и Docker-инфраструктура Открытый исходный код (лицензия MIT). 🐸🐸🐸 👉 @PythonPortal

Инженер Anthropic:

«Fable — одна из тех моделей, которые запоминаются. Как когда-то Sonnet 3.5, Opus 4 и Opus 4.5. Мы сократили системный промпт Claude Code на 80%. Новому поколению моделей нужен более компактный промпт».

В этом 20-минутном выступлении один из ведущих инженеров Anthropic рассказывает о возможностях Fable. Посмотрите видео, а затем прочитайте статью ниже о том, как эффективно использовать эту передовую модель. 👉 @PythonPortal

😜😜😜 👉 @PythonPortal

HTTP/1.1 ≠ HTTP/2 ≠ HTTP/3 Все они передают веб-страницы… Но каждое поколение решило главное узкое место производительности. Самый простой способ их запомнить: HTTP/1.1 → Один запрос за раз на одно соединение. Просто, но медленнее для современных сайтов. HTTP/2 → Множество запросов могут использовать одно TCP-соединение благодаря мультиплексированию. HTTP/3 → Работает поверх QUIC (на базе UDP), снижая задержку и устраняя головную блокировку на транспортном уровне. Быстрый приём для запоминания: - HTTP/1.1 = Последовательно - HTTP/2 = Мультиплексировано - HTTP/3 = Мультиплексировано + Быстрое восстановление Почему развивались версии? 🔹 HTTP/1.1 - Множество TCP-соединений для загрузки многих ресурсов - Текстовый протокол - Головная блокировка на прикладном уровне 🔹 HTTP/2 - Мультиплексирование по одному TCP-соединению - Бинарный протокол - Сжатие заголовков (HPACK) - Меньше соединений, лучше производительность 🔹 HTTP/3 - Построен на QUIC вместо TCP - Быстрое установление соединения - Лучшая производительность на нестабильных и мобильных сетях - Улучшенная устойчивость к потере пакетов Частый вопрос на собеседованиях: Если HTTP/2 уже поддерживает мультиплексирование, зачем понадобился HTTP/3? Потому что HTTP/2 всё ещё работает поверх TCP. Если пакет потерян, TCP может задержать другие потоки на этом соединении. HTTP/3 использует QUIC поверх UDP, позволяя потокам восстанавливаться более независимо и снижая задержку на ненадёжных сетях. Одна фраза навсегда: HTTP/1.1 = Один за другим HTTP/2 = Много сразу HTTP/3 = Много сразу, даже на плохих сетях Сохранил эту шпаргалку для всех, кто учит сети, бэкенд-разработку или готовится к собеседованиям по системному дизайну. 👉 @PythonPortal

Не учите ML, прыгая по случайным туториалам. DS-ML Bootcamp — это публичный репозиторий курса по Data Science и машинному обучению для начинающих, которые хотят структурированный путь от нуля до практических проектов. Он помогает перейти от установки и концепций к практической ML-работе, организуя уроки, задания, примеры кода, датасеты и решения вокруг основного воркфлоу машинного обучения. Ключевые возможности: - Сквозной воркфлоу — охватывает сбор данных, предобработку, разбиение на train/test, выбор модели, обучение, оценку и развёртывание - Структура по урокам — начинается с инструментов/настройки, Data Science, ML, основ данных и регрессии - Практические материалы — задания дают учащимся структурированные задачи, а не только чтение конспектов - Код + датасеты — примеры на Python и сырые CSV-датасеты включены для упражнений - Настройка для повторения — в README сказано, что можно клонировать репозиторий и использовать Jupyter или VS Code, параллельно просматривая уроки Бесплатный публичный репозиторий на GitHub. 👉 @PythonPortal

Трансформеры становятся понятнее, когда можно «потыкать» модель напрямую. Transformer Explainer — это интерактивный инструмент визуализации для изучения того, как работают текстогенерирующие модели на основе трансформеров, такие как GPT. Он помогает связать архитектуру с реальным поведением, запуская живую GPT-2 прямо в браузере, позволяя вводить свой текст и показывая, как внутренние компоненты работают вместе для предсказания следующих токенов. Ключевые возможности: - Живая GPT-2 в браузере — экспериментируйте без настройки отдельного сервера модели - Свой текст — пробуйте собственные промпты и смотрите, как модель их обрабатывает - Внутренние компоненты — наблюдайте за операциями, работающими внутри трансформера - Фокус на предсказании следующего токена — связывайте каждый визуальный шаг с предсказаниями модели - Локальная разработка — клонируйте репозиторий, установите зависимости и запустите через npm для глубокого изучения Это open-source (лицензия MIT). https://github.com/poloclub/transformer-explainer 👉 @PythonPortal

Появился почти «божественный» инструмент. Думаю, после него количество доработок у людей, которые делают PowerPoint-презентации, заметно снизится. hugohe3/ppt-master — 33 093★ на GitHub, +589 за сегодня. Хотя он работает на ИИ, он не просто генерирует «слайды с вставленными картинками» — он собирает полноценные редактируемые .pptx-файлы с нативными фигурами и анимациями. Сильная штука. Самая больная часть генерации документов через ИИ — потом это нельзя нормально править. ppt-master умеет конвертировать любой документ в .pptx, поддерживает кастомные шаблоны и даже добавляет аудионарацию для заметок докладчика. В веб-версии ChatGPT и Claude это уже есть, поэтому хорошо, что появился и CLI-вариант. В реальной практике обычно работает простая схема: «ИИ делает черновик, человек доводит руками». Похоже, такие пайплайны будут дальше только развиваться. https://github.com/hugohe3/ppt-master 👉 @PythonPortal

Недавно наткнулся на Open Lovable — open source-проект команды Firecrawl, который уже набрал более 24 тысяч звёзд на GitHub. Порог входа практически отсутствует: просто вставьте ссылку на сайт, который хотите «клонировать», и через несколько секунд получите очень точную React-версию. Макет, стили и взаимодействия максимально повторяют оригинал, поэтому её удобно использовать как основу для дальнейшей разработки. GitHub: http://github.com/mendableai/open-lovable Кратко о возможностях: - В один клик «клонирует» любой сайт в React-приложение, справляясь даже со сложными страницами. - Поддерживает работу с несколькими моделями, включая OpenAI, Anthropic, Gemini, Grok и другие, позволяя легко переключаться между ними. - Построен на базе Firecrawl для извлечения структуры страниц, что делает воссоздание сайтов более стабильным и точным. - Поддерживает локальную отладку и развёртывание, а также показывает результат в режиме реального времени во время генерации — сразу видно, что получается. - Интегрируется с песочницей E2B для более безопасного запуска и тестирования. Проект распространяется по лицензии MIT и полностью открыт: достаточно скачать его локально, указать необходимые API-ключи — и можно начинать работу. 👉 @PythonPortal

Вышел Chunkr. Проект с открытым исходным кодом для интеллектуальной обработки документов. Он преобразует PDF, презентации PowerPoint, документы Word и изображения в структурированные блоки, готовые для RAG-систем и конвейеров на базе LLM. Возможности: » анализ структуры документа с OCR и координатами элементов; » экспорт в структурированный HTML и Markdown; » обработка с помощью визуально-языковых моделей; » возможность развернуть локально через Docker Compose с поддержкой различных LLM-провайдеров. 👉 @PythonPortal

Китайский брат выложил в открытый доступ замену для NumPy, которая выполняет вычисления на GPU. Называется CuPy. Во многих случаях достаточно заменить одну строку:

import numpy as np

на

import cupy as cp

и тот же код может работать на CUDA до 100 раз быстрее. Что умеет: → Совместим с существующим кодом на NumPy и SciPy. → Не требует переписывать программу или изучать новый синтаксис. → Поддерживает не только CUDA, но и AMD ROCm. Проект полностью с открытым исходным кодом. 👉 @PythonPortal

Вышло руководство по Loop Engineering — новый подход к работе с AI-агентами Опубликован репозиторий loop-engineering, предлагающий сдвиг парадигмы: вместо того чтобы вручную давать промпты AI-агентам, разработчик проектирует цикл, который делает это автоматически. Автор отмечает, что большинство до сих пор использует Claude Code, Codex, Cursor и Grok как обычный чат: промпт → ожидание → копирование → исправление → снова промпт. Loop Engineering предлагает перестать быть «нянькой» для агента и вместо этого построить систему, где агенты работают, проверяют, исправляют и эскалируют самостоятельно. Репозиторий включает готовые циклы для ежедневного триажа, PR, CI, зависимостей, changelog и issues. В комплекте идут CLI для создания циклов, оценки токенов, аудита репозитория и безопасного запуска агентов через GitHub Actions. «Prompt engineering был о том, как писать лучшие промпты. Loop engineering — о создании системы, где агенты продолжают работать без вашего присмотра на каждом шагу», — говорится в описании. Репозиторий доступен на GitHub. Репозиторий: https://github.com/cobusgreyling/loop-engineering 👉 @PythonPortal

Появился Hyper-Extract — инструмент, который превращает неструктурированные документы в полноценные базы знаний. Вместо обычного разбиения PDF на чанки для RAG, Hyper-Extract может автоматически строить графы знаний, гиперграфы, временные и пространственные графы, типизированные модели данных, Obsidian Vault и базы знаний с поддержкой MCP. Среди сценариев использования: • преобразование научных статей в исследовательские графы; • извлечение компаний, людей, метрик и рисков из финансовых отчётов; • создание поисковых баз знаний из внутренних документов; • локальный запуск через vLLM без отправки данных в облако; • подключение к Claude Desktop и агентам в IDE через MCP. В комплекте также есть более 80 YAML-шаблонов для финансов, юриспруденции, медицины и других областей. GitHub: https://github.com/yifanfeng97/Hyper-Extract 👉 @PythonPortal

Коротко почему ПРОГРАММИРОВАНИЕ все учат на ютубе 👉 @PythonPortal

Как не дать ИИ заливать мусор в GitHub. В репозитории git push no-mistakes предложили подход, где изменения прогоняются через локальную проверку до попадания в PR. Идея простая. Перед пушем ветка проходит валидацию: ИИ проверяет код, дальше запускаются тесты, линтер, генерация документации и CI. Всё это работает локально через worktree, без блокировок и без остановки процесса разработки. Если всё зелёное — открывается чистый pull request. 👉 @PythonPortal

Исторический момент. Новый HTTP-метод в стандарте. QUERY. Альтернатива GET и POST. Как GET — не меняет состояние ресурса. Как POST — можно использовать тело запроса. Шлёшь JSON, кешируешь ответ. Только что повышен до Proposed Standard. 👉 @PythonPortal

Вау, вот это скорость разработки! 🚀 На GitVerse появилось зеркало PyPI — теперь Python‑пакеты доступны, даже если upstream PyPI упадёт или станет недоступен. Ставьте зеркало как основной источник или держите как резерв. Рассказали, как это сделать, здесь!

Заслужил 👉 @PythonPortal

Хочешь быстро прокачать SQL? Вот 4 курса, которые помогут поднять уровень: - SQL Basics for Data Science [https://programmingvalley.com/course/learn-sql-basics-for-data-science-free-course] - Google Data Analytics [https://programmingvalley.com/course/google-data-analytics-free-course] - IBM Data Science [https://programmingvalley.com/course/ibm-data-science-free-course] - Google Business Intelligence [https://programmingvalley.com/course/google-business-intelligence-free-course] Подойдут как для изучения основ SQL, так и для освоения анализа данных, BI-инструментов и работы с данными в реальных проектах. 👉 @PythonPortal