Python Portal

Open in Telegram

Всё самое интересное из мира Python Сотрудничество, реклама: @devmangx Менеджер: @Spiral_Yuri РКН: https://clck.ru/3GMMF6

Network:Times | Финансы Russia11 911 Technologies & Applications2 547...

📈 Analytical overview of Telegram channel Python Portal

Channel Python Portal (@pythonportal) in the Russian language segment is an active participant. Currently, the community unites 52 460 subscribers, ranking 2 547 in the Technologies & Applications category and 11 911 in the Russia region.

📊 Audience metrics and dynamics

Since its creation on невідомо, the project has demonstrated rapid growth, gathering an audience of 52 460 subscribers.

According to the latest data from 10 June, 2026, the channel demonstrates stable activity. Although there has been a change in the number of participants by -783 over the last 30 days and by -20 over the last 24 hours, overall reach remains high.

Verification status: Not verified
Engagement rate (ER): The average audience engagement rate is 9.32%. Within the first 24 hours after publication, content typically collects 5.78% reactions from the total number of subscribers.
Post reach: On average, each post receives 4 892 views. Within the first day, a publication typically gains 3 033 views.
Reactions and interaction: The audience actively supports content: the average number of reactions per post is 25.
Thematic interests: Content is focused on key topics such as строка, none, true, модуль, peter.

📝 Description and content policy

The author describes the resource as a platform for expressing subjective opinions:
“Всё самое интересное из мира Python Сотрудничество, реклама: @devmangx Менеджер: @Spiral_Yuri РКН: https://clck.ru/3GMMF6”

Thanks to the high frequency of updates (latest data received on 11 June, 2026), the channel maintains relevance and a high level of publication reach. Analytics show that the audience actively interacts with content, making it an important point of influence in the Technologies & Applications category.

52 460

Subscribers

-2024 hours

-1877 days

-78330 days

4 892

Post views

~ 3 03324 hours

~ 3 58848 hours

9.32%

Engagement rate

~ 3

Posts per day

Ads index

beta

Posts Archive

52 460

Весна для многих в индустрии началась с сюрпризов, и это не подснежники 💩 Но мы с вами и не с таким справлялись, да? Поэтому давайте сделаем себе что-то приятное :) 🤩🤩🤩 В апреле мы в @qa_guru разыграем сразу 2 полных гранта на годовые программы по автоматизации тестирования. — QA Automation Engineer на Python — QA Automation Engineer на Java Для этого: ⬆26 марта (уже в четверг!) ⬇в 13:00 МСК Приходи на бесплатный карьерный вебинар «QA в 2026: кто вырастет в доходе, а кто исчезнет с рынка». Занять место тут ⬅⬅⬅ Каждый участник встречи получит свой номер. А гранты разыграем среди тех, кто купит любую из годовых программ до 31 марта. Что будет на встрече? Наш эфир — продолжение февральской темы, по которой мы получили от вас много вопросов. — Поговорим, как изменилась роль QA. — Дадим список навыков, которые усиливают ценность QA-инженера и влияют на доход. — Расскажем, заменит ли ИИ тестировщиков и как использовать его в своих целях. — И куда двигаться дальше, план развития на 3–6 месяцев. — Обсудим резюме: что реально повышает отклики, а что уже не работает. Там же откроем специальные цены на курсы только для участников эфира. Если ты уже в QA, думаешь про автоматизацию или ищешь работу — приходи. Узнаешь много полезного бесплатно и получишь готовый карьерный план. 🤩 А если давно хотел пойти учиться, то это шанс забрать год бесплатно. ↘Займи место здесь

52 460

Китай заопенсорсил крупный Python-фреймворк для создания AI-агентов. Он называется AgentScope — это Python-фреймворк, построенный вокруг Agent-Oriented Programming, который позволяет визуально собирать AI-агентов с использованием MCP-инструментов, памяти, RAG и возможностей reasoning. На 100% open source. 👉 @PythonPortal

52 460

Ты можешь разрабатывать и тестировать облачные приложения полностью офлайн, без подключения к интернету Есть gofakes3 — лёгкая реализация S3 для тестирования без AWS. Она позволяет мокать облачное хранилище прямо на твоей машине. - Нулевые расходы на облако для локального тестирования - Можно тестировать интеграции с S3 офлайн - Лёгкий и простой в настройке На 100% open source 👉 @PythonPortal

52 460

Это по-настоящему самоэволюционирующий AI-агент, работающий в продакшене. Автор реализовал полноценную агентную систему всего на 3500 строках чистого Python, без зависимостей от фреймворков, в 8 файлах: Tool Use Loop + трёхуровневая система памяти (сессии → сжатая долгосрочная память через LLM → векторный поиск в LanceDB) + MCP-плагины + планировщик задач + механизм самовосстановления. Интегрированы корпоративный WeChat, обработка видео (ffmpeg), мультиижковый поиск, а также поддерживаются Docker-мультиарендность и круглосуточная работа 24/7. 👉 @PythonPortal

52 460

😅😅😅 👉 @PythonPortal

52 460

Наткнулся на портфолио одного сеньор-разраба использует Linux с 1999 27 лет опыта C/C++ (27 лет), JS (24 года), Python (20 лет), Java (22 года), Go, Rust… чел в одном языке имеет больше опыта, чем многие из нас вообще живут совсем другая лига портфолио → http://kamilnowicki.com 👉 @PythonPortal

52 460

Разберись с Multi-Stage Docker Builds - пригодится на собеседовании. Что такое Multi-Stage Build? Это способ использовать несколько инструкций FROM в Dockerfile, чтобы собирать чистые, компактные и готовые к продакшену образы. Позволяет разделить этапы сборки и выполнения . Зачем использовать Multi-Stage Builds? - Чтобы не тащить в продакшен инструменты сборки и исходный код. - Существенно уменьшить размер образа. - Повысить безопасность и производительность. Ниже пример Multi-Stage Dockerfile для Node.js

# Stage 1: Build
FROM node:18 AS builder
WORKDIR /app
COPY package*.json ./
RUN npm install
COPY . .
RUN npm run build

# Stage 2: Serve
FROM nginx:alpine
COPY --from=builder /app/build /usr/share/nginx/html
EXPOSE 80

Пояснение: - Первый этап: установка зависимостей и сборка приложения. - Второй этап: используется лёгкий образ NGINX для раздачи собранных статических файлов. В финальный образ попадает только результат сборки. Плюсы: - Меньший размер итогового образа. - Чёткое разделение ответственности (build vs runtime). - Работает с любым языком и фреймворком. 👉 @PythonPortal

52 460

Самые быстрорастущие проекты на GitHub за эту неделю: 1. msitarzewski/agency-agents (+23.2K stars) полноценное AI-агентство у вас под рукой: фронтенд-волшебники, комьюнити-ниндзя, «проверяльщики реальности». 2. obra/superpowers (+19.2K stars) фреймворк agentic-навыков, который только что достиг 100K звёзд. plug-and-play инструменты для разработки с AI-агентами. 3. 666ghj/MiroFish (+17.6K stars) движок роевого интеллекта, который умеет предсказывать что угодно. простой, универсальный, с открытым исходным кодом. 4. volcengine/OpenViking (+10.2K stars) open-source база контекста для AI-агентов. объединяет память, ресурсы и навыки. 5. lightpanda-io/browser (+9.9K stars) headless-браузер, созданный для AI и автоматизации. без Chrome, без лишнего. написан на Zig. 6. pbakaus/impeccable (+6.4K stars) дизайн-язык, который прокачивает ваш AI-harness в плане дизайна. делает vibe-coded UI более осмысленным и целостным. 7. alibaba/page-agent (+6.2K stars) in-page GUI-агент на JavaScript от Alibaba. позволяет управлять любым веб-интерфейсом с помощью обычного языка. 8. andrewyng/context-hub (+5.2K stars) слой управления контекстом для AI-агентов от Andrew Ng. 9. langchain-ai/deepagents (+4.9K stars) agent-harness с планированием, файловым backend’ом и возможностью спавнить сабагентов. 10. microsoft/BitNet (+4.8K stars) официальный фреймворк Microsoft для 1-битных LLM. полная производительность при почти нулевых вычислительных затратах. 👉 @PythonPortal

52 460

Кто-то выложил в open source компьютер, который работает даже тогда, когда весь интернет отключен. Он называется Project N.O.M.A.D. Это автономный офлайн-сервер для выживания с AI, Википедией, картами, медицинскими справочниками и полноценными образовательными курсами. Никакого интернета. Никакого облака. Никаких подписок. Он просто работает. Вот что внутри: → Локальный AI-ассистент на базе Ollama (полностью офлайн) → Вся Википедия, доступная для скачивания и поиска → Офлайн-карты любого выбранного региона → Медицинские справочники и гайды по выживанию → Полные курсы Khan Academy с отслеживанием прогресса → Инструменты шифрования и анализа данных через CyberChef → Загрузка документов с семантическим поиском (локальный RAG) И вот самая интересная часть: Солнечная панель, аккумулятор, мини-ПК и Wi-Fi-точка доступа. Всё. Это и есть твоя автономная офлайн-станция знаний. Потребление — от 15 до 65 Вт. Работает из хижины, автодома, парусной лодки или бункера. Компании продают «prepper-накопители» со статичными PDF за $185. А здесь ты получаешь полноценный AI-мозг, целую энциклопедию и реальные курсы — бесплатно. Одна команда для установки. 100% open source. Лицензия Apache 2.0. 👉 @PythonPortal

52 460

Код на Python:

print('Yes' if all([]) or any([]) else 'No')

Каков результат выполнения этого кода? 👉 @PythonPortal

52 460

Перестаньте использовать Python-код для построения «пирамид» или «стрелок» Если у вас слишком много уровней вложенных if, код перестаёт быть читаемым и удобным для поддержки — вы строите пирамиду. 😄 Посмотрите:

def process_user(user_data):
    if user_data:
        if 'name' in user_data:
            if user_data['name']:
                if 'email' in user_data:
                    if validate_email(user_data['email']):
                        return save_user(user_data)
                    else:
                        return "Invalid email"
                else:
                    return "Email missing"
            else:
                return "Name empty"
        else:
            return "Name missing"
    else:
        return "No data"

Это называется «антипаттерн стрелки» (Arrow Anti-Pattern) или «пирамида смерти» (Pyramid of Doom). Основной сценарий спрятан в самом низу. Чтобы понять, что делает код, приходится держать в голове 4+ уровней вложенности. А вот этот вариант гораздо лучше:

def process_user(user_data):
    # Сначала обрабатываем все ошибки
    if not user_data:
        return "No data"
    
    if 'name' not in user_data:
        return "Name missing"
    
    if not user_data['name']:
        return "Name empty"
    
    if 'email' not in user_data:
        return "Email missing"
    
    if not validate_email(user_data['email']):
        return "Invalid email"
    
    return save_user(user_data)

Это линейный стиль «сверху вниз», а не «вглубь и обратно». Ошибки явно обрабатываются в начале, а основная логика выделена в конце. Если данные некорректны — происходит ранний выход из функции (early return). 👉 @PythonPortal

52 460

Фильтр Калмана оценивает истинное состояние системы на основе шумных измерений. Он работает, объединяя две вещи: • модель эволюции системы • неточные показания датчиков Алгоритм выполняется в цикле из двух шагов. 1. predict (предсказание) - используется модель системы для оценки следующего состояния. - на выходе получаем предсказанное состояние и неопределённость. 2. update (обновление) - поступает новое измерение. - оно сравнивается с предсказанием. - оценка корректируется. Коррекция взвешивается с помощью коэффициента Калмана (Kalman Gain): • больше доверия модели → небольшая коррекция • больше доверия датчику → сильная коррекция Неопределённость отслеживается с помощью ковариационной матрицы (Covariance Matrix). Со временем оценка сходится. Шум отфильтровывается. Проявляется истинное состояние. Используется в: • локализации в робототехнике • беспилотных автомобилях • дронах и системах управления полётом • GPS-трекинге • объединении данных с датчиков (sensor fusion) Это рекурсивная система, которая непрерывно уточняет своё представление о состоянии мира в условиях неопределённости. 👉 @PythonPortal

52 460

Какие-то гении выложили в open source полноценный набор инструментов для отслеживания спутников и декодирования их радиосигналов локально. Тебе даже не нужен интернет — используется SDR (software-defined radio), чтобы напрямую принимать погодные снимки и сырые данные из космоса прямо на твой жёсткий диск. 100% open source. 👉 @PythonPortal

52 460

🤭🤭🤭 👉 @PythonPortal

52 460

Alibaba показали, что AI в кодинге не отнимает работу — он пишет легаси, которое ты будешь чинить ближайшие 10 лет 🤣 Пройти кодинг-тест один раз — легко. Поддерживать этот код 8 месяцев, чтобы он не развалился? Для AI почти невозможно. Alibaba протестировали 18 AI-агентов на 100 реальных кодовых базах в течение 233 дней. Смотрели не на «быстрые фиксы», а на долгосрочную стабильность. Результаты впечатлили: — 75% моделей ломали уже работающий код в процессе поддержки — Только Claude Opus 4.5/4.6 держали >50% zero-regression rate — Все остальные накапливали техдолг, который в итоге «ронял» кодовую базу Проблема в том, что мы до сих пор ориентировались на snapshot-бенчмарки вроде HumanEval — «работает ли сейчас?» Новый бенчмарк SWE-CI задаёт другой вопрос:

«А будет ли это работать через 8 месяцев эволюции?»

Большинство AI-агентов - это quick-fix артисты: код проходит тесты сегодня, но завтра превращается в боль поддержки. Они не строят софт, они скорее строят карточный домик. Нарратив стал честнее: писать код могут почти все модели. поддерживать - почти ни одна. 👉 @PythonPortal

52 460

Python Tip: Перегрузка операторов Это очень важная концепция в Python. Задумывались ли вы, как Python понимает, что означает оператор +? Для чисел — это сложение; для строк — конкатенация; для списков — объединение. Это и есть перегрузка операторов в действии. Перегрузка операторов означает задание специального поведения для операторов (+, -, *, == и т. д.) в ваших пользовательских классах. Вы определяете, как эти операторы должны работать с вашими объектами. 👉 @PythonPortal

52 460

Представили browser-whisper Транскрибация аудио в текст, которая работает нативно прямо в браузере. Использует WebCodecs и WebGPU под капотом. Особенности: - без настройки backend - не требуется API-ключ - 100% приватно и работает офлайн - всего 3 строки кода, чтобы встроить Установка:

npm i browser-whisper

GitHub-репозиторий ↓ https://github.com/tanpreetjolly/browser-whisper 👉 @PythonPortal

52 460

Развлечения в 2026 👉 @PythonPortal

52 460

Python медленный, потому что его динамическая архитектура требует runtime-dispatch при выполнении каждой операции. В этой статье много хороших разборов, которые помогают лучше понять, как работает Python. Очень хорошая работа! 👉 @PythonPortal

52 460

Самые быстрорастущие проекты на GitHub в этом месяце: 1. openclaw/openclaw (122K stars) ваш собственный персональный AI-ассистент, работает 24/7 на любой ОС 2. obra/superpowers (30.7K stars) фреймворк agentic-skills. plug-and-play инструменты для AI-агентов 3. ruvnet/RuView (30.4K stars) превращает обычные Wi-Fi сигналы в определение позы человека в реальном времени без камер, без датчиков — только Wi-Fi 4. 666ghj/MiroFish (17K stars) движок swarm intelligence, который предсказывает что угодно 5. moeru-ai/airi (16K stars) self-hosted AI-компаньон с голосовым чатом в реальном времени работает на вашей машине — вы полностью его контролируете 6. shanraisshan/claude-code-best-practice (11.8K stars) репозиторий с лучшими практиками разработки с Claude Code 7. badlogic/pi-mono (11.8K stars) полный toolkit для AI-агентов: CLI, единый LLM API, web-интерфейс, Slack-бот 8. bytedance/deer-flow (10.4K stars) open-source SuperAgent от ByteDance — самостоятельно исследует, пишет код и создаёт 9. shareAI-lab/learn-claude-code (9K stars) создание клона Claude Code с нуля — нужен только bash 10. p-e-w/heretic (7.6K stars) автоматически убирает guardrails у любой языковой модели 👉 @PythonPortal