Python Portal

Упростить логирование в Python можно с помощью Loguru 🪵 Стандартный модуль logging умеет почти всё, но даже базовая настройка часто требует handlers, format strings и дополнительного конфигурационного кода. Loguru делает логирование по ощущениям почти таким же простым, как print(), при этом поддерживает: timestamps; уровни логов; запись в файлы; rotation; retention; подробный вывод исключений. В статье сравниваются оба подхода и показывается, как Loguru позволяет сделать типичные задачи логирования короче и читабельнее. Полная статья: https://bit.ly/4aEOjJo #Python #Debugging 👉 @PythonPortal

Вот мой точный сетап, с которым я экономлю примерно 50% недельных лимитов Claude Code. Устанавливаю плагин OpenAI Codex внутри Claude Code. Разделяю работу по тому, в чём каждая модель сильнее:

Fable 5 high — планирование Codex 5.6 xhigh — реализация и выполнение задач через подписку Codex, без API Fable 5 max — ревью

Планирование и ревью — это как раз те этапы, где Fable оправдывает свою стоимость: там важнее качество решений и оценка результата. А выполнение обычно съедает больше всего токенов, поэтому его можно отдать Codex и использовать уже существующую подписку. Вот и весь сетап. Работает. 👉 @PythonPortal

8-летний Лакш собрал на микроконтроллере за $8 полностью автономного ИИ-рассказчика. Он работает без Wi-Fi, облака и API. В основе — ESP32-S3, микрофон INMP441, I2S-динамик и усилитель MAX98357A. Устройство умеет генерировать истории, создавать анимации, озвучивать текст и понимать голосовые команды вроде play, pause, resume и next story. Проект построен на форке open-source TinyStories LLM для ESP32. В исходной версии была генерация текста, а Лакш добавил голосовое управление, интерактивность, анимации и контролы. GitHub: https://github.com/slvDev/esp32-ai Пока слабое место — английский TTS на ESP32 звучит не очень хорошо. Именно его теперь планируют улучшать. 👉 @PythonPortal

Google AI Studio даёт бесплатный API-доступ к production-ready моделям Gemini без привязки банковской карты и без запуска временного trial-периода. Что доступно: → Бесплатный доступ — можно создавать API-ключи для Gemini 2.5 Flash, Pro и 3.6 Flash без добавления платёжных данных → Щедрые лимиты для разработчиков — дневные ограничения (например, около 15 RPM / 1M TPM / 1500 RPD) позволяют полноценно тестировать приложения и запускать небольшие production-сценарии → Быстрый старт с Python — достаточно установить google-generativeai и выполнить первые API-вызовы менее чем за две минуты → Поддержка универсальных SDK — интеграция с multi-model proxy-роутерами вроде LiteLLM позволяет использовать бесплатные endpoint’ы в разных приложениях 👉 @PythonPortal

Ещё не все языки программирования выучил, ещё один — и тогда пойдёшь искать работу? А там: пройдите стажировку за печеньки 3 месяца, и только потом статус джуна с оплатой до 100 000 ₽. Сомнительный план. Сережа так и делал. Самоучка, 4 месяца откликов, ноль ответов. Каждое утро — открыть сайт, отправить 10 резюме, закрыть ноутбук и ждать письмо "вы нам не подходите". Проблема была не в знаниях, а в устаревшем стеке и понимании как дойди до живого HR. После проработки по системе: оффер AQA-инженера на 265 000 ₽ через 149 дней, без коммерческого опыта. Зачем терять полгода на статусе джуна и терять в деньгах, когда можно потратить то же время на мидла — конкуренция меньше, оплата больше. Но чтобы вписаться сразу на мидла, нужна опробованная система. Подробно о ней — по ссылке. Гайд как пройти испытательный срок внутри. Еще реферальные ссылки сразу на живых hr компании доступ сразу. без регистрации → https://t.me/find_it_mentor_bot?start=utm_tg_ad_l1 ссылка сгорит через 24 часа

Подборка ресурсов по MLOps для тех, кто хочет разобраться, как ML-системы доводят до production. https://github.com/visenger/awesome-mlops 👉 @PythonPortal

Через VS Code теперь можно расшарить localhost без сторонних инструментов. 🤯 Во встроенной вкладке Ports можно открыть локальный сервер для доступа из интернета. Как это сделать: 1. Открыть вкладку Ports в панели терминала 2. Нажать Forward a Port 3. Указать локальный порт — например, 5173, 3000 или 3001 4. VS Code сгенерирует ссылку 5. Для публичного доступа нужно нажать по ней правой кнопкой и выбрать Make Public 6. После этого ссылку можно отправить другому человеку Удобно для демо, тестирования на других устройствах и быстрого показа проекта клиентам или команде. 👉 @PythonPortal

🚨 Весь стек AI-ассистента переписали на Zig. Проект называется NullClaw. Размер бинарника — 678 КБ, потребление памяти — около 1 МБ, запуск занимает меньше 2 мс. Без runtime, VM, фреймворков и garbage collector — только Zig. Почему это важно:

OpenClaw требует Mac Mini за $599 и больше 1 ГБ RAM NanoBot — больше 100 МБ RAM и Python PicoClaw — 10 МБ RAM и Go

NullClaw запускается на плате за $5 с 1 МБ RAM, предлагая ту же функциональность при использовании примерно 0,1% ресурсов. В эти 678 КБ входят:

22+ AI-провайдера, включая OpenAI, Anthropic, Ollama, DeepSeek и Groq 13 каналов связи: Telegram, Discord, Slack, WhatsApp, iMessage, IRC и другие 18+ встроенных инструментов гибридный поиск по памяти: vector + keyword многоуровневая sandbox-изоляция через Landlock, Firejail и Docker поддержка Arduino, Raspberry Pi и STM32 MCP, subagents, streaming, voice и остальной стек

Каждая подсистема реализована как заменяемый интерфейс: провайдеры, каналы, инструменты и memory backend можно менять через конфиг без правок кода. API-ключи по умолчанию шифруются с помощью ChaCha20-Poly1305. В проекте 2 738 тестов, около 45 000 строк Zig и нет зависимостей кроме libc. Полностью бесплатно. Open Source. 👉 @PythonPortal

Лаборатория Университета Цинхуа выложила на GitHub проект, который заменяет стойку с H100 стоимостью $400 000 одной видеокартой с 24 ГБ памяти. Он называется ktransformers, а идея почти до смешного проста: эксперты, которые реально используются, остаются на GPU, а остальные находятся на CPU до тех пор, пока не понадобятся. / DeepSeek-V3 и R1 с контекстом 139K на 24 ГБ VRAM / ускорение до 28 раз по сравнению со стандартной конфигурацией / дообучение DeepSeek-V3 на четырёх RTX 4090 вместо дата-центра / проект создан лабораторией MADSys Университета Цинхуа, а не стартапом с лендингом Лицензия Apache 2.0, а на GitHub уже больше 17 000 звёзд. → http://github.com/kvcache-ai/ktransformers 👉 @PythonPortal

Kimi снова это сделали! В Kimi K3 они разработали новый подход к работе с residual connections (остаточными связями) в Transformer-архитектурах — механизмом, который практически не менялся со времён ResNet в 2015 году. В стандартном Transformer каждый слой добавляет свой выход обратно к входу с фиксированным весом 1. То есть каждый слой получает одинаковую важность независимо от того, что именно нужно конкретному токену. При глубине в 40, 60, 80+ слоёв скрытое состояние превращается в сумму всех предыдущих представлений с одинаковыми весами. Более глубоким слоям приходится создавать всё более крупные выходные значения, чтобы хоть как-то влиять на итоговое представление. При масштабировании моделей это делает обучение менее стабильным. Attention Residuals решают эту проблему, заменяя фиксированное сложение на softmax attention по глубине сети. Теперь каждый слой сам учится определять, сколько информации брать из каждого предыдущего слоя — в зависимости от входа. Благодаря этому разные токены могут извлекать разные представления из разных слоёв, ориентируясь на то, что действительно полезно. Идея повторяет то, что оригинальный Transformer сделал с последовательностями. RNN сжимали всю предыдущую информацию о токенах в одно состояние, которое передавалось по времени. Transformer заменил это механизмом attention. Attention Residuals применяют ту же идею, но уже к глубине модели. Когда Kimi впервые проверили этот подход на своей модели Kimi Linear 48B в марте, Block AttnRes показал такую же производительность, как базовая модель, обученная с в 1,25 раза большим количеством вычислений, при этом добавив менее 2% задержки на инференсе. Kimi K3 стала первой моделью, где этот подход применяется в масштабе фронтирной модели: 2,8 трлн параметров, вместе с Kimi Delta Attention, который обеспечивает до 6,3× более быстрое декодирование при работе с контекстом размером в миллион токенов. 👉 @PythonPortal

Codex Router добавляет Kimi K3 и DeepSeek прямо в селектор моделей Codex, не затрагивая вход через ChatGPT и встроенные GPT-модели. После установки рядом с нативными моделями появляются дополнительные варианты: • Kimi K3 через OAuth или API • DeepSeek V4 Flash и Pro через API Инструмент не перезаписывает конфигурацию Codex, автоматически создаёт резервную копию и поддерживает безопасный откат. Также предусмотрена миграция со старых версий роутера. Проект полностью бесплатный и опенсорсный. 👉 @PythonPortal

Modly — это бесплатное опенсорсное десктопное приложение, которое превращает обычные изображения в 3D-модели прямо на вашем компьютере. Вся генерация выполняется локально на GPU, без облака и подписки. Приложение работает на Windows, Linux и macOS с Apple Silicon. В Modly есть визуальный workflow: загрузили изображение, сгенерировали mesh и добавили его в сцену. Импортированные модели можно сразу сглаживать и упрощать, а внешние расширения позволяют подключать разные модели и стили генерации. https://github.com/lightningpixel/modly 👉 @PythonPortal

Этот vault добавляет AI-агентам долгосрочную память. Добавляет persistent memory, семантический поиск и автоматическое отслеживание рабочих задач для Claude Code, Codex и Gemini. Автоматически сохраняет решения, результаты работы и материалы ревью внутри Obsidian vault. Репозиторий: https://github.com/breferrari/obsidian-mind 👉 @PythonPortal

Этот проект представляет собой полный курс по Python — от нулевого уровня до backend-разработки, который создавался в прямом эфире на Twitch. Покрывает основы Python, продвинутые темы и разработку backend-приложений. Включает создание REST API с аутентификацией и интеграцией с базой данных. Весь код организован по директориям: Basic, Intermediate и Backend. Видео-уроки содержат таймкоды для каждой темы. 👉 @PythonPortal

Чтобы превратить вызовы LLM в понятные и компонуемые workflows, не нужен огромный фреймворк. PocketFlow — минималистичный Python-фреймворк для разработчиков, которые создают агентов, RAG-пайплайны и другие LLM-приложения. Он позволяет проектировать логику приложения в виде графа, соединяя небольшие узлы, которые используют общее состояние и направляют выполнение через именованные действия. Ключевые возможности: • Графовые flows — можно объединять узлы в цепочки, создавать ветвления по действиям, циклы и вложенные flows. • Узлы из трёх этапов — подготовка, выполнение и постобработка разделены и работают с общим состоянием. • Настройка повторных попыток — можно задать количество ретраев, задержки между ними и fallback-поведение при ошибках выполнения. • Batch- и async-режимы — обработка списков элементов, повторный запуск flows с параметрами и параллельное выполнение асинхронных batch-задач. • Практический cookbook — примеры агентов, RAG, workflows, стриминга и приложений с human-in-the-loop. Проект с открытым исходным кодом и распространяется по лицензии MIT. 👉 @PythonPortal

На этой неделе я нашёл, пожалуй, лучший оркестратор для ИИ-агентов. Он называется Herdr и по сути представляет собой tmux, который понимает, что делают агенты. 👍 Вы запускаете Claude Code, Codex или OpenCode в отдельных панелях, а боковая панель в реальном времени показывает, какой агент сейчас работает, какой уже закончил и какой заблокирован в ожидании вашего ввода. Кроме того, терминал можно закрыть, а агенты продолжат работать. То есть поддерживается detach-режим. Затем можно подключиться обратно по SSH откуда угодно, даже с телефона. Всё это упаковано в один бинарник на Rust: быстрый, лёгкий, кроссплатформенный и с открытым исходным кодом. Работает в любом терминале, поддерживает настройку и плагины для расширения возможностей https://herdr.dev/ 👉 @PythonPortal

🤣🤣🤣 👉 @PythonPortal

🔍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.

Японские исследователи создали систему, которая моделирует целый город, генерируя до 1 миллиона виртуальных жителей, чьё поведение с помощью LLM имитирует человеческое. И она с пугающей точностью предсказала реальные события. Они разработали городской симулятор под названием CitySim, который заселяет цифровой двойник Токио автономными AI-агентами — их может быть до 1 миллиона. Каждый виртуальный житель работает на базе LLM и обладает: • личными воспоминаниями; • долгосрочными целями; • желаниями, похожими на человеческие: голод, усталость, потребность в социальном взаимодействии; • пространственным восприятием и способностью ориентироваться. Большинство городских симуляций основаны на правилах, заданных вручную: если происходит A, за ним следует B. CitySim устроен иначе. Он работает на основе ценностей. У агентов есть собственная субъектность. Они самостоятельно составляют расписание, исходя из личных привычек, текущих потребностей и изменений окружающей среды. Когда исследователи запустили симуляцию для Токио, результаты оказались пугающе точными. Сценарии поездок на работу по будням, досуга по выходным и покупательского поведения почти идеально совпали со статистическими данными правительства Японии. Система даже смогла предсказать распределение толпы в Сибуе и определить, какие магазины действительно станут популярными, за несколько месяцев до появления соответствующих данных из реального мира. Для городского планирования это открывает огромные возможности. Теперь можно безопасно и с меньшими затратами тестировать готовность к стихийным бедствиям, выбирать места для коммерческих объектов и оценивать модернизацию общественной инфраструктуры, не перемещая ни одного живого человека. Но дело не только в планировании. Исследователи уже рассматривают возможность добавить агентам более высокоуровневые человеческие стремления, например «самоактуализацию», чтобы посмотреть, как они будут развиваться. Статья была опубликована на arXiv в июне 2025 года, но за пределами сообщества специалистов по вычислительным социальным наукам её почти никто не прочитал. 👉 @PythonPortal

Foundations of Applied Mathematics — это бесплатная серия из четырёх учебников, созданная для программы по прикладной и вычислительной математике в Университете Бригама Янга. В неё входят четыре тома: Математический анализ Алгоритмы, аппроксимация и оптимизация Неопределённость и данные Динамика и управление Серия подходит студентам старших курсов бакалавриата и начальных курсов магистратуры. К ней также прилагаются лабораторные работы на Python и практические задания, поэтому математическая теория связана с численными вычислениями, алгоритмами, анализом данных и научными приложениями. Особенно мне нравится, что это не только теоретические учебники. Сопутствующие материалы на Python помогают увидеть, как эти концепции применяются к реальным вычислительным задачам. https://foundations-of-applied-mathematics.github.io 👉 @PythonPortal