Python RU

Один декоратор в Python может убрать сотни лишних запросов В Python есть встроенный кэш, о котором часто забывают: lru_cache из functools. Он запоминает результат функции и при повторном вызове с теми же аргументами не считает всё заново.

from functools import lru_cache

@lru_cache(maxsize=128)
def get_user(user_id: int):
    print("Идём в базу...")
    return load_user_from_db(user_id)

get_user(42)  # запрос в базу
get_user(42)  # результат из кэша

Где полезно: 1. дорогие вычисления 2. парсинг конфигов 3. API-запросы 4. рекурсивные алгоритмы 5. справочники и метаданные Есть и продвинутые фишки:

get_user.cache_info()
get_user.cache_clear()

Первое покажет hit/miss статистику, второе очистит кэш. Главное помнить: lru_cache хорош для чистых функций, где результат зависит только от аргументов. Для случайных данных, времени, прав доступа и часто меняющейся базы лучше не использовать вслепую.

Один из главных мифов вокруг ИИ-кодинга: достаточно найти правильный промпт — и модель начнет писать хороший код Но на практике два разработчика могут отправить одинаковый запрос: «создай API для пользователей» — и получить совершенно разный результат. Один получит аккуратный FastAPI-сервис с типами, тестами и обработкой ошибок. Другой — код, который придется переписывать после первого изменения. Причина часто не в модели. LLM (большие языковые модели) не знает, как устроен ваш проект: какие архитектурные решения приняты, какие стандарты действуют и что команда считает качественным результатом. Поэтому стоит выстраивать вокруг ИИ тот же инженерный слой, который уже есть в обычной разработке: правила проекта, чек-листы, автоматические проверки и понятные критерии качества. На бесплатном вебинаре karpovꓸcourses «ИИ-агенты и профессиональная разработка на Python» Алексей Жиряков покажет вживую, почему ИИ-код ломается в реальных проектах и как это исправлять. Алексей — исполнительный директор в Сбере, занимается развитием генеративного ИИ, а до этого более 15 лет работал в backend-разработке и руководил инженерными командами. Будет живое демо поверх готового репозитория: как настроить процесс, получить более чистый типизированный код и использовать продакшен-подход вроде связки «дешевая модель пишет — дорогая ревьюит», которая помогает снижать стоимость генерации. Присоединяйтесь по ссылке, а после регистрации вы получите гайд «Почему ваш ИИ пишет не то: LLM против ИИ-агента»: https://clc.to/erid_2W5zFHoKYJV Реклама. ООО «КАРПОВ КУРСЫ». ИНН 7811764627. erid: 2W5zFHoKYJV

OpenAI выпустила полную версию GPT-5.5-Cyber — своей самой продвинутой модели для авторизованной защитной кибербезопасности. Новая модель набрала 85,6% на CyberGym и обошла: • Mythos 5 — 83,8% • раннюю версию GPT-5.5-Cyber — 81,9% • GPT-5.5 — 81,8% • GPT-5.4 — 79,0% • Claude Opus 4.7 — 73,1% Главный акцент — не на «хакинге ради хакинга», а на легальной defensive security: анализе уязвимостей, проверке систем, аудите кода и помощи security-командам. https://x.com/sama/status/2069121360744550796

Теперь на GitVerse — зеркало PyPI! ⚡️ Python‑пакеты переехали на российскую платформу для разработчиков GitVerse — теперь зависимости подтягиваются быстрее, а пайплайны не зависят от доступности внешнего PyPI.   Остаётся только выбрать: установить зеркало как основной источник или оставить как «страховку». Гайд по подключению.

🐍 Python Парсинг: Большой продвинутый бесплатный курс Полное практическое руководство по веб-скрейпингу на Python — от основ HTTP до production-grade пауков, обхода антибот-защит, асинхронности и проектирования надёжных пайплайнов. Каждый раздел содержит рабочие примеры, типовые ошибки и продвинутые практики. https://github.com/justxor/Pythonparsing-/tree/main

5 вещей, которые надо сделать до старта Python-проекта Перед стартом Python-проекта сделай базовый набор, который потом спасёт нервы. Сначала создай отдельное окружение, чтобы проект не ломал всё вокруг. Потом сразу зафиксируй библиотеки, а не вспоминай через месяц, что ты ставил. Добавь автоформатирование кода, проверку ошибок и простые тесты. Секретные ключи держи отдельно, не пихай их прямо в код. И главное: сразу сделай нормальную структуру папок, README и проверку перед коммитом. Минимум простой: окружение, зависимости, форматирование, тесты и порядок в папках. Это не занудство. Это разница между проектом, который можно развивать, и папкой, которую страшно открыть через неделю.

🔥 SPRINT OFFER: Инженер по автоматизации тестирования (Python) Оффер за 5 дней – и вы в команде, которая создает программные системы для российской низкоорбитальной спутниковой группировки 🚀 БЮРО 1440 – место, где инженерные решения становятся частью технологий, определяющих будущее спутниковой связи и передачи данных. Команда нанимает в департамент "Единые системы управления и разработка ПО", где инженеры разрабатывают цифровые двойники, инструменты проектирования космической системы, внутреннее облако, дата-платформу, инструменты для разработчиков и системы управления разработкой, занимается тестированием и раскаткой ПО. 📍 Чем предстоит заниматься: • Проводить полный цикл тестирования API, UI, GUI; • Разрабатывать инструменты тестирования для космических систем; • Развивать и оптимизировать тестовые фреймворки и интегрировать качество в CI/CD; • Участвовать в технических обсуждениях, код-ревью и планировании. Мы ищем инженеров уровня Middle и Senior с опытом в тестировании от 5 лет, высшим техническим образованием и опытом по автоматизации тестирования на Python от 3 лет.   ⚙️ Как проходит SPRINT OFFER: 1️⃣ Подайте заявку до 24 июня; 2️⃣ Пройдите техническое и менеджерское интервью; 3️⃣ Получите оффер в течение 5 рабочих дней. 💼 Что предлагаем: 🚀 Удалённую работу по РФ, гибридный формат или офис; 🚀 Участие в разработке космических технологий и спутниковых систем связи; 🚀 Карьерный рост внутри команды и возможность развиваться в смежных направлениях; 🚀 Возможность участия в профессиональных конференциях, тренингах и обучение в собственной академии за счет компании; 🚀 ДМС со стоматологией, страхование, корпоративные скидки и комплексная программа поддержки сотрудников. Оставляйте заявку до 24 июня и присоединяйтесь к команде БЮРО 1440, которая создаёт связь нового поколения!

## Какую модель Claude выбрать в 2026: Sonnet, Opus, Haiku и подписки Pro/Max Если нужен Claude для ежедневной работы, базовый выбор — Sonnet 4.6. Он хорошо закрывает почти всё: посты, новости, сценарии, озвучки, переводы, саммари, ресёрч по текстам, правки и обычные рабочие задачи. Это самая сбалансированная модель по качеству, скорости и стоимости. Opus 4.8 лучше не тратить на рутину. Его стоит включать там, где реально нужна глубина: * сложная архитектура * разбор больших кодовых баз * отладка пайплайнов * тяжёлый анализ документов * нестандартный креатив * задачи, где ошибка дорого стоит Haiku 4.5 — это модель для потока. Быстрые черновики, массовая обработка, классификация, простые переписывания, генерация вариантов, дешёвые итерации. Там, где важнее скорость и объём, чем максимальная глубина. По подпискам логика такая: Pro подойдёт, если Claude нужен периодически: написать текст, проверить идею, помочь с небольшим кодом. Но при длинных чатах, картинках, Claude Code и частых итерациях лимиты быстро начинают мешать. Max 5x — самый практичный вариант для активной ежедневной работы. Его обычно хватает для контента, кода, анализа, длинных обсуждений и нормального рабочего ритма. Max 20x имеет смысл брать только тем, кто реально живёт в Claude: весь день гоняет Claude Code, агентов, большие репозитории, длинные сессии и тяжёлые задачи. Итог простой: Для большинства оптимальная связка — Sonnet 4.6 + Max 5x. Haiku — для быстрых массовых задач. Opus — только для действительно сложных случаев. Max 20x — если Claude стал основным рабочим инструментом на весь день. #claude #claudecode #ai #нейросети

⚡️ Python иногда умеет выглядеть как тёмная магия. Вот однострочный quicksort через lambda:

q = lambda x: x and q([i for i in x[1:] if i <= x[0]]) + [x[0]] + q([i for i in x[1:] if i > x[0]])

Что тут происходит: * берём первый элемент как pivot * всё, что меньше или равно ему, рекурсивно сортируем слева * сам pivot ставим в центр * всё, что больше, рекурсивно сортируем справа * если список пустой, возвращается пустой список Работает красиво, но в продакшен так писать не надо. Это скорее пример того, насколько гибким может быть Python, чем нормальный стиль кода. Минусы очевидные: плохая читаемость, рекурсия, лишние списки на каждом шаге и риск упереться в лимит рекурсии. Но как демонстрация идеи quicksort в одну строку — выглядит эффектно.

⚡️ Linux Roadmap: подробный практический курс от нуля до уверенного администратора Это пошаговый маршрут изучения Linux с упором на практику. Каждый раздел содержит объяснение «почему это устроено именно так», разбор команд и обязательные задания, которые нужно выполнить руками в терминале. Чтение без повторения навыка не даёт — держите терминал открытым рядом с этим текстом. Как работать с этим курсом: идите сверху вниз, не перепрыгивайте разделы; каждую команду набирайте руками, а не копируйте; в конце каждого блока выполняйте задание; специально ломайте систему в виртуалке и чините — это лучший способ учиться. https://github.com/justxor/linuxfullroadmap/

🖥 На stepik обновили курс Python в 2026 - рабочий инструмент для автоматизации, ботов, парсинга, API, данных и разработки с ИИ. Проблема новичков в том, что они учат Python кусками: синтаксис, пару задач, немного теории - и потом не понимают, как собрать из этого реальный проект. Этот курс закрывает именно этот разрыв. Здесь вы не просто смотрите уроки, а учитесь писать код, разбирать ошибки и собирать рабочие решения на практике. Внутри: - Python с нуля - много практики без сухой теории - реальные задачи и проекты - автоматизация рутины - работа с файлами, данными и API - понятная логика программирования - современная разработка с ИИ - отдельный блок по вайбкодингу Вайбкодинг это нормальный навык 2026 года и вас научат- правильно ставить задачу, проверять код, понимать результат и быстрее доводить проект до рабочего состояния. 48 часов скидка 60%: https://stepik.org/course/288218/

🖥 Python не медленный. Медленным его часто делает ваш код. У Python есть странная репутация: стоит программе начать тормозить, виноват сразу язык. Но в реальности большая часть быстрых сценариев в Python работает не потому, что интерпретатор внезапно стал магическим, а потому что тяжёлая работа уходит ниже - в C, C++ или Rust. CPython написан на C. Многие встроенные операции тоже выполняются в C: - len() - list.append() - dict.get() - sum() - сортировка - операции со строками - часть работы со списками и словарями Когда вы вызываете list.append(), Python не крутит всю логику добавления элемента на уровне байткода. Он платит небольшой overhead за вызов, а дальше попадает в C-функцию внутри CPython. Медленный путь начинается там, где мы вручную гоняем данные по одному элементу:

total = 0

for x in data:
    total += x

На каждой итерации интерпретатор должен выполнить байткод, достать объект, проверить типы, сделать операцию, обновить значение и перейти к следующему элементу. Для маленьких списков это незаметно. Для миллионов элементов это уже цена, которую вы платите за каждую итерацию. Быстрый путь выглядит иначе:

total = sum(data)

Здесь цикл проталкивается внутрь реализации. Python остаётся удобной оболочкой, а основная работа выполняется ближе к нативному коду. С NumPy та же идея, только ещё жёстче:

total = np.sum(data)

Внутренний цикл почти не возвращается в Python. Массив обрабатывается внутри оптимизированного нативного кода, а обратно приходит уже готовый результат. Поэтому фраза «Python медленный» слишком грубая. Точнее так: Python-циклы дорогие C-циклы дешёвые built-in функции часто быстрее ручного кода NumPy быстрый не из-за синтаксиса, а потому что не гоняет каждый элемент через интерпретатор хороший Python-код старается как можно дольше оставаться внутри готовых операций и библиотек Оптимизация Python часто начинается не с переписывания проекта на Go или Rust, а с простого вопроса: можно ли убрать ручной цикл и отдать работу тому коду, который уже написан на C, C++ или Rust? Python хорош не как самый быстрый исполнитель каждой операции. Он хорош как удобный слой управления над быстрыми нативными кусками. https://www.youtube.com/shorts/Rep67xPxmvk

Letta — это фреймворк с открытым исходным кодом для создания приложений LLM с отслеживанием состояния. С помощью Letta можно создавать агентов с отслеживанием состояния с расширенными возможностями логического мышления и прозрачной долговременной памятью.

✔️ Qwen анонсировала модель для управления роботами разных конструкций Подразделение Alibaba сообщила о выпуске Qwen-VLA - модели, которая способна управлять роботами разных типов без отдельной настройки под каждую платформу.

VLA-модели получают на вход изображение с камеры и текстовую команду, а на выходе выдают конкретные действия для робота.

Новинка построена на VL-основе Qwen3.5-4B и дополнена декодером действий на 1,15 млрд параметров. Модель объединяет 3 типа задач: манипуляции (захват и перемещение предметов), навигацию и прогнозирование траекторий, а переключение между разными роботами требует лишь изменения текстовой инструкции. Qwen-VLA не уступает специализированным системам, обученным под каждую отдельную задачу - GR00T (разработка NVIDIA) и π0.5 (Physical Intelligence). На наборе тестов LIBERO Qwen-VLA показала 97,9%, на RoboTwin-Hard - 87,2%, а в экспериментах с двуруким роботом ALOHA средний процент успешных выполнений в знакомых условиях составил 83,6% и 76,9% в незнакомых. Пока опубликован технический отчет и создан репозиторий проекта, о доступности самих моделей не сообщается. @ai_machinelearning_big_data #news #ai #ml

🐍 Python Roadmap 2026: наконец-то полноценная актуальная карта изучения Python, а не список ссылок «разберись сам» На GitHub выложили большой русскоязычный роадмап по Python на 2026 год - от первых скриптов до уровня Middle+/Senior. Маршрут собран под современный Python: - Python 3.13+ - free-threaded mode без GIL - JIT - uv вместо боли с pip/venv/poetry - ruff, pyright, pytest, hypothesis - async-first подход - типизация - CPython внутри - web, базы, ML/AI, DevOps и архитектура В роадмапе есть нормальная последовательность: сначала окружение и база, потом идиомы, ООП, типы, стандартная библиотека, асинхронность, тестирование, внутренности CPython, web, базы данных, AI-направление, продакшн и архитектура. Отдельный плюс - практический формат. На каждом этапе есть задачи, чеклисты, примеры кода и бесплатные ресурсы. То есть это не мотивационная простыня, а маршрут, по которому реально можно идти несколько месяцев и видеть прогресс. Для новичков - понятный путь без хаоса. Для джунов - способ закрыть дыры. Для тех, кто уже пишет на Python - хороший чеклист, чтобы понять, где ты всё ещё плаваешь. Python в 2026 году - это tooling, типы, async, инфраструктура, AI и продакшн-дисциплина. И этот роадмап как раз про такой Python. https://github.com/justxor/pythonroamap2026

Нужно узнать, какие аргументы были переданы вашему Python-скрипту? Для этого можно использовать sys.argv.

Linux-инсайт: shell - это просто обычная программа Ваш терминал не разговаривает с ядром напрямую магическим языком. Shell - это обычная userspace-программа. Просто таких программ целое семейство: bash, zsh, fish, dash, ksh, ash, встроенный shell из BusyBox. С точки зрения ядра все они делают примерно одну и ту же работу: - читают байты из file descriptor - парсят их как командный язык - вызывают fork - вызывают exec - запускают другие программы Разница почти вся живёт в userspace: какой синтаксис shell принимает, насколько он удобен в интерактивной работе, насколько строго следует POSIX и какие расширения добавляет сверху. POSIX описывает shell-язык, который часто называют просто sh. Большинство shell реализуют его как базу, а потом добавляют свои фичи. Поэтому bash и dash - это не «разные терминалы». Это разные реализации одной идеи. Небольшой сюрприз: в Debian и Ubuntu /bin/sh обычно не bash, а dash. Он проще, меньше и стартует быстрее. Поэтому скрипт с первой строкой:

#!/bin/sh

может вести себя не так, как вы ожидаете, если вы писали его «как bash-скрипт». Проверьте у себя:

readlink -f /bin/sh

И вы увидите, какой shell реально стоит за /bin/sh на вашей машине.

✔️ Anthropic запустила платформу Claude for Small Business Компания представила пакет интеграций Claude через интерфейс Claude Cowork, который связывает языковую модель с QuickBooks, PayPal, HubSpot, Canva, Docusign, Google Workspace и Microsoft 365. Пользователям доступны 15 готовых агентов для финансов, операционной деятельности, продаж, маркетинга и HR. Система умеет сводить бухгалтерский баланс, искать расхождения в транзакциях PayPal, составлять финансовые прогнозы, анализировать метрики HubSpot и генерировать промо-материалы в Canva. В архитектуру заложен принцип human-in-the-loop. Модель берет на себя вычисления и рутинную нагрузку, но критические действия - проводка платежей, подписание контрактов и отправка писем требуют финального подтверждения пользователя. anthropic.com ✔️ Создатель Qwen ищет инвестиции на свою ИИ-лабораторию Бывший технический руководитель Qwen в Alibaba привлекает финансирование для своего стартапа. Целевая оценка около $2 млрд, в переговорах об инвестициях участвуют Gaorong Capital и Sequoia China. Готового продукта у компании нет, оценка строится на репутации основателя. За 3 года в Alibaba он развил Qwen в одно из самых востребованных семейств open-source моделей. В марте техлид объявил об уходе из корпорации, после чего Alibaba перевела команду Qwen в прямое подчинение CEO и сместила фокус на закрытую коммерциализацию. Американские проекты выходцев из OpenAI стартуют выше: SSI Ильи Суцкевера на старте оценивали в $5 млрд, стартап Миры Мурати - в $10 млрд. Инвесторы осторожничают с китайским рынком: здесь не работает поглощение IT-гигантами, а экспортные санкции США на чипы ограничивают лаборатории в доступе к вычислениям. theinformation.com ✔️ Xiaomi опубликовала модель для автономного вождения Xiaomi Embodied Intelligence опубликовала код и веса 4B VLA-модели OneVL для беспилотных автомобилей и робототехники. По заявлению разработчиков, она принимает решения точнее, чем более крупные модели, и делает это почти мгновенно. Архитектура построена на Latent CoT, под капотом Qwen3-VL. Модель сжимает логику принятия решений в 55 скрытых токенов (35 визуальных и 20 текстовых). Подход сохраняет глубину рассуждений при задержке инференса на бортовом оборудовании в 0,24 секунды. На бенчмарках NAVSIM и ROADWork OneVL обходит аналоги вдвое крупнее. Xiaomi утверждает, что это первый случай, когда сеть с латентными рассуждениями превосходит текстовые CoT-модели по точности при сохранении скорости предиктивных систем. xiaomi.github.io ✔️ Индекс Ramp: Anthropic обошла OpenAI по доле корпоративных клиентов По данным платежного индекса Ramp AI, решения Anthropic используют 34,4% корпоративных клиентов платформы, OpenAI - 32,3%. За год доля Anthropic выросла в 4 раза, база OpenAI увеличилась на 0,3%. Статистика опирается на транзакции преимущественно американских компаний. Индекс учитывает факт оплаты услуг провайдера, а не реальные объемы API-запросов или токенов. Динамика спроса связана с ростом цен на проприетарные решения. Из-за удорожания закрытых API бизнес переходит на платформы инференса для open-source моделей и дешевые специализированные инструменты. ramp.com ✔️ Xynova анонсировала роботизированную кисть Flex 2 Китайская компания Xynova представила роботизированную кисть Flex 2 для гуманоидных роботов и систем воплощённого ИИ. При собственной массе 400 граммов манипулятор удерживает объекты весом до 12 кг. Кинематика устройства обеспечивает 23 степени свободы. Встроенные сенсоры проскальзывания и миллисекундный аппаратный отклик позволяют алгоритмам адаптивного захвата корректировать силу давления на предмет при контакте. Xynova самостоятельно производит аппаратные и программные компоненты продукта: сборку электродвигателей, редукторов, роликовых винтов, сервоконтроллеров и драйверов, а также написание алгоритмов управления. Разработкой занимается R&D-центр компании из 40 специалистов, более 70% из которых имеют ученые степени. xynova.com.cn @ai_machinelearning_big_data #news #ai #ml

⚡️ Китайцы выкатывают DeerFlow 2.0 - и это уже не «ещё один ИИ-агент» ByteDance полностью переписала DeerFlow до последней строки кода, и репозиторий уже улетел на 62 000 звёзд GitHub. Почему вокруг него такой шум? • DeerFlow сам создаёт и координирует десятки субагентов • Субагенты работают параллельно: пишут тексты, анализируют данные, кодят, ищут отели, помогают с бронью ресторанов и закрывают сложные цепочки задач • Из коробки есть навыки для ресёрча, отчётов, презентаций, веб-страниц, изображений и видео • Можно добавлять свои кастомные навыки под конкретный рабочий процесс • Агент читает, пишет и редактирует файлы, понимает изображения и умеет выполнять shell-команды • Есть долгосрочная память: профиль пользователя, предпочтения, контекст проектов и знания между сессиями • Поддерживаются Telegram, Slack, Feishu/Lark, WeChat и WeCom без публичного IP • Работает с разными LLM, а не заперт в одной модели • Интегрируется с Claude Code: задачи можно отправлять в DeerFlow прямо из терминала, не выходя из IDE • Поддерживает MCP-серверы И главное - это полный open source. Без закрытой коробки, без vendor lock-in, без искусственных ограничений. Пока одни продают «агентов будущего» за подписку, ByteDance просто выкатила опенсорсного Джарвиса. https://github.com/bytedance/deer-flow