Available now! Telegram Research 2025 — the year's key insights 
Python Community
Open in Telegram
Python Community RU - СНГ сообщество Python-разработчиков Чат канала: @python_community_chat Сотрудничество: @cyberJohnny и @Sergey_bzd РКН реестр: https://knd.gov.ru/license?id=67847dd98e552d6b54a511ed®istryType=bloggersPermission
Show more📈 Analytical overview of Telegram channel Python Community
Channel Python Community (@python_community_ru) in the Russian language segment is an active participant. Currently, the community unites 11 860 subscribers, ranking 10 575 in the Technologies & Applications category and 55 617 in the Russia region.
📊 Audience metrics and dynamics
Since its creation on невідомо, the project has demonstrated rapid growth, gathering an audience of 11 860 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 -41 over the last 30 days and by -2 over the last 24 hours, overall reach remains high.
- Verification status: Not verified
- Engagement rate (ER): The average audience engagement rate is 4.94%. Within the first 24 hours after publication, content typically collects 2.63% reactions from the total number of subscribers.
- Post reach: On average, each post receives 586 views. Within the first day, a publication typically gains 312 views.
- Reactions and interaction: The audience actively supports content: the average number of reactions per post is 1.
- Thematic interests: Content is focused on key topics such as docker, git, github, контейнер, await.
📝 Description and content policy
The author describes the resource as a platform for expressing subjective opinions:
“Python Community RU - СНГ сообщество Python-разработчиков
Чат канала: @python_community_chat
Сотрудничество: @cyberJohnny и @Sergey_bzd
РКН реестр:
https://knd.gov.ru/license?id=67847dd98e552d6b54a511ed®istryType=bloggersPermission”
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.
11 860
Subscribers
-224 hours
-107 days
-4130 days
Posts Archive
11 860
Как за 1 час собрать рабочий Skill в Claude
Это не теория, а простой пайплайн, который реально работает.
Сначала идея
Берёшь повторяющуюся задачу и сразу формулируешь, что именно должен делать скилл. Лучше максимально конкретно.
Дальше сборка
Запускаешь skill-creator и отвечаешь на вопросы. На выходе получаешь папку и SKILL.md с логикой, триггерами и инструкциями.
Потом тест
Пробуешь на реальных запросах. Смотришь, срабатывает ли там, где нужно.
Оценка
Смотришь eval. Это шаг, который почти все пропускают, а зря. Он показывает, где скилл ведёт себя нестабильно.
Доработка
Чистишь формулировки, уточняешь триггеры, убираешь лишние срабатывания.
Финал
Загружаешь в Capabilities → Skills и проверяешь уже в живом чате.
Как ускорить процесс
Открой Claude Cowork
Выбери Opus + Extended Thinking
И просто напиши:
"Помоги создать скилл для моей повторяющейся задачи"
Главное правило
Если скилл срабатывает лишний раз, проблема почти всегда в описании.
Хороший скилл - это не код, а правильно заданный контекст.
https://www.youtube.com/shorts/GhgKXX0mdxk
@Python_Community_ru
11 860
🎮 Создание 2D-спрайтов с помощью AI
Agent Sprite Forge позволяет превращать текстовые промпты в готовые к игре 2D-спрайты и карты. Используя Codex, вы можете создавать анимации, экспортировать чистые прозрачные листы и данные сцен для игр.
🚀 Основные моменты:
- Генерация спрайтов и анимаций из текстовых команд.
- Поддержка создания карт и игровых объектов.
- Возможность разработки полноценных игр с помощью AI.
- Интуитивно понятный интерфейс для планирования и рендеринга.
📌 GitHub: https://github.com/0x0funky/agent-sprite-forge
#python
@Python_Community_ru
11 860
Tencent Hunyuan выложила в open source Hy-MT1.5-1.8B-1.25bit - офлайн-модель для перевода на мобильных устройствах размером всего 440 МБ. Поддерживает 33 языка и работает без интернета.
Базовая модель на 1,8B параметров по качеству сопоставима с коммерческими API для перевода и моделями масштаба 235B.
По бенчмаркам она обходит Google Translate и Baidu Translate.
Версия на 440 МБ достигает этого за счёт Sherry - разреженной тернарной квантизации 1.25-bit, принятой на ACL 2026. Схема такая: параметры группируются по 4, три хранятся в 1-bit, один зануляется. В среднем получается 1.25 bit на параметр.
Также доступна версия на 574 МБ с 2-bit SEQ-квантизацией: почти без потери качества и быстрее на устройствах с Arm SME2.
Android-демо уже доступно.
🤖 https://modelscope.cn/collections/AngelSlim/Hy-MT15-18b-quant
📄 https://modelscope.cn/papers/2601.07892
📄 https://modelscope.cn/papers/2512.24092
@Python_Community_ru
11 860
✔️ The Open Source Computer Science Degree
На GitHub есть список курсов, который бесчисленные самоучки считают «альтернативой бакалавриату по компьютерным наукам»: open-source-cs, уже набравший более 20 000 звёзд.
Здесь бесплатные открытые курсы из ведущих вузов, таких как MIT, Стэнфорд, Принстон и других, по традиционной траектории подготовки CS-бакалавров: от основ до продвинутого уровня, от теории до практики, репо прокладывает чёткий путь обучения.
Полное покрытие: программирование, математика, системы, алгоритмы и приложения; для каждого курса заботливо указаны часы обучения, уровень сложности и здесь описаны предварительные требования, чтобы вы меньше спотыкались и не терялись.
GitHub: http://github.com/ForrestKnight/open-source-cs
@Python_Community_ru
11 860
Запросы обрабатываются медленно, задачи висят, а пользователь ждёт?
На открытом уроке разберём, как выносить длительные операции в фон в Django и перестать блокировать приложение. Покажем, как подключить Celery, настроить выполнение фоновых задач и использовать брокер сообщений RabbitMQ для управления очередями. Разберём, какие задачи стоит выносить в фон и как это влияет на стабильность и скорость работы сервиса.
Вы получите базовое понимание асинхронной обработки задач и увидите, как сделать приложение быстрее и надёжнее без усложнения архитектуры.
Открытый урок для начинающих разработчиков проходит в преддверии старта курса «Python-разработчик» 28 апреля в 20:00 МСК.
👉 Регистрация: https://clck.ru/3TJdkY
Реклама. ООО «Отус онлайн-образование», ОГРН 1177746618576
11 860
🚀 Открытый агентский хранилище OpenHarness
OpenHarness предлагает легкую инфраструктуру для агентов, включая инструменты, память и координацию между агентами. Это решение для разработки открытых агентов с поддержкой интеграции CLI и множеством инструментов.
🚀 Основные моменты:
- Легкая архитектура для агентов
- Поддержка 43+ инструментов и плагинов
- Механизмы управления и разрешений
- Контекст и память для улучшенной работы
- Координация между несколькими агентами
📌 GitHub: https://github.com/HKUDS/OpenHarness
#python
@Python_Community_ru
11 860
🐍 Маленькая, но красивая фишка Python.
В большинстве языков, чтобы поменять значения переменных местами, используют временную переменную:
temp = a
a = b
b = temp
В Python всё гораздо проще.
Можно сделать обмен значений в одну строку:
a, b = b, a
Без временных переменных, без лишнего кода.
Python просто распаковывает значения и меняет их местами.
Мелочь, но именно из таких вещей и складывается читаемый и лаконичный код.
🐍 Python полезные ресурсы ( ) ()
@Python_Community_ru
11 860
🚀 DeepSeek-V4 ломает рынок: 1M контекста стал нормой
DeepSeek выкатили V4 и сделали то, к чему все шли последние два года. Длинный контекст больше не фича для демо. Теперь это базовый уровень.
V4-Pro выглядит как заявка на прямую конкуренцию с закрытыми моделями. 49B активных параметров дают уровень reasoning, который раньше был доступен только в дорогих API. Агентные задачи закрываются на уровне SOTA среди open-source.
V4-Flash почти не отстает по качеству, зато быстрее и заметно дешевле. Это уже не про исследования. Это про продакшен, где важна цена за каждый запрос.
Новый attention с компрессией токенов и sparse-подходом делает 1M контекста не просто возможным, а экономически адекватным. Раньше длинный контекст стоил как эксперимент. Теперь это рабочий инструмент.
DeepSeek явно ставит ставку на агентов. Интеграция с Claude Code, OpenClaw и другими системами показывает, куда они целятся. Не чат. Автоматизация процессов, цепочки действий, реальные workflow.
И еще один важный момент. Теперь есть выбор между thinking и non-thinking режимами. Можно управлять тем, тратить ли ресурсы на глубокое рассуждение или получать быстрый ответ.
В итоге меняется базовая логика рынка. Если раньше ты выбирал между качеством и ценой, то теперь появляется третья точка. Длинный контекст плюс агентность при адекватной стоимости.
Это новый baseline, под который придется перестраиваться всем.
📄 Tech Report: https://huggingface.co/deepseek-ai/DeepSeek-V4-Pro/blob/main/DeepSeek_V4.pdf
🤗 Open Weights: https://huggingface.co/collections/deepseek-ai/deepseek-v4
#DeepSeek
@Python_Community_ru
11 860
🚀 50+ команд Claude Code, которые реально ускоряют разработку
Если ты используешь Claude Code как обычный чат - ты теряешь 80% его мощности.
Это не просто AI. Это полноценная система разработки внутри терминала.
Вот как его правильно использовать:
База, без которой никуда:
- /init - создаёт CLAUDE.md и память проекта
- /memory - открывает контекст проекта
- /add-dir - подключает новые директории
- /compact - чистит контекст и экономит токены
Работа с кодом:
- /diff - показывает изменения
- /review - ревью кода
- /simplify - 3 агента анализируют код
- /debug - системный дебаг
Контроль процесса:
- /plan - сначала думает, потом пишет код
- /permissions - контроль действий
- --dangerously-skip-permissions - полный автопилот
Продвинутые фичи:
- /agents - параллельные агенты
- /loop - повтор задач
- /bash - выполнение команд
- /remote-control - управление через браузер
Модели и режимы:
- /model - переключение моделей
- /effort - глубина мышления
- /fast - быстрый режим
Что важно знать:
- Claude Code = не чат, а инженер внутри проекта
- память (CLAUDE.md) решает больше, чем промпты
- агенты дают x2-x5 ускорение на сложных задачах
@Python_Community_ru
11 860
🚀 Автономные исследования на Apple Silicon
Порт Karpathy's autoresearch для Apple Silicon, использующий MLX. Проект реализует автономные исследовательские циклы с фиксированным временем и управлением через program.md. Основные файлы включают train.py для обучения и prepare.py для подготовки данных.
🚀 Основные моменты:
- Нативная поддержка Apple Silicon без PyTorch/CUDA
- Фиксированный 5-минутный бюджет на обучение
- Логирование результатов в results.tsv
- Простая структура для автономного эксперимента
- Оптимизация моделей для повышения эффективности
📌 GitHub: https://github.com/trevin-creator/autoresearch-mlx
#python
@Python_Community_ru
11 860
Продвинутый совет по Django:
Не тащи бизнес-логику в views и serializers. Выноси её в отдельный service layer.
Пока проект маленький, удобно писать всё прямо во view: получил request, дёрнул ORM, что-то посчитал, сохранил, отправил ответ.
Но как только появляются повторяющиеся сценарии, несколько точек входа, celery-задачи, admin, API и тесты, код начинает расползаться.
Хороший паттерн такой:
• view отвечает только за HTTP,
• serializer за валидацию,
• model за данные,
• а вся бизнес-логика живёт в services.
Пример:
# services/order_service.py
from django.db import transaction
from .models import Order, OrderItem
class OrderService:
@staticmethod
@transaction.atomic
def create_order(*, user, items_data):
order = Order.objects.create(user=user, status="new")
order_items = [
OrderItem(
order=order,
product_id=item["product_id"],
quantity=item["quantity"],
price=item["price"],
)
for item in items_data
]
OrderItem.objects.bulk_create(order_items)
return order
Во view тогда остаётся только это:
def create_order_view(request):
serializer = OrderCreateSerializer(data=request.data)
serializer.is_valid(raise_exception=True)
order = OrderService.create_order(
user=request.user,
items_data=serializer.validated_data["items"],
)
return Response({"order_id": order.id})
Что это даёт: код проще тестировать, логика не дублируется, её можно использовать в API, admin и background jobs, и становится меньше шансов сломать что-то при росте проекта.
Django-проект становится серьезнее в тот момент, когда ты перестаёшь писать всё во views.
🐍 Python полезные ресурсы ( )
@Python_Community_ru
11 860
+1
⚡️ Qwen3.6-35B-A3B - ставка на эффективную архитектуру, а не на размер
35B параметров, ~3B активных за счёт MoE.
Главное:
- по agentic coding показывает уровень моделей с ~10x большим активным объёмом
- превосходит Qwen3.5-27B (dense) и предыдущую Qwen3.5-35B-A3B
- нативно мультимодальная архитектура (text + vision)
- в VLM-бенчмарках сопоставима с Claude Sonnet 4.5, в ряде задач выше
- сильные метрики в задачах spatial reasoning
Практическое значение:
- MoE даёт кратное снижение compute без потери качества
- подходит для агентных сценариев, где важны последовательные действия и планирование
- можно использовать как единый стек для code + vision задач
Apache 2.0 - без ограничений для продакшена
qwen.ai/blog?id=qwen3.6-35b-a3b
chat.qwen.ai
huggingface.co/Qwen/Qwen3.6-35B-A3B
modelscope.cn/models/Qwen/Qwen3.6-35B-A3B
@ai_machinelearning_big_data
@Python_Community_ru
11 860
🔊 В опенсорс вышел самый лёгкий и доступный генератор речи - MOSS-TTS-Nano работает локально на любом процессоре даже без видеокарты.
Ультралёгкий TTS, который можно гонять хоть на тостере - MOSS-TTS.
Это не «демка на поиграться», а нормальный инструмент: запускается на обычном 4-ядерном CPU, тянется даже на уровне Raspberry Pi и при этом выдаёт живую речь без ощутимой задержки.
Модель крошечная - около 100 млн параметров, но звук на уровне: до 48 кГц и вполне чистая озвучка.
Лучше всего справляется с английским, но русский тоже поддерживает.
Умеет не только короткие фразы. Спокойно читает длинные тексты и может клонировать голос, что открывает кучу сценариев - от ботов до локальных ассистентов.
Фактически это TTS, который не требует ни облака, ни GPU, ни сложной инфраструктуры. Запустил и используешь.
https://github.com/OpenMOSS/MOSS-TTS-Nano
Демо: https://huggingface.co/spaces/OpenMOSS-Team/MOSS-TTS-Nano
@Python_Community_ru
11 860
🚀 Claude Code получил open-source инструмент, который снимает лимиты использования и не даёт ему останавливаться посреди задачи.
47 000+ звёзд, бесплатно, и уже называют чит-кодом для power-пользователей.
https://github.com/thedotmack/claude-mem
🐍 Python полезные ресурсы ( ) ()
@Python_Community_ru
11 860
🚀 OpenGauss: Умный оркестратор для Lean-работ
OpenGauss - это инструмент для управления рабочими процессами в Lean, позволяющий эффективно организовывать задачи, такие как доказательства и формализация. Он интегрирует несколько агентов и упрощает взаимодействие с Lean-экосистемой через удобный CLI.
🚀Основные моменты:
- Многоагентная архитектура для Lean-работ
- Поддержка различных рабочих процессов: prove, draft, autoprove
- Удобное управление проектами и сессиями
- Интеграция с Lean tooling и MCP/LSP
📌 GitHub: https://github.com/math-inc/OpenGauss
@Python_Community_ru
11 860
🔥 Linux 7.0 - Торвальд и команда вычистили десятилетия грязного легаси и ОС стала реально быстрее!
Линус Торвальдс наконец пошёл на радикальный шаг (https://9to5linux.com/linux-kernel-7-0-officially-released-this-is-whats-new#google_vignette) и начал массовую зачистку старого кода. То, что копилось годами, просто выкинули. Итог - система стала заметно проще, чище и быстрее.
Что изменилось по факту:
XFS сильно прокачали - файловая система стала надёжнее, меньше рисков потери данных и лучше ведёт себя под нагрузкой
Работа с памятью ускорилась примерно на 20%, плюс подтянули сетевой стек - соединения стабильнее при высоких нагрузках
Контейнеры теперь стартуют быстрее за счёт улучшений в open_tree - меньше оверхеда при разворачивании
В Kconfig наконец дали больше свободы кастомизации - можно заменить Tux на свой логотип
Поддержка железа тоже прокачана - AMD и Intel работают эффективнее без ручных оптимизаций
Главное здесь не список фич, а тренд. Ядро постепенно избавляется от исторического балласта и становится более предсказуемым и удобным для современных нагрузок.
https://github.com/torvalds/linux/releases/tag/v7.0
🐍 Python полезные ресурсы ( ) ()
@Python_Community_ru
11 860
Запросы в 1С работают, но медленно? Данные есть, логика верная — а производительность проседает, и разобраться, где именно проблема, сложно.
На открытом уроке разберём, как устроены регистры накоплений, где чаще всего допускаются ошибки и как они влияют на выполнение. Покажем, как правильно использовать виртуальные таблицы, условия и индексы, чтобы получать корректный план запроса.
Вы увидите, как писать запросы, которые быстро выполняются в СУБД. Урок будет полезен разработчикам, которые хотят перестать угадывать и начать осознанно управлять производительностью.
🗓Встречаемся 21 апреля в 20:00 МСК в преддверии старта курса «Разработчик 1С. Продвинутый уровень».
👉 Принять участие: https://clck.ru/3T5PK7
Реклама. ООО «Отус онлайн-образование», ОГРН 1177746618576
