Python Community

‍🌟 Для тех, кто еще не использует ИИ в разработке. Выдели 1 час и прокачай самый важный навык 2026 года - работу с LLM. Большинство устали сейчас не от кода. А от того, что мы пытаемся использовать ИИ “на ходу”, без понимания его возможности. Это такой же навык, как и другие. Его нужно тренировать. Вот простой старт: Подготовка 1. Подключи Anthropic Pro ($20) с прицелом позже перейти на 5× Max 2. Установи Claude Code 3. Используй модель Opus 4.5 (она стоит по умолчанию) Рабочий цикл 1. Включи режим планирования 2. Попроси модель спланировать одну маленькую фичу 3. Когда план тебя устраивает - включай авто-принятие правок 4. Если видишь, что модель “уезжает не туда” - сразу ставь на паузу 5. Очищай контекст и переходи к следующей фиче И так по кругу. Задача не в том, чтобы получить идеальный код. Задача - нащупать границы модели: - что она делает быстро и качественно - где начинает придумывать - какие задачи ей давать выгодно - где проще и безопаснее сделать самому Через 10-20 часов такой осознанной практики ИИ перестаёт быть “магией” и становится нормальным рабочим инструментом, который реально снимает нагрузку. @Python_Community_ru

🔥 С этим проектом, вы можете клонировать голоса, которые звучат по-настоящему живо. Без робо-голоса. Без “синтетики”. Полноценная, естественная человеческая речь. Речь о модели на 1.7B параметров, заточенной под чистую и выразительную генерацию голоса. Это уже не просто TTS. Это высокоточное клонирование голоса с передачей интонаций, ритма и естественного звучания. Разница между “голосом ИИ” и “голосом человека” стремительно исчезает. Если ты работаешь с аудио, AI-ассистентами, агентами или медиа-инструментами - это серьёзно расширяет возможности. Модель: https://huggingface.co/Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice @Python_Community_ru

🖥 PYTHON МАТЕМАТИКА КАК У ПРОФИ Ппрофессиональный подход к математике в Python строится не вокруг «посчитать формулу», а вокруг правильного стека инструментов и воспроизводимости. Всегда разделяй символьную математику, численные методы и работу с данными. Для аналитики и вывода формул используй SymPy, для быстрых численных расчётов - NumPy, для научных алгоритмов - SciPy, для больших таблиц экспериментов - Pandas. Никогда не смешивай «магические числа» в коде - все параметры выноси в переменные. Работай в Jupyter или VS Code с ноутбуками, фиксируй версии библиотек и обязательно проверяй устойчивость решений через разные методы (например, интеграл численно и аналитически). Так код становится не просто расчётом, а научным инструментом. import numpy as np import sympy as sp from scipy import integrate # 1. Символьная математика x = sp.symbols('x') expr = sp.sin(x) / x analytic_integral = sp.integrate(expr, (x, 1, 10)) # 2. Численная математика f = lambda x: np.sin(x) / x numeric_integral, error = integrate.quad(f, 1, 10) # 3. Векторизация вместо циклов arr = np.linspace(1, 10, 1_000_000) fast_result = np.sin(arr) / arr print("Analytic:", analytic_integral) print("Numeric:", numeric_integral, "Error:", error) @Python_Community_ru

‍🚀 RenderCV: Open-Source AI для создания CV/резюме на лету RenderCV - это GitHub-проект, который автоматизирует генерацию профессионального резюме с помощью AI. Он берет базовые данные (например, профиль, опыт, навыки) и формирует красиво отформатированный CV с умным распределением разделов, прицелом на ATS-системы (системы автоматического трекинга резюме) и внимание к деталям. 🔍 Основные фишки - 💡 AI-генерация контента - на основе вводимых данных автоматически создаются описания опыта, навыков и достижений - 📄 Готовые шаблоны — вывод резюме в структурированном виде, готовом для печати или публикации - ⚙️ Настраиваемость — легко адаптировать под свой стиль, менять поля и формат - 🤖 Поддержка AI-логики для переработки сухих фактов в интересные, читабельные формулировки Простой рабочий цикл: 1) Вводишь базовые данные (имя, опыт, навыки) 2) AI дописывает грамотные описания 3) Получаешь готовое резюме без лишних усилий 💡 Это особенно полезно начинающим специалистам, карьерным переходам или тем, кто не любит вручную вырезать и править резюме перед каждой подачей. 🛠 Пример использования (в духе проектов этого класса): # Клонируем репозиторий git clone https://github.com/rendercv/rendercv.git # Переходим в папку cd rendercv # Устанавливаем зависимости и запускаем # (инструкции могут отличаться в зависимости от реализации) npm install npm start https://github.com/rendercv/rendercv @Python_Community_ru

🖥 Python ищет дубликаты файлов Когда папка разрастается, дубликаты начинают тихо съедать место - особенно если ты сохраняешь одно и то же под разными именами. Быстрый способ на Python - посчитать хеш каждого файла и собрать группы с одинаковым хешем. Так ты сразу увидишь, какие файлы реально одинаковые по содержимому, а не только по названию. import os, hashlib m = {} for n in os.listdir("."): if os.path.isfile(n): with open(n, "rb") as f: h = hashlib.md5(f.read()).hexdigest() m.setdefault(h, []).append(n) for v in m.values(): if len(v) > 1: print("DUP:", v) @Python_Community_ru

‍🔍 PaddleOCR-VL-1.5 внезапно ворвался в топ open-source OCR - и при этом модель всего на 0.9B параметров. Фактически это сейчас один из самых сильных открытых инструментов для распознавания текста и понимания документов - при очень скромном размере по меркам современных AI-моделей. Ирония в тайминге: • Сначала вышел Kimi 2.5 (https://t.me/ai_machinelearning_big_data/9439) • Потом DeepSeekOCR-2 (https://t.me/ai_machinelearning_big_data/9435) • И буквально следом - PaddleOCR-VL-1.5 Неделя просто взрывная для направления AI, которое занимается документами: сканы, PDF, таблицы, формы, смешанный текст и структура. Что особенно интересно - это не просто классический OCR "картинка → текст", а визуально-языковая модель. То есть она лучше понимает структуру документа: блоки, таблицы, взаимосвязи между элементами, а не только символы. Для разработчиков это означает более точный парсинг документов, автоматизацию работы с формами, счетами, договорами, отчетами и любыми полу-структурированными файлами - и все это на базе полностью открытой модели. Порог входа в продвинутую document AI снова стал ниже. huggingface.co/PaddlePaddle/PaddleOCR-VL-1.5 @Python_Community_ru

Теперь даже HRы на питоне пишут! @Python_Community_ru

✔ NVIDIA показала новый разговорный ИИ - PersonaPlex Суть фичи в том, что модель старается звучать максимально “живым” собеседником, а не просто отвечать по очереди. Что умеет PersonaPlex: · Переключать стиль общения (persona) - например строгий учитель, дружелюбный консультант, бармен и т.д. · Говорить и слушать одновременно - меньше задержек и пауз в диалоге · Поддакивать на фоне (“угу”, “ок”, “понятно”), пока человек говорит - чтобы разговор был ближе к реальному · Проект открыт - исходники доступны, можно брать и пробовать самому ▪GitHub (http://github.com/NVIDIA/personaplex) ▪Hugging Face (http://huggingface.co/nvidia/personaplex-7b-v1) @Python_Community_ru

🎨 Генерация изображений с GLM-Image GLM-Image — это мощная модель генерации изображений, использующая гибридную архитектуру автогрессивного и диффузионного декодера. Она превосходно справляется с задачами текстового рендеринга и генерации сложной информации, обеспечивая высокое качество изображений и детальную проработку. 🚀 Основные моменты: - Поддержка генерации изображений из текста и редактирования изображений. - Высокая точность рендеринга текста и семантического понимания. - Модуль обратной связи для улучшения эстетики и детализации. - Подходит для задач с высокой информационной плотностью. 📌 GitHub: https://github.com/zai-org/GLM-Image @Python_Community_ru

🧠 Продвинутые советы по работе с Regex в Python Всегда компилируй регулярные выражения. Это ускоряет работу при многократном использовании, делает код чище и упрощает тестирование. import re RE_EMAIL = re.compile(r"\b[A-Z0-9._%+-]+@[A-Z0-9.-]+\.[A-Z]{2,}\b", re.I) emails = RE_EMAIL.findall(text) Используй raw-строки и re.VERBOSE, чтобы regex был читаемым, а не выглядел как случайный набор символов. RE_DATE = re.compile(r""" \b (?P\d{4})-(?P0[1-9]|1[0-2])-(?P0[1-9]|[12]\d|3[01]) \b """, re.VERBOSE) Если группа не нужна в выводе - делай её non-capturing (?:...). Это уменьшает расходы памяти и путаницу с индексами групп. re.findall(r"(?:https?://)?(?:www\.)?example\.com/\S+", text) Используй правильные якоря. \A и \Z безопаснее для валидации, чем ^ и $, которые зависят от флага MULTILINE. re.match(r"\A\d+\Z", "123\n") Контролируй код и ставь ограничения. Бесконтрольный .* — частая причина зависаний и ReDoS. re.search(r"]{0,2000}>", html) Lookahead и lookbehind позволяют искать текст без захвата. Это мощный инструмент для точных выборок. m = re.search(r"(? @Python_Community_ru

‍🎙️ NVIDIA выпустила PersonaPlex-7B - open-source голосовая диалоговая модель, которая умеет то, что обычно недоступно классическим пайплайнам: **слушать и говорить одновременно**. Модель: - 🔓 бесплатная и полностью открытая (MIT) - 🤗 веса доступны на Hugging Face - 🧠 full-duplex conversational model (двусторонний “живой” диалог) Обычно Voice AI устроен так: ASR → LLM → TTS Сначала распознаём речь, потом думаем, потом озвучиваем. Работает эффективно, но диалог получается “роботным”: говоришь по очереди, без перебиваний, без живой реакции. PersonaPlex-7B меняет подход. Она работает на непрерывных аудио-токенах и использует dual-stream transformer, который генерирует текст и аудио параллельно, а не переключает управление между модулями. Это даёт: - мгновенные “угу / да / понял” реакции (back-channel) - естественные перебивания и уточнения - нормальный ритм разговора, как у человека Ещё один плюс: управление “персоной” работает zero-shot, без дополнительного дообучения. Если ты делаешь голосового ассистента или саппорт-агента с низкой задержкой - это очень сильный шаг вперёд. https://github.com/NVIDIA/personaplex @Python_Community_ru

🐍 Самая крутая фича Python 3.14 - `sys.remote_exec()` (объясняю по-человечески) Идея простая: ✅ у тебя уже запущено Python-приложение (например FastAPI в Docker/K8s) ✅ оно уже дошло до нужного состояния (в памяти есть переменные, сессии, кеши) ❌ но тебе нужно посмотреть “что внутри” или поставить дебаггер Раньше ты делал так: - добавлял debugpy в код - перезапускал приложение - заново воспроизводил баг Python 3.14 даёт новый чит-код: sys.remote_exec() позволяет выполнить кусок Python-кода ВНУТРИ уже работающего Python-процесса. То есть буквально “вколоть” скрипт в живой процесс. Это как: 🔹 зайти внутрь процесса 🔹 выполнить print(), импорт, запись переменных 🔹 или даже подключить дебаггер без рестарта вообще. Пример: что можно сделать через sys.remote_exec() Допустим у нас есть работающий процесс Python. 1) Мы хотим “добавить” туда код: - вывести PID - посмотреть глобальные переменные - записать лог - даже поменять значение переменной # Этот код выполняется СНАРУЖИ и запускает инжект внутрь процесса import sys target_pid = 12345 # PID запущенного Python процесса payload = r""" import os import time print("✅ Injected into running process!") print("PID:", os.getpid()) print("Time:", time.time()) # Пример: читаем что есть в глобальном пространстве g = globals() print("Globals keys sample:", list(g.keys())[:10]) # Пример: создаём переменную прямо в процессе INJECTED_FLAG = True """ # Новое API Python 3.14 sys.remote_exec(target_pid, payload) Пример 2: инжектим debugpy (дебаг без рестарта) Самая хайповая штука - можно подключить debugpy в уже живое приложение. То есть приложение уже крутится, у него есть состояние, и ты просто включаешь “прослушку” дебаггера на порту. import sys target_pid = 12345 # PID работающего uvicorn / fastapi процесса payload = r""" import debugpy HOST = "0.0.0.0" PORT = 5679 debugpy.listen((HOST, PORT)) print(f"🐞 debugpy is listening on {HOST}:{PORT}") # если хочешь остановить выполнение и ждать пока подключишь IDE: # debugpy.wait_for_client() # print("✅ debugger attached!") """ sys.remote_exec(target_pid, payload) Дальше: - ты делаешь port-forward (если Docker/K8s) - подключаешь VS Code / PyCharm / nvim к localhost:5679 - ставишь breakpoints и дебажишь как обычно Что важно 1) Это не “удалённое выполнение” как ssh. Это прям “внутри процесса” - доступ к памяти, переменным, импортам. 2) Это опасно для продакшена. Требует прав уровня SYS_PTRACE (можно читать/менять процессы) - поэтому только для локалки/стендов. 3) Это может стать стандартом для отладки контейнеров: - баг воспроизводится только в k8s - рестарт = баг пропал - а тут просто подключился и посмотрел 📌 Статья на эту тему (https://savannah.dev/posts/the-coolest-feature-in-314/) @Python_Community_ru

🤖 Автоматизация исследований с NotebookLM Notebooklm-py — это неофициальная библиотека для работы с Google NotebookLM, позволяющая автоматизировать исследовательские процессы, генерировать контент и интегрировать AI-агентов. Подходит для прототипов и личных проектов, используя Python или командную строку. 🚀Основные моменты: - Интеграция с AI-агентами и Claude Code - Автоматизация исследований с импортом источников - Генерация подкастов, видео и учебных материалов - Поддержка работы через Python API и CLI - Использование с неофициальными Google API 📌 GitHub: https://github.com/teng-lin/notebooklm-py @Python_Community_ru

🖥 Ты бы поставил в прод пакет, который вышел 2 часа назад? Обновлять зависимости важно - так ты получаешь новые фичи и фиксы багов. Но у свежих релизов есть минус: часто в первые дни всплывают ошибки, несовместимости и неожиданные регрессы, пока комьюнити не успеет всё отловить. ✅ В uv для этого есть опция exclude-newer Она позволяет задать “период охлаждения” - и пропускать пакеты, которые были выпущены слишком недавно. Как использовать: добавь в pyproject.toml: exclude-newer = "7 days" И при желании поменяй срок под себя (например, 3 дня, 14 дней и т.д.). Идея простая: обновляйся регулярно, но не на самых горячих релизах. https://www.youtube.com/shorts/98q0IkNrBbU @Python_Community_ru

🎨 Генерация изображений с GLM-Image GLM-Image - это мощная модель генерации изображений, использующая гибридную архитектуру с автогрессивным и диффузионным декодерами. Она превосходно справляется с задачами текстового рендеринга и генерацией изображений с высоким уровнем детализации, поддерживая как текст-в-изображение, так и изображение-в-изображение. 🚀 Основные моменты: - Гибридная архитектура для высококачественной генерации изображений. - Поддержка текст-в-изображение и множество задач изображение-в-изображение. - Модуль обратной связи для улучшения семантического понимания и детализации. - Высокая точность рендеринга текста в изображениях. - Доступность через Hugging Face и ModelScope. 📌 GitHub: https://github.com/zai-org/GLM-Image @Python_Community_ru

‍📌 Библиотека алгоритмов робототехники на Python. PythonRobotics - открытая коллекция кода (https://github.com/AtsushiSakai/PythonRobotics) на Python и учебник (https://atsushisakai.github.io/PythonRobotics/) по алгоритмам робототехники, которую собрал Ацуши Сакаи (https://atsushisakai.github.io/). 🟡В проекте есть все: 🟢Локализация (EKF, фильтры частиц, гистограммные фильтры); 🟢SLAM (FastSLAM, ICP-сопоставление); 🟢Планирование пути (A, RRT, Дейкстра, D*, потенциальные поля, решетка состояний); 🟢Отслеживание траекторий (контроллер Стэнли, LQR, MPC); 🟢Навигация для манипуляторов; 🟢БПЛА; 🟢Проектирование движения для двуногих роботов. К каждой теме есть визуальные анимации, математические объяснения и рабочий код. Библиотека не перегружена, ее легко читать и понимать, она содержит практические алгоритмы. которые реально используются в индустрии. Это отличный образовательный ресурс с 2 212 коммитами, вкладом 138 разработчиков и активной поддержкой. Если вы изучаете робототехнику, создаете автономные системы или преподаете алгоритмы — этот ресурс для вас. У проекта лицензия MIT, так что можно свободно использовать его в личных или коммерческих проектах. А еще, это отличный пример, как выглядит хороший опен-сорс: образовательный, практичный, хорошо документированный и развиваемый сообществом. @ai_machinelearning_big_data #AI #ML #Robotics #Github @Python_Community_ru

🕐 FastScheduler: “Celery для запуска скриптов по расписанию, но без боли” Иногда нужно просто: - запустить функцию каждые 5 минут - или каждый день в 09:00 - или по cron …и всё. Но Celery для этого — реально оверкилл: брокер, воркеры, Redis/RabbitMQ, отдельная инфраструктура. FastScheduler решает ровно эту задачу: ✅ *in-process* планировщик задач (никаких Redis / брокеров) ✅ decorator-first API — красиво и быстро ✅ async поддержка из коробки ✅ персистентность (состояние сохраняется, переживает рестарты) ✅ опционально — FastAPI dashboard для просмотра задач Пример того, как выглядит API: @scheduler.every(5).minutes def sync_users(): ... @scheduler.daily.at("09:00") async def morning_report(): Философия простая: если тебе не нужна распределённость - не бери Celery, попробуй FastScheduler. Установка: pip install fastscheduler[all] 📌 GitHub: https://github.com/MichielMe/fastscheduler @Python_Community_ru

Сел я значит вечером подправить пет-проект и вот как-то закрутилось @Python_Community_ru

🧠 Awesome Agentic Patterns - шпаргалка по агентам, которая реально полезна Наткнулся на репозиторий awesome-agentic-patterns - и это один из самых практичных “awesome-листов” по теме AI-агентов. 📌 Что внутри: не теоретические рассуждения, а паттерны - мини-архитектуры и рабочие приёмы, которые используют команды, когда делают production-агентов. Автор прямо пишет идею проекта: > тут не про “игрушки и демки”, а про штуки, которые закрывают грязную реальность продакшена. Почти любой агент в проде упирается в одни и те же проблемы: - контекст не помещается → нужно умно управлять памятью - модель косячит → нужны retry/валидация/guardrails - цепочки действий ломаются → нужна оркестрация - непонятно, что пошло не так → нужны логи + eval - безопасность / PII → нужен sandbox и фильтрация И вот под это как раз собраны паттерны. https://github.com/nibzard/awesome-agentic-patterns @Python_Community_ru