Python/ django

CLI-Anything: как дать AI-агентам руки для обычных приложений Идея простая: CLI-Anything генерирует командные интерфейсы для реального софта, чтобы агент мог не «тыкать мышкой», а вызывать понятные команды. Так можно управлять CAD-инструментами, 3D-редакторами, редакторами субтитров, браузером, Blender, FreeCAD, GIMP, Inkscape, Obsidian, Kdenlive, OBS и другими приложениями. В репозитории уже есть десятки agent-harness’ов под разные программы. Как это выглядит: * агент получает задачу * вызывает CLI * приложение делает работу * результат можно проверить и повторить Есть и CLI-Hub: установка через pip install cli-anything-hub, дальше можно ставить готовые CLI через cli-hub install <name>. GitHub: https://github.com/HKUDS/CLI-Anything

## Git bisect — шаринган для поиска багов Когда баг появился где-то между сотнями коммитов, не нужно проверять историю вручную. Запускаем:

git bisect start
git bisect bad
git bisect good <старый_рабочий_коммит>

Git будет делить историю пополам и просить отметить каждый найденный коммит:

git bisect good
git bisect bad

Через несколько шагов он покажет коммит, в котором появился баг. Можно автоматизировать:

git bisect run pytest

Тогда Git сам прогонит тесты и найдёт виновника. По сути, это техника теневых клонов для дебага: вместо проверки 1000 коммитов вручную достаточно около 10 шагов.

## PyPI закрыл опасную лазейку в старых релизах Теперь PyPI запрещает загружать новые файлы в релиз спустя 14 дней после его публикации. Старую версию пакета больше нельзя внезапно дополнить новым wheel или архивом. Ограничение защищает от атаки, при которой злоумышленник крадёт токен публикации и добавляет вредоносный файл в давно стабильный релиз. Часть пользователей могла бы скачать заражённую сборку, хотя номер версии остался прежним. Изменение затронет мало проектов: среди 15 000 популярных пакетов лишь 56 добавляли wheel для Python 3.14 позже установленного срока. Разработчикам теперь придётся выпускать новую версию пакета, даже когда нужно лишь добавить сборку для свежей версии Python. В будущем PyPI планирует формально разделить релизы на открытые и закрытые через Upload 2.0 API. https://blog.pypi.org/posts/2026-07-22-releases-now-reject-new-files-after-14-days/

Hugging Face собрала open-source стек для локальных голосовых агентов Репозиторий speech-to-speech содержит модульный пайплайн с низкой задержкой: VAD → STT → LLM → TTS Каждый компонент можно заменить. Для распознавания речи поддерживаются Parakeet TDT, Whisper, Faster Whisper и Paraformer. Для генерации голоса доступны Qwen3-TTS, Kokoro, Pocket TTS, ChatTTS и MMS. LLM можно запускать через облачный OpenAI-совместимый API либо локально через Transformers, MLX, vLLM или llama.cpp. Весь стек способен работать на собственном железе без передачи аудио внешнему сервису. Сервер поддерживает протокол OpenAI Realtime и WebSocket-эндпоинт /v1/realtime. Это позволяет подключать существующие клиенты с потоковой передачей аудио, транскрипцией, прерыванием ответа и tool calling. Запуск:

pip install speech-to-speech
speech-to-speech

По умолчанию используются Parakeet TDT для распознавания и Qwen3-TTS для синтеза речи. Есть отдельные режимы для локального микрофона, WebSocket, TCP и Docker. Проект уже используется как разговорный бэкенд для тысяч роботов Reachy Mini. Лицензия: Apache 2.0. https://github.com/huggingface/speech-to-speech

⚡️ VGGT: превращает набор фотографий в геометрию 3D-сцены Обычно реконструкция сцены требует отдельной связки для оценки камер, глубины и отслеживания точек. VGGT получает изображения и предсказывает всё это одной feed-forward моделью. На вход можно подать один кадр, несколько снимков или сотни ракурсов. На выходе модель строит: - внутренние и внешние параметры камер - карты глубины - плотные карты 3D-точек - траектории выбранных точек между кадрами Результаты можно экспортировать в формат COLMAP, дополнительно обработать через bundle adjustment и использовать в пайплайнах NeRF или Gaussian Splatting через gsplat. Запуск занимает несколько строк:

model = VGGT.from_pretrained("facebook/VGGT-1B").to(device)
images = load_and_preprocess_images(image_names).to(device)

with torch.no_grad():
    predictions = model(images)

https://github.com/facebookresearch/vggt

🔍Тестовое собеседование на Middle Python с разработчиком из Яндекса сегодня вечером Уже сегодня вечером в 19:00 по мск приходи онлайн на открытое собеседование, чтобы посмотреть на настоящее интервью на Middle Python-разработчика. Как это будет: 📂 Хачатур, старший разработчик в Яндексе, будет задавать реальные вопросы и задачи разработчику-добровольцу 📂 Хачатур будет комментировать каждый ответ респондента, чтобы дать понять чего от вас ожидает собеседующий на интервью 📂 В конце можно будет задать любой вопрос Хачатуру Это бесплатно. Эфир проходит в рамках менторской программы от ШОРТКАТ для Python-разработчиков, которые хотят повысить свой грейд, ЗП и прокачать скиллы. Переходи в нашего бота, чтобы получить ссылку на эфир → @shortcut_py_bot Реклама. О рекламодателе.

Вышел MOSS-VL-Realtime - 11B vision-language model для потокового видео. Не просто “загрузил ролик и получил ответ”, а режим, где модель непрерывно обрабатывает timestamped frames и может отвечать в любой момент по тому, что уже увидела. Контекст - 256K, лицензия - Apache 2.0. Что заявлено по бенчмаркам: * 70.2 avg на OVOBench * 47.2 avg на ProactiveVideoQA * 66.0 на OmniMMI Proactive Alerting MOSS-VL-Realtime умеет молчать, если визуальных данных пока недостаточно, а потом обновлять ответ, когда сцена меняется. Для видеоагентов это важнее, чем просто “ответить красиво”: модель должна не фантазировать раньше времени. Есть online inference в стиле session/queue, offline API для изображений и видео, а также Instruct и Base checkpoints. Похоже на шаг к VLM, которые работают не с готовым файлом, а с живым потоком: наблюдают, ждут, уточняют и реагируют по мере появления новых кадров. ModelScope: https://modelscope.ai/models/openmoss/MOSS-VL-Realtime

«Не получу оффер в течение месяца , забью на поиск работы» - пообещал себе Миша. Его можно понять: парень уже 5 лет работает в бигтехе, и все никак не мог пробить планку в 200к+. Те, кто только недавно пришли в компанию, уже с порога зарабатывали 350к на руки, в то время как Миша был в разы опытнее их, но внутри компании рост бы минимальный. На этот раз Миша подготовился: новое резюме, прогоны собеседований и еще кое какие секреты. И всё это - под руководством опытного человека. Да, первые несколько собеседований закончились отказами - а кто говорил, что все будет получаться с первого раза? Но спустя три недели - первый оффер. И не какой-нибудь, а с зарплатой в 1,5 раза выше. Хочешь также? Подписывайся на Богдана - за 6 лет работы в бигтехах он прошел 350+ собеседований, открыл свою школу и уже устроил на работу более 45 человек. Реклама. ИП Камаев Богдан Эльмарович. ИНН 770973951244. Erid:CQH36pWzJqVJCbWwdQ59bD3AvGXXg5vDaVyKQrh8EK8NV5

🖥 Mellea: Python-библиотека для предсказуемых LLM-приложений Обычный вызов LLM часто напоминает лотерею: модель может нарушить формат, пропустить требование или вернуть ответ, который сложно проверить. Mellea предлагает писать такие системы как типизированные generative-программы. Достаточно описать Python-функцию:

from pydantic import BaseModel
from mellea import generative, start_session

class UserProfile(BaseModel):
    name: str
    age: int

@generative
def extract_user(text: str) -> UserProfile:
    """Извлеки имя и возраст пользователя."""

m = start_session()
user = extract_user(
    m,
    text="Alice is 31 years old."
)

Mellea превращает docstring в инструкцию, аннотации типов - в схему ответа, а затем проверяет результат и при необходимости автоматически повторяет генерацию. Возможности проекта: - структурированные ответы через Pydantic; - проверяемые требования и автоматический repair; - rejection sampling и majority voting; - поддержка OpenAI, Ollama, Hugging Face, Bedrock, LiteLLM и WatsonX; - интеграция с существующим кодом; - публикация generative-программ как MCP-инструментов. Проект начат в IBM Research, написан на Python и распространяется под лицензией Apache 2.0. https://github.com/generative-computing/mellea #python #ai #llm #opensource #agents

CLI-Anything: как дать AI-агентам руки для обычных приложений Идея простая: CLI-Anything генерирует командные интерфейсы для реального софта, чтобы агент мог не «тыкать мышкой», а вызывать понятные команды. Так можно управлять CAD-инструментами, 3D-редакторами, редакторами субтитров, браузером, Blender, FreeCAD, GIMP, Inkscape, Obsidian, Kdenlive, OBS и другими приложениями. В репозитории уже есть десятки agent-harness’ов под разные программы. Как это выглядит: * агент получает задачу * вызывает CLI * приложение делает работу * результат можно проверить и повторить Есть и CLI-Hub: установка через pip install cli-anything-hub, дальше можно ставить готовые CLI через cli-hub install <name>. GitHub: https://github.com/HKUDS/CLI-Anything

🖥 Python `multiprocessing` и ловушка, о которую бьются даже опытные разрабы В старых версиях Python на Linux multiprocessing часто стартовал процессы через fork(). И вот где начинается боль. После fork() в дочернем процессе остаётся только один поток. Но состояние мира копируется как было: * lock мог быть захвачен * file descriptors всё ещё указывают на те же файлы * сокеты и буферы могут оказаться в странном состоянии * другой поток, который должен был отпустить lock, уже не существует Это поведение POSIX. Поэтому fork + threads — классический рецепт для редких, мерзких deadlock’ов. Хорошая практика: для multiprocessing чаще выбирать spawn или forkserver, особенно если в приложении есть потоки, логгеры, сетевые клиенты или фоновые воркеры. Важная поправка: начиная с Python 3.14, на POSIX дефолтный start method поменяли с fork на forkserver, как раз чтобы избежать части этих проблем. Мелочь в настройке старта процесса. Огромная разница в стабильности. @pythonl

8 бесплатных инструментов, которые реально пригодятся разработчику Подборка без мусора: код, поиск, браузеры, email, ошибки, API и деплой. 1. Aider AI pair programming прямо в терминале. https://github.com/Aider-AI/aider 2. Sourcegraph Поиск по репозиториям и большим кодовым базам. https://sourcegraph.com 3. Browserbase Облачные браузеры для автоматизации, тестов и AI-агентов. https://browserbase.com 4. Resend Email API для транзакционных писем и React-шаблонов. https://resend.com 5. Sentry Ошибки, crash reporting и performance monitoring. https://sentry.io 6. Public APIs Большой список бесплатных публичных API для проектов и прототипов. https://github.com/public-apis/public-apis 7. GStack Сетап Garry Tan для Claude Code: 23 opinionated tools. https://github.com/garrytan/gstack 8. GitHub Pages Бесплатный хостинг статических сайтов прямо из GitHub-репозитория. https://pages.github.com Часть инструментов open source, часть — free tier. Вместе получается сильный dev-стек без лишних подписок.

⚡️ SearchPhone - open-source утилита на Python, которая автоматизирует сбор данных по телефонным номерам и формирует готовые отчёты. Возможности - проверка корректности телефонного номера - определение страны и оператора связи - поиск упоминаний через Google, Bing и DuckDuckGo - поиск номера в открытом коде на GitHub - поиск публикаций и обсуждений на Reddit - создание отчётов в форматах JSON и PDF - параллельная обработка запросов - управление через простой CLI Инструмент пригодится для OSINT-исследований, threat intelligence и проверки открытых источников. Используйте его только законно и с соблюдением права на конфиденциальность. 🔗 GitHub: https://github.com/HackUnderway/SearchPhone #OSINT #CyberSecurity #Python #OpenSource #GitHub #ThreatIntelligence #InfoSec

Вышел MOSS-VL-Realtime - 11B vision-language model для потокового видео. Не просто “загрузил ролик и получил ответ”, а режим, где модель непрерывно обрабатывает timestamped frames и может отвечать в любой момент по тому, что уже увидела. Контекст - 256K, лицензия - Apache 2.0. Что заявлено по бенчмаркам: * 70.2 avg на OVOBench * 47.2 avg на ProactiveVideoQA * 66.0 на OmniMMI Proactive Alerting MOSS-VL-Realtime умеет молчать, если визуальных данных пока недостаточно, а потом обновлять ответ, когда сцена меняется. Для видеоагентов это важнее, чем просто “ответить красиво”: модель должна не фантазировать раньше времени. Есть online inference в стиле session/queue, offline API для изображений и видео, а также Instruct и Base checkpoints. Похоже на шаг к VLM, которые работают не с готовым файлом, а с живым потоком: наблюдают, ждут, уточняют и реагируют по мере появления новых кадров. ModelScope: https://modelscope.ai/models/openmoss/MOSS-VL-Realtime

🔥 Хочешь быстрее расти в IT? Хватит учиться в одиночку В IT прокачивается тот, кто каждый день видит сильные идеи, новые инструменты, реальные задачи, вакансии и разборы. Окружение решает больше, чем кажется. Собрал папки и каналы, где можно быстрее влиться в нужное направление, следить за трендами и не вариться в своём пузыре. AI: t.me/ai_machinelearning_big_data Python: t.me/pythonl Linux: t.me/linuxacademiya Хакинг: t.me/linuxkalii DevOps: t.me/DevOPSitsec Docker: t.me/DevopsDocker Golang: t.me/Golang_google Rust: t.me/rust_code C++: t.me/cpluspluc C#: t.me/csharp_1001_notes Java: t.me/java_library JavaScript: t.me/javascriptv React: t.me/react_tg Frontend: t.me/front PHP: t.me/phpshka Android: t.me/android_its Мобильная разработка: t.me/mobdevelop Базы данных: t.me/sqlhub Data Science: t.me/data_analysis_ml Big Data: t.me/bigdatai Математика: t.me/data_math Физика: t.me/fizmat Kubernetes: t.me/kubernetc GameDev: https://t.me/gamedev Haskell: t.me/haskell_tg Собеседования и карьера: DS собеседования: t.me/machinelearning_interview Python собеседования: t.me/python_job_interview 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 Полезное сверху: ИТ-мемы: t.me/memes_prog Английский для программистов: t.me/english_forprogrammers ИИ и технологии: t.me/vistehno 954 ГБ open-source курсов: @courses ИТ-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy Max Ai: https://max.ru/ai_machinelearning_big_data Max python: https://max.ru/pythonl ТЕХНО: https://max.ru/vistehno Max Go: https://max.ru/Golang_google Max Linux: https://max.ru/linuxkalii Devops: https://max.ru/DevOPSitsec C#: https://max.ru/csharp_ci C++: https://max.ru/cpluspluc SQL: https://max.ru/sqlhub Java: https://max.ru/javatg Подписывайся на нужные направления и собирай себе ленту, которая реально двигает вперёд. Пока кто-то листает шум, ты будешь видеть инструменты, задачи и идеи, которые помогают расти в профессии.

В Python пытаются принести настоящие goroutines. runloom — экспериментальный runtime для free-threaded Python 3.13t+, где можно писать обычный блокирующий код, но запускать его как лёгкие fibers:

runloom.fiber(fn)

Без async def, без await, без переписывания всего приложения под asyncio. Под капотом там не магия, а довольно жёсткая инженерия: hand-written asm context switch, C work-stealing scheduler, netpoll, Go-style channels и monkey.patch(), который делает blocking stdlib cooperative. То есть urlopen(), socket, time, threading могут выглядеть как обычный синхронный код, но runtime будет парковать fiber, а не весь OS thread. По бенчмаркам автора, Runloom уже близко к Go по scheduler throughput: около 2.29M spawn/s на C-entry, parity на conn/s и почти parity на keep-alive echo с Python handler. Но важный нюанс: мультикорный выигрыш требует free-threaded CPython с выключенным GIL. На обычной GIL-сборке модель останется скорее удобной альтернативой asyncio, а не способом выжать все ядра. Ещё честный минус - память. Пустой parked fiber весит больше Go-горутины примерно в 3.3 раза, потому что за ним тянется CPython eval frame. pip install runloom https://github.com/robertsdotpm/runloom

Все уже пользуются AI coding agents. Но почти никто не понимает, как они реально работают. learn-claude-code разбирает Claude Code-style agent harness с нуля. Авторская формула простая: Bash is all you need. Вместо магии и маркетинга там показывают базовый цикл агента: модель отвечает, просит вызвать tool, код выполняет действие, результат возвращается обратно в контекст, и цикл продолжается. Дальше на этот скелет постепенно навешиваются реальные части агентной системы: * tool use * permissions * hooks * memory * context compaction * subagents * background tasks * MCP * worktree isolation 71.1K звёзд у tutorial repo — хороший сигнал. Люди устали от “AI agents за 5 минут” и хотят наконец понять, что там внутри. https://github.com/shareAI-lab/learn-claude-code #AI #OpenSource

🐍 Python — универсальный ключ от многих ИТ-дверей: от веб-разработки до машинного обучения Освоить язык с нуля или углубить имеющиеся навыки можно на расширенном курсе Нетологии «Python-разработчик». Простого пути не обещают, но обещают комфортный темп, много практики и поддержку опытных разработчиков. А ещё — помощь с трудоустройством. За время обучения вы: 🔸 научитесь упаковывать опыт в резюме; 🔸 пройдёте тестовые технические интервью; 🔸 посетите встречи с экспертами Сбера, Яндекса и Т-Банка; 🔸 сможете попасть на стажировку; 🔸 получите год карьерной поддержки после выпуска. Сейчас на курс действует скидка 50%, а с промокодом IT10JULY цена станет ещё на 10% ниже. Плюсом подарим курс о развитии карьеры при покупке до 31 июля Узнать подробнее и записаться → ссылка P. S. Ребята помогут оформить налоговый вычет, а это ещё –13% от стоимости. Реклама. ООО “Нетология” ОГРН 1207700135884 Erid: 2VSb5wgRqrz

Кто-то разобрал Claude Code почти до винтика learn-coding-agent - репозиторий для тех, кто хочет понять, как устроены современные coding agents не на уровне промо-страниц, а на уровне архитектуры. Автор собрал разбор Claude Code по публичным источникам: цикл агента, систему инструментов, разрешения, работу с контекстом, сессии, подпроцессы, MCP, удалённые настройки, телеметрию и скрытые флаги. Получился не “гайд по использованию”, а карта внутренней логики CLI-агента: как он принимает решение, когда просит разрешение, как вызывает инструменты, как хранит историю и как расширяется через внешние интеграции. https://github.com/justxor/Claudecourse/

NAITION AI: Спрос на разработку с ИИ-агентами вырос в сотни раз за год. Свежий Stanford AI Index 2026 показал, что навык AI Agents стал №1 среди самых востребованных инженерных скиллов.

• Упоминания «Agentic systems» в вакансиях за год выросли на 10854% (!) — это не опечатка. • «AI agents» — +2113%. • Вывод простой: компаниям массово нужны не «написатели кода», а архитекторы мультиагентных систем.Главный скилл в 2026 году — строить долгоживущие автономные процессы, управлять контекстом и верифицировать работу десятков агентов.

Рынок можно догнать! Naition запускает новый, обновленный в июле поток буткемпа по AI-driven разработке уже 21 июля. Максимум пользы получат middle+ разработчики и команды, нацеленные на апгрейд производительности инженерного процесса. IT-специалисты других профессий тоже могут себя попробовать. За 12 недель вы встроите ИИ во все процессы:

• Соберёте своё ядро — MCP под задачи, RAG, мультиагентную систему с сабагентами и оркестрацией. • Внедрите агентов в кодовые базы на 100К+ строк — автоматизируете индексацию кода, рефакторинг и изменение архитектуры. • Научитесь масштабировать AI-практики на всю команду. Ведут практики с 15-20 годами опыта: ex-Yandex Cloud, staff-инженер Google, CEO Symbioway (центр по найму разработчиков) — люди из эпицентра трансформации рынка.

Формат: 17 уроков, 5 модулей, живые вечерние эфиры + практика между ними. Минимум теории, максимум разборов кейсов и групповой практики прямо на вебинаре. 👉 Забронировать место — naition.ai А по промокоду PYTHON для подписчиков — скидка 20% до 17 июля.

Что ещё стоит знать: • Приведёте друга или коллегу — вы вместе получите доп. скидку 10% сверху (в сумме 30%). • Можно оплатить частями, а начать даже с одного модуля. • Если вы бизнес, можно прокачать всю команду разом.