PythonDigest

SQLAlchemy - 2.0.53 https://pypi.org/project/sqlalchemy/2.0.53/ Библиотека работы с базами данных. Скачать можно по ссылке: https://pypi.python.org/pypi/SQLAlchemy/

greenlet - 3.5.6 https://pypi.org/project/greenlet/3.5.6/ Модуль для легковесных потоков в Python. Скачать можно по ссылке: https://pypi.python.org/pypi/greenlet/

nurb - Agentic CAD for 3D printing https://github.com/Shpigford/nurb

Когда разработчики ленятся писать документацию: описываем клиентский API силами нейросетей https://habr.com/ru/companies/hostkey/articles/1077728/ Документация устаревает быстрее, чем код успевает писаться? Рассказываем, как мы построили конвейер из Python-скриптов и нейросетей, который сам находит изменения в PHP-контроллерах и обновляет документацию API Invapi.

domonic - A Browser DOM, in Python! https://github.com/byteface/domonic

Взлом городского мессенджера: разбор цепочки атаки на машину Messenger на платформе Standoff 365 https://habr.com/ru/companies/pt/articles/1079424/ Статья рассчитана как на людей, близких к IT и ИБ, так и на тех, кто далек от этих областей. Автор постарался подробно разобрать каждый шаг: почему было принято то или иное решение, на какие признаки он опирался и где искать дополнительную информацию по теме.Итак, в этой статье взламываем уязвимую машину Messenger, а точнее — проводим эксплуатацию цепочки из двух базовых уязвимостей и реализацию двух бизнес-рисков:

#python #pydigest IT-новости про Python перед вами. Часть материалов из выпуска Python Дайджест: - Как я автоматизировал выдачу ТСД на складе: от бумажных талонов до Python‑приложения - Месяц тюнил поиск по памяти, а починила всё одна строка в промпте - Я прогнал топ VRAM-калькуляторов для LLM — все ошибаются в одном и том же - Речевые технологии для языка, у которого не было ни одного датасета — на одной потребительской видеокарте - domonic - A Browser DOM, in Python! - scrapy - 2.19.0 Заходите в гости - https://pythondigest.ru/issue/665/

Как я автоматизировал выдачу ТСД на складе: от бумажных талонов до Python‑приложения https://habr.com/ru/articles/1079628/ Моя основная работа на распределительном центре — выдача и приём ТСД. Формально автоматизация этого процесса в мои обязанности не входила. Но когда я увидел, как устроена выдача оборудования, решил попробовать самостоятельно изменить процесс — получить практический опыт в автоматизации и оптимизации складских операций.В итоге от нескольких простых изменений я пришёл к полноценному приложению, которое позволило автоматизировать идентификацию сотрудников и выдачу оборудования. Кстати, приложение абсолютно бесплатно, и вы можете его использовать на своём складе или предприятии.

Я прогнал топ VRAM-калькуляторов для LLM — все ошибаются в одном и том же https://habr.com/ru/articles/1079788/ Я прогнал топ VRAM-калькуляторов из выдачи Google, показал на скриншотах, где ломается каждый (даже лучший), сверил числа с живым vLLM на A100/H100 — расхождение ~1% — и собрал ridgepoint: калькулятор, который считает как движок, а не как учебник. Ставится локально (pip install ridgepoint), GPU не нужен. Сколько реально влезет

coverage - 7.16.1 https://pypi.org/project/coverage/7.16.1/ Утилита позволяющая измерить процент покрытия тестами. Скачать можно по ссылке: https://pypi.python.org/pypi/coverage/

Как мы автоматизировали перевод технической документации через инструменты вокруг модели https://habr.com/ru/companies/bitrix/articles/1078450/ Рассказываем, как мы автоматизировали перевод технической документации и построили отдельный слой вокруг LLM, который выполнял главную работу.

Один `settings.py` на всё больше не работает: наводим порядок в настройках Django https://habr.com/ru/articles/1079384/ Один settings.py удобен только в начале проекта. Когда появляются несколько окружений, Celery, Redis, внешние API и объектное хранилище, настройки быстро превращаются в источник скрытых ошибок. Разбираю практическую структуру django-split-settings: без магии, неявных переключений и случайного запуска с production-конфигурацией.

Месяц тюнил поиск по памяти, а починила всё одна строка в промпте https://habr.com/ru/articles/1079060/ Поднял Recall@5 поиска по памяти на 17%, померил качество самих ответов и получил прирост, неотличимый от шума: тест Макнемара, p = 0.79. Месяц работы впустую. Потом посмотрел в промпт, поправил там одну формулировку и получил плюс 16 процентных пунктов за вечер. Модель отказывалась отвечать, когда ответ лежал прямо перед ней.Внутри: как собрать свой набор проверочных вопросов и не обмануться, почему параметры BM25 из статей проиграли подобранным перебором, и какие шесть приёмов не сработали вообще.

Купил ИБП, а его программа недоступна для NVDA. Пришлось написать дополнение https://habr.com/ru/articles/1079134/ После покупки ExeGate LLB-3000 выяснилось, что работать с PowerManagerII с клавиатуры и на слух неудобно. Вместе с Codex я разработал дополнение: разобрали графические кнопки, наладили навигацию, добавили текстовые показания и проверили управление. Рассказываю, как устроено решение и что в этой работе делал я. 

pymongo - 4.18.1 https://pypi.org/project/pymongo/4.18.1/ Python интерфейс для MongoDB. Скачать можно по ссылке: https://pypi.python.org/pypi/pymongo/

scrapy - 2.19.0 https://pypi.org/project/scrapy/2.19.0/ Гибкий фреймворк для написания web-пауков (парсеров). Скачать можно по ссылке: https://pypi.python.org/pypi/scrapy

psycopg2 - 2.9.13 https://pypi.org/project/psycopg2/2.9.13/ Python интерфейс для PostgreSQL. Скачать можно по ссылке: https://pypi.python.org/pypi/psycopg2/

virtualenv - 21.7.9 https://pypi.org/project/virtualenv/21.7.9/ Инструмент создания виртуального рабочего окружения. Скачать можно по ссылке: https://pypi.python.org/pypi/virtualenv

Пользователь придумал пароль из 100 символов. От 28 из них ваша проверка не зависит https://habr.com/ru/articles/1076402/ Тикет пришёл от разработчика, который писал импорт учёток из старой системы. Формулировка была такая: «кажется, у нас ломается верификация, но ломается она в плюс — подходят пароли, которых не было».Ломалось не у него. Так работает bcrypt, и работает уже двадцать семь лет.

Мой первый RAG без LangChain https://habr.com/ru/companies/ruvds/articles/1074156/ В наши дни все, кому было интересно, уже попробовали RAG, я в том числе. И стандартная схема тривиальна: цепляем LangChain, три импорта, .from_documents() — и бот с базой знаний готов. Мой первый опыт был такой же, и это даже заработало за один вечер.Но как это поддерживать? А что случится, если всё полетит?Пять слоёв абстракции, и я без понятия, что происходит на любом из них. Поэтому я решил повторить свой эксперимент с контейнерами: отбросил все слои и переписал вручную на Python.