Python Community

🌟 alphaXiv —выпустили расширение для хрома alphaXiv упрощает работу с научными статьями (arXiv, bioRxiv, PDF): ● чат с ИИ прямо в документе: выделение текста открывает диалог ● ссылки на другие статье через “@” для быстрого вызова статей ● позволяет генерировать блог одним кликом: иллюстрации к статьям, ключевые идеи, перевод ● закладки и автоматические BibTeX-цитаты для хранения и ссылок https://chromewebstore.google.com/detail/alphaxiv-understand-resea/liihfcjialakefgidmaadhajjikbjjab @Python_Community_ru

🐍 Python-задача: что выведет этот код с вложенными генераторами? gen = (x for x in range(3)) def wrap(g): return (x * 2 for x in g) gen2 = wrap(gen) print(list(gen)) print(list(gen2)) 🔍 Варианты: • a) [0, 1, 2], [0, 2, 4] • b) [0, 1, 2], [] • c) [], [0, 2, 4] • d) [0, 1, 2], Ошибка 💡 Разбор: - `gen = (x for x in range(3))` — генератор 0, 1, 2 - `wrap(gen)` — создаёт **новый генератор**, который берёт значения из `gen` и умножает на 2 Но генераторы **исчерпаемы**: после первого полного прохода `list(gen)` → `gen` становится пустым Значит: - `list(gen)` → `[0, 1, 2]` - `gen2 = wrap(gen)` теперь ссылается на **пустой** `gen` - `list(gen2)` → `[]` ✅ **Правильный ответ: b) `[0, 1, 2]`, `[]`** 🧠 **Вывод:** если оборачиваешь генератор — не "прожигай" его до передачи дальше. Генераторы нельзя перезапустить или "перемотать". 🛠️ Совет: если данные нужны повторно — сохрани их в список: ```python data = list(gen) ``` или используй itertools.tee для разветвления итератора. @Python_Community_ru

🎨 MonsterUI — стильный UI для FastHTML на Python (от Answer.AI) MonsterUI — это высокоуровневый слой поверх FastHTML, который позволяет быстро создавать красивые веб-интерфейсы на чистом Python без писанины HTML/CSS. ⚙️ Проблема FastHTML и так упрощает фронтенд, но стильность UI требует громоздких классов или CSS-фреймворков (Tailwind, Bootstrap). MonsterUI решает это, предоставляя готовые компоненты и умные настройки по умолчанию. ✨ Главные возможности • Полюбившиеся Tailwind/FrankenUI/DaisyUI скрылки под капотом • Удобные базовые компоненты: Button, Card, LabelInput и др. • Семантический текст и стили (H1, P, Blockquote, etc.), оформленные по умолчанию • Умные layout-хелперы: DivVStacked, Grid, DivFullySpaced и другие • «Высокоуровневые» компоненты: навбар, модалка, таблицы — готовые шаблоны • Автоматический рендер Markdown и подсветка кода • Темы с выбором цветовой схемы, поддержкой light/dark режимов 🚀 Пример компонента def TeamCard(name, role, location="Remote"): icons = ("mail", "linkedin", "github") return Card( DivLAligned( DiceBearAvatar(name, h=24, w=24), Div(H3(name), P(role))), footer=DivFullySpaced( DivHStacked(UkIcon("map-pin", height=16), P(location)), DivHStacked(*(UkIconLink(icon, height=16) for icon in icons)))) Всё чисто, семантично, без CSS-уродства и классов. 🔧 Старт pip install MonsterUI from fasthtml.common import * from monsterui.all import * app, rt = fast_app(hdrs=Theme.blue.headers()) @rt def index(): return Card(H1("Hello MonsterUI"), P("Приложение готово!")) serve() ✅ Преимущества: • Быстрый старт с современным UI • Чистый, читаемый Python-код • Гибкость в кастомизации через Tailwind • Подтверждённая пригодность в продакшене 🔗 Подробнее: #Python #WebDev #FastHTML #MonsterUI #Tailwind #HTMX #UI #OpenSource @Python_Community_ru https://www.answer.ai/posts/2025/01/15/monsterui.html

🖥 Как написать худший возможный Python-код Иногда проще показать, как не надо, чем объяснять, как надо. Вот список «правил», которые помогут вам гарантированно испортить любой Python-проект. 1. 🔒 Используйте непонятные имена переменных Называйте переменные x, y, a, thing. Абстракция — залог путаницы. def f(x, y, z=None): a = x * 2 b = y + a if z else y - a c = [i for i in range(a) if i % 2] return sum(c) + b 2.🧠 Пихайте максимум логики в одну строку Сложные тернарные выражения и вложенные list comprehension — всё в одной строке. result = [x if x > 0 else (y if y < 0 else z) for x in data if x or y and not z] 3.⚠️ Используйте eval() и exec() Это медленно, небезопасно и глупо — но зато эффектно. eval("d['" + key + "']") 4.🔁 Переиспользуйте переменные с разными типами Пусть одна переменная будет и строкой, и числом, и списком — динамическая типизация же! value = "42" value = int(value) value = [value] * value 5.🌍 Используйте глобальные переменные Изменяйте состояние приложения откуда угодно. Особенно изнутри функций. counter = 0 def increment(): global counter counter += 1 6.🔮 Используйте магические числа и строки Без пояснений. Пусть коллеги гадают, почему именно 42 или "xyz". if user.role == "xyz" and user.level > 42: access_granted() 7.📏 Игнорируйте стиль и отступы Никаких PEP8, никаких правил. Пиши, как хочешь. def foo():print("start") if True: print("yes") else: print("no") 8.🧱 Копируйте код из Stack Overflow, не вникая Ctrl+C — это тоже разработка. def complex_logic(x): return (lambda y: (lambda z: z**2)(y + 1))(x) 9.🧩 Придумывайте абстракции без надобности Вместо простой функции — классы, фабрики и стратегии. class HandlerFactory: def get_handler(self): class Handler: def handle(self, x): return x return Handler() 10. 💤 Добавляйте мёртвый код Никогда не удаляй — вдруг пригодится. И пусть он грузится в каждый запуск. def legacy_feature(): print("This feature is deprecated") return # нигде не вызывается 11.🔀 Не пишите документацию Комментарии только мешают. Кто захочет — разберётся. def a(x): return x+1 12.🧪 Пиши без тестов Если код работает — зачем его проверять? # Просто запускай и смотри глазами process_user(data) 13. 🤖 Не используй AI и автодополнение Только ручной кодинг, без подсказок. Ошибки — путь мастера. 🧠 Заключение Все эти советы — примеры того, как не стоит писать код. Если вы узнали себя — пора остановиться. Ведь Python задуман как язык, где важна читаемость, простота и явность. "Beautiful is better than ugly. Explicit is better than implicit. Readability counts." — The Zen of Python @Python_Community_ru

‍✔️ 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 (https://openai.github.io/openai-agents-python/) • 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 @Python_Community_ru

‍📈 TradingAgents — мультиагентная LLM-платформа для алгоритмической торговли 🎉 TradingAgents официально открыт! После большого интереса со стороны сообщества разработчики решили выложить весь фреймворк в open-source. 🔧 Что такое TradingAgents: • Это мультиагентная система, имитирующая работу реальной трейдинговой фирмы • Каждый агент выполняет свою роль — от анализа данных до принятия решений • Все агенты основаны на LLM-моделях и взаимодействуют между собой 👥 Роли агентов: • Fundamentals Analyst — анализ финансовых показателей компаний • Sentiment Analyst — оценка настроений по соцсетям и новостям • News Analyst — отслеживание глобальных событий и их влияния на рынок • Technical Analyst — прогноз на основе графиков, индикаторов (MACD, RSI и др.) ⚠️ Важно: проект предназначен для исследовательских целей и не является финансовой рекомендацией. Результаты могут зависеть от модели, данных и параметров генерации. 📦 Возможности: • CLI и GUI-интерфейс • Быстрый запуск и кастомизация • Структура, готовая к масштабированию 🔗 Репозиторий: https://github.com/AI4Finance-Foundation/TradingAgents #AItrading #LLM #MultiAgent #TradingAgents #fintech #opensource @Python_Community_ru

📊 Deptry — детектор проблем с зависимостями в Python. Этот инструмент сканирует проект на расхождения между импортами в коде и задекларированными зависимостями. Он работает с Poetry, pip и PDM, находя три типа проблем: неиспользуемые пакеты, отсутствующие зависимости и модули, ошибочно помеченные как dev-зависимости. Инструмент анализирует не только requirements.txt, но и динамические импорты черезависимостями что снижает количество ложных срабатываний. Для настройки можно использовать как CLI-аргументы, так и секцию [tool.deptry] в� Deptry — детекто 🤖 GitHub (https://github.com/fpgmaas/deptry) @Python_Community_ru

💻 Хочешь работать с масштабными цифровыми продуктами? Учись обрабатывать большие данные MLOps — все более популярный среди компаний способ повышения производительности и создания надежных моделей корпоративного уровня. ✅ Владение инструментами MLOps открывает новые карьерные горизонты специалистам ML, Data Scientist’ам и Software инженерам. 💪 Ответьте на 10 вопросов и проверьте, насколько вы готовы к обучению на продвинутом курсе «MLOps» от OTUS. ✍️ ПРОЙТИ ТЕСТ: https://clck.ru/3Mgqa8 Нативная интеграция. Информация о продукте www.otus.ru

‍🎯 Практическое руководство: Signals — реактивное управление состоянием в Python Недавно вышло отличное руководство «The Missing Manual for Signals: State Management for Python Developers», где автор показывает, как внедрять реактивную модель на Python с помощью библиотеки Почему Signals полезны Стандартный подход—императивный—скрывает зависимости между переменными, что ведёт к ошибкам: class OrderService: def add_order(self, order): self.orders.append(order) self.total += order.amount self.avg = self.total / len(self.orders) self.notify_if_needed() self.track_analytics() Если забыть обновить одно значение — всё сломается. Как работают Signals Signals = реактивные переменные, которые: 1. Хранят значение (`Signal`) 2. Автоматически вычисляют производные (`Computed`) 3. Выполняют побочные действия (`Effect`) на изменениях Пример: from reaktiv import Signal, Computed, Effect orders = Signal([]) total = Computed(lambda: sum(o.amount for o in orders())) avg = Computed(lambda: total() / len(orders()) if orders() else 0) Effect(lambda: notify(avg()) if avg() > 100 else None) orders.update(lambda os: os + [new_order]) Теперь всё обновляется автоматически — вручную ничего делать не нужно. Когда стоит применять * Сложные производные значения, зависящие от нескольких источников * Реальные Cascading-настройки, например, конфиг, кэши, соединения * Сценарии real-time: дашборды, метрики, воркфлоу Когда лучше не использовать * Простые последовательные преобразования * Одноразовые API-вызовы * Прямолинейные функции (например, вычисление налога) Основные преимущества - ✅ Чёткое, декларативное управление зависимостями - ✅ Обновления только нужных значений благодаря ленивому пересчёту - ✅ Упрощение тестирования и устранение ошибок обновления Реальные примеры - Управление конфигурацией микросервисов - Реализация real-time дашбордов - Мониторинг состояния кластера, триггеры скейлинга 💡 Итог: Signals — отличная альтернатива громоздкому императиву. Декларируешь связь один раз, и система сама поддерживает согласованность. Полезно как для backend‑разработчиков, так и для ML‑инженеров. 📚 Материал — ~16 минут чтения, и он того стоит 📌 Читать (https://bui.app/the-missing-manual-for-signals-state-management-for-python-developers/) @Python_Community_ru

🖥 Совет по Python: from pathlib import Path # Создаем объект Path для заданного пути к файлу path = Path("C:/Users/test.md") # Получаем имя файла вместе с расширением print(path.name) # 'test.md' # Получаем только имя файла без расширения print(path.stem) # 'test' # Получаем расширение файла (с точкой) print(path.suffix) # '.md' # Получаем родительскую директорию (папку) print(path.parent) # 'C:/Users' С помощью модуля pathlib вы можете получать различные части пути — имя файла, расширение, родительскую директорию. Это упрощает работу с файловыми путями и их анализ. Объяснение: - path.name — возвращает полное имя файла (например, test.md). - path.stem — возвращает имя файла без расширения (например, test). - path.suffix — возвращает расширение файла (например, .md). - path.parent — возвращает путь к родительской директории (например, C:/Users). Модуль pathlib позволяет удобно разбирать путь к файлу на части и работать с ними, не используя строковые операции вручную. Это особенно полезно для кроссплатформенной работы с файлами и папками. @Python_Community_ru

🐍 PyLeak — найди утечку памяти в своём Python-коде PyLeak — простой и мощный инструмент для отладки утечек памяти в Python-приложениях. 🔍 Возможности: • Показывает объекты, которые не удаляет сборщик мусора • Строит граф зависимостей между объектами • Выявляет циклические ссылки и "висящие" объекты • Поддерживает визуализацию через Graphviz 📦 Установка: pip install pyleak 🧰 Идеален для отладки сервисов, где память утекает незаметно. 🔗 GitHub (https://github.com/deepankarm/pyleak) @Python_Community_ru

🙌🙌🙌🙌 15+ документов для тех, кто в диджитал В преддверии новой активности мы собрали в одну папку 18 Telegram-каналов известных профессионалов и попросили их авторов подготовить для вас документы, которые помогут: 🔴Создать рабочий лид-магнит; 🔴Подготовить сайт к требованиям РКН; 🔴Подготовиться к любому выступлению; 🔴Удержать проект в сроках и рамках бюджета; 🔴Организовать эффективное участие в тендерах; 🔴Чек-лист сдачи этапов разработки; 🔴и еще много много всего! ❗️ Сохранив единожды папку «Документы для тех, кто в диджитал», вы сможете спокойно пройтись по всем каналам и скачать множество авторских документов, которые точно пригодятся в работе.

‍🖥 Вышел Git 2.50 Вот основные обновления: 1. Новый уровень работы с cruft packs - Git хранит неиспользуемые (невидимые) объекты в специальных “cruft packs”. - Раньше управлять ими было сложно: чтобы добавить или объединить объекты, нужно было всё перепаковывать, что занимало много времени и места. - Теперь появился флаг --combine-cruft-below-size: можно легко объединять мелкие cruft packs в один, постепенно “чистить” репозиторий. - Исправлена важная ошибка: раньше такие объекты могли случайно удаляться раньше времени — теперь это под контролем. 2. Быстрее для больших репозиториев — многослойные битмапы - В больших проектах Git создаёт специальные “карты” (bitmaps), чтобы быстро понимать, какие объекты нужны для определённых коммитов. - Новая версия поддерживает “инкрементальные” битмапы для multi-pack index — можно добавлять новые данные быстро, не пересоздавая всю структуру. 3. Новый движок слияния ORT - Старый движок recursive полностью удалён: теперь слияния (`merge`) обрабатывает только быстрый и надёжный ORT. - Это упростит разработку, повысит скорость merge и уменьшит количество ошибок. 4. Улучшения в утилитах и команде cat-file - Теперь можно фильтровать объекты по типу, например, быстро получить только “деревья” (tree) с помощью --filter='object:type=tree'. - Команда для удаления reflog стала интуитивной: вместо сложных параметров просто пишем git reflog delete . 5. Больше контроля над сетевыми соединениями - Добавлены настройки для TCP Keepalive, теперь можно гибко управлять поведением Git в нестабильных сетях. 6. Меньше Perl — проще тестировать и собирать - Git ещё больше избавился от зависимостей на Perl: тесты и документация теперь проще и стабильнее, особенно на системах без Perl. 7. Работа с разреженными (sparse) репозиториями стала удобнее - Команды вроде git add -p теперь не требуют полной загрузки содержимого — удобно при работе с огромными проектами. 8. Косметические улучшения - При ребейзе (rebase -i) названия коммитов теперь оформляются как комментарии — так ясно, что это просто для ориентира. 9. Быстрее клонируем через bundle-uri - Git стал лучше справляться с ускоренным клонированием через *.bundle: теперь клиент правильно учитывает все ссылки, ускоряя загрузку репозитория. Git 2.50 — это не просто исправление багов, а реальное ускорение и упрощение работы для всех, кто ведёт большие проекты, часто сливает ветки и заботится о “чистоте” репозитория. Новые команды делают жизнь проще, а старые баги — ушли в прошлое. ➡️ Почитать про все обновления (https://github.blog/open-source/git/highlights-from-git-2-50/) @Python_Community_ru

🚀 TurboDRF — ускоритель Django REST Framework без боли TurboDRF — лёгкий способ ускорить ваш Django API без перехода на FastAPI или переписывания логики. 🔥 Что даёт TurboDRF: • ⚡ Быстрый рендер сериализаторов • 🧠 Автоматический prefetch_related и select_related • 🧊 Кэширование сериализованных ответов • 🧩 Совместим с обычными DRF-сериализаторами 📦 Установка: pip install turbodrf 🛠️ Пример: from turbodrf.mixins import TurboModelSerializer class MySerializer(TurboModelSerializer): class Meta: model = MyModel fields = "__all__" ✅ Идеален для больших Django-проектов, где важна скорость ответа. 🔗 GitHub: https://github.com/alexandercollins/turbodrf @Python_Community_ru

🚀 Pipedream — платформа для создания интеграций и автоматизаций между сервисами. Этот инструмент позволяет соединять более 1000 приложений через готовые компоненты или собственный код на Node.js, Python, Go и Bash. Главное преимущество проекта — это гибкость: можно быстро настроить триггеры и цепочки действий без сложной инфраструктуры. Для кастомных сценариев доступно выполнение произвольного кода с подключением любых npm/pip-пакетов. Интеграции развертываются в облаке Pipedream, что избавляет от необходимости настраивать серверы. 🤖 GitHub (https://github.com/PipedreamHQ/pipedream) @Python_Community_ru

‍🖥 py-pglite — PostgreSQL без установки, тестируй как с SQLite! py-pglite — обёртка PGlite для Python, позволяющая запускать настоящую базу PostgreSQL прямо при тестах. Без Docker, без настройки — просто импортируй и работай. 📌 Почему это круто: - 🧪 Ноль конфигурации: никакого Postgres и Docker, только Python - ⚡ Молниеносный старт: 2–3 с против 30–60 с на традиционные подходы :contentReference[oaicite:2]{index=2} - 🔐 Изолированные базы: новая база для каждого теста — чисто и безопасно - 🏗️ Реальный Postgres: работает с JSONB, массивами, оконными функциями - 🔌 Совместимость: SQLAlchemy, Django, psycopg, asyncpg — любая связка :contentReference[oaicite:3]{index=3} 💡 Примеры установки: pip install py-pglite pip install py-pglite[sqlalchemy] # SQLAlchemy/SQLModel pip install py-pglite[django] # Django + pytest-django pip install py-pglite[asyncpg] # Асинхронный клиент pip install py-pglite[all] # Всё сразу 🔧 Пример (SQLAlchemy) python def test_sqlalchemy_just_works(pglite_session): user = User(name="Alice") pglite_session.add(user) pglite_session.commit() assert user.id is not None py‑pglite — идеальный инструмент для unit- и интеграционных тестов, где нужен настоящий Postgres, но без всей админской рутины. Полноценный PostgreSQL — без его тяжеловесности. ▪Github (https://github.com/wey-gu/py-pglite) #python #sql #PostgreSQL #opensource @Python_Community_ru

⚡️ MicroVMS — новая платформа для запуска кода от AI-агентов с максимальной безопасностью и скоростью. В отличие от Docker и других тяжелых решений, MicroVMS использует легковесные песочницы для быстрой изоляции, мгновенного старта и простого управления. ● Поддержка разных сред: Python, Node.js и другие ● Идеально для AI-агентов — разработка и запуск без лишних сложностей ● Удобная система управления проектами — настройка песочниц в пару кликов Если вы хотите запускать код AI-агентов быстро, безопасно и удобно — обратите внимание на MicroVMS. pip install microsandbox 🔗 Github (https://github.com/microsandbox/microsandbox) @Python_Community_ru

Автоматизируйте ML-эксперименты с GitLab CI/CD и CML 📅 17 июня в 20:00 мск — бесплатный вебинар с Николаем Осиповым Хотите, чтобы эксперименты запускались сами, метрики попадали в Merge Request, а модели легко воспроизводились? На вебинаре: — Интегрируем GitLab CI/CD в ML-процесс — Используем CML для автоматической визуализации результатов — Запускаем обучение моделей при каждом коммите — Настраиваем работу в облаке и версионирование через Git 📌 Полезно для: — Data Scientists, внедряющих MLOps — ML-инженеров, автоматизирующих пайплайны — Техлидов, выстраивающих эффективный ML-конвейер 🎯 Итог: настроите стабильную и воспроизводимую систему ML-разработки — без ручного запуска, с чистыми метриками и контролем версий. Присоединяйтесь к бесплатному вебинару и получите скидку на большое обучение онлайн-курса «MLOps». 👉 Регистрируйтесь по ссылке и начните выводить ML на прод https://clck.ru/3Ma8c7 Реклама. ООО «Отус онлайн-образование», ОГРН 1177746618576