Python Community

‍🎇Главная идея DevSecOps: безопасность перестаёт тормозить разработку. Вместо проверок «после релиза» всё встроено в пайплайн: код проходит SAST, контейнеры сканируются, инфраструктура проверяется на комплайенс. В итоге релизы выходят быстрее и при этом безопаснее. Этому и учит курс DevSecOps от Академии Codeby (https://codeby.academy/landings/devsecops/?erid=2VtzqxFc4SR&utm_source=tg&utm_medium=cpc&utm_campaign=devsecops_oct_26_pythonl&utm_content=pythonl&utm_term=site)на практике: ⏺️9 модулей, 48 занятий, 90% практики ⏺️Стек: Docker, Kubernetes, Terraform, Vault, Ansible, Prometheus ⏺️Финальный экзамен в стиле OSCP — только реальные задачи ⏺️Авторы — практики: внедрение Zero Trust, построение SOC, разработка DevSec-инструментов под Burp Suite Инженеры, которые умеют встраивать безопасность в CI/CD, сегодня в дефиците на стыке ИБ и DevOps — компании поняли, что «сначала сделать, потом чинить» обходится дороже. 👉 Запись на курс открыта до 15 октября ➡️️️ (https://codeby.academy/landings/devsecops/?erid=2Vtzqwr289a&utm_source=tg&utm_medium=cpc&utm_campaign=devsecops_october_26_iscode&utm_content=iscode&utm_term=site)Программа и регистрация (https://codeby.academy/landings/devsecops/?erid=2VtzqxFc4SR&utm_source=tg&utm_medium=cpc&utm_campaign=devsecops_oct_26_pythonl&utm_content=pythonl&utm_term=site) Бесплатная консультация — @CodebyAcademyBot @Python_Community_ru

‍🖥 Python-дайджест недели: PyPy 8 с Python 3.12, отладка None и фреймворки для агентов PyPy 8.0 выпустил первый интерпретатор с поддержкой Python 3.12, пока в бете, и подтянул совместимость с CPython. https://pypy.org/posts/2026/09/pypy-v800-release.html nonetrace при падении на None показывает, какая функция его вернула, и подсказывает исправление. Экономит кучу времени на отладке. https://pypi.org/project/nonetrace/ since-cutoff находит API ваших зависимостей, которые поменялись после даты обучения вашей coding-модели, и генерирует по ним документацию. Хорошее лекарство от галлюцинаций Copilot и Claude Code на свежих библиотеках. https://github.com/MohammadHijjawi97/since-cutoff Hardware-agnostic модели в vLLM. Разбор от PyTorch о том, как vLLM запускает одни и те же модели на разных ускорителях без переписывания кода. https://pytorch.org/blog/hardware-agnostic-models-in-vllm/ Bad evals, my own. Честный текст о том, как LLM-судьи выдают противоречивые оценки и вводят в заблуждение метриками. Пять упражнений на собственных ошибках. https://digline.dev/blog/bad-evals-my-own/ CinderX от Meta: JIT и Static Python против CPython 3.14 на реальном сервисе. https://dev.to/deadlovelll/speeding-up-a-python-service-with-cinderx-jit-and-static-typing-53bh Из проектов для агентов стоит взглянуть на Strands harness-sdk, открытый SDK для продакшен-агентов на Python и TypeScript с любой моделью и облаком, и на DeepTeam, фреймворк для red-teaming LLM и агентов. https://github.com/strands-agents/harness-sdk https://github.com/confident-ai/deepteam Для обучения пригодятся OpenArch с современными LLM-архитектурами, написанными с нуля на PyTorch, и Reef, инфраструктура для continual learning и самоулучшающихся агентов. https://github.com/anuj0456/OpenArch https://github.com/Human-Agent-Society/reef И приятная мелочь: домен subprocess.run ведёт прямо на документацию subprocess.run(). https://pythonhub.dev/digest/2026-10-04/ @Python_Community_ru

🐍 Python тормозит? В 3.15 добавили инструмент, который покажет где Tachyon (`profiling.sampling`) периодически снимает стек вызовов и определяет, где программа тратит время. Работает отдельным процессом, с минимальным влиянием на приложение. Можно подключиться к запущенному сервису без перезапуска и изменения кода. Что умеет: • Строить flame graphs и тепловые карты строк. • Показывать нагрузку в реальном времени. • Анализировать asyncio, ожидание I/O и удержание GIL. Подключение к процессу по PID: python3.15 -m profiling.sampling attach 12345 🎙 В Talk Python разработчики рассказывают, как устроен профилировщик и как применять его на практике: https://talkpython.fm/episodes/show/565/tachyon-python-3.15s-built-in-sampling-profiler @Python_Community_ru

webAI выпустила TwIL-LM3-Pro - компактную модель на 3,66B параметров специально для формальной логики. Модель построена на базе IBM Granite 4.2 3B и дообучена для задач вроде: - проверки, следует ли вывод из заданных предпосылок - перевода текста в формальную логику - semantic parsing - формализации и критики доказательств в Lean По тестам webAI, TwIL-LM3-Pro примерно на уровне Qwen3-8B по главному composite-метрику формальной логики, при этом параметров у неё меньше чем вдвое. Также она обходит публичный VibeThinker-3B по всем шести заявленным formal-задачам. - 3,66B параметров - Q4 GGUF весит всего 2,09 GiB - достаточно около 4 GB VRAM - можно запускать через llama.cpp - данные остаются локально Это не универсальный чат-бот, а узкоспециализированная reasoning-модель. Лицензия — non-commercial. https://huggingface.co/webAI-Official/TwIL-LM3-Pro @Python_Community_ru

🔥 Бесплатный курс по Claude Code на русском: от установки до команды агентов На GitHub выложили Claude Code PRO Course, бесплатный практический курс по Claude Code на русском языке. Он ведёт от первого запуска до настройки многоагентной работы в команде. Внутри 12 модулей в четырёх уровнях сложности: основы, рабочий процесс, расширения и масштабирование. Сначала установка, промптинг, память проекта через CLAUDE.md, настройки и права доступа. Потом профессиональный рабочий процесс, скиллы и слэш-команды, сабагенты и хуки. Дальше идут MCP, плагины и маркетплейсы, а в конце headless-режим, CI и GitHub Actions плюс продвинутые техники. Основной упор сделан на управление контекстом, разработку через тесты и автоматизацию через конфигурацию как код. Теорией курс не ограничивается: есть 8 практических лабораторных, готовый стартовый набор, библиотека промптов и пример собственного плагина. Лицензия MIT. https://github.com/justxor/claude-code-pro-course @machinelearning_interview @Python_Community_ru

🖥 Cayu - open-source runtime для долгоживущих ИИ-агентов на Python Проект закрывает инфраструктурную часть работы агентов: управление состоянием, инструментами, правами доступа, секретами и восстановлением после сбоев. Возможности: - долговечные сессии, события и контрольные точки; - возобновление, прерывание и разветвление запусков; - типизированные инструменты, политики и подтверждения действий; - лимиты расходов и учёт стоимости запусков; - работа с субагентами и фоновыми задачами; - управление контекстом и его сжатие; - изолированные окружения, хранилища и секреты; - трассировка, тесты и evals; - панель управления на FastAPI; - OpenAI, Anthropic, Bedrock, Vertex и OpenAI-совместимые API. Минимальный запуск: pip install cayu pytest cayu new myagent cd myagent pytest cayu eval run https://github.com/cayu-dev/cayu @Python_Community_ru

🖥 Примеры кода на Python 2026: лучшие практики, разбор и задачи с решениями Python примеры кода 2026 - практическое руководство на русском языке: разбор лучших примеров кода на Python, современные паттерны Python 3.12–3.14, чистый код, асинхронность, типизация, тестирование и задачи для практики с решениями. Подходит для начинающих, junior- и middle-разработчиков, а также для подготовки к собеседованию по Python. Ключевые темы: примеры кода Python, лучшие практики Python 2026, python для начинающих, задачи по Python с решениями, чистый код на Python, асинхронный Python, asyncio примеры, типизация в Python, pytest примеры, FastAPI пример, парсинг на Python, подготовка к собеседованию Python, Python 3.14 новые https://github.com/justxor/python-primery-koda-2026/ @Python_Community_ru

🚀 Jina-OCR-v1 разбирает целые страницы в Markdown со скоростью 2,57 страницы/с Jina AI представила Jina-OCR-v1 - OCR-модель для преобразования документов в структурированный Markdown. Главное: - 91,14 на OmniDocBench v1.6; - 83,4 на olmOCR-Bench; - на 7,4 пункта выше DeepSeek-OCR на olmOCR-Bench; - до 2,57 страницы/с; - лучший throughput среди 14 протестированных систем при concurrency 32; - сохраняет текст, формулы, таблицы и порядок чтения за один проход. Архитектура тоже интересная: модель на 3,4B параметров использует MoE и активирует около 570M параметров на токен. Для ускорения декодирования применяется FastMTP. Подойдёт для PDF, научных статей, отчётов, таблиц и других сложных документов, где обычного OCR уже недостаточно. Лицензия: CC BY-NC 4.0. Для коммерческого использования нужно отдельное разрешение. ModelScope: https://modelscope.ai/models/jinaai/ Paper: https://modelscope.ai/papers/2609.03 @Python_Community_ru

🐍 В Python 3.15 решили мягко «похоронить» re.match() re.match() никуда не удаляют, но для нового кода его теперь рекомендуют не использовать. Причина простая: название функции часто сбивает с толку. re.match() проверяет совпадение только с начала строки, хотя по имени это неочевидно. В Python 3.15 появился более явный вариант: re.prefixmatch() Теперь логика выглядит понятнее: - re.search() — ищет совпадение в любом месте; - re.prefixmatch() — только с начала строки; - re.fullmatch() — вся строка должна совпасть полностью. re.match() получил статус soft deprecated: он остаётся рабочим, без warning и без планов на удаление, но новый код лучше писать без него. Проверять старое использование можно через Ruff и правило TID251. Статья: https://hugovk.dev/blog/2026/soft-deprecating-re-match/ @Python_Community_ru

⚡️ Qwen-Image за 6 шагов: Viggle ускорили генерацию и редактирование в 5 раз Viggle выложили Qwen-Image-2.1-viggle-turbo v0.2, дистиллированную версию Qwen-Image-2.1. Вместо 40 шагов модели хватает 6 проходов, и end-to-end это примерно в 5 раз быстрее. Умеет text-to-image и редактирование по инструкции с 1–3 референсами, причём без CFG. Дистиллировали через DMD2 с distribution matching в стиле SenseFlow. Распространяется как LoRA поверх базовой модели: rank 256 на 1,3 ГБ или rank 128 на 680 МБ. По качеству на 96 пользовательских запросах разнообразие держится на 0,98 от базы, а композиция ни разу не разошлась с оригиналом. Пик памяти в ComfyUI около 26 ГБ VRAM на 1248×832. https://huggingface.co/Viggle/Qwen-Image-2.1-viggle-turbo @Python_Community_ru

🖥 Заголовки безопасности для FastAPI - одной строкой 🛡️ fastapi-security-headers добавляет к ответам приложения HTTP-заголовки: HSTS, защиту от MIME sniffing, ограничения на встраивание страниц и другие политики браузера. Подключается как ASGI middleware: app.add_middleware(SecurityHeadersMiddleware) Есть готовые настройки для JSON API, строгой политики и Swagger UI, чтобы /docs продолжал работать. Заголовки можно настроить под конкретное приложение или переопределить для отдельного маршрута. GitHub - https://github.com/aletgdev/fastapi-security-headers @Python_Community_ru

Линтер для инструкций ИИ-агентов LintLang проверяет AGENTS.md, CLAUDE.md, SKILL.md, описания инструментов и конфигурации агентов. Ищет расплывчатые инструкции, циклы без условия остановки и расхождения между описанием инструмента и его схемой. Работает локально, без вызовов LLM. Его можно запустить перед коммитом или добавить в CI, чтобы новые ошибки в инструкциях попадали на проверку вместе с кодом. uvx lintlang scan AGENTS.md https://github.com/hermes-labs-ai/lintlang @Python_Community_ru

⚡️ OmniVoice - открытая модель озвучки с поддержкой более 600 языков. Она умеет клонировать голос по 3–10 секундам записи и озвучивать новый текст этим голосом. Можно также задать характеристики голоса словами - например, тембр или акцент, либо позволить модели выбрать голос самой. Для разработчиков есть Python API, CLI и локальное веб-демо. Авторы заявляют скорость генерации до 40× быстрее реального времени, но это показатель для отдельных условий запуска, а не гарантия для любого устройства. Режим создания голоса по описанию обучали преимущественно на английском и китайском, поэтому на других языках результат может быть нестабильным. Подойдёт для озвучки роликов, локализации и голосовых интерфейсов - особенно если нужен язык, который редко встречается в TTS-моделях. GitHub: k2-fsa/OmniVoice: https://github.com/k2-fsa/OmniVoice @Python_Community_ru

⚡ Qwen представила Audio 3.1 - единый стек для ASR, TTS и realtime-аудио. Главное: * ASR лучше распознаёт языки и диалекты, убирает повторы и слова-паразиты. * ASR-Next разделяет спикеров, ставит таймкоды, распознаёт эмоции и окружающие звуки. * TTS поддерживает перенос голоса между языками и управление стилем, скоростью и эмоцией. * TTS-Next генерирует сразу голос + эффекты + фон через связку LM + diffusion. * Realtime умеет одновременно слушать и говорить с естественными перебиваниями. Плюс сильно снизили цены: TTS ~−70%, Realtime ~−85%, ASR до −95%. - Qwen-Audio-3.1-ASR: https://qwencloud.com/models/qwen-audio-3.1-asr-flash-filetrans - Qwen-Audio-3.1-Realtime: https://qwencloud.com/models/qwen-audio-3.1-realtime-plus @Python_Community_ru

‍🐍 Ruff доволен, mypy молчит, тесты зелёные. А в коде четыре одинаковых функции Автор статьи столкнулся с этим в проекте, который писал ИИ-агент. Вместо поиска готовых функций агент добавлял новые копии. Когда понадобилось изменить нормализацию данных, он уже не мог разобраться, какую из четырёх править. Обычные проверки не покрывают всю структуру проекта: * Ruff находит нарушения правил и умеет проверять сложность при соответствующей настройке. * mypy проверяет типы. * pytest проверяет сценарии, для которых написаны тесты. При этом дублирование между файлами, неиспользуемые функции и нарушения архитектурных границ могут остаться незамеченными. Автор предлагает добавить структурный анализ. Его инструмент pyscn ищет дубли, сложные функции, мёртвый код и нарушения правил зависимостей: uvx pyscn analyze . Что полезно забрать в свой проект: * Блокировать в CI новые проблемы, а не сразу весь накопленный техдолг. * Следить за изменением сложности, а не только за общей оценкой. * Закрепить допустимые зависимости между модулями проверяемыми правилами. * Дать агенту запускать анализатор до отправки кода на ревью. Высокая сложность сама по себе ещё не повод переписывать функцию. Иногда длинная последовательность понятных проверок лучше искусственного дробления. Статья — https://codescan.dev/blog/ruff-mypy-pytest-and-then-what @Python_Community_ru

‍🐍 В CPython одно чтение `__dict__` может навсегда замедлить доступ к атрибутам конкретного объекта. Начиная с Python 3.11 обычный obj.x часто вообще не делает lookup по словарю. После прогрева интерпретатор специализирует LOAD_ATTR, а значение читается почти напрямую из inline storage объекта. Но достаточно выполнить: `obj.__dict__` или: `vars(obj)` а в некоторых случаях даже: `copy.copy(obj)` — и __dict__ материализуется. После этого объект теряет быстрый специализированный путь на оставшееся время жизни. На CPython 3.14.6 в тесте на M3: обычный объект → 33.0 ms после чтения __dict__ → 50.6 ms В free-threaded сборке разрыв ещё больше: 34.0 ms → 59.4 ms. Интересная деталь: __slots__ сам по себе почти не ускоряет обычный attribute access. Его преимущество здесь в другом — у объекта нет __dict__, значит его невозможно случайно материализовать и сбить оптимизацию. Очень неочевидная причина, почему vars() или copy.copy() внутри hot path могут неожиданно ударить по производительности. https://deadlovelll.github.io/2026-09-05-reading-dict-deoptimizes-attribute-access/ @Python_Community_ru

🔥 Qwen представила Qwen3.8-Omni-Flash - свою первую мультимодальную модель, изначально заточенную под агентные задачи. Она одновременно работает с видео и аудио, умеет рассуждать по увиденному и услышанному, планировать действия и подключать инструменты. Среди сценариев — автоматический монтаж влогов, перевод коротких видео, создание пересказов фильмов и поиск нужных эпизодов в длинных записях. По данным Qwen, на WildClawBench-MM и UniClawBench модель прибавила в среднем 19,5 пункта в агентных задачах и приблизилась к Gemini 3.8 Flash по работе с аудио и видео. Контекст - 1 млн токенов. На OmniVideoBench активный поиск по длинному видео позволил сократить расход токенов на 51,8% по сравнению со статическим анализом. Стоимость обработки видео при этом снизилась примерно на 89% относительно Qwen3.5-Omni-Plus. Вместе с моделью Qwen открывает Qwen-MM-Plugins для мультимодальных инструментов. Qwen-Live Harness также будет опубликован отдельно. https://qwen.ai/blog?id=qwen3.8-omni-flash @Python_Community_ru

‍🔥 Package Doctor - необычный security-сканер для Python-зависимостей Он отвечает не только на вопрос «есть ли у пакета CVE?», а на более практичный: если завтра в этой зависимости найдут уязвимость, вы реально под угрозой и есть ли вообще кому её исправлять? Package Doctor оценивает сразу две вещи: - находится ли библиотека на trust boundary: auth, загрузка файлов, десериализация, crypto, URL parsing, model loading и т.д. - есть ли у проекта реальная способность быстро выпустить фикс Плюс инструмент: - проверяет pinned-версии по advisory-базам - учитывает CISA KEV и EPSS - AST-парсит ваш код и показывает, где зависимость реально импортируется - отличает abandoned package от просто редко обновляемого - умеет работать как hook для Claude Code и блокировать подозрительную зависимость до pip install Интересный подход: не засыпать разработчика сотнями CVE, а приоритизировать именно те зависимости, где одновременно есть экспозиция + слабая поддержка. Автор отдельно рекомендует использовать его вместе с pip-audit, а не вместо него. https://github.com/binuka200/package-doctor @Python_Community_ru

‍🔥 Django Q() objects — один из самых полезных инструментов ORM, который многие используют слишком редко Q() позволяет собирать сложные условия для WHERE, комбинируя их через AND, OR и NOT. Пример: Pet.objects.filter( Q(last_given_treats__isnull=True) | Q(last_given_treats__lte=timezone.now() - timedelta(days=1)), treats_needed__gt=F("treats_given"), ) Особенно полезно для динамических фильтров: q = Q() for term in search_term.split(): q |= Q(name__icontains=term) Pet.objects.filter(q) Но есть ещё более важный момент. При фильтрации через related models два отдельных .filter() могут привести к двум JOIN и неожиданно изменить смысл запроса. Species.objects.filter( pets__name__icontains="meowy" ).filter( pets__treats_given=0 ) Это уже может искать одну запись по имени, а другую - по количеству treats. Если собрать условия в одном .filter() или через Q(), Django использует один JOIN и проверяет условия на одной и той же связанной записи. Очень полезный приём для сложных QuerySet, динамического поиска и composable business filters. https://www.better-simple.com/django/2026/09/09/nifty-feature-q-objects/ @Python_Community_ru

‍🖥 Python → C++: Shed Skin компилирует код без ручной расстановки типов Shed Skin переводит ограниченное подмножество Python 3 в оптимизированный C++. На выходе можно получить отдельную программу или модуль расширения, который импортируется в обычный Python-проект. Типы инструмент выводит автоматически, поэтому аннотации добавлять не обязательно. Но код должен соответствовать ограничениям статической типизации. Что со скоростью? На наборе из более чем 80 программ авторы получили среднее ускорение в 20 раз относительно CPython 3.14, медианное - в 12 раз. Это результаты конкретных примеров, а не обещание для любого проекта. Ограничения существенные: * Поддерживается только часть Python. * Из стандартной библиотеки доступны около 25 модулей, включая random и re. * Произвольные сторонние библиотеки использовать нельзя. * Вложенные функции и переменное число аргументов не поддерживаются. Проект рассчитан прежде всего на небольшие вычислительные участки кода, которые можно отделить от внешних зависимостей. Для совместимости может потребоваться серьёзный рефакторинг. В репозитории есть примеры, включая трассировку лучей, шахматоподобные игры и DOOM. https://github.com/shedskin/shedskin @Python_Community_ru