Python Portal

Исследователи из Berkeley 8 месяцев работали внутри техкомпании и наблюдали, как сотрудники используют ИИ. Обещание было простым: ИИ сэкономит вам время. Делайте меньше. Работайте лучше. На практике вышло наоборот. Сотрудники не использовали ИИ, чтобы раньше заканчивать работу и идти домой. Они использовали его, чтобы брать на себя больше. Больше задач. Больше проектов. Больше часов работы. Никто их к этому не принуждал. Они сделали это сами. Исследователи два дня в неделю находились внутри компании на протяжении 8 месяцев. Они наблюдали за 200 сотрудниками в реальном времени. Отслеживали рабочие каналы. Провели более 40 интервью с людьми из engineering, product, design и operations. Вот что они выяснили. ИИ делал все быстрее на ощущениях, поэтому люди заполняли им каждую свободную паузу. Они отправляли промпты во время обеда. Перед встречами. Поздно ночью. Естественные точки остановки в рабочем дне исчезли. Люди одновременно запускали несколько ИИ-агентов в фоне, пока писали код, готовили документы и сидели на встречах. Это ощущалось как движение вперед. Это ощущалось как продуктивность. Но если посмотреть на ситуацию со стороны, сами сотрудники описывали свое состояние как перегруженность, постоянную занятость и полную неспособность отключиться от работы. 83% сказали, что ИИ увеличил их рабочую нагрузку. Не снизил. Увеличил. 62% сотрудников уровня associate и 61% сотрудников junior-уровня сообщили о выгорании. Среди руководителей такой же уровень нагрузки ощущали только 38%. Удар приняли на себя те, кто делает реальную работу, в то время как руководство праздновало рост показателей продуктивности. А потом проявилась ловушка, которую никто не заметил сразу. Когда один человек использует ИИ, чтобы тянуть на себе больше работы, всем остальным начинает казаться, что они отстают. В итоге ускоряется вся команда. Никто официально не повышает ожидания. Но новый темп незаметно становится нормой. То, что ИИ сделал возможным, превращается в то, что от тебя теперь ждут. Исследователи дали этому название: workload creep. Сначала это выглядит как рост продуктивности. Потом становится новой базовой нормой. А затем превращается в выгорание. ИИ должен был вернуть вам время. Вместо этого он забирает его еще больше. И самое неприятное тут вот что: вы делаете это с собой сами. Добровольно. 😢 👉 @PythonPortal

🌧🌧🌧 👉 @PythonPortal

Не используйте ELSE 0 вместе с COUNT и CASE Использование ELSE 0 - очень частая ошибка у новичков, когда они комбинируют функцию COUNT с выражением CASE. Обычно это происходит из-за непонимания того, как именно COUNT работает при применении к столбцу. Когда используется COUNT(column), функция считает все значения, которые не равны NULL, включая нули. Это значит, что если в выражении CASE указан ELSE 0, каждая строка, не попавшая под условие, превращается в значение 0. В результате такие строки тоже попадают в подсчёт. Вот наивный пример:

sql id="g4suvd"
SELECT
    Department,
    COUNT(CASE
              WHEN Status = 'Active' THEN EmployeeID
              ELSE 0
          END) AS ActiveEmployees
FROM Employees
GROUP BY Department;

В этом запросе каждая строка, которая не удовлетворяет условию, превращается в 0, а это валидное значение, поэтому оно тоже учитывается в COUNT. Из-за этого результат может получиться вводящим в заблуждение. Лучше всего вообще убрать ELSE. Когда ветка ELSE опущена, выражение CASE возвращает NULL для строк, которые не соответствуют условию. А так как COUNT() игнорирует NULL, будут посчитаны только строки, которые действительно удовлетворяют условию. Вот правильный вариант:

sql id="vxa5np"
SELECT
    Department,
    COUNT(CASE
              WHEN Status = 'Active' THEN EmployeeID
          END) AS ActiveEmployees
FROM Employees
GROUP BY Department;

В этой версии строки, не подходящие под условие, возвращают NULL, и COUNT() естественным образом исключает их из подсчёта. В итоге запрос получается чище, а подсчёт корректно отражает только те значения, которые реально соответствуют условию. 👉 @PythonPortal

OpenAI опубликовала работу, в которой доказывается, что ChatGPT будет выдумывать всегда. 😖 Не иногда. Не до следующего обновления. Всегда. Они доказали это математически. Даже при идеальных обучающих данных и неограниченной вычислительной мощности AI-модели всё равно будут уверенно говорить вещи, которые полностью ложны. Это не баг, который они пытаются пофиксить. Это фундаментально встроено в принцип работы таких систем. И их собственные цифры довольно жёсткие. Рассуждающая модель o1 от OpenAI галлюцинирует в 16% случаев. Более новая o3? 33%. Их новейшая o4-mini? 48%. То есть почти половина того, что говорит их самая свежая модель, может быть выдумкой. Более «умные» модели на самом деле становятся хуже в плане правдивости. Вот почему это нельзя исправить. Языковые модели работают, предсказывая следующее слово на основе вероятности. Когда они сталкиваются с неопределённостью, они не ставят ответ на паузу. Не помечают её. Они просто угадывают. И делают это с полной уверенностью, потому что именно этому их и обучали. Исследователи посмотрели на 10 крупнейших AI-бенчмарков, которые используются для оценки качества таких моделей. В 9 из 10 случаев ответ I don't know получает ту же оценку, что и полностью неправильный ответ: ноль баллов. Вся система тестирования буквально наказывает честность и поощряет угадывание. Поэтому AI выучил оптимальную стратегию: всегда угадывать. Никогда не признавать неопределённость. Звучать уверенно, даже когда он всё это выдумывает. Какое решение предлагает OpenAI? Заставить ChatGPT отвечать I don't know, когда он не уверен. Но их собственная математика показывает, что тогда примерно 30% ваших запросов будут оставаться без ответа. Представьте: вы спрашиваете ChatGPT о чём-то, и примерно в трёх случаях из десяти получаете Я недостаточно уверен, чтобы ответить. Пользователи ушли бы практически сразу. То есть решение существует, но оно убило бы продукт. И это не только проблема OpenAI. DeepMind и Tsinghua University независимо пришли к тому же выводу. Три ведущие AI-лаборатории мира, работая по отдельности, сошлись в одном: это навсегда. Каждый раз, когда ChatGPT даёт вам ответ, задавайте себе вопрос: это правда или просто уверенная догадка? 👉 @PythonPortal

Хорошо там, где нас нет 🤣🤣🤣 👉 @PythonPortal

Монолит VS микросервисы 👉 @PythonPortal

Оказалось, что история с покупкой доступа к якобы топовым моделям, а по факту к подменённым, наконец получила подтверждение в статье. Исследователи провели аудит 17 сторонних API для LLM-агентов и выяснили: • почти 46% endpoint'ов не проходят fingerprint-тесты • API заявляет, что это GPT-5 или Gemini-2.5, а на бэкенде тихо подставлен GLM-4 • точность на медицинском бенчмарке падает с 83% до 37% Эти фейковые API уже процитированы в 187 научных статьях, а некоторые связанные с ними проекты набрали почти 60 тысяч звёзд на GitHub. И главная проблема тут в том, что научные выводы строятся на поддельных моделях. Статья: https://arxiv.org/abs/2603.01919 👉 @PythonPortal

🤔🤔🤔 👉 @PythonPortal

Немного базы Python. # 12 - Startswith и Endswith startswith() и endswith() это строковые методы, которые возвращают True, если строка начинается или заканчивается указанным значением. Эти методы можно использовать в разных ситуациях, когда нужно проверить префикс или суффикс у строки. Они особенно полезны для фильтрации и задач валидации. - Использование метода Startswith Допустим, ты хочешь получить все имена в списке, которые начинаются на a. Вот как можно использовать startswith() для этого:

list1 = ['lemon', 'Orange',
         'apple', 'apricot']

new_list = [fruit for fruit in list1 if fruit.startswith('a')]
print(new_list)

['apple', 'apricot']

- Использование метода Endswith Метод endswith() можно использовать для валидации ввода пользователя. Например, если нужно проверить, что пользователь ввёл корректный Gmail-адрес, можно убедиться, что ввод заканчивается на gmail.com:

user_input = input("Введите email-адрес: ")

if user_input.endswith("@gmail.com"):
    print("Валидный email-адрес.")
else:
    print("Невалидный email-адрес.")

👉 @PythonPortal #100daysofpython

Новый PEP Ограничения в софтверной инженерии созданы, чтобы их ломать. Годами меня бесил разрыв между Python и TypeScript: у одного невероятно динамичный и мощный рантайм, у другого невероятно динамичная и мощная система типов. Так почему бы не совместить и то, и другое? 🔥 Встречайте PEP 827, результат годового ресерча о том, что нужно, чтобы прокачать type checking в Python до уровня его динамичности. Вот как можно реализовать Record, сравнив варианты бок о бок: TypeScript

type Record<K extends string, V> = {
  [P in K]: V
}

// так что...

type Fruit = Record<
  'apple' | 'banana' | 'orange',
  string
>

// развернется в
//
// {
//   apple: string;
//   banana: string;
//   orange: string;
// }

Python

type Record[K, V] = NewTypedDict[
  *[Member[k, V] for k in Iter[FromUnion[K]]]
]

# так что...

type Fruit = Record[
  Literal["apple", "banana", "orange"],
  str
]

# развернется в
#
# class <Fruit>:
#   apple: str
#   banana: str
#   orange: str

Вот пример Pick: TypeScript

type Pick<T, K extends keyof T> = {
  [P in K]: T[P]
}

Python

type Pick[T, K] = NewProtocol[*[
  p for p in Iter[Attrs[T]]
  if IsAssignable[p.name, K]
]]

А вот Omit. Обрати внимание: версия на Python по сути не изменилась по сравнению с реализацией Pick, в отличие от TS. TypeScript

ts id="5ehk8a"
type Omit<T, K extends keyof T> = {
  [P in Exclude<keyof T, K>]: T[P]
}

Python

py id="g6u8k1"
type Omit[T, K] = NewProtocol[*[
  p for p in Iter[Attrs[T]]
  if not IsAssignable[p.name, K]
]]

👉 @PythonPortal

🧠🧠🧠 👉 @PythonPortal

Гвидо ван Россум (отец Python) выпустил новую версию typeagent, Python-библиотеки, над которой он работал с середины прошлого года, и все больше делал это вместе с Claude. Она реализует память для агентов. Установка: pip install typeagent. CHANGELOG.md 👉 @PythonPortal

Agentic RAG для чайников Модульный agentic RAG, собранный на LangGraph. Разберись с RAG-агентами за считанные минуты. Этот репозиторий показывает, как собрать agentic RAG на LangGraph с минимумом кода. Что обещают в README, если коротко: - иерархическая индексация (parent/child чанки: ищем по мелким, достаём крупные для контекста) - память диалога - уточнение запроса (вплоть до паузы и вопроса пользователю) - оркестрация пайплайна через LangGraph, плюс параллельный map-reduce для сложных запросов - автоперезапрос, если результатов мало, и компрессия контекста, чтобы не раздувать промпт https://github.com/GiovanniPasq/agentic-rag-for-dummies 👉 @PythonPortal

VPN за 60 секунд 👉 @PythonPortal

Немного базы Python. День 11 - Добавление разделителя тысяч Если вы работаете с большими числами и хотите добавить разделитель, чтобы их было проще читать, есть несколько способов это сделать. Вот некоторые из них: ▪️Использование функции format List comprehension проходит по каждому элементу (числу) в my_list. Для каждого числа он форматирует его в строку с разделителями тысяч запятыми, используя строку формата '{:,}'.format(num).

my_list = [10898767, 9876780, 9908763]

new_list = ['{:,}'.format(num) for num in my_list]
print(new_list)

# ['10,898,767', '9,876,780', '9,908,763']

Вывод печатает new_list, который содержит отформатированные строки с разделителями запятыми. ▪️Использование f-строк Также можно использовать f-строки, чтобы добавить разделители тысяч. Обратите внимание ниже: вместо запятой (,) как разделителя мы используем подчёркивание (_).

my_list = [10898767, 9876780, 9908763]

new_list = [f"{num:_}" for num in my_list]
print(new_list)

# ['10_898_767', '9_876_780', '9_908_763']

Заметили, что в обоих случаях мы используем list comprehension, чтобы добавить разделитель? Крутая штука, правда? 😉 ▪️Использование модуля locale Модуль locale даёт способ форматировать числа с разделителями тысяч в соответствии с текущими настройками локали. Вы можете выставить нужную локаль и использовать метод locale.format_string(). Вот как это выглядит на практике:

import locale

my_list = [10898767, 9876780, 9908763]
formatted_list = []

for num in my_list:
    # Set the locale
    locale.setlocale(locale.LC_ALL, 'en_US.UTF-8')
    formatted_list.append(locale.format_string("%d", num, grouping=True))

print(formatted_list)

Этот код проходит по каждому числу в my_list через цикл for. Он задаёт нужную локаль 'en_US.UTF-8' с помощью locale.setlocale(locale.LC_ALL, 'en_US.UTF-8'). Это выставляет локаль на США с кодировкой UTF-8, где для тысяч используются запятые. Дальше locale.format_string('%d', num, grouping=True) форматирует число (num) в строку с разделителями тысяч. Спецификатор формата '%d' означает, что число нужно форматировать как целое, а grouping=True указывает, что разделители тысяч должны быть включены. 👉 @PythonPortal #100daysofpython

10 библиотек Python для генеративного ИИ, которые нужно освоить в 2026 году 👉 @PythonPortal

Советы от реальных экспертов по оптимизации 👉 @PythonPortal

Немного базы Python. День 10 - Абсолютное значение (модуль) числа Допустим, у тебя есть отрицательное число и ты хочешь получить его абсолютное значение. Для этого можно использовать функцию abs(). Функция abs() возвращает абсолютное значение любого числа (положительного, отрицательного и комплексного). Ниже показано, как получить список абсолютных значений из списка, где есть и отрицательные, и положительные числа. Используем list comprehension.

list1 = [-12, -45, -67, -89, 34, 67, -13]

print([abs(num) for num in list1])

[12, 45, 67, 89, 34, 67, 13]

Также abs() можно применять к числу с плавающей точкой, и она вернет абсолютное значение. Смотри ниже:

num = -23.12

print(abs(num))

23.12

➡️Использование модуля math Если тебе нужны более продвинутые математические функции, можно использовать fabs() из модуля math. Эта функция всегда возвращает float.

import math

num = -23.12
absolute_value = math.fabs(num)
absolute_value

23.12

➡️Использование lambda-функции Можно также использовать lambda, чтобы превратить отрицательное число в модуль. Код ниже проверяет, меньше ли x нуля (то есть отрицательное ли значение). Если да, возвращает -x, по сути убирая минус и делая число положительным. Если x не отрицательное (больше или равно 0), возвращает x как есть.

num = -23.12
absolute_value = (lambda x: -x if x < 0 else x)(num)
absolute_value

23.12

👉 @PythonPortal #100daysofpython

Этот Python-фреймворк может скрейпить ЛЮБОЙ сайт и вытаскивать структурированные данные за считанные минуты. Называется Scrapy. Он краулит сайты и извлекает структурированные данные целиком с твоей машины. Никаких счетов за SaaS-скрейпинг. Никаких лимитов облачных API. Никакие данные не уходят за пределы твоей инфраструктуры. Работает на самом “боевом” краулинг-движке в Python: 59K звёзд и 15+ лет продакшен-использования. → Описал spider один раз → Получил чистые структурированные данные → Масштабируешься до миллионов страниц → Экспорт в JSON, CSV, XML в один момент Всё локально. Ноль зависимости от облака. Но это не просто скрипт для парсинга. Это полноценный фреймворк для извлечения данных: → Асинхронная архитектура для параллельного краулинга в масштабе → Встроенные middleware для прокси, ретраев и rate limiting → CSS и XPath селекторы без лишнего бойлерплейта → Подключаемые pipelines для чистки, дедупликации и сохранения → 54 800+ продакшен-проектов уже завязаны на него 100% open source. Лицензия BSD-3. Работает на macOS, Windows и Linux уже сейчас. Хочешь сделать хорошо, сделай сам, вместо облачных сервисов запускаешь всё у себя. 🪖🪖 100% опенсорс 👉 @PythonPortal

Всегда пиши код так, будто тот, кому потом его поддерживать, это буйный психопат, который знает, где ты живешь.

— Аноним Знаете какие-нибудь забавные имена переменных? 👉 @PythonPortal