¡Ya disponible! Investigación de Telegram 2025 — los principales insights del año 
Python Portal
Ir al canal en Telegram
Всё самое интересное из мира Python Сотрудничество, реклама: @devmangx Менеджер: @Spiral_Yuri РКН: https://clck.ru/3GMMF6
Mostrar más📈 Análisis del canal de Telegram Python Portal
El canal Python Portal (@pythonportal) en el segmento lingüístico de Ruso es un actor destacado. Actualmente la comunidad reúne a 52 416 suscriptores, ocupando la posición 2 557 en la categoría Tecnologías y Aplicaciones y el puesto 11 922 en la región Rusia.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 52 416 suscriptores.
Según los últimos datos del 11 junio, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -817, y en las últimas 24 horas de -54, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 9.36%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 5.57% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 4 908 visualizaciones. En el primer día suele acumular 2 919 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 26.
- Intereses temáticos: El contenido se centra en temas clave como строка, none, true, модуль, peter.
📝 Descripción y política de contenido
El autor describe el recurso como un espacio para expresar opiniones subjetivas:
“Всё самое интересное из мира Python
Сотрудничество, реклама: @devmangx
Менеджер: @Spiral_Yuri
РКН: https://clck.ru/3GMMF6”
Gracias a la alta frecuencia de actualizaciones (últimos datos recibidos el 12 junio, 2026), el canal mantiene la vigencia y un amplio alcance. La analítica demuestra que la audiencia interactúa activamente con el contenido, lo que lo convierte en un punto de referencia dentro de la categoría Tecnologías y Aplicaciones.
52 416
Suscriptores
-5424 horas
-2227 días
-81730 días
Archivo de publicaciones
52 416
VS Code прокачали и завезли Agent Skills - открытый стандарт от Anthropic для расширения AI-агентов специализированными возможностями.
Работает с Claude Code и скоро будет поддержка Cursor.
👉 @PythonPortal
52 416
Первый по-настоящему открытый аудио-видео модельный стек.
LTX-2 это базовая модель на DiT с полноценными возможностями генерации видео в одном унифицированном варианте.
Спроектирована так, чтобы запускаться локально на потребительских GPU.
- text-to-video
- image-to-video
- и video-to-video режимы
100% open-source
👉 @PythonPortal
52 416
Ищем новичков во frontend-разработке и вёрстке сайтов.
Айтилогия запускает бесплатное обучение, где будет:
1. Практика на реальном заказе ценой до 10 000₽.
2. Разбор работ куратором.
3. Задачи от Fullstack-разработчика с 12-летним опытом.
4. Именной сертификат.
И главное — ты почувствуешь уверенность.
Потому что увидишь, что выполнить заказ на frontend-проект тебе по силам.
👉 Приходи на бесплатное обучение и зови с собой друзей
🔥 С 2019 Айтилогия стабильно помогает с обучением, практикой, зарабатывать на фрилансе и проходить собеседования.
52 416
Это, пожалуй, самая ловкая задача, которую я видел у человекоподобного робота.
Полностью автономно, на движке Sharpa CraftNet (VTLA), с тактильной обратной связью, которая позволяет в реальном времени подстраивать взаимодействие на уровне последних миллиметров.
👉 @PythonPortal
52 416
Парень собрал крошечного durable-агента, который при этом уже можно катить в прод
10 строк Python-кода, запущенные через dapr, дают тебе:
→ HTTP endpoint /run
→ Pub/Sub промпты через 10+ брокеров
→ Durable workflow execution
→ Персистентное состояние диалога и воркфлоу
→ Memory на базе ~30 state store реализаций
→ Agent registry discovery
→ Абстракцию для LLM через 10+ провайдеров
→ Conversation API с 10+ LLM-бекендами
→ Agent identity через SPIFFE
→ Secrets из 10+ secret store-ов
→ Config из внешних config store-ов
→ Resiliency (ретраи, таймауты, circuit breakers)
→ Tracing, метрики, логи
Зацени и скажи что думаешь
👉 @PythonPortal
52 416
Мы уже упираемся в хард предел всего этого Prompt Engineering.
Если твой агент держится на системном промпте в 3000 слов, это не софт. Это карточный домик.
Меняешь тон общения и ломается логика. Добавляешь новое правило и модель забывает старые.
Я нашел фреймворк который это чинит. Называется Parlant.
Он относится к поведению агента как к коду, а не как к художественному тексту.
Чит-код для продакшен-ИИ: перестань пихать бизнес-логику в статический текстовый файл. Parlant превращает правила в управляемый alignment-слой.
Это убирает бардак продакшен-агентов:
1. Линтер для промптов (проверка когерентности)
Ты задаешь правила. Parlant до рантайма проверяет не противоречат ли они друг другу. Конфликты ловятся раньше чем их увидят пользователи.
2. Динамическая подгрузка гайдлайнов
Хватит платить за отправку всего справочника на каждом шаге. Parlant смотрит на диалог и подмешивает только те правила которые сейчас реально нужны. Меньше контекста = выше точность и ниже стоимость.
3. Разделение логики и языка
Отвязывает что делать (бизнес-логика) от как говорить (LLM). Меняешь, например, политику возвратов в одном месте, и агент сразу обновляется без переписывания всей промпт-цепочки.
Хватит писать спагетти-промпты. Пора проектировать поведение. 🤨
👉 @PythonPortal
52 416
📱 Держите 6 хороших каналов по искусственному интеллекту и программированию для любого уровня!
Выбирай направление:
📱 Нейросети — @neuro_prompt
🤖 AI-инструменты — @ai_prompt
📱 Python — @python_prompt
🤔 InfoSec & Хакинг — @infosec_prompt
👩💻 IT Новости — @it_news
😄 IT Мемы — @it_memes
Промпты, обучение, шпаргалки и полезные ресурсы на каждую тему!
52 416
NVIDIA вот-вот выпустила новую опенсорс модель для транскрипции Nemotron Speech ASR, спроектированную с нуля под low-latency сценарии, вроде голосовых агентов.
Вот пример голосового агента, собранного на этой модели. Финализация транскрипции занимает 24 мс, а общее voice-to-voice время инференса меньше 500 мс.
Этот агент на самом деле использует сразу три open source модели от NVIDIA:
- Nemotron Speech ASR
- Nemotron 3 Nano 30GB в 4-битной квантизации (вышла в декабре)
- превью-чекпойнт будущей модели Magpie для text-to-speech
Все эти модели реально открытые: доступны веса, обучающие данные, код обучения и код инференса. Это важно. Вчера на CES Дженсен сказал, что в этом году open source модели догонят проприетарные по ряду направлений. NVIDIA явно делает ставку на то, чтобы это произошло. Как говорил Алан Кей, лучший способ предсказать будущее — это изобрести его.
Код самого агента тоже open source. Его можно задеплоить в прод через cloud от modal и pipecat_ai или запускать локально на nvidia DGX Spark или RTX 5090.
Вот технический разбор голосового агента из видео выше: как он устроен, какие три модели NVIDIA используются, как выкатить это в прод и какие есть интересные оптимизации, если гонять всё локально на одной GPU.
Весь код здесь: тут
Задеплоить эти модели в cloud от modal можно очень просто. (DX у Modal реально приятный.)
Для локального запуска придется собрать Docker-контейнер — ну, потому что bleeding edge vLLM, llama.cpp, CUDA под Blackwell и всё такое. Но Dockerfile в репозитории должен без проблем заводиться на DGX Spark и RTX 5090.
👉 @PythonPortal
52 416
Это один из имбовых способов начать учить Python с кучей практики : snakify.org
Функция "запуск кода пошагово" большой козырь этой платформы, что помогает понять как он выполняется и если необходимо, сразу заняться отладкой.
Lets'go it 👍
👉 @PythonPortal
52 416
Совет по Python:
Конкатенация строк через += в цикле имеет сложность O(n²), потому что при каждом сложении создается новая строка.
Используй join() — он дает O(n).
👉 @PythonPortal
52 416
Отличный проект. Изучай что угодно с DeepTutor.
Персонализированный обучающий ассистент на базе ИИ.
Это гораздо больше, чем просто чат-бот. Он помнит твой контекст и прогресс и подстраивается под твой стиль обучения.
И вдобавок он с открытым исходным кодом
👉 @PythonPortal
52 416
Для новичков подгон: бесплатный онлайн-курс по программированию на Python
На сайте можно прямо в браузере запускать код, решать задачки и изучать основы языка шаг за шагом
Начинай прокачку 👍
👉 @PythonPortal
52 416
ML-инженеры это вам: интерактивный обучающий блок по математике для машинного обучения
Недавно там выложили ещё несколько блогов по основам матанализа для машинного обучения, с интерактивными симуляциями.
Среди тем:
- backprop и градиентный спуск
- локальные минимумы и седловые точки
- векторные поля
- ряд Тейлора
- якобиан и гессиан
- частные производные
Материал ориентирован именно на ML-контекст, с упором на наглядность и практическое понимание. ✌️
Тренируемся здесь
👉 @PythonPortal
52 416
С кодом у тебя всё ок.
Если что-то не работает — смотришь логи, находишь баг, фикcишь.
А с женщинами ощущение, будто:
— документации нет
— поведение недетерминированное
— один и тот же input → разный output
— вчера работало, сегодня — игнор
Ты вроде нормальный парень.
Не токсик. Не дурак. Не бедный.
По логике этого должно хватать.
Но система не сходится.
Ты общаешься — вроде без ошибок.
А в ответ холод, странные реакции или «давай как-нибудь потом».
Самое бесячее — ты не понимаешь, где именно происходит краш.
Со временем я понял простую вещь:
в отношениях и общении с женщинами другая архитектура.
Не интуиция. Не магия.
Просто другие правила, которые никто не объяснил.
В этом канале я разбираю это как систему:
что реально влияет, где ты теряешь контроль,
и как перестать действовать методом тыка.
Если ты привык дебажить, а не гадать — оставайся. Тут будет полезно: https://t.me/+uQXO7pjLeD9jOGRi
52 416
Meta-agent фреймворк для построения высокопроизводительных multi-agent систем.
ROMA — это open-source meta-agent фреймворк для создания агентов с иерархическим выполнением задач.
Он использует рекурсивную иерархическую архитектуру:
задачи декомпозируются на подзадачи, агенты обрабатывают подзадачи, а результаты агрегируются вверх по дереву.
Всё для того, чтобы упростить разработку сложных агентных workflow, сделав декомпозицию задач, координацию и трассировку более управляемыми.
Ключевые компоненты:
Atomizer — определяет, является ли задача атомарной (можно выполнить сразу) или требует планирования
Planner — разбивает неатомарные задачи на подзадачи
Executor — выполняет атомарные задачи через LLM, API или даже других агентов
Aggregator — собирает результаты подзадач и объединяет их в итог родительской задачи
Рекурсивный цикл выглядит так:
solve(task) → decompose → solve(subtasks) → aggregate results
Фреймворк на 100% open-source.
👉 @PythonPortal
