Python/ django

🦀 Crabwalk: Мониторинг AI-агентов в реальном времени Crabwalk — это инструмент для наблюдения за работой AI-агентов на платформах WhatsApp, Telegram, Discord и Slack. Он визуализирует сессии агентов в виде графа, позволяя отслеживать их действия и состояния в реальном времени. 🚀Основные моменты: - Живой граф активности с визуализацией сессий - Поддержка нескольких платформ одновременно - Реальное время через WebSocket - Отслеживание действий и параметров инструментов - Фильтрация сессий по платформе и получателю 📌 GitHub: https://github.com/luccast/crabwalk

⚡️ Появился любопытный open-source проект на стыке LLM и кибербезопасности - PentestAgent. Это система AI-агентов для black-box пентеста, где атака моделируется как оркестрация нескольких специализированных агентов, а не один «умный бот». Что он делает В автономном режиме система может прогонять целые пайплайны, имитируя работу red team: - цепочки разведки (recon) - анализ уязвимостей - попытки эксплуатации - формирование отчётов Инструменты подключены напрямую Агенты умеют работать с классическими пентест-утилитами: - Nmap - Metasploit - FFUF - SQLMap То есть это не «LLM рассуждает в вакууме», а связка LLM + реальные security-инструменты. Архитектурные фишки - RAG для подтягивания контекстных знаний - tool chaining — агенты передают результаты друг другу - встроенный браузер и поиск - dockerized окружение с инструментами - всё это оркестрируется «командами» LLM-агентов По сути, это попытка превратить пентест из набора ручных шагов в агентную систему с автоматическим циклом разведка → анализ → действие → отчёт. github.com/GH05TCREW/pentestagent

Это репозиторий с реализацией DensePose через Wi-Fi-сигналы — то есть попытка получать плотные представления (DensePose) тела людей на основе Wi-Fi-данных, а не обычной камеры. Такая идея может использоваться для анализа движения через радиосигналы в помещении, без видео-камер, с акцентом на приватность. Если тебе интересны нестандартные подходы к компьютерному зрению, беспроводным сигналам и сенсорике без камер — обязательно посмотри. 🔗 Есть интересный проект: https://github.com/ruvnet/wifi-densepose @pythonl

📢 Production Python Engineer (Refactor/Architecture) антифрод‑пайплайн. Мы разрабатываем сложную систему анализа сетевых аномалий. У нас мощный R&D: мы умеем детектировать ботов, VPN и прокси по сетевым отпечаткам. Текущая задача: У нас есть работающий код (написанный исследователями), который нужно превратить в надежный инженерный продукт. Нам нужен человек, который наведет порядок, внедрит архитектуру и типизацию. ### Задачи: 1. Глубокий рефакторинг и стабилизация: Перевод с неструктурированных словарей на строгие контракты данных (Pydantic/TypedDict). 2. Архитектура: Внедрение паттерна Pipeline с единым контекстом обработки (Парсинг → Обогащение → Детекция → Ответ). Цель — сделать логику прозрачной и модульной. 3. Оптимизация работы с БД: Ревизия взаимодействия с PostgreSQL (оптимизация структур, миграции). 4. Культура разработки: Внедрение: mypy, pytest, чистотой Git-истории. ### Наши ожидания: - Python Strong: Глубокое понимание языка, ООП, паттернов проектирования. Ваш код, легко читать и поддерживать. - Strict Typing: Частое использование аннотаций. Опыт работы с Pydantic (валидация данных на входе/выходе/внутри) и статическими анализаторами (mypy/ruff). - Architecture: Умение проектировать модульные системы. Понимание, как разделить бизнес-логику и инфраструктурный слой. - AsyncIO & PostgreSQL: Опыт работы с асинхронностью и сложными SQL-запросами. Понимание транзакций и индексов. - Testing: Опыт написания тестов (pytest) не «для галочки», а для гарантии надежности при рефакторинге. - Git Culture: Умение работать с Git «чисто»: атомарные коммиты, понятные PR, интерактивный rebase. ### Soft skills: - Устойчивость к рутине: Рефакторинг. Готовность методично распутывать клубок легаси-кода. - «Инженерная эмпатия»: Способность прочитать чужой код (даже если он плохой), понять логику автора и переписать её правильно, не сломав бизнес-логику. - Внимательность к деталям. - Здоровый перфекционизм: Желание привести хаос к порядку. ### Будет большим плюсом: - Глубокое понимание сетевых протоколов (TCP/IP, TLS, HTTP/2). - Rule-based scoring, анализ “плавающей логики”. - Опыт переноса Research-кода (Jupyter Notebooks) в Production. ### Условия - Удаленка - любое ГЕО, не требуется присутствие в офисе. - Зарплата От 120 - 250 тыс. руб. на руки (возможна оплата в USDT), выплата - два раза в месяц. - in-house продукт, в котором вы свободны и можете реализовать свои идеи. - Доступ к самым передовым LLM (Sonnet 4.5, GPT-5.2). - Дружный коллектив. Который ценит качество кода. ### Как откликнутся: Заполнить форму https://forms.gle/5tVNBxsJ22b8NKCc8 , приложить свой гитхаб, рассказать о себе и своём опыте.

🔍 Исследуй связи с Эпштейном EpsteIn позволяет искать упоминания ваших контактов из LinkedIn в открытых судебных документах Эпштейна. Просто загрузите файл с вашими связями и получите отчет в формате HTML о найденных совпадениях. 🚀 Основные моменты: - Поиск по судебным документам Эпштейна - Генерация отчетов в HTML - Упоминания сортируются по количеству - Поддержка точного совпадения имен 📌 GitHub: https://github.com/cfinke/EpsteIn #python

🛠️ Трекер токенов для LLM CLI инструментов Sherlock предоставляет живую панель мониторинга для отслеживания использования токенов в LLM CLI инструментах. Вы можете в реальном времени видеть, сколько токенов вы используете, а также сохранять все запросы для последующего анализа. 🚀 Основные моменты: - Отслеживание использования токенов в реальном времени - Визуализация контекстных окон с индикатором - Автоматическое сохранение запросов в формате Markdown и JSON - Никакой конфигурации — просто установите и используйте 📌 GitHub: https://github.com/jmuncor/sherlock #python 📲Max

🖥 Если ищете идеи и готовые решения для LLM-проектов — есть полезный репозиторий. awesome-llm-apps - это коллекция production-готовых AI-приложений, которые можно запустить уже сегодня. Что внутри: → Нужен RAG? Есть готовый код → Нужны AI-агенты? Есть примеры → Нужны multimodal-приложения? Тоже есть → Хотите собрать AI-SaaS? Базовая архитектура уже реализована Главное отличие — здесь нет: - учебных Hello World - игрушечных демо - упрощённых примеров Только реальные приложения: - с архитектурой - интеграциями - рабочей логикой - которые можно доработать и задеплоить Хороший вариант, если: - не знаете, что строить на LLM в 2026 - хотите быстрее собрать MVP - ищете референсы production-подходов 100% бесплатно 100% Open Source Repo: https://github.com/Shubhamsaboo/awesome-llm-apps @pythonl

🔥 Полезная подборка каналов только код, практика и самые передовые инструменты, которые используют разработчики прямо сейчас.👇 🖥 ИИ: t.me/ai_machinelearning_big_data 🖥 Python: t.me/pythonl 🖥 Linux: t.me/linuxacademiya 🖥 C++ t.me/cpluspluc 🖥 Docker: t.me/DevopsDocker 🖥 Хакинг: t.me/linuxkalii 🖥 Devops: t.me/DevOPSitsec 👣 Golang: t.me/Golang_google 🖥 Аналитика: t.me/data_analysis_ml 🖥 Javascript: t.me/javascriptv 🖥 C#: t.me/csharp_ci 🖥 Java: t.me/javatg 🖥 Базы данных: t.me/sqlhub 👣 Rust: t.me/rust_code 🤖 Технологии: t.me/vistehno 💰 Экономика и инвестиции в ИИ t.me/financeStable 💼 Актуальные вакансии: t.me/addlist/_zyy_jQ_QUsyM2Vi 🖥 Chatgpt бот в тг: t.me/Chatgpturbobot 📚 Бесплатные ит-книги: https://t.me/addlist/HwywK4fErd8wYzQy 🖥Подборка по Golang: https://t.me/addlist/MUtJEeJSxeY2YTFi ⚡️ Лучшие ИИ ресурсы: https://t.me/addlist/2Ls-snqEeytkMDgy Самое лучшее в этом: ты учишься даже тогда, когда “нет времени, просто потому что читаешь правильную ленту.

⚡️ Экосистема AI-агентов превратилась в настоящий джунгли. Чем больше появляется фреймворков, тем сложнее их настраивать, дебажить и просто понимать, что происходит внутри. Поэтому особенно ценны инструменты, которые возвращают всё к простоте. KISS Multi-Agent Evolutionary Framework 0 небольшой Python-фреймворк, который следует принципу: *Keep It Simple, Stupid*. Что в нём интересного: - Почти никакой магии - обычный Python и один run() - Обычная функция с type hints автоматически становится tool через нативный function calling модели - Без декораторов, лишних аннотаций и glue-кода - Код читается и отлаживается как обычный Python Агент работает по циклу ReAct: думает → вызывает инструмент → анализирует результат → повторяет, пока не достигнет цели. Нужно несколько агентов? Всё просто: вызываете их последовательно в Python. researcher → writer → editor Можно использовать разные модели и строить пайплайны без сложной оркестрации. Фреймворк также сохраняет trajectory-лог: - шаги агента - использование токенов - время выполнения - стоимость Это позволяет быстро понять, где агент ошибся или начал тратить слишком много. Но самая сильная часть — автоэволюция. AgentEvolver - создаёт множество вариантов агента - применяет мутации и кроссовер - выбирает лучшие по качеству, скорости и стоимости GEPA (Genetic-Pareto) - агент сам анализирует свои ответы и переписывает промпты - используется Pareto-фронт - сохраняется несколько оптимальных стратегий, а не одна В итоге получается не просто агент, а самооптимизирующаяся система, которая ищет баланс между качеством и затратами. Если устали от тяжёлых агент-фреймворков и хотите минимализм, прозрачность и контроль - KISS может стать отличной базой для ваших LLM-агентов. https://github.com/ksenxx/kiss_ai @pythonl

🕘 Таймер продуктивности на Python с использованием threading Используйте библиотеку threading для создания простого таймера продуктивности, который поможет вам сосредоточиться на работе в течение заданного времени с последующим перерывом. Это поможет избежать выгорания и повысит продуктивность.

import threading
import time
def timer(duration, break_duration):
    print(f"Начинаем работу на {duration} минут.")
    time.sleep(duration * 60)  # Длительность работы в секундах
    print("Время на перерыв!")
    time.sleep(break_duration * 60)  # Длительность перерыва в секундах
    print("Перерыв закончен, продолжайте работу!")
# Задайте длительность работы и перерыва
work_duration = 25  # в минутах
break_duration = 5  # в минутах
# Запускаем таймер
threading.Thread(target=timer, args=(work_duration, break_duration)).start()

🖥 Вы неправильно считываете JSON в Python. Большинство делает так - и теряет скорость, память и контроль над данными. Ошибка №1 - читать огромный JSON целиком json.load() загружает ВСЁ в память. На больших файлах ты сам создаёшь себе OOM. Ошибка №2 - не валидировать структуру Ты думаешь, что поле есть. Прод думает иначе. Ошибка №3 - парсить стандартным json там, где нужна скорость Стандартный модуль медленный для high-load задач. Как правильно: - Большие файлы → читать потоково (ijson / построчно) - Критичная скорость → использовать orjson - Важные данные → сразу проверять ключи и типы - API → оборачивать в try/except, а не надеяться Продакшн-код работает не потому что “JSON простой”, а потому что ты контролируешь объём, структуру и ошибки.

🚀 Вышла интересная open-source модель - MiniCPM-o 4.5 MiniCPM-o 4.5 позиционируется как full-duplex omni-modal LLM. Проще говоря, модель может: - одновременно видеть (видео/изображение) - слушать (аудио) - говорить и делать это в реальном времени, без режима "подожди, я сначала дослушаю". Больше похоже на живой диалог, чем на поочередные запросы. Не только отвечает, но и проявляет инициативу Заявлена поддержка проактивного поведения - модель может не просто реагировать на вопросы, а, например, сама инициировать напоминания или действия в рамках диалога. По метрикам С 9B параметрами модель показывает 77.6 на OpenCompass и, по авторам, обходит GPT-4o и Gemini 2.0 Pro в ряде vision-language задач. Для такого размера это сильный результат. Практический момент Главный плюс - это open-source, и всё можно крутить локально на ПК, а не только через облачные API. Модель: MiniCPM-o 4.5 Страница: Hugging Face (openbmb / MiniCPM-o-4_5)

🌟 Для тех, кто еще не использует ИИ в разработке. Выдели 1 час и прокачай самый важный навык 2026 года - работу с LLM. Большинство устали сейчас не от кода. А от того, что мы пытаемся использовать ИИ “на ходу”, без понимания его возможности. Это такой же навык, как и другие. Его нужно тренировать. Вот простой старт: Подготовка 1. Подключи Anthropic Pro ($20) с прицелом позже перейти на 5× Max 2. Установи Claude Code 3. Используй модель Opus 4.5 (она стоит по умолчанию) Рабочий цикл 1. Включи режим планирования 2. Попроси модель спланировать одну маленькую фичу 3. Когда план тебя устраивает - включай авто-принятие правок 4. Если видишь, что модель “уезжает не туда” - сразу ставь на паузу 5. Очищай контекст и переходи к следующей фиче И так по кругу. Задача не в том, чтобы получить идеальный код. Задача - нащупать границы модели: - что она делает быстро и качественно - где начинает придумывать - какие задачи ей давать выгодно - где проще и безопаснее сделать самому Через 10-20 часов такой осознанной практики ИИ перестаёт быть “магией” и становится нормальным рабочим инструментом, который реально снимает нагрузку. @pythonl

🔥 С этим проектом, вы можете клонировать голоса, которые звучат по-настоящему живо. Без робо-голоса. Без “синтетики”. Полноценная, естественная человеческая речь. Речь о модели на 1.7B параметров, заточенной под чистую и выразительную генерацию голоса. Это уже не просто TTS. Это высокоточное клонирование голоса с передачей интонаций, ритма и естественного звучания. Разница между “голосом ИИ” и “голосом человека” стремительно исчезает. Если ты работаешь с аудио, AI-ассистентами, агентами или медиа-инструментами - это серьёзно расширяет возможности. Модель: https://huggingface.co/Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice

Команды Яндекса ищут продуктовых и data-аналитиков, а также data scientists с опытом на Python от 3 лет. Участвуйте в Weekend Offer, чтобы всего за 2 дня пройти все собеседования и получить офер. Как участвовать? ⚪ Зарегистрироваться на сайте до 25 февраля. ⚪ Пройти две технические секции 28 февраля. ⚪ Познакомиться с командами и получить офер 1 марта. Мы опираемся на научные исследования и аналитические данные, а потом превращаем их в реальные продукты для миллионов пользователей. Присоединяйтесь, чтобы строить полезные сервисы вокруг ИИ-технологий, находить новые решения и делать то, что другим не по силам. Подробности и регистрация — по ссылке: https://yandex.ru/project/events/wo-analytics-0226

⚡️ Хотите собрать своего личного JARVIS, но Clawdbot кажется слишком сложным для развёртывания и понимания? Попробуйте - nanobot: ультралёгкая версия Clawdbot (на 99% проще), которая поднимает персонального AI-ассистента меньше чем за минуту. ⚡️ Базовый функционал всего в ~4 000 строк Python - против 400k+ строк у Clawdbot. Ключевые особенности nanobot: 🪶 Ультралёгкий — ~4 000 строк кода, только ядро без перегруза. 🔬 Удобен для исследований — чистый, понятный код, легко менять и расширять. ⚡️ Быстрый — минимальный размер = быстрый старт, меньше ресурсов, быстрые итерации. 💎 Простой в использовании — один запуск, и ассистент уже работает. Что умеет nanobot: 📈 24/7 анализ рынка в реальном времени — мониторинг и инсайты. 🚀 Full-stack софт-инженер — помощь в разработке от идеи до продакшена. 📅 Умный менеджер рутины — помогает организовать день и задачи. 📚 Персональный ассистент по знаниям — хранение, поиск и работа с информацией. Если хочется своего AI-агента без монструозной инфраструктуры — это именно тот старт, который нужен. 🔗 Open Source: https://github.com/HKUDS/nanobot #Clawdbot #AIAssistant #Agents @pythonl

🖥 PYTHON МАТЕМАТИКА КАК У ПРОФИ Ппрофессиональный подход к математике в Python строится не вокруг «посчитать формулу», а вокруг правильного стека инструментов и воспроизводимости. Всегда разделяй символьную математику, численные методы и работу с данными. Для аналитики и вывода формул используй SymPy, для быстрых численных расчётов - NumPy, для научных алгоритмов - SciPy, для больших таблиц экспериментов - Pandas. Никогда не смешивай «магические числа» в коде - все параметры выноси в переменные. Работай в Jupyter или VS Code с ноутбуками, фиксируй версии библиотек и обязательно проверяй устойчивость решений через разные методы (например, интеграл численно и аналитически). Так код становится не просто расчётом, а научным инструментом.

import numpy as np
import sympy as sp
from scipy import integrate

# 1. Символьная математика
x = sp.symbols('x')
expr = sp.sin(x) / x
analytic_integral = sp.integrate(expr, (x, 1, 10))

# 2. Численная математика
f = lambda x: np.sin(x) / x
numeric_integral, error = integrate.quad(f, 1, 10)

# 3. Векторизация вместо циклов
arr = np.linspace(1, 10, 1_000_000)
fast_result = np.sin(arr) / arr

print("Analytic:", analytic_integral)
print("Numeric:", numeric_integral, "Error:", error)

@pythonl

🚀 RenderCV: Open-Source AI для создания CV/резюме на лету RenderCV - это GitHub-проект, который автоматизирует генерацию профессионального резюме с помощью AI. Он берет базовые данные (например, профиль, опыт, навыки) и формирует красиво отформатированный CV с умным распределением разделов, прицелом на ATS-системы (системы автоматического трекинга резюме) и внимание к деталям. 🔍 Основные фишки - 💡 AI-генерация контента - на основе вводимых данных автоматически создаются описания опыта, навыков и достижений - 📄 Готовые шаблоны — вывод резюме в структурированном виде, готовом для печати или публикации - ⚙️ Настраиваемость — легко адаптировать под свой стиль, менять поля и формат - 🤖 Поддержка AI-логики для переработки сухих фактов в интересные, читабельные формулировки Простой рабочий цикл: 1) Вводишь базовые данные (имя, опыт, навыки) 2) AI дописывает грамотные описания 3) Получаешь готовое резюме без лишних усилий 💡 Это особенно полезно начинающим специалистам, карьерным переходам или тем, кто не любит вручную вырезать и править резюме перед каждой подачей. 🛠 Пример использования (в духе проектов этого класса):

# Клонируем репозиторий
git clone https://github.com/rendercv/rendercv.git

# Переходим в папку
cd rendercv

# Устанавливаем зависимости и запускаем
# (инструкции могут отличаться в зависимости от реализации)
npm install
npm start

https://github.com/rendercv/rendercv

🖥 Python ищет дубликаты файлов Когда папка разрастается, дубликаты начинают тихо съедать место - особенно если ты сохраняешь одно и то же под разными именами. Быстрый способ на Python - посчитать хеш каждого файла и собрать группы с одинаковым хешем. Так ты сразу увидишь, какие файлы реально одинаковые по содержимому, а не только по названию. Подписывайся, больше фишек каждый день !

import os, hashlib

m = {}
for n in os.listdir("."):
    if os.path.isfile(n):
        with open(n, "rb") as f:
            h = hashlib.md5(f.read()).hexdigest()
        m.setdefault(h, []).append(n)

for v in m.values():
    if len(v) > 1:
        print("DUP:", v)

🔍 PaddleOCR-VL-1.5 внезапно ворвался в топ open-source OCR - и при этом модель всего на 0.9B параметров. Фактически это сейчас один из самых сильных открытых инструментов для распознавания текста и понимания документов - при очень скромном размере по меркам современных AI-моделей. Ирония в тайминге: • Сначала вышел Kimi 2.5 • Потом DeepSeekOCR-2 • И буквально следом - PaddleOCR-VL-1.5 Неделя просто взрывная для направления AI, которое занимается документами: сканы, PDF, таблицы, формы, смешанный текст и структура. Что особенно интересно - это не просто классический OCR "картинка → текст", а визуально-языковая модель. То есть она лучше понимает структуру документа: блоки, таблицы, взаимосвязи между элементами, а не только символы. Для разработчиков это означает более точный парсинг документов, автоматизацию работы с формами, счетами, договорами, отчетами и любыми полу-структурированными файлами - и все это на базе полностью открытой модели. Порог входа в продвинутую document AI снова стал ниже. huggingface.co/PaddlePaddle/PaddleOCR-VL-1.5 @pythonl