Python RU

Wondera AI ии, который генерирует полноценные треки за минуту и заметно обходит конкурентов по качеству. Вы можете создавать, редактировать и выпускать музыку бесплатно, а нейронка подскажет, как лучше составить промт для трека. Пользуемся тут.

🧬 Genesys: Language Modeling by Language Models Проект от Allen Institute — Genesys (Genetic Discovery System) — это распределённая эволюционная система, в которой сами языковые модели (LLM) создают и улучшают другие языковые модели. 🛠 Что делает Genesys: • Автоматизирует весь цикл: от генерации идеи до реализации, проверки, обучения и оценки новых моделей • Использует LLM-агентов в роли исследователей и архитекторов • Работает как распределённая система, способная параллельно развивать десятки направлений • Имеет визуальный интерфейс, где можно наблюдать за эволюцией моделей и сравнивать результаты 🌐 Демо-доступ: Доступен онлайн на сайте genesys.allen.ai (первая сборка может загружаться медленно) 📊 Основные разделы интерфейса: • Evolution Statistics — статистика и ход эволюции • Design Viewer — галерея сгенерированных архитектур (можно скачивать) • Design Leaderboard — лидерборд лучших дизайнов по метрикам 🎥 Есть короткое видео-демо, где показаны функции и логика системы 📄 Исходный код и исследовательская статья опубликованы на GitHub и в открытом доступе 🧠 Genesys — это шаг к будущему, где языковые модели смогут исследовать и разрабатывать сами себя 💻 Попробовать: https://genesys.allen.ai 📝 Код https://github.com/allenai/genesys ✍️ Статья: https://arxiv.org/abs/2506.20249

🧠 Сложная и интересная задача для Python-инженеров: "Запусти чужой Python-код... но так, чтобы он не сломал твой сервер" Представь, ты разрабатываешь платформу, где пользователи могут запускать произвольные Python-скрипты: например, в формате онлайн-компилятора, песочницы для тестов, или генератора графиков. 📌 Условия задачи: Ты должен написать систему, которая: • Принимает произвольный Python-код от пользователя • Выполняет его безопасно и изолированно • Ограничивает время выполнения до 2 секунд • Ограничивает память до 128 MB • Блокирует доступ к файловой системе, сети, subprocess, fork • Возвращает stdout, stderr и статус выполнения 🛡️ Безопасность — ключ: • Скрипт может попытаться сделать os.remove('/'), import socket, while True: и т.п. • Ваша система не должна пострадать. Даже если кто-то пошлёт fork-бомбу или запросит весь RAM. 📦 Технические ограничения: • Решение должно быть на Python • Можно использовать Docker, podman, или Firecracker — но обоснуй выбор • Стандартная библиотека разрешена, но доступ к os, sys.modules, inspect, eval, __import__ — должен быть отключён или переопределён • Никаких внешних HTTP-запросов, файловых сокетов или pip install 🔧 Что ожидается: 1. Функция запуска:

result = run_code_safely(code="print(2 + 2)")
# result = { "stdout": "4\n", "stderr": "", "exit_code": 0, "status": "ok" }

Изоляция среды: • Вариант 1: через запуск контейнера с ограничениями (docker run --rm --net=none --memory=128m) • Вариант 2: через Firejail / chroot / seccomp / AppArmor профили • Вариант 3: через интерпретатор Python внутри subprocess с ограничениями через resource, signal, ast и multiprocessing.Process Блокировка опасных импортов и функций: • Запретить import os, import subprocess, import, eval, exec, open, globals() • Пример: AST-парсер удаляет запрещённые ноды до запуска Обработка ошибок и ограничений: • TimeoutExceededError — если код работает > 2 сек • MemoryLimitError — если процесс превысил лимит • SecurityViolation — при попытке запрещённого импорта или доступа Опционально — FastAPI API:

POST /run
{
  "code": "for i in range(10): print(i)"
}

→ Ответ:

{
  "stdout": "0\n1\n2\n...\n",
  "stderr": "",
  "status": "ok",
  "time": 0.032
}

🎯 Цель: Собрать систему, которая запускает потенциально опасный код от незнакомцев — и не падает, не зависает, не открывает доступ к хосту. 🤯 Challenge: • Как отследить попытку from os import system? • Что делать с __import__('os').system('ls')? • Как гарантировать остановку при while True: pass? • Как контролировать память на уровне Python? ✅ Если решишь — ты разберёшься с: • AST-парсингом и безопасностью исполнения Python • Управлением ресурсами (CPU, RAM, время) на уровне ОС • Изоляцией через контейнеры и sandbox-окружения • Построением безопасных API и интерпретаторов

✔️ OpenAI выложили в открытый доступ Customer Service Agent Demo Теперь у всех есть пример, как сделать продакшн-агентов с маршрутизацией, безопасностью и интерфейсом — от запроса до ответа. Что это такое: • Многоагентная система для поддержки клиентов (например: бронирование мест, отмена рейса, статус рейса, FAQ) • Демка написана на Python + Next.js • Использует OpenAI Agents SDK • Встроены guardrails: защита от неуместных запросов и попыток обхода правил • UI: внутри готовый интерфейс чат-бота Как работает: 1. Пользователь пишет запрос 2. Система выбирает подходящего агента (например, `SeatBooking`) 3. Агент отвечает или передаёт диалог другому 4. Есть fallback на человека, если нужно Как запустить:

# Backend
cd python-backend
python -m venv .venv && source .venv/bin/activate
pip install -r requirements.txt
uvicorn api:app --reload --port 8000

# Frontend
cd ui
npm install
npm run dev

Далее открываем: http://localhost:3000 Особенности • MIT-лицензия — можно адаптировать под свои задачи • Удобно расширять: добавлять новых агентов, инструменты, правила • Простой код, всё задокументировано • Рабочий кейс от OpenAI 🔗 GitHub: github.com/openai/openai-cs-agents-demo Если вы хотите собрать систему из агентов — это отличная точка старта. @ai_machinelearning_big_data #chatgpt #openai #aiagents #ai

🧠 BREAKING: MIT опубликовал первое исследование мозга пользователей ChatGPT Результаты звучат тревожно: > 🧪 У пользователей наблюдаются измеримые изменения в мозге > 🤖 Формируется зависимость от ИИ > 📉 Способность к самостоятельному мышлению снижается > 📝 83.3% участников не смогли вспомнить эссе, которое «написали» с помощью ChatGPT > 🧠 Количество активных нейронных связей упало с 79 до 42 MIT буквально фиксирует "мягкую когнитивную атрофию" после регулярного использования LLM. 💬 Мы — не просто наблюдатели ИИ-революции. Мы её подопытные. 🤔 Вопрос не в том, заменит ли ИИ человека. А в том, кем мы станем, если полностью передадим ему мыслительные функции. 📌 Почитать

🖥 Наконец-то нормальный канал по Python! PytStart – для каждого питониста! 🔸 Полезные статьи 🔸 Лайфхаки и советы 🔸 Разбор кода и практические задания Присоединяйся и начни свой путь в Python уже сегодня: @pytstart

📚 ArXiv Research Agent — отличный помощник для научных исследований. Агент самостоятельно: • Найдёт релевантные статьи с arXiv, bioRxiv, medRxiv и Semantic Scholar • Проведёт полноценный литературный обзор • Покажет, что упущено, и предложит, что добавить • Даст инсайты и цитаты из миллионов научных работ • Генерирует готовые конспекты И др. Вскоре обещают добавить поддержку MCP. 🔜 Попробовать: https://www.alphaxiv.org/assistant @ai_machinelearning_big_data #agent #ArXiv #ai #ml

Уверены в своих навыках кодинга?   Тогда заглядывайте в канал Selectel. Всю неделю в канале будут выходить полезные материалы для разработчиков: ● Подробная инструкция, как сделать приложение на базе веб-технологий; ● Технические задачи для настоящих Python-энтузиастов; ● Идеи для pet-проектов: от генерации сложных паролей до нейросети для создания изображений; ● И даже выгодные продуктовые предложения, которые помогут воплотить идеи на инфраструктуре Selectel.   Подписывайтесь на канал и прокачивайте знания в сфере разработки ➡️   Реклама, АО «Селектел», ИНН: 7810962785, ERID: 2VtzquikcTx

🐍 Задача на Python — Топ‑3 самых популярных товаров Допустим, у нас есть список покупок пользователей:

orders = [
    {"user": "alice", "items": ["apple", "banana", "apple"]},
    {"user": "bob", "items": ["banana", "orange"]},
    {"user": "carol", "items": ["banana", "apple", "orange", "banana"]},
    {"user": "dave", "items": ["apple"]},
]

🎯 Задание: Найти 3 самых популярных товара по количеству покупок (не по числу пользователей, а по общему количеству упоминаний). ✅ Ожидаемый результат: [('banana', 4), ('apple', 4), ('orange', 2)] 💡 Решение:

from collections import Counter

# Собираем все товары в один список
all_items = []
for order in orders:
    all_items.extend(order["items"])

# Считаем количество каждого товара
item_counts = Counter(all_items)

# Получаем топ-3 самых популярных
top_3 = item_counts.most_common(3)

print(top_3)

📌 Что тренирует задача: • Работа со словарями и списками • Использование Counter из модуля collections • Умение работать с вложенными структурами • Сортировка по частоте с помощью most_common() #python #задача #кодинг #алгоритмы #учимпитон #collections

QA-митап от YADRO — уже 19 июня 📍 Санкт-Петербург и онлайн 🕕 Сбор гостей с 18:00 🎫 Участие бесплатное Мероприятие будет полезно специалистам в области автоматизированного тестирования, особенно тем, кто работает с Python и внедряет собственные инструменты и процессы в тестовую инфраструктуру. В программе: — Обзор TestY — системы управления тестированием (TMS) с открытым исходным кодом и плагинной архитектурой. — Подход к автоматизации тестирования оборудования: от простого Bash до интеграции с тестовыми планами. — Анализ метрик качества, которые оказывают влияние на принятие решений в IT-продуктах и проектах. Спикеры — эксперты YADRO и приглашенные гости из Сбера, Т-банка и других компаний с опытом построения QA-процессов в крупных IT-командах. Офлайн-участников ждут демозона с оборудованием YADRO, интерактивные стенды, технический квест, кофе-брейк и неформальное общение на афтепати. 👉 Регистрация уже открыта, участие бесплатное. До встречи!

QA-митап от YADRO — уже 19 июня 📍 Санкт-Петербург и онлайн 🕕 Сбор гостей с 18:00 🎫 Участие бесплатное Мероприятие будет полезно специалистам в области автоматизированного тестирования, особенно тем, кто работает с Python и внедряет собственные инструменты и процессы в тестовую инфраструктуру. В программе: — Обзор TestY — системы управления тестированием (TMS) с открытым исходным кодом и плагинной архитектурой. — Подход к автоматизации тестирования оборудования: от простого Bash до интеграции с тестовыми планами. — Анализ метрик качества, которые оказывают влияние на принятие решений в IT-продуктах и проектах. Спикеры — эксперты YADRO и приглашенные гости из Сбера, Т-банка и других компаний с опытом построения QA-процессов в крупных IT-командах. Офлайн-участников ждут демозона с оборудованием YADRO, интерактивные стенды, технический квест, кофе-брейк и неформальное общение на афтепати. 👉 Регистрация уже открыта, участие бесплатное. До встречи!

🐍 Лайфхак: Ленивая загрузка огромных JSON-файлов с помощью ijson Ситуация: У вас огромный JSON-файл (гигабайты данных), который не помещается в память. Стандартный json.load() просто упадёт с OOM. Решение: Используйте библиотеку ijson — это парсер JSON "на лету", который читает данные потоково, как SAX для XML. Пример:

import ijson

with open('huge.json', 'rb') as f:
    # Предположим, внутри файла — массив объектов
    for obj in ijson.items(f, 'item'):
        # obj — очередной элемент массива, не вся структура целиком!
        # Можно обрабатывать на лету и не держать в памяти гигабайты
        process(obj)  # Ваш код обработки

Плюсы: Поддерживает вложенные структуры, сложные схемы JSON Минимальное потребление памяти Подходит для любых задач потоковой обработки 🔥 Если часто работаете с большими файлами — этот инструмент реально спасает время и ресурсы!

🔥 Успех в IT = скорость + знания + окружение Здесь ты найдёшь всё это — коротко, по делу и без воды. Пока другие ищут, где “подглядеть решение”, ты уже используешь самые свежие инструменты! AI: t.me/ai_machinelearning_big_data Python: t.me/pythonl Linux: t.me/linuxacademiya Собеседования DS: t.me/machinelearning_interview C++ t.me/cpluspluc Docker: t.me/DevopsDocker Хакинг: t.me/linuxkalii Devops: t.me/DevOPSitsec Data Science: t.me/data_analysis_ml Javascript: t.me/javascriptv C#: t.me/csharp_ci Java: t.me/java_library Базы данных: t.me/sqlhub Python собеседования: t.me/python_job_interview Мобильная разработка: t.me/mobdevelop Golang: t.me/Golang_google React: t.me/react_tg Rust: t.me/rust_code ИИ: t.me/vistehno PHP: t.me/phpshka Android: t.me/android_its Frontend: t.me/front Big Data: t.me/bigdatai МАТЕМАТИКА: t.me/data_math Kubernets: t.me/kubernetc Разработка игр: https://t.me/gamedev Haskell: t.me/haskell_tg Физика: t.me/fizmat 💼 Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy Папка FRONTEND: https://t.me/addlist/mzMMG3RPZhY2M2Iy 😆ИТ-Мемы: t.me/memes_prog 🇬🇧Английский: t.me/english_forprogrammers 🧠ИИ: t.me/vistehno 🎓954ГБ ОПЕНСОРС КУРСОВ: @courses 📕Ит-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy Подпишись, если хочешь быть в числе тех, кого зовут в топовые проекты!

🗣 Голосовой AI-ассистент на Python (Streamlit, Whisper, ChatGPT, TTS) Пишем готовий проект на Python. Проект объединяет несколько компонентов: - Распознавание речи: отправка аудио на OpenAI Whisper API (модель whisper-1) для транскрипции русской речиkdnuggets.com. - Генерация ответа: отправка полученного текста в OpenAI ChatCompletion (модель gpt-3.5-turbo) для получения ответа в виде текстаgokhang1327.medium.com. - Синтез речи (TTS): два варианта генерации звука из текста: платный сервис ElevenLabs (реалистичные голоса, поддержка русского) и открытая модель Silero TTS (бесплатная, поддерживает русский)github.comgithub.com. - Интерфейс: веб-приложение на Streamlit с виджетом записи аудио (микрофон) и областью для отображения распознанного текста и ответа. Ниже приведён подробный код приложения и инструкции по его запуску. Читать: https://uproger.com/golosovoj-ai-assistent-na-python-streamlit-whisper-chatgpt-tts/

🤖 AI, который сам пишет код — умный агент на базе LangGraph Проект находится в активной разработке и уже умеет автоматизировать весь цикл: от планирования проекта до генерации кода. Всё построено на надёжных multi-agent workflow'ах с использованием LangGraph. 🚀 Что делает агент: 🧠 Понимает задачу и строит план AI-архитектор анализирует требования и создаёт пошаговый план разработки. 💻 Генерирует и редактирует код Dev-агент аккуратно применяет изменения в кодовой базе, редактируя конкретные файлы. 🔁 Разделяет роли — надёжнее работает Отдельные агенты для планирования и реализации — меньше ошибок и больше контроля. 🧬 Понимает структуру проекта Использует tree-sitter и семантический поиск, чтобы ориентироваться в коде как человек. 📦 Работает по шагам Разбивает задачи на мелкие изменения — удобно для review и безопасно для CI. 💡 Если интересуешься автоматизацией разработки, AI-помощниками и мультиагентными системами — стоит попробовать уже сейчас. ▪ Github @pythonl #AI #AutoCoding #LangGraph #DevTools #MultiAgent #CodeAutomation

🔍 В Яндекс Поиске появились технологии Алисы: теперь он рассуждает в ответ на вопрос и генерирует контент Поиск Яндекса обновился. Там появился режим рассуждений, возможность генерировать контент, получать развёрнутые ответы, и помогать с выбором товаров. Всё это — благодаря объединению с технологиями Алисы, которые унаследовали и расширили возможности Нейро. Что поменялось: — Новые ответы Алисы:готовая небольшая статья с картинками, видео и ссылками на источники. — Можно попросить сгенерировать текст или картинку прямо в поисковой строке — например, по запросам “напиши” или “нарисуй”. — Появился режим рассуждений: для сложных задач, где важно углубиться в тему. В этом режиме Алиса тратит больше времени на анализ информации, задействует больше источников и может дать ответ в виде таблицы. Пользователь может посмотреть, как она подходит к задаче и какие выводы делает. — Пользователи Браузера теперь могут задавать Алисе вопросы не только в Поиске, но и по открытой веб-странице. Она проанализирует текст на сайте и даст ёмкий ответ со ссылками на конкретные фрагменты. Эти большие обновления — результат работы сразу нескольких команд. Команда Яндекс Поиска создает LLM технологии в поиске, проектирует интерфейсы, создает инфраструктуру, позволяющую сервису работать бесперебойно 24/7. Сейчас перед командой стоят новые амбициозные задачи, поэтому она расширяется и ищет: → Разработчика на C++ в YandexGPT; → Тимлида в Финансы. Если интересно создавать продукт, которым ежедневно пользуются десятки миллионов людей, и развивать ИИ на мировом уровне — ищите вакансии выше. Реклама. ООО "Яндекс". ИНН 7736207543

from contextlib import contextmanager
import sys
import io

@contextmanager
def capture_stdout():
    old_stdout = sys.stdout
    sys.stdout = buffer = io.StringIO()
    try:
        yield buffer
    finally:
        sys.stdout = old_stdout

# Пример использования
with capture_stdout() as out:
    print("Это вывод, который перехвачен")

captured_output = out.getvalue()
print("Перехваченный текст:", captured_output)

🧠 Объяснение: Этот хак позволяет временно перенаправить стандартный вывод print() внутрь объекта StringIO, чтобы «тихо» перехватить и сохранить его. Полезно для: • тестирования CLI-приложений • логирования скрытого вывода • подавления шума в stdout во время исполнения кода Работает как контекстный менеджер, не требует сторонних библиотек, и легко встраивается в production-код.

✔️ Cursor 1.0 — стабильный релиз с полезными фичами Новая стабильная версия Cursor, и в ней появилось много обновлений, которые делают работу с кодом удобнее. Вот что стоит отметить: 🐞 Bugbot Автоматически проверяет Pull Request'ы на баги и предлагает исправления. Можно внести правку прямо в редакторе — в один клик. 🧠 Memory (beta) Cursor теперь запоминает контекст проекта, что помогает при командной работе и упрощает навигацию по коду. ⚙️ One-Click MCP Setup Настройка подключения к Model Context Protocol — теперь через одну кнопку, без ручной конфигурации. 📌 Дополнительно в 1.0: • Возможность редактировать несколько мест в коде одновременно • Поддержка таблиц, Markdown и диаграмм Mermaid в чате • Обновлённые настройки и админ-панель • Фоновая работа агентов — можно интегрировать их со Slack и Jupyter Notebooks Cursor постепенно становится более удобной средой для совместной работы с ИИ-помощником. https://www.cursor.com/changelog @ai_machinelearning_big_data #CursorAI #AIcoding #DevTools #Jupyter #CodeAssistant