Python/ django
Відкрити в Telegram
по всем вопросам @workakkk @itchannels_telegram - 🔥 все ит каналы @ai_machinelearning_big_data -ML @ArtificialIntelligencedl -AI @datascienceiot - 📚 @pythonlbooks РКН: clck.ru/3FmxmM
Показати більше
Сітка:📈 Аналітичний огляд Telegram-каналу Python/ django
Канал Python/ django (@pythonl) у мовному сегменті Російська є активним учасником. На даний момент спільнота об'єднує 58 544 підписників, посідаючи 2 245 місце в категорії Технології та додатки та 10 310 місце у регіоні Росія.
📊 Показники аудиторії та динаміка
З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 58 544 підписників.
За останніми даними від 27 жовтня, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на -144, а за останні 24 години на -5, загальне охоплення залишається високим.
- Статус верифікації: Не верифікований
- Рівень залученості (ER): Середній показник залученості аудиторії становить 6.85%. Протягом перших 24 годин після публікації контент зазвичай збирає 2.98% реакцій від загальної кількості підписників.
- Охоплення публікацій: В середньому кожен допис отримує 4 014 переглядів. Протягом першої доби публікація в середньому набирає 1 744 переглядів.
- Реакції та взаємодія: Аудиторія активно підтримує контент: середня кількість реакцій на один пост – 20.
- Тематичні інтереси: Контент зосереджений навколо ключових тем, таких як github, claude, контекст, архитектура, api.
📝 Опис та контентна політика
Автор описує ресурс як майданчик для висловлення суб'єктивної думки:
“по всем вопросам @workakkk
@itchannels_telegram - 🔥 все ит каналы
@ai_machinelearning_big_data -ML
@ArtificialIntelligencedl -AI
@datascienceiot - 📚
@pythonlbooks
РКН: clck.ru/3Fm...”
Завдяки високій частоті оновлень (останні дані отримано 28 жовтня, 2026), канал підтримує актуальність та високий рівень охоплення публікацій. Аналітика показує, що аудиторія активно взаємодіє з контентом, що робить його важливою точкою впливу в категорії Технології та додатки.
58 544
Підписники
-524 години
+327 днів
-14430 днів
Архів дописів
58 544
Иногда хорошая работа сама находит🕵
У нас есть @job_radar_2gis_bot — он мониторит все ИТ-вакансии 2ГИС и присылает именно те, что подходят по профилю. Для этого нужно отметить направление и формат работы. Как только подходящая вакансия появится, бот пришлёт уведомлялку.
Подключайтесь, новые вакансии уже там🔥
58 544
🛰️ Shadowbroker: Реальное геопространственное разведывательное решение
Shadowbroker — это платформа для анализа открытых источников, которая в реальном времени агрегирует данные о глобальных событиях, таких как авиаперелеты, морское движение, спутники и конфликты. Идеально подходит для аналитиков и исследователей, желающих получить целостный обзор мировых событий на едином интерфейсе.
🚀Основные моменты:
- Отслеживание частных и коммерческих авиарейсов
- Мониторинг морского трафика и военных кораблей
- Геолокация спутников и анализ их миссий
- Информация о глобальных конфликтах и событиях
- Доступ к CCTV и сигналам GPS в реальном времени
📌 GitHub: https://github.com/BigBodyCobain/Shadowbroker
🐍 Python полезные ресурсы 🚀Max
58 544
🚀 Автономный помощник для подачи заявок на работу
ApplyPilot - это мощный инструмент для автоматизации процесса подачи заявок на работу. Он ищет вакансии на нескольких платформах, оценивает их с помощью ИИ, адаптирует ваше резюме и отправляет заявки без вашего участия. Просто настройте один раз и позвольте системе работать за вас.
🚀 Основные моменты:
- Полная автоматизация подачи заявок на работу
- Оценка вакансий по соответствию вашему резюме
- Генерация адаптированных резюме и сопроводительных писем
- Поддержка множества платформ для поиска вакансий
- Открытый исходный код и бесплатный доступ к API
📌 GitHub: https://github.com/Pickle-Pixel/ApplyPilot
🐍 Python полезные ресурсы 🚀Max
@pythonl
58 544
🤖 Chat an idea - get a full research paper.
Появился интересный open-source проект - AutoResearchClaw.
Это система автономного AI-ресёрча: вы просто пишете идею исследования, а агент запускает полный исследовательский цикл автоматически.
Что делает система:
• генерирует гипотезу и план исследования
• ищет и анализирует научные работы
• запускает эксперименты
• пишет код и анализирует результаты
• формирует графики и выводы
• собирает готовую научную статью
Фактически это AI-pipeline “от идеи до paper”.
Один запрос →
полный research workflow без участия человека.
Проект построен как мульти-агентная система, где разные агенты выполняют отдельные задачи: поиск литературы, эксперименты, анализ и написание текста.
Такие системы могут сильно ускорить:
• научные исследования
• ML-эксперименты
• генерацию идей и гипотез
• подготовку академических статей
https://github.com/aiming-lab/AutoResearchClaw
#AI #LLM #AIAgents #MachineLearning #Research
58 544
🚀 Себастьян Рашка собрал в одном месте галерею архитектур современных языковых моделей.
Внутри - 40+ моделей (2024–2026):
от DeepSeek и Qwen до Nemotron и Grok.
Для каждой модели есть:
• наглядная схема архитектуры
• размер и число параметров
• тип декодера
• ссылки на технические отчёты и конфиги
• иногда даже реализации
По сути это единая карта современных LLM, где можно быстро посмотреть, как устроены разные модели и как эволюционируют архитектуры.
https://sebastianraschka.com/llm-architecture-gallery/
🐍 Python полезные ресурсы 🚀Max
@pythonl
58 544
Cua — это Docker для агентов, использующих компьютер — он позволяет агентам ИИ управлять полноценными операционными системами в виртуальных контейнерах и развертывать их локально или в облаке.
— Всего ~1,000 строк кода — легко читать, расширять и встраивать
— Поддержка OpenAI, Anthropic, Mistral и других LLM-провайдеров
https://github.com/trycua/cua
🐍 Python полезные ресурсы 🚀Max
@pythonl
58 544
ИТ-специалисты Москвы, хотите поделиться опытом?
Есть возможность рассказать студентам о том, что вы не услышали в свое время. Центральный университет как раз проводит интенсив для будущих преподавателей ИТ-специальностей — это возможность попробовать себя в роли наставника и понять, подходит вам эта деятельность или нет.
Там вы сможете:
— Связать преподавание с личными и карьерными целями.
— Отработать техники презентаций и вовлечения аудитории.
— Спроектировать и провести пару на площадке Центрального университета.
— Заручиться поддержкой экспертов с опытом в крупных ИТ-компаниях.
— Получить шанс попасть в команду преподавателей Центрального университета.
Интенсив пройдет с 22 марта по 5 апреля. Будут онлайн-встречи и очные занятия. Еще успеваете зарегистрироваться.
58 544
🤖 Python библиотеки для AI-агентов — что изучать
Если вы хотите разрабатывать AI-агентов на Python, важно понимать порядок изучения библиотек.
Начните с LangChain, CrewAI или SmolAgents — они позволяют быстро собрать простых агентов, подключить инструменты и протестировать идеи.
Следующий уровень — LangGraph, LlamaIndex и Semantic Kernel. Эти инструменты уже используются для production-систем: RAG, orchestration и сложные workflow.
Самый сложный уровень — AutoGen, DSPy и A2A. Они нужны для автономных мультиагентных систем и оптимизации LLM-пайплайнов.
LangChain — простые агенты, инструменты и память
github.com/langchain-ai/langchain
CrewAI — мультиагентные системы с ролями
github.com/joaomdmoura/crewAI
SmolAgents — лёгкие агенты для быстрых экспериментов
github.com/huggingface/smolagents
LangGraph — orchestration и stateful workflow
github.com/langchain-ai/langgraph
LlamaIndex — RAG и knowledge-агенты
github.com/run-llama/llama_index
Semantic Kernel — AI workflow и плагины
github.com/microsoft/semantic-kernel
AutoGen — автономные мультиагентные системы
github.com/microsoft/autogen
DSPy — оптимизация LLM-пайплайнов
github.com/stanfordnlp/dspy
A2A — протокол взаимодействия между агентами
github.com/a2aproject/A2A
🐍 Python полезные ресурсы 🚀Max
@pythonl
58 544
Нужны твои навыки в работе с ИИ на МТС True Tech Hack 2026!
Тебе сюда, если ты инженер данных, разработчик или системный аналитик. 1 500 000 рублей — общий призовой фонд ИТ-соревнования.
Формат: командное онлайн-соревнование с финалом в Москве. Если нет команды — поможем найти на платформе мероприятия.
Тебя ждут три задачи на выбор — каждая с уникальной технической фишкой.
Для всех финалистов — приглашение на закрытую вечеринку, а лучших участников позовут на стажировку.
Успей зарегистрироваться до 9 апреля
58 544
🖥 ByteDance только что open-sourced OpenViking, и этот проект показывает, что именно не так с тем, как сегодня строят память для AI-агентов.
Вот где большинство агент-фреймворков ошибаются:
Память хранится в одном месте.
Ресурсы — в другом.
Навыки разбросаны по системе.
Когда агенту нужен контекст, обычно делают плоский векторный поиск и просто надеются на лучший результат.
Именно это и проблема. OpenViking решает её одной идеей:
рассматривать контекст агента как файловую систему.
Всё работает через единый протокол:
viking://
Память, ресурсы и навыки организованы как директории с уникальными URI.
Агент может ls, find и навигировать по контексту, как разработчик в терминале.
Главный прорыв — многоуровневая загрузка контекста:
- L0 — одно предложение для быстрого поиска
- L1 — обзор ~2000 токенов для принятия решений
- L2 — полные детали, загружаются только когда действительно нужны
Большинство агентов просто загружает всё в контекст и надеется на лучшее.
OpenViking загружает только нужные данные и только в нужный момент.
Результат:
- меньше расходов на токены
- выше точность
- быстрее работа агентов
Retrieval теперь тоже работает логичнее.
Вместо одного плоского семантического поиска:
1. сначала происходит позиционирование на уровне директорий
2. затем рекурсивный поиск внутри наиболее релевантных директорий
Можно буквально видеть траекторию поиска — это больше не чёрный ящик.
Есть и механизм самоэволюции агента.
В конце каждой сессии система автоматически:
- извлекает новые знания
- обновляет память агента
- обновляет память пользователя
То есть агент становится умнее с каждым использованием.
Проект уже имеет:
- 9K звёзд на GitHub
- 13 контрибьюторов
Разработан командой ByteDance Viking, которая строит инфраструктуру векторного поиска с 2019 года.
Проект полностью open-source под лицензией Apache 2.0.
https://github.com/volcengine/OpenViking
🐍 Python полезные ресурсы 🚀Max
@pythonl58 544
🐍 Почему ошибки валидации в Python иногда так сложно найти
Чем глубже вложена структура данных, тем сложнее понять, где именно произошла ошибка.
Если использовать обычные dataclass, вы чаще всего увидите только значение, которое не прошло проверку — но не путь к полю, где возникла проблема.
В сложных вложенных структурах это превращает отладку в настоящую боль.
Pydantic решает эту проблему.
Он показывает полный путь до поля, которое вызвало ошибку — от корневой модели до конкретного атрибута.
В результате сразу понятно, где искать проблему.
Пример:
from pydantic import BaseModel, Field
class Address(BaseModel):
zip_code: str = Field(pattern=r"^\d{5}$")
class Customer(BaseModel):
name: str
address: Address
customer = Customer(
name="Alice",
address={"zip_code": "9ABC1"}
)
Ошибка будет выглядеть так:
ValidationError: address.zip_code
String should match pattern '^\d{5}$'
То есть Pydantic сразу показывает:
address.zip_code
А не просто сообщает, что «где-то внутри данных ошибка».
Для сложных JSON, API-ответов и вложенных моделей это сильно упрощает дебаг.
#Python #Pydantic #Backend #DataValidation
🐍 Python полезные ресурсы 🚀Max
@pythonl
58 544
⚡️ Языки программирования и время, которое потребовалось для выпуска первой версии.
Многие думают, что язык программирования можно сделать быстро. Но на практике на это уходят годы. Rust разрабатывали девять лет, Kotlin и C++ около шести, Go и Java примерно пять. Даже Python готовили два года перед первым релизом.
Есть знаменитое исключение - JavaScript. Его написали всего за десять дней в 1995 году, и многие странности языка до сих пор связаны именно с такой скоростью разработки.
Это хороший пример того, что создание фундаментального инструмента требует времени и большого количества экспериментов.
🦀 Rust - 9 лет (2006 → 2015)
🤖 Kotlin - 6 лет (2010 → 2016)
⚙️ C++ - 6 лет (1979 → 1985)
☕ Java - 5 лет (1991 → 1996)
🐹 Go - 5 лет (2007 → 2012)
🍎 Swift - 4 года (2010 → 2014)
🔧 C - 3 года (1969 → 1972)
🧬 Scala - 3 года (2001 → 2004)
📊 Julia - 3 года (2009 → 2012)
🐍 Python - 2 года (1989 → 1991)
🌐 JavaScript - 10 дней (1995)
💎 Ruby - 2 года (1993 → 1995)
🐘 PHP - 1 год (1994 → 1995)
🔷 C# - 2 года (1998 → 2000)
🎯 TypeScript - 2 года (2010 → 2012)
🎯 Dart - 2 года (2009 → 2011)
⚡ Elixir - 2 года (2011 → 2013)
🧠 Haskell - 3 года (1987 → 1990)
🧩 Objective-C - 1 год (1983 → 1984)
58 544
🎙 Представлена модель TADA (Text Audio Dual Alignment) - речевая AI-система нового типа.
Она генерирует текст и аудио одновременно в одном синхронизированном потоке.
Это позволяет снизить галлюцинации на уровне токенов и значительно уменьшить задержку.
Что показали тесты:
→ 0 галлюцинаций контента на 1000+ тестовых примеров
→ в 5 раз быстрее, чем похожие LLM-решения для TTS
→ намного длиннее аудио: 2048 токенов покрывают ~700 секунд речи (в обычных системах около 70 секунд)
→ транскрипт генерируется сразу вместе с аудио без дополнительной задержки
По сути, модель думает текстом и голосом одновременно, что делает генерацию речи быстрее и точнее.
https://huggingface.co/collections/HumeAI/tada
🐍 Python полезные ресурсы 🚀Max
@pythonl
58 544
🔍Тестовое собеседование на Middle Python с разработчиком из Авито 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:
📂 Даня, старший разработчик в Авито, будет задавать реальные вопросы и задачи разработчику-добровольцу
📂 Даня будет комментировать каждый ответ респондента, чтобы дать понять чего от вас ожидает собеседующий на интервью
📂 В конце можно будет задать любой вопрос Дане
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.
58 544
🔥 Андрей Карпати выложил в open-source проект autoresearch.
Идея проста, но мощная: агент может запускать до 100 ML-экспериментов за ночь на одном GPU. Он сам пишет код, запускает обучение, анализирует результат, улучшает архитектуру и сохраняет только то, что работает.
Роль человека в этой системе минимальна.
Всё, что нужно поддерживать — один файл `program.md`, в котором описана стратегия исследования:
что исследовать, какие идеи приоритетнее, какие компромиссы важны.
Агент читает этот файл, рассуждает над ним и сам решает, какой эксперимент запускать следующим.
Как работает система:
- автономный git-цикл — агент коммитит каждое улучшение
- каждый эксперимент длится ровно 5 минут, чтобы сравнение было честным
- оптимизируются архитектура, гиперпараметры и оптимизатор
- человек редактирует стратегию
- агент редактирует код
- всё работает на одном GPU
Главная мысль проекта:
узкое место в AI-исследованиях - уже не вычисления, а идея эксперимента.
В autoresearch этим bottleneck становится всего один файл -
program.md.
github.com/karpathy/autoresearch
🐍 Python полезные ресурсы 🚀Max
@pythonl58 544
Языки программирования и их инструкции импорта
🐍 Python - import module
☕ Java - import package.Class;
⚡ C - #include <stdio.h>
🛠️ C++ - #include <iostream>
🌐 JavaScript - import module from "module"
🛠️ C# - using Namespace;
🐹 Go - import "package"
🦀 Rust - use crate::module;
🐘 PHP - require "file.php";
💎 Ruby - require "library"
🐪 Kotlin - import package.Class
🍎 Swift - import Module
🔷 TypeScript - import {x} from "module"
🧮 R - library(package)
🐚 Bash - source file.sh
🧱 Dart - import 'package:lib/lib.dart';
🎯 Scala - import package.Class
🐼 Groovy - import package.Class
🧠 Julia - using Module
🔧 Assembly (x86 Linux) - %include "file.inc"
58 544
NiceGUI — это простой в использовании фреймворк на основе Python, который отображается в вашем веб-браузере.
Вы можете создавать кнопки, диалоговые окна, Markdown, 3D-сцены, графики и многое другое.
https://github.com/zauberzeug/nicegui
🐍 Python полезные ресурсы 🚀Max
@pythonl
58 544
🎥 Helios: Модель генерации видео в реальном времени
Helios — это передовая модель генерации видео, способная создавать высококачественные видео длительностью в минуты с частотой 19.5 FPS на одном GPU H100. Она не использует традиционные методы борьбы с дрейфом и стандартные техники ускорения, что делает её уникальной в своем роде.
🚀Основные моменты:
- Генерация видео без анти-дрифтовых стратегий.
- Высокая скорость 19.5 FPS без стандартных ускоряющих техник.
- Оптимизация, уменьшающая потребление памяти и увеличивающая производительность.
- Поддержка нескольких моделей в рамках 80 ГБ видеопамяти.
- Официальная реализация с открытым исходным кодом.
📌 GitHub: https://github.com/PKU-YuanGroup/Helios
