Python RU

⚡️ Китайцы выкатывают DeerFlow 2.0 - и это уже не «ещё один ИИ-агент» ByteDance полностью переписала DeerFlow до последней строки кода, и репозиторий уже улетел на 62 000 звёзд GitHub. Почему вокруг него такой шум? • DeerFlow сам создаёт и координирует десятки субагентов • Субагенты работают параллельно: пишут тексты, анализируют данные, кодят, ищут отели, помогают с бронью ресторанов и закрывают сложные цепочки задач • Из коробки есть навыки для ресёрча, отчётов, презентаций, веб-страниц, изображений и видео • Можно добавлять свои кастомные навыки под конкретный рабочий процесс • Агент читает, пишет и редактирует файлы, понимает изображения и умеет выполнять shell-команды • Есть долгосрочная память: профиль пользователя, предпочтения, контекст проектов и знания между сессиями • Поддерживаются Telegram, Slack, Feishu/Lark, WeChat и WeCom без публичного IP • Работает с разными LLM, а не заперт в одной модели • Интегрируется с Claude Code: задачи можно отправлять в DeerFlow прямо из терминала, не выходя из IDE • Поддерживает MCP-серверы И главное - это полный open source. Без закрытой коробки, без vendor lock-in, без искусственных ограничений. Пока одни продают «агентов будущего» за подписку, ByteDance просто выкатила опенсорсного Джарвиса. https://github.com/bytedance/deer-flow

\

Kronos - open-source модель, которая читает финансовые свечи как язык Это не обычная LLM, которую натянули на финансы. Kronos изначально обучали на K-line данных: open, high, low, close, volume и рыночных паттернах. Что умеет: - прогнозировать цену по свечам; - оценивать будущую волатильность; - работать zero-shot без дообучения; - запускаться в разных размерах - от 4.1M до 499M параметров; - делать прогнозы через несколько строк Python. Модель обучали на данных с 45+ бирж, есть live demo для BTC/USDT, модели выложены на Hugging Face, код открыт под MIT. Главная идея сильная: финансовые данные наконец начали обрабатывать не как обычный временной ряд, а как отдельный язык рынка. GitHub: github.com/shiyu-coder/Kronos

📌 Студенты собрали GPT целиком в железе на учебной плате Лютира Абейкун и Криш Чхаджер из Университета Торонто взяли microGPT Андрея Карпатого и переписали его на языке описания цифровых схем SystemVerilog. Так родился проект TALOS-V2, который работает на образовательной плате DE1-SoC с FPGA Cyclone V, которую обычно дают в вузах для лабораторных работ. Инференс на ней не выполняет ни GPU, ни PyTorch, ни даже CPU - каждый шаг трансформера, от эмбеддингов и самовнимания до нормализации, MLP и выбора следующего токена, превращён в физическую цепь из логических элементов. Сама модель - символьный microGPT, обученный на датасете имён Карпатого: символ за символом она генерирует новые имена. Маленькая по меркам индустрии, но устроенная как взрослые генеративные модели: те же блоки, те же связи. Внутри FPGA числа хранятся не как привычные дроби с плавающей точкой, а в формате Q4.12 - 16 бит, разделённые на целую и дробную часть.

Это компромисс: точности хватает для такой модели, а схема получается компактной и предсказуемой по времени работы. Веса заранее переведены в шестнадцатеричные файлы и загружены прямо в постоянную память чипа.

Сердце схемы - один универсальный вычислительный блок на 16 параллельных каналов, который умеет умножать вектор на матрицу. Он по очереди обслуживает все ключевые операции трансформера: проекции Q, K, V, выходную проекцию внимания, оба слоя MLP и LM-head. Самый трудный для железа блок - softmax, нормирующая функция внутри механизма внимания. Экспоненту считает таблица заранее заготовленных значений, деление выполняет специальный многотактный модуль, заточенный под узкий диапазон входных чисел и потому быстрее универсального. В механизме внимания деление - самая медленная операция и тормозит весь блок, поэтому таких делителей поставили сразу 2: они работают параллельно и снимают эту задержку. Поиск максимума совмещён с подсчётом скалярных произведений, чтобы не делать лишний проход по данным. Даже выбор следующего токена происходит внутри чипа: алгоритм xorshift даёт случайность, а специальная схема сэмплирования бережёт распределение от перекоса в сторону младших символов. Хост-компьютер только запускает генерацию и забирает готовый результат.

В итоге плата устойчиво выдаёт больше 50 000 токенов в секунду, зафиксированный пик - около 53 000.

Проект открыт на GitHub: SystemVerilog-ядро, тестбенч под ModelSim, Python-утилиты для экспорта весов и запуска инференса через JTAG, скрипты под Quartus. 🟡Статья 🖥GitHub @ai_machinelearning_big_data #AI #ML #FPGA #RTL #Transformer #TALOS

✔️ Google показала, как AI уже помогает делать настоящую науку Google Research рассказала, как её система Empirical Research Assistance, или ERA, используется учёными в реальных исследовательских задачах. Не для красивых демо, а в эпидемиологии, космологии, климатических наблюдениях и нейронауке. Суть ERA простая: это AI-помощник для эмпирических исследований, который помогает строить вычислительные модели, писать исследовательский софт, анализировать данные и искать рабочие решения там, где обычный ручной подход слишком медленный. Первый пример - прогнозы госпитализаций по гриппу, COVID-19 и RSV. Google начала отправлять еженедельные прогнозы для штатов США, включая горизонты до четырёх недель вперёд. По публичным leaderboard для flu и COVID-19 прогнозы Google держатся около верхних позиций и местами конкурируют с инструментами CDC и ведущих исследовательских групп. Второй пример - космология. ERA вместе с Gemini Deep Think помогла вывести обобщённые решения для задачи о гравитационном излучении от cosmic strings. Это уже не просто «модель написала код», а попытка работать на уровне открытых математических задач, где классические методы упираются в сингулярности. Третий пример - климат. Исследователи использовали ERA, чтобы вытаскивать сигнал CO2 из данных погодного спутника GOES-East. Сам спутник не создавался для мониторинга углекислого газа, но AI-модель научилась использовать его наблюдения вместе с другими данными и получать оценки CO2 с гораздо более плотным покрытием по времени и пространству. Четвёртый пример - нейронаука. ERA помогала искать механизмы нейронных цепей у zebrafish. Важный момент: система не просто подгоняла статистическую модель, а находила интерпретируемые механизмы, которые затем проверялись на новых стимулах. Материал Google Research: https://research.google/blog/four-ways-google-research-scientists-have-been-using-empirical-research-assistance/ @ai_machinelearning_big_data

🎨 Логотипы на заказ с AI Генератор логотипов создает профессиональные SVG-дизайны с 6+ вариантами на основе характеристик продукта. Он предлагает высококачественные изображения для презентаций и поддерживает форматы SVG и PNG. 🚀 Основные моменты: - Генерация логотипов с учетом принципов дизайна - 12 стилей фона для презентаций - Интерактивные HTML-шоукейсы с эффектами - Поддержка редактируемых SVG и готовых PNG - Идеально для стартапов и разработчиков 📌 GitHub: https://github.com/op7418/logo-generator-skill #python

⚡️ Вышло большое обновление популярного курса- Ai AI агенты, которые реально работают в проде! Вы всё ещё пишете обёртки над ChatGPT и называете это «AI-продуктом»? Пока вы промптите - рынок переходит на агентные системы. Те, что принимают решения, ходят в API, работают с Postgres и Redis, управляют браузером через Playwright. И 90% таких систем ломаются между ноутбуком и продом. AI Agents Engineering - курс, который закрывает этот разрыв. LangGraph, AutoGen, Computer Use, LLMOps. 8 модулей, 120+ шагов - от архитектуры до деплоя в Docker. На выходе: реальный опыт на большой практической базе, а production-агент и навыки, за которые уже платят. 👉 48 часов действует скидка на курс 55 процентов: https://stepik.org/a/276971/

🎥 Редактируй видео с помощью Claude Code video-use — это инструмент для редактирования видео, который использует ИИ для автоматизации процесса. Просто поместите сырые кадры в папку, общайтесь с Claude Code и получайте готовое видео без лишних настроек. 🚀 Основные моменты: - Удаляет лишние слова и паузы - Автоматическая цветокоррекция сегментов - Добавляет субтитры и анимации - Оценивает качество на каждом этапе - Сохраняет память о сессиях 📌 GitHub: https://github.com/browser-use/video-use

/ultrareview — новая функция в Claude Code (research preview): запускает в облаке целый флот агентов-багхантеров, которые ищут проблемы в коде перед мержем. Результаты автоматически приходят в CLI или Desktop. Рекомендуется использовать перед критичными изменениями (авторизация, миграции данных). Pro и Max пользователям доступно 3 бесплатных ревью до 5 мая.

На Hugging Face выкатили 18B «франкенштейн»-модель, которая бьёт 35B Без дообучения. Просто сборка. Модель на 18B обходит Qwen3.6-35B-A3B в наборе из 44 тестов, при этом требует всего 12GB VRAM вместо 24GB. И запускается на обычной RTX 3060. Что внутри: - смешанный reasoning от Opus 4.6 и GLM-5.1 - стабильная генерация 66+ токенов в секунду - нормальная работа с tool calling - подходит для агентных сценариев Размер GGUF - около 9.8GB (Q4_K_M), то есть спокойно помещается на карту с 12GB памяти. Это не новая архитектура и не прорыв в обучении. Это грамотная сборка уже существующих моделей. Но результат интересный. По сути получился компромисс между лёгкими 9B и тяжёлыми 27B+ моделями. Достаточно умный, при этом не требовательный к железу. Если у тебя 12–16GB VRAM — это сейчас один из самых удобных вариантов под локальный запуск. https://huggingface.co/Jackrong/Qwopus-GLM-18B-Merged-GGUF

☸️ Kubernetes DaemonSet - простое объяснение 🔹 Что такое DaemonSet DaemonSet гарантирует, что копия Pod запускается на каждом узле в кластере Kubernetes. ♾ Проще говоря: «запусти этот Pod на каждой машине в кластере» 🧠 Зачем нужны DaemonSet Есть задачи, которые должны работать на всех узлах, а не только на части. Типичные кейсы: 📊 Агенты мониторинга (например, Prometheus Node Exporter) 📜 Сборщики логов (например, Fluentd) 🌐 Сетевые компоненты (например, CNI плагины) 🔐 Агенты безопасности ⚙️ Как это работает Когда добавляется новый узел - Pod автоматически запускается Когда узел удаляется - Pod удаляется По умолчанию - один Pod на узел 🧩 Пример работы Ты создаёшь DaemonSet Kubernetes проверяет все узлы На каждом узле запускается один Pod Добавляется новый узел - Pod создаётся автоматически

🚀 Ты всё ещё называешь обёртку над ChatGPT «AI-продуктом»? Пока ты пишешь промпты - рынок уже ушёл дальше. Сейчас выигрывают не те, кто умеет красиво формулировать запросы, а те, кто строит агентные системы: - принимают решения сами - ходят в API - работают с Postgres и Redis - управляют браузером через Playwright - доводят задачи до результата без человека И вот правда, о которой мало говорят: 90% таких систем умирают между ноутбуком и продом. Работает локально. Ломается в реальности. Нет архитектуры. Нет устойчивости. Нет деплоя. AI Agents Engineering - курс со Stepik, который закрывает этот разрыв. - LangGraph, AutoGen, Computer Use - архитектура агентов, а не «скрипты на коленке» - LLMOps, логирование, стабильность - деплой в Docker и работа в проде 8 модулей, 120+ шагов, всё через практику. На выходе не «сертификат ради галочки», а: - рабочий production-агент - понимание, как строить такие системы с нуля - навыки, за которые уже платят Сейчас самое окно входа. Через полгода это станет базой, а не преимуществом. Скидка 55% действует ещё 48 часов: https://stepik.org/a/276971/

Anthropic опубликовали свежий мини-курс по промтингу- в нём описаны лучшие практики по написанию подсказок Внутри советы по форматированию, описанию задач и агентских сценариях - всё это с примерами и детальным описанием. https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/claude-prompting-best-practices

🦀 Как сократить расходы на OpenClaw на 95% и платить $25 вместо $600 На Reddit регулярно появляются посты от пользователей OpenClaw с шокирующими счетами. $300 в месяц. $600 в месяц. Кто-то умудрился набить $3600 за один месяц. Покупают Mac Mini за $600, ставят OpenClaw, гоняют неделю, сжигают все токены и выключают. Большинство даже не понимает, куда уходят деньги. Каждое отправленное сообщение включает в себя всю историю диалога за сессию. К 50-му сообщению вы оплачиваете повторную отправку всех предыдущих сообщений через API снова и снова. Heartbeat не обязан жрать токены Opus каждые 30 минут Это про фоновые процессы, которые незаметно сжигают бюджет. По дефолту heartbeat срабатывает каждые 30 минут на той модели, которая выставлена основной - у большинства это по-прежнему Opus. Постоянный расход токенов идет независимо от того, сидите вы за компьютером или нет. Решение: переключить heartbeat на Minimax, снизить частоту до двух раз в день через cron вместо интервалов, включить light context mode, выставить isolated sessions в true и задать active hours, чтобы процесс работал только в рабочее время. Одно это убирает огромную часть фонового расхода. Компактинг: одна команда срезает нагрузку токенов вдвое Еще один скрытый множитель расходов прячется в истории переписки. Если вы общались с агентом весь день и контекстное окно заполнено на 50-70%, каждое новое сообщение гонит весь этот объем через API заново. Команда compact сжала контекст с 55K токенов до 23K - меньше половины нагрузки на каждое сообщение после этого. Параллельно стоит выставить max output tokens на 2048 в конфиге. Без этого ограничения агент может вернуть тысячи токенов в одном ответе, когда хватило бы пары сотен. Одна строчка в конфиге - и расход на вывод падает моментально. QMD: поиск по файлам без загрузки в контекстное окно Есть еще один источник мусорного расхода, который накапливается со временем. По мере того как у вас копятся markdown-файлы (заметки, конфиги агентов, память), агент перечитывает их все при каждом вопросе. Полный текст файлов грузится прямо в контекстное окно, сжигая токены на контент, который вообще не связан с вашим запросом. QMD решает эту проблему. Это локальный поисковый движок для markdown, который превращает заметки в индекс с ре-ранкингом. Агент находит нужное без загрузки целых файлов в контекст. Ставится с GitHub, добавляется в agents.md, и каждый файловый запрос начинает стоить копейки. Итог: $600 превращаются в $25 Без оптимизации: Opus на каждом действии, heartbeat каждые 30 минут, полный контекст в каждом сообщении, без лимита на вывод, полное чтение файлов. $300-$600 в месяц. С оптимизацией: роутинг моделей через OpenRouter, авторежим для выбора по стоимости, дешевая модель на heartbeat через cron, регулярный компактинг, лимит вывода на 2048, QMD для поиска по файлам. $6-$25 в месяц. Тот же инструмент. Те же возможности. Те, кто реально получает результат от ИИ-автоматизации, не тратят больше всех на токены. Они один раз настроили систему, взяли расходы под контроль и сфокусировались на построении воркфлоу, которые решают дорогие проблемы. Все шесть настроек занимают около 10 минут. Экономия начинается сразу. https://vc.ru/ai/2862521-kak-sokratit-rashody-na-openclaw-na-95-i-platit-25-vmesto-600

Что ты только что сказал про Python?

⚡️ 8 хуков Claude Code, которые автоматизируют то, что вы вечно забываете Вы говорите Claude Code отформатировать файл, а он этого не делает. Просите не трогать .env, а он лезет туда первым делом. Напоминаете прогнать тесты перед завершением, а он забывает. Знакомо? Все потому, что CLAUDE.md по сути является рекомендацией. Claude читает его и следует ему примерно в 80% случаев. Хуки работают иначе. Это автоматические действия, которые срабатывают каждый раз, когда Claude редактирует файл, выполняет команду или завершает задачу. Ниже разберем 8 готовых хуков, которые можно скопировать прямо в settings.json и больше о них не вспоминать. https://uproger.com/8-hukov-claude-code-kotorye-avtomatiziruyut-to-chto-vy-vechno-zabyvaete/

☠️ Новая атака на цепочку поставок — на этот раз затронут npm-пакет axios, самый популярный HTTP-клиент с ~300 млн загрузок в неделю. Уязвимость проявляется через зависимости: в одном из кейсов пакет подтянулся через googleworkspace/cli, использовавшийся для работы с Gmail и Google Calendar. При этом установленная версия оказалась безопасной — 1.13.5. Однако зависимость не была зафиксирована (unpinned), и при установке в другое время могла подтянуться уже заражённая версия. Это ключевая проблема всей экосистемы: если версии не закреплены, сборка может в любой момент «подхватить» компрометированный релиз. Частично защититься можно локальными мерами — например: ограничивать минимальный «возраст» релизов, использовать контейнеры, проверять зависимости. Но системно проблему должны решать сами пакетные менеджеры (pip, npm и др.), меняя дефолтное поведение. Иначе одна заражённая версия, даже если её быстро находят и удаляют, успевает разойтись по тысячам проектов через незакреплённые зависимости. Подробный разбор: https://stepsecurity.io/blog/axios-compromised-on-npm-malicious-versions-drop-remote-access-trojan

Claude Code — это уже не просто инструмент. Это система разработки с памятью, автоматизацией и агентами. Коротко по сути: • CLAUDE.md — мозг проекта Хранит архитектуру, правила и контекст. Загружается автоматически. • Skills — навыки Позволяют автоматизировать ревью, тесты, деплой и любые процессы. • Hooks — автодействия Запускают проверки и действия без твоего участия. • Agents — параллельная работа Разбивают задачи и выполняют их одновременно. • Workflow plan → execute → auto Минимум ручной работы, максимум результата. • Структура .claude / skills / commands / agents Всё как у полноценной инженерной системы. • Безопасность permissions, sandbox, контроль доступа. Это уже не про «спросить у ИИ». Это про «дать задачу и получить результат». Сохрани себе - пригодится.

Архитектура Docker, если убрать лишнее, выглядит очень просто: Есть образ (image) - это слепок приложения с зависимостями. Один раз собрал - запускаешь где угодно. Есть контейнер (container) - это уже запущенный образ. По сути изолированный процесс с файловой системой, сетью и настройками. Docker Engine - сердце всей системы. Он принимает команды через CLI/API и управляет контейнерами. Docker Daemon - фоновый процесс, который: • создаёт контейнеры • запускает их • следит за состоянием Docker Client - то, через что ты работаешь (docker CLI). Docker Hub / Registry - место, где хранятся образы. Оттуда ты делаешь pull, туда - push. Как это работает в реальности: Ты пишешь Dockerfile → docker build → получаешь image docker push → отправляешь в registry На сервере: docker pull → скачал docker run → запустил контейнер Зачем это: Одинаковая среда везде (dev = prod) быстрый деплой без «у меня работает» изоляция сервисов масштабирование через контейнеры Если упростить до одной мысли: Docker - это не про контейнеры. Это про предсказуемый запуск кода в любой среде.