Python/ django

📌 Anthropic предлагает делать самоуправляемые циклы Команда Claude Code опубликовала в X руководство по loops. Это паттерны, в которых агент повторяет рабочий цикл, пока не сработает условие остановки.

Главная мысль: уходить от ручного режима, где разработчик задаёт направление на каждом шаге, и передавать агенту контроль по нарастающей.

Всего выделяют 4 типа циклов, различая их по способу запуска, условию остановки и степени автономии. Логически получается некая лестница делегирования, где на каждой ступени вы отдаёте агенту очередное полномочие. 🟡Агентный цикл запускается промптом и завершается, когда Claude считает задачу выполненной. Здесь вы отдаёте агенту проверку. Ручные шаги верификации заполняются вSKILL.md и чем более количественные критерии, тем точнее агент оценивает собственную работу. 🟡 Целевой цикл /goal забирает у вас условие прерывания Вы описываете, что значит готово, а дальше при каждой попытке Claude завершить работу отдельная модель-оценщик сверяет результат с вашим критерием (скажем, долей пройденных тестов) и возвращает агента к работе, пока цель не достигнута или не исчерпан заданный лимит попыток. 🟡Временной цикл /loop или /schedule берёт на себя триггер запуска. Это удобно для повторяющейся рутины и при работе с внешними системами (например, дайджест по таскам, реакция на новое ревью или упавший CI). 🟡Проактивный цикл убирает человека из контура. Рутина срабатывает по событию или расписанию и живёт, пока вы её не выключите. В связке с динамическими воркфлоу агенту передаётся уже сам промпт. Вот этот сценарий уже ближе всего к полной автоматизации. 🟡Дополнительные советы

Не каждая задача требует сложного цикла, начинать стоит с простейшего решения. Кодовую базу следует держать чистой, а для ревью подключать второй агент. Для этого есть встроенный /code-review. Контролировать расход токенов чёткими границами: точные условия остановки, подбор модели под задачу (рутину - на модели поменьше и побыстрее, решения с ризонингом - на самой мощной). Динамические воркфлоу способны породить сотни агентов, так что масштаб лучше проверять на небольшой выборке.

@ai_machinelearning_big_data #news #ai #ml

🔍Тестовое собеседование на Middle Python с разработчиком из Авито сегодня 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: 📂 Даня, старший разработчик в Авито, будет задавать реальные вопросы и задачи разработчику-добровольцу 📂 Даня будет комментировать каждый ответ респондента, чтобы дать понять чего от вас ожидает собеседующий на интервью 📂 В конце можно будет задать любой вопрос Дане 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.

✔️ DeepSeek-V4 теперь можно запускать локально через GGUF от Unsloth. DeepSeek-V4-Flash в lossless-версии запускается на 168 ГБ RAM. 3-битная версия работает на Mac и сетапах с RAM/VRAM примерно от 110 ГБ. Unsloth также улучшили chat template, чтобы модель корректнее работала в диалоговом формате. Запускать можно через Unsloth Studio или llama.cpp. Гайд: unsloth.ai/docs/models/deepseek-v4 GGUF: huggingface.co/unsloth/DeepSeek-V4-Flash-GGUF

Вы никогда не увидете меня в бою вот так 👆 Ведь я стал профи с курсами Академии Selectel Эксперты собрали более 30 бесплатных курсов для тех, кто только начинает или уже уверенно пишет код на языке программирования Python. На одном из них вы освоите: 🔸 набор инструментов и расширений, которые ускоряют создание кода; 🔸 работу с библиотеками, чтобы создавать приложения с графическим интерфейсом; 🔸 основы сбора аналитики с веб-страниц. Эксперты регулярно делятся полезными материалами, новостями и задачами в канале Академии Selectel. Подпишитесь: https://t.me/+m_KTaiXIfwU1MDYy Реклама. АО "Селектел". erid:2W5zFFz5S7s

✔️ Data-Juicer: пайплайн для подготовки данных под foundation models Alibaba и сообщество Data-Juicer развивают open-source систему для обработки датасетов перед обучением, дообучением и RAG. Data-Juicer помогает чистить, фильтровать, дедуплицировать, синтезировать и анализировать данные. Работает не только с текстом, но и с мультимодальными датасетами: изображениями, аудио и видео. В версии 2.0 заявлено больше 100 операторов для разных модальностей. Практический сценарий понятный: есть сырой корпус из разных источников, где много дублей, мусора, слабых примеров и перекоса по доменам. Data-Juicer позволяет собрать воспроизводимый data recipe, прогнать его на локальной машине или в распределённом режиме и потом оценить, как изменения в данных влияют на модель. Проект смотрит на данные как на отдельный слой оптимизации. Позволяет настроить качество, смесь, фильтры и пайплайн обработки. В ранней работе авторы показывали прирост до 7.45% по среднему score на 16 LLM-бенчмарках и 17.5% win rate в GPT-4 pairwise evaluation за счёт data recipes. https://github.com/datajuicer/data-juicer

🔥 Интенсив Путь в ИБ: деньги, карьера, реальность стартует УЖЕ СЕГОДНЯ! 📗Сохраняйте расписание: 🗓 7 ИЮЛЯ | День 1 🎙 Спикер: Лев — Инфраструктурный пентест. Эксперт по пентесту, Active Directory и безопасности Windows-сред. Работает с атаками на корпоративные сети и покажет, как новичку зайти в специализацию, где ценится понимание инфраструктуры. 🟢Тема: AD И ПЕНТЕСТ: СПЕЦИАЛИЗАЦИЯ, ЗА КОТОРУЮ ПЛАТЯТ

🟦Практическая сторона безопасности: как проверяют корпоративные сети, находят слабые места и превращают этот навык в высокооплачиваемую профессию. 🟦Что такое AD и почему без него не понять корпоративную безопасность 🟦Как атакующий двигается по сети и ищет слабые места 🟦Что нужно новичку на старте: сети, Windows и базовый код 🟦Почему компании платят за умение решать реальные задачи

🗓 8 ИЮЛЯ | День 2 🎙 Спикер: Гамид — Навигатор по кибербезу. DevSecOps-специалист, работает на стыке разработки, инфраструктуры и безопасности: знает, как устроены реальные ИБ-процессы в компаниях, какие специалисты нужны рынку и как не запутаться на старте обучения. 🟪Тема: КАРТА КИБЕРБЕЗОПАСНОСТИ: КУДА ИДТИ, ГДЕ ДЕНЬГИ И КАК НАЧАТЬ

🟦Раскладываем сферу ИБ по полочкам: какие направления есть, чем они отличаются, сколько можно зарабатывать и какой первый шаг выбрать. 🟦Как устроена кибербезопасность изнутри и зачем она бизнесу 🟦Пентест, SOC, работа этичных хакеров и защита инфраструктуры 🟦AppSec и DevSecOps: почему это отдельное направление с высоким спросом 🟦Как выбрать свой путь в ИБ и сделать первый шаг

🗓 9 ИЮЛЯ | День 3 🎙 Спикер: Евгений Ивченков — Эксперт по киберразведке, анонимности и безопасности с AI-инструментами. Сейчас cyber security researcher. В прошлом соавтор курса «Анонимность и безопасность 1.0» в CyberYozh. 🟡Тема: AI-АГЕНТ В ВАШЕЙ СИСТЕМЕ: КТО РЕАЛЬНО КОМАНДУЕТ

🟦Разбираем, почему ChatGPT, AI-агенты и другие ИИ-инструменты могут быть не только помощниками, но и источником риска. 🟦Как ИИ уже используют в кибербезопасности 🟦Чем AI-агенты отличаются от обычного чата с нейросетью 🟦Что такое обман ИИ простыми словами и зачем это знать новичку 🟦Как правильно применять нейросети для обучения и работы

⏰ Старт первого эфира уже сегодня. Все закрытые разборы, материалы и бонусы получат только зарегистрированные участники. ▶️ УЗНАТЬ БОЛЬШЕ 🦔 CyberYozh

Забавная игрушка на ночь: GitHub-профиль теперь можно превратить в карточку в стиле FIFA. GitFut прогоняет аккаунт по метрикам вроде коммитов, звёзд, репозиториев, подписчиков и активности, а потом собирает карточку с рейтингом от 0 до 99. Идеально, чтобы внезапно узнать, ты GitHub-легенда или бронзовый запасной с одним pet-проектом. https://gitfut.com/

The Easiest Way to Scrape the Web Инструмент, который Имитирует браузеры для скрейпинга и парсит HTML в Markdown. Незаметный web-scraping и удобный HTML-парсинг в Python. https://github.com/jpjacobpadilla/Stealth-Requests

✔️ DeepSeek OCR локально на RTX 3090 Проект даёт полноценный OCR и умную обработку документов прямо у себя на машине через DeepSeek-OCR. Что внутри: загрузка изображений и многостраничных PDF точное распознавание текста + структурирование экспорт в Markdown / HTML / DOCX / JSON извлечение изображений и сохранение формул удобный интерфейс (React) + API (FastAPI) готов к запуску в Docker Подходит, когда нужно превратить сканы в редактируемые и поисковые документы без облака. GitHub: http://github.com/rdumasia303/deepseek_ocr_app

Wagtail как Django admin на стероидах Хороший разбор для Django-разработчиков: Wagtail можно использовать не только как CMS, но и как более удобную админку для обычных Django-моделей. Смысл простой: Django admin быстро даёт UI вокруг моделей, но кастомизация часто превращается в боль. Wagtail даёт более современный интерфейс, нормальную работу с полями, группировку через panels, роли, permissions, rich text, media library, versioning и редакторские workflow. При этом не нужно переписывать проект под CMS-логику. Wagtail ставится как обычный Django-пакет, добавляется в INSTALLED_APPS, подключается в urls.py, а бизнес-логика, views, forms и templates остаются обычными Django. Самый практичный случай использования : взять существующий admin.py, перенести модели в Wagtail snippets и постепенно заменить старую админку там, где нужен интерфейс, который не стыдно показать клиенту. Для внутренних тулзов, CRM, backoffice и контентных разделов это может быть намного приятнее, чем бесконечно допиливать стандартный Django admin. https://timonweb.com/wagtail/wagtail-as-django-admin-on-steroids/

🖥 «Git Pro: от первого коммита до уровня senior» — на Stepik Пятница, 17:58. Вы пишете git push --force. И понимаете, что были не в той ветке. Дальше два сценария. Первый: холодный пот, звонок тимлиду, испорченные выходные. Второй: git reflog, две команды, всё на месте, идёте домой. Разница между этими сценариями - этот курс. Git изнутри. Rebase без страха. Конфликты по алгоритму. Pull Request, code review, защита веток, CI/CD. Три модели ветвления - выберете свою. Скидка 58%, 48 часов: https://stepik.org/course/284799/

Array API + JIT: как ускорять scientific Python без CUDA C Quansight разобрали важную проблему: Array API помогает писать код под разные array-бэкенды, но в SciPy и похожих библиотеках много compiled-кода, который сложнее переносить на GPU и multicore CPU. Авторы предлагают использовать Array API + JIT/AOT-компиляцию как альтернативу ручным специализированным kernels. На примере SciPy RBF interpolator авторы показывают, что такой подход может дать серьёзный прирост производительности на CUDA без написания CUDA C-кода. Scientific Python постепенно уходит от модели «пишем отдельную реализацию под каждое железо» к более удобному стеку, где один код может работать быстрее на разных backend’ах. https://labs.quansight.org/blog/array-api-aot-jit @pythonl

Мы это не заслужили )

Anthropic выкатила Claude Sonnet 5 - мощнейший «агентный» Sonnet в линейке. Главная идея: модель теперь лучше планирует, пользуется инструментами, браузером, терминалом и может дольше вести сложные задачи без постоянного контроля. По словам Anthropic, Sonnet 5 приблизился к Opus 4.8 по агентным задачам, но стоит дешевле. Особенно упор сделали на кодинг, tool use, reasoning и работу с многошаговыми процессами. Модель уже доступна во всех планах Claude, включая Free и Pro, а также в Claude Code и API. Цена для разработчиков до 31 августа 2026: • $2 за 1 млн input tokens • $10 за 1 млн output tokens Потом стандартная цена: • $3 за input • $15 за output Интересный момент: Anthropic отдельно пишет, что Sonnet 5 безопаснее Sonnet 4.6 в агентных сценариях, лучше отказывается от вредных запросов и устойчивее к prompt injection. По сути, это попытка сделать «рабочую лошадку» для AI-агентов: не самую дорогую, но достаточно сильную, чтобы закрывать кодинг, автоматизацию, браузерные задачи и долгие пайплайны. https://www.anthropic.com/news/claude-sonnet-5

Как запустить своего Джарвиса за 5 минут: локальный AI-ассистент OpenJarvis Идея простая: вместо очередного облачного чат-бота вы собираете персонального AI-помощника, который работает ближе к вашему устройству, файлам и задачам. https://github.com/open-jarvis/OpenJarvis

🖥 GitHub Pages можно пересобрать почти на голом Python. Автор показал, как сделать лёгкую платформу для хостинга статических сайтов без фреймворков и тяжёлой инфраструктуры. Только стандартная библиотека Python. Идея простая: • http.server отдаёт статические файлы • небольшой Python-код добавляет логику деплоя • автоматизация обновляет сайт после изменений • HTTPS можно прикрутить без отдельного большого стека Главный кайф не в том, чтобы «убить GitHub Pages», а в том, чтобы понять механику под капотом. Статический хостинг - это не магия. Это файловая раздача, маршруты, деплой, сертификаты и немного аккуратной автоматизации. Хороший материал для тех, кто хочет лучше понимать web-инфраструктуру, а не просто нажимать кнопку Deploy. https://blog.klemek.fr/articles/2026-06-14/

Вышел scikit-learn 1.9. Это не релиз про «новую модную модель», а про то, что библиотека становится удобнее для реальной ML-разработки. Главное: • experimental callbacks Теперь можно вешать callbacks на estimator-ы через set_callbacks() и отслеживать ключевые этапы fit. Из коробки есть ProgressBar для прогресса и ScoringMonitor для логирования метрик. • лучшее HTML-представление моделей В Jupyter estimator-ы теперь показывают больше полезной информации после fit: fitted attributes, типы, значения, output features у трансформеров и пайплайнов. Для сложных Pipeline, ColumnTransformer и FeatureUnion это реально удобнее, чем вручную копаться в атрибутах. • новый sparse_interface Появилась настройка:

sklearn.set_config(sparse_interface="sparray")

Она позволяет управлять тем, возвращает scikit-learn старые SciPy sparse matrix или новые sparse array. Пока default остаётся spmatrix, но дальше библиотека будет постепенно двигаться к sparray. • больше поддержки Array API Часть моделей и метрик теперь лучше работает с Array API-compatible inputs. • Narwhals как новая лёгкая зависимость Она нужна, чтобы проще поддерживать разные dataframe-библиотеки, например pandas и polars, особенно в связке с set_output. Обновление:

pip install --upgrade scikit-learn

https://blog.scikit-learn.org/updates/release-1-9/

В Python есть встроенный кэш, о котором многие забывают. Если функция часто вызывается с одними и теми же аргументами, не всегда нужно руками писать словарь, Redis или отдельный слой кэширования. Иногда хватает lru_cache из стандартного модуля functools. Пример:

from functools import lru_cache

@lru_cache(maxsize=128)
def get_user(user_id):
    print("Запрос к базе")
    return {"id": user_id}

Первый вызов выполнит функцию. Повторный вызов с тем же user_id вернёт результат из кэша.

get_user(1)  # Запрос к базе
get_user(1)  # уже из кэша

maxsize ограничивает размер кэша, а старые значения вытесняются по принципу LRU: least recently used. Полезно для: • тяжёлых вычислений • запросов к API • чтения редко меняющихся данных • рекурсивных алгоритмов Главное помнить: lru_cache хорошо работает, когда результат функции зависит только от её аргументов.

🖥 10 GitHub-репозиториев для Парсинга Сохрани, если работаешь с парсингом, RAG, LLM-пайплайнами или автоматизацией браузера. Важно: использовать такие инструменты стоит только там, где у вас есть право собирать данные, с учётом ToS, robots.txt и лимитов сайта. 1. Firecrawl Превращает сайт в чистый Markdown или JSON, удобный для LLM и RAG. https://github.com/firecrawl/firecrawl 2. Crawl4AI Краулер, который делает страницы LLM-ready без лишней настройки. https://github.com/unclecode/crawl4ai 3. Browser Use AI-агент, который управляет браузером: клики, формы, навигация, сбор данных через UI. https://github.com/browser-use/browser-use 4. Crawlee Production-фреймворк для краулинга: очереди, ретраи, браузерная автоматизация, хранение результатов. https://github.com/apify/crawlee 5. Scrapy Классика Python-скрейпинга. Подходит для больших краулеров и стабильных data pipelines. https://github.com/scrapy/scrapy 6. MarkItDown Инструмент Microsoft для конвертации PDF, Office, HTML и других форматов в Markdown. https://github.com/microsoft/markitdown 7. Scrapling Фреймворк для более устойчивого парсинга страниц, которые часто меняют структуру. https://github.com/D4Vinci/Scrapling 8. scrcpy Управление Android-устройством с компьютера. Полезно для тестирования и автоматизации mobile-only сценариев. https://github.com/Genymobile/scrcpy 9. AutoScraper Показываете пример нужных данных, а он сам пытается найти похожие элементы на странице. https://github.com/alirezamika/autoscraper 10. curl-impersonate Версия curl, которая имитирует сетевой профиль популярных браузеров. Полезно для тестов и совместимости. https://github.com/lwthiker/curl-impersonate Современный scraping давно перерос requests + BeautifulSoup. Теперь это целая инфраструктура: браузерные агенты, Markdown для LLM, очереди, мобильная автоматизация и пайплайны для подготовки данных под AI.

Идёт регистрация на Робозон — хакатон по оптимизации складских процессов от Ozon Tech. Призовой фонд: 15 000 000 рублей. Три задачи на выбор, два месяца на решение, один реальный бизнес-процесс, в рамках которого и нужно думать. Какие решения ждут: — модель движения товаров в сортировочном центре; — проект-конструкция автосортера; — алгоритм классификации и обработки товаров с помощью CV. Робозон — это возможность поработать с логикой и ограничениями высоконагруженной среды. Проверить свои навыки на процессах индустрии e-com. Обсудить решения с экспертами Ozon Tech.