Python RU

🔟 Open‑source Deep Research Assistants 🤖 Глубокие исследовательские агенты — не просто чат‑боты, а полноценные ИИ‑ассистенты, способные искать информацию, взаимодействовать с инструментами, планировать и писать отчёты. Ниже — 10 мощных open‑source проектов, которые уже можно протестировать: 1. DeerFlow — модульная система от Bytedance: DeerFlow — open‑source фреймворк от Bytedance для создания модульных LLM-агентов. Поддерживает: - планирование действий, - анализ кода, - генерацию отчётов (включая Text-to-Speech), - адаптивную интеграцию инструментов. Создан для исследований, автоматизации и построения сложных агентных пайплайнов. https://github.com/bytedance/deer-flow 2. Alita — самообучающийся агент с поддержкой Model Context Protocols (MCP), всё в одном модуле. Alita — агент, который сам придумывает, как ему расширить себя, не полагаясь на заранее написанные сценарии, и уже демонстрирует топовые результаты на сложных тестах. https://github.com/CharlesQ9/Alita 3. WebThinker — автономный веб‑поиск с логикой "думай‑ищи‑пиши", RL‑обучением и глубокой навигацией https://github.com/RUC-NLPIR/WebThinker 4. SimpleDeepSearcher — это лёгкий, но эффективный open‑source фреймворк от RUCAIBox, предназначенный для автономного веб-поиска через импровизированные многотуровые сессии: - Использует Supervised Fine‑Tuning (SFT) вместо сложного RL, что значительно упрощает обучение и снижает вычислительные затраты - Генерирует реалистичные траектории поиска и рассуждений, симулируя поведение пользователя в живом поисковом окружении . - Критически отбирает данные по нескольким критериям качества: разнообразие запросов, сложность, структура ответов 5. AgenticSeek — приватный on‑device ассистент с выбором эксперта под задачу и голосовым управлением https://github.com/Fosowl/agenticSeek 6. Suna — универсальный ассистент: браузер, CLI, работа с файлами, API, деплой https://github.com/kortix-ai/suna 7. DeepResearcher — это комплексный open-source фреймворк от GAIR‑NLP, предназначенный для обучения LLM‑агентов, способных проводить глубокие исследования в автономном режиме, взаимодействуя с вебом. Использует несколько агентов‑браузеров, которые совместно исследуют веб и обрабатывают информацию https://github.com/GAIR-NLP/DeepResearcher 8. Search‑R1 — агент на PPO/GRPO с поддержкой LLaMA3, Qwen2.5 и кастомных поисковиков. Агент учится эффективному циклу «думай — ищи — думай — отвечай» через RL, достигая важных улучшений в точности ответов и эффективности поиска. https://github.com/PeterGriffinJin/Search-R1 9. ReCall — это фреймворк на основе RL, который учит LLM "должным образом" вызывать и комбинировать инструменты, используя сгенерированные задачи, без необходимости вручную собирать примеры вызовов — и всё это в открытом доступе. https://github.com/Agent-RL/ReCall 10. OWL — мультиагентная система на CAMEL‑AI для динамического взаимодействия между агентами https://github.com/camel-ai/owl Агенты умеют планировать, взаимодействовать с браузером, запускать скрипты, интегрироваться с API и работать автономно. Всё проекты — с открытым кодом. Можно изучить, собрать и доработать под свои задачи. @ai_machinelearning_big_data #ml #rl #aiagents #ai #agents

Python — это фундамент, на котором можно построить карьеру в аналитике данных. Современные компании все чаще ищут специалистов, способных не просто писать код, но и извлекать из данных полезные для бизнеса инсайты. И если вы уже владеете Python, у вас есть серьезная фора перед другими кандидатами. 3 июля в 19:00 (мск) Анастасия Зеленова, team lead аналитики в Raiffeisen CIB, расскажет, кто такие аналитики и какие навыки и инструменты необходимы для работы, а также покажет повседневные задачи аналитика на реальных примерах. Присоединяйтесь к бесплатному онлайн-вебинару: https://clc.to/erid_2W5zFHg41K6  Реклама. ООО "КАРПОВ КУРСЫ". ИНН 7811764627. erid: 2W5zFHg41K6

🌟 Собрал для вас БЕСПЛАТНЫЕ аналоги популярных нейросетей, которые значительно облегчат вашу работу • Ideogram (MidJourney) — генератор изображений с огромным количеством настроек. • Pikalabs (Runway) — инструмент для создания и редактирования видео с помощью ИИ • Gamma (Power Point) — платформа для создания презентаций с ИИ-поддержкой. • N&N (Zapier) — автоматизация задач с использованием ИИ. • Krita (Photoshop) — бесплатный редактор изображений с функциями ИИ. • Gemini (ChatGPT) — мультимодальная нейросеть от Google для генерации текста, изображений и кода. freecourses

Wondera AI ии, который генерирует полноценные треки за минуту и заметно обходит конкурентов по качеству. Вы можете создавать, редактировать и выпускать музыку бесплатно, а нейронка подскажет, как лучше составить промт для трека. Пользуемся тут.

🧬 Genesys: Language Modeling by Language Models Проект от Allen Institute — Genesys (Genetic Discovery System) — это распределённая эволюционная система, в которой сами языковые модели (LLM) создают и улучшают другие языковые модели. 🛠 Что делает Genesys: • Автоматизирует весь цикл: от генерации идеи до реализации, проверки, обучения и оценки новых моделей • Использует LLM-агентов в роли исследователей и архитекторов • Работает как распределённая система, способная параллельно развивать десятки направлений • Имеет визуальный интерфейс, где можно наблюдать за эволюцией моделей и сравнивать результаты 🌐 Демо-доступ: Доступен онлайн на сайте genesys.allen.ai (первая сборка может загружаться медленно) 📊 Основные разделы интерфейса: • Evolution Statistics — статистика и ход эволюции • Design Viewer — галерея сгенерированных архитектур (можно скачивать) • Design Leaderboard — лидерборд лучших дизайнов по метрикам 🎥 Есть короткое видео-демо, где показаны функции и логика системы 📄 Исходный код и исследовательская статья опубликованы на GitHub и в открытом доступе 🧠 Genesys — это шаг к будущему, где языковые модели смогут исследовать и разрабатывать сами себя 💻 Попробовать: https://genesys.allen.ai 📝 Код https://github.com/allenai/genesys ✍️ Статья: https://arxiv.org/abs/2506.20249

🧠 Сложная и интересная задача для Python-инженеров: "Запусти чужой Python-код... но так, чтобы он не сломал твой сервер" Представь, ты разрабатываешь платформу, где пользователи могут запускать произвольные Python-скрипты: например, в формате онлайн-компилятора, песочницы для тестов, или генератора графиков. 📌 Условия задачи: Ты должен написать систему, которая: • Принимает произвольный Python-код от пользователя • Выполняет его безопасно и изолированно • Ограничивает время выполнения до 2 секунд • Ограничивает память до 128 MB • Блокирует доступ к файловой системе, сети, subprocess, fork • Возвращает stdout, stderr и статус выполнения 🛡️ Безопасность — ключ: • Скрипт может попытаться сделать os.remove('/'), import socket, while True: и т.п. • Ваша система не должна пострадать. Даже если кто-то пошлёт fork-бомбу или запросит весь RAM. 📦 Технические ограничения: • Решение должно быть на Python • Можно использовать Docker, podman, или Firecracker — но обоснуй выбор • Стандартная библиотека разрешена, но доступ к os, sys.modules, inspect, eval, __import__ — должен быть отключён или переопределён • Никаких внешних HTTP-запросов, файловых сокетов или pip install 🔧 Что ожидается: 1. Функция запуска:

result = run_code_safely(code="print(2 + 2)")
# result = { "stdout": "4\n", "stderr": "", "exit_code": 0, "status": "ok" }

Изоляция среды: • Вариант 1: через запуск контейнера с ограничениями (docker run --rm --net=none --memory=128m) • Вариант 2: через Firejail / chroot / seccomp / AppArmor профили • Вариант 3: через интерпретатор Python внутри subprocess с ограничениями через resource, signal, ast и multiprocessing.Process Блокировка опасных импортов и функций: • Запретить import os, import subprocess, import, eval, exec, open, globals() • Пример: AST-парсер удаляет запрещённые ноды до запуска Обработка ошибок и ограничений: • TimeoutExceededError — если код работает > 2 сек • MemoryLimitError — если процесс превысил лимит • SecurityViolation — при попытке запрещённого импорта или доступа Опционально — FastAPI API:

POST /run
{
  "code": "for i in range(10): print(i)"
}

→ Ответ:

{
  "stdout": "0\n1\n2\n...\n",
  "stderr": "",
  "status": "ok",
  "time": 0.032
}

🎯 Цель: Собрать систему, которая запускает потенциально опасный код от незнакомцев — и не падает, не зависает, не открывает доступ к хосту. 🤯 Challenge: • Как отследить попытку from os import system? • Что делать с __import__('os').system('ls')? • Как гарантировать остановку при while True: pass? • Как контролировать память на уровне Python? ✅ Если решишь — ты разберёшься с: • AST-парсингом и безопасностью исполнения Python • Управлением ресурсами (CPU, RAM, время) на уровне ОС • Изоляцией через контейнеры и sandbox-окружения • Построением безопасных API и интерпретаторов

✔️ OpenAI выложили в открытый доступ Customer Service Agent Demo Теперь у всех есть пример, как сделать продакшн-агентов с маршрутизацией, безопасностью и интерфейсом — от запроса до ответа. Что это такое: • Многоагентная система для поддержки клиентов (например: бронирование мест, отмена рейса, статус рейса, FAQ) • Демка написана на Python + Next.js • Использует OpenAI Agents SDK • Встроены guardrails: защита от неуместных запросов и попыток обхода правил • UI: внутри готовый интерфейс чат-бота Как работает: 1. Пользователь пишет запрос 2. Система выбирает подходящего агента (например, `SeatBooking`) 3. Агент отвечает или передаёт диалог другому 4. Есть fallback на человека, если нужно Как запустить:

# Backend
cd python-backend
python -m venv .venv && source .venv/bin/activate
pip install -r requirements.txt
uvicorn api:app --reload --port 8000

# Frontend
cd ui
npm install
npm run dev

Далее открываем: http://localhost:3000 Особенности • MIT-лицензия — можно адаптировать под свои задачи • Удобно расширять: добавлять новых агентов, инструменты, правила • Простой код, всё задокументировано • Рабочий кейс от OpenAI 🔗 GitHub: github.com/openai/openai-cs-agents-demo Если вы хотите собрать систему из агентов — это отличная точка старта. @ai_machinelearning_big_data #chatgpt #openai #aiagents #ai

🧠 BREAKING: MIT опубликовал первое исследование мозга пользователей ChatGPT Результаты звучат тревожно: > 🧪 У пользователей наблюдаются измеримые изменения в мозге > 🤖 Формируется зависимость от ИИ > 📉 Способность к самостоятельному мышлению снижается > 📝 83.3% участников не смогли вспомнить эссе, которое «написали» с помощью ChatGPT > 🧠 Количество активных нейронных связей упало с 79 до 42 MIT буквально фиксирует "мягкую когнитивную атрофию" после регулярного использования LLM. 💬 Мы — не просто наблюдатели ИИ-революции. Мы её подопытные. 🤔 Вопрос не в том, заменит ли ИИ человека. А в том, кем мы станем, если полностью передадим ему мыслительные функции. 📌 Почитать

🖥 Наконец-то нормальный канал по Python! PytStart – для каждого питониста! 🔸 Полезные статьи 🔸 Лайфхаки и советы 🔸 Разбор кода и практические задания Присоединяйся и начни свой путь в Python уже сегодня: @pytstart

📚 ArXiv Research Agent — отличный помощник для научных исследований. Агент самостоятельно: • Найдёт релевантные статьи с arXiv, bioRxiv, medRxiv и Semantic Scholar • Проведёт полноценный литературный обзор • Покажет, что упущено, и предложит, что добавить • Даст инсайты и цитаты из миллионов научных работ • Генерирует готовые конспекты И др. Вскоре обещают добавить поддержку MCP. 🔜 Попробовать: https://www.alphaxiv.org/assistant @ai_machinelearning_big_data #agent #ArXiv #ai #ml

Уверены в своих навыках кодинга?   Тогда заглядывайте в канал Selectel. Всю неделю в канале будут выходить полезные материалы для разработчиков: ● Подробная инструкция, как сделать приложение на базе веб-технологий; ● Технические задачи для настоящих Python-энтузиастов; ● Идеи для pet-проектов: от генерации сложных паролей до нейросети для создания изображений; ● И даже выгодные продуктовые предложения, которые помогут воплотить идеи на инфраструктуре Selectel.   Подписывайтесь на канал и прокачивайте знания в сфере разработки ➡️   Реклама, АО «Селектел», ИНН: 7810962785, ERID: 2VtzquikcTx

🐍 Задача на Python — Топ‑3 самых популярных товаров Допустим, у нас есть список покупок пользователей:

orders = [
    {"user": "alice", "items": ["apple", "banana", "apple"]},
    {"user": "bob", "items": ["banana", "orange"]},
    {"user": "carol", "items": ["banana", "apple", "orange", "banana"]},
    {"user": "dave", "items": ["apple"]},
]

🎯 Задание: Найти 3 самых популярных товара по количеству покупок (не по числу пользователей, а по общему количеству упоминаний). ✅ Ожидаемый результат: [('banana', 4), ('apple', 4), ('orange', 2)] 💡 Решение:

from collections import Counter

# Собираем все товары в один список
all_items = []
for order in orders:
    all_items.extend(order["items"])

# Считаем количество каждого товара
item_counts = Counter(all_items)

# Получаем топ-3 самых популярных
top_3 = item_counts.most_common(3)

print(top_3)

📌 Что тренирует задача: • Работа со словарями и списками • Использование Counter из модуля collections • Умение работать с вложенными структурами • Сортировка по частоте с помощью most_common() #python #задача #кодинг #алгоритмы #учимпитон #collections

QA-митап от YADRO — уже 19 июня 📍 Санкт-Петербург и онлайн 🕕 Сбор гостей с 18:00 🎫 Участие бесплатное Мероприятие будет полезно специалистам в области автоматизированного тестирования, особенно тем, кто работает с Python и внедряет собственные инструменты и процессы в тестовую инфраструктуру. В программе: — Обзор TestY — системы управления тестированием (TMS) с открытым исходным кодом и плагинной архитектурой. — Подход к автоматизации тестирования оборудования: от простого Bash до интеграции с тестовыми планами. — Анализ метрик качества, которые оказывают влияние на принятие решений в IT-продуктах и проектах. Спикеры — эксперты YADRO и приглашенные гости из Сбера, Т-банка и других компаний с опытом построения QA-процессов в крупных IT-командах. Офлайн-участников ждут демозона с оборудованием YADRO, интерактивные стенды, технический квест, кофе-брейк и неформальное общение на афтепати. 👉 Регистрация уже открыта, участие бесплатное. До встречи!

QA-митап от YADRO — уже 19 июня 📍 Санкт-Петербург и онлайн 🕕 Сбор гостей с 18:00 🎫 Участие бесплатное Мероприятие будет полезно специалистам в области автоматизированного тестирования, особенно тем, кто работает с Python и внедряет собственные инструменты и процессы в тестовую инфраструктуру. В программе: — Обзор TestY — системы управления тестированием (TMS) с открытым исходным кодом и плагинной архитектурой. — Подход к автоматизации тестирования оборудования: от простого Bash до интеграции с тестовыми планами. — Анализ метрик качества, которые оказывают влияние на принятие решений в IT-продуктах и проектах. Спикеры — эксперты YADRO и приглашенные гости из Сбера, Т-банка и других компаний с опытом построения QA-процессов в крупных IT-командах. Офлайн-участников ждут демозона с оборудованием YADRO, интерактивные стенды, технический квест, кофе-брейк и неформальное общение на афтепати. 👉 Регистрация уже открыта, участие бесплатное. До встречи!

🐍 Лайфхак: Ленивая загрузка огромных JSON-файлов с помощью ijson Ситуация: У вас огромный JSON-файл (гигабайты данных), который не помещается в память. Стандартный json.load() просто упадёт с OOM. Решение: Используйте библиотеку ijson — это парсер JSON "на лету", который читает данные потоково, как SAX для XML. Пример:

import ijson

with open('huge.json', 'rb') as f:
    # Предположим, внутри файла — массив объектов
    for obj in ijson.items(f, 'item'):
        # obj — очередной элемент массива, не вся структура целиком!
        # Можно обрабатывать на лету и не держать в памяти гигабайты
        process(obj)  # Ваш код обработки

Плюсы: Поддерживает вложенные структуры, сложные схемы JSON Минимальное потребление памяти Подходит для любых задач потоковой обработки 🔥 Если часто работаете с большими файлами — этот инструмент реально спасает время и ресурсы!

🔥 Успех в IT = скорость + знания + окружение Здесь ты найдёшь всё это — коротко, по делу и без воды. Пока другие ищут, где “подглядеть решение”, ты уже используешь самые свежие инструменты! AI: t.me/ai_machinelearning_big_data Python: t.me/pythonl Linux: t.me/linuxacademiya Собеседования DS: t.me/machinelearning_interview C++ t.me/cpluspluc Docker: t.me/DevopsDocker Хакинг: t.me/linuxkalii Devops: t.me/DevOPSitsec Data Science: t.me/data_analysis_ml Javascript: t.me/javascriptv C#: t.me/csharp_ci Java: t.me/java_library Базы данных: t.me/sqlhub Python собеседования: t.me/python_job_interview Мобильная разработка: t.me/mobdevelop Golang: t.me/Golang_google React: t.me/react_tg Rust: t.me/rust_code ИИ: t.me/vistehno PHP: t.me/phpshka Android: t.me/android_its Frontend: t.me/front Big Data: t.me/bigdatai МАТЕМАТИКА: t.me/data_math Kubernets: t.me/kubernetc Разработка игр: https://t.me/gamedev Haskell: t.me/haskell_tg Физика: t.me/fizmat 💼 Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy Папка FRONTEND: https://t.me/addlist/mzMMG3RPZhY2M2Iy 😆ИТ-Мемы: t.me/memes_prog 🇬🇧Английский: t.me/english_forprogrammers 🧠ИИ: t.me/vistehno 🎓954ГБ ОПЕНСОРС КУРСОВ: @courses 📕Ит-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy Подпишись, если хочешь быть в числе тех, кого зовут в топовые проекты!

🗣 Голосовой AI-ассистент на Python (Streamlit, Whisper, ChatGPT, TTS) Пишем готовий проект на Python. Проект объединяет несколько компонентов: - Распознавание речи: отправка аудио на OpenAI Whisper API (модель whisper-1) для транскрипции русской речиkdnuggets.com. - Генерация ответа: отправка полученного текста в OpenAI ChatCompletion (модель gpt-3.5-turbo) для получения ответа в виде текстаgokhang1327.medium.com. - Синтез речи (TTS): два варианта генерации звука из текста: платный сервис ElevenLabs (реалистичные голоса, поддержка русского) и открытая модель Silero TTS (бесплатная, поддерживает русский)github.comgithub.com. - Интерфейс: веб-приложение на Streamlit с виджетом записи аудио (микрофон) и областью для отображения распознанного текста и ответа. Ниже приведён подробный код приложения и инструкции по его запуску. Читать: https://uproger.com/golosovoj-ai-assistent-na-python-streamlit-whisper-chatgpt-tts/