Python Portal

Как работает DNS за 60 секунд: Что такое DNS: система доменных имён. Ты вводишь http://xyz.com в браузере. Но интернет не понимает доменные имена — он работает с IP-адресами. Вот что происходит под капотом: 1. Браузер спрашивает: «Где находится http://xyz.com?» 2. Резолвер DNS у провайдера проверяет кэш. Если запрос уже был — отвечает сразу. Если нет — начинает опрос. 3. Запрос к корневому серверу имён → «Не знаю, спроси у сервера зоны .com» 4. Запрос к серверу зоны .com → «Не знаю, спроси у авторитетного сервера для http://xyz.com» 5. Авторитетный сервер отвечает: «http://xyz.com = 203.0.113.47» 6. Резолвер кэширует ответ и возвращает его браузеру 7. Браузер подключается к 203.0.113.47 — сайт загружается Всё это происходит за миллисекунды. Каждый раз при открытии сайта. И когда DNS ломается — не работает ничего. Ни сайты, ни приложения. Даже если сервер полностью исправен. Поэтому фраза «всегда виноват DNS» — одна из самых часто повторяемых в ИТ. 👉 @PythonPortal

👊👊👊 👉 @PythonPortal

Нашли репозиторий с большим количеством шпаргалок по Python на русском языке 😮 Есть PDF-ки по: - типам данных; - функциям; - декораторам; - итераторам и генераторам; - различным модулям; - ООП и многому другому. ⛓ Ссылка: тык 👉 @PythonPortal

MCP и Skills для AI-агентов — разбор без путаницы. Разработчики часто воспринимают MCP и Skills как одно и то же. Это ошибка. Смешивание этих понятий — один из самых частых фейлов при переходе к серьёзной разработке AI-агентов. Разберём с нуля. До появления MCP подключение модели к внешним инструментам требовало писать кастомную интеграцию каждый раз. Например, 10 моделей и 100 инструментов давали 1000 отдельных коннекторов, которые нужно поддерживать. MCP решает это через общий протокол взаимодействия. Инструменты становятся частью “сервера”, который экспонирует возможности. Каждый агент — это “клиент”, который умеет делать запросы. Общение идёт через структурированные JSON-сообщения по чётко заданному интерфейсу. Например, можно один раз реализовать MCP-сервер для GitHub, и он будет работать с Claude, ChatGPT, Cursor или любым другим агентом с поддержкой MCP. Ключевая ценность — одна интеграция, многократное использование. MCP решает проблему подключения, но не решает проблему использования. Агент может иметь 50 корректно подключённых MCP-инструментов и при этом работать слабо, если не понимает: - когда вызывать инструмент - в каком порядке - с каким контекстом Этот разрыв закрывают Skills. Skill — это переносимый пакет процедурных знаний. Файл SKILL.md не просто описывает доступные инструменты, а задаёт, как именно их применять в рамках конкретной задачи. - Skill для написания текста включает гайд по тону и шаблоны вывода - Skill для код-ревью включает паттерны проверок и правила MCP даёт агенту доступ к инструментам. Skills формируют устойчивые паттерны их использования. Вместе это полный стек возможностей продакшен-агента: - MCP — слой подключения инструментов - Skills — слой знаний и выполнения задач - Агент — оркестрация через контекст и рассуждение Поэтому продвинутые конфигурации используют оба подхода: MCP-серверы для интеграций и SKILL.md для доменной экспертизы. 👉 @PythonPortal

Ты: безупречное резюме/CV/рекомендации с прошлого места работы, десятки топовых проектов за плечами Требования HR: 👉 @PythonPortal

Запуск open-source платформы PostgreSQL в Kubernetes с использованием copy-on-write для ветвления данных объёмом в терабайты за считанные секунды и автоматической гибернацией при простое для экономии ресурсов — подходит для компаний, которые строят внутренние базы данных или быстро поднимают окружения для разработки и тестирования. Xata — это open-source облачная платформа PostgreSQL, которая умеет одновременно управлять большим количеством инстансов Postgres в Kubernetes. Ключевые возможности: создание веток данных объёмом в терабайты за секунды и автоматическое масштабирование до нуля при простое с последующим пробуждением при новых подключениях. На уровне инфраструктуры используется CloudNativePG для управления и обслуживания Postgres и OpenEBS для хранения, а на верхнем уровне доступны встроенные SQL-шлюз, управление ветками, REST API и CLI. Компании могут использовать её для построения внутренних платформ баз данных или быстро выделять отдельную копию данных для каждого разработчика и каждого тестового запуска с последующей автоматической гибернацией для экономии ресурсов и затрат. 100% опенсорс 👉 @PythonPortal

Docker Tip Вот как можно проанализировать, что раздувает образ. Как известно, каждый Docker-образ состоит из слоёв. Каждый слой добавляется отдельной строкой в Dockerfile. Эти слои позволяют понять, почему образ большой, медленно собирается или плохо кэшируется. Вот как можно проинспектировать слои и посмотреть, что изменилось в каждом из них. Можно использовать утилиту dive. Она даёт визуальное представление: ✅ всех созданных слоёв ✅ какие файлы были добавлены или изменены ✅ сколько места занимает каждый слой При анализе слоёв образа можно определить: - какая команда добавляет лишний объём - как оптимизировать Dockerfile для более компактных и эффективных сборок Также утилита показывает метрику эффективности образа, которая отражает, сколько данных дублируется или расходуется впустую между слоями. 👉 @PythonPortal

Для тех кто просил, наш канал с мемами для программистов и айтишников 👇 https://t.me/+VS5COdLqY_s4OTYy

Знал ли ты, что Python может открыть вкладку браузера? Без фреймворков. Всего одна строка. Вот как запустить URL — удобно для создания утилит, повышения продуктивности или автоматического открытия документации из скриптов. Попробуй сам. 🙂 👉 @PythonPortal

(Я не читаю почту и не открываю жиру) 👉 @PythonPortal

Как использовать borb для создания простого PDF на Python

from borb.pdf.canvas.layout.page_layout.multi_column_layout import SingleColumnLayout
from borb.pdf.canvas.layout.text.paragraph import Paragraph
from borb.pdf.document import Document
from borb.pdf.page.page import Page
from borb.pdf.pdf import PDF

def main(pdf_path):
    pdf = Document()

    # Добавляем пустую страницу в PDF
    page = Page()
    pdf.append_page(page)

    # Создаём лэйаут для размещения текста
    layout = SingleColumnLayout(page)

    # Добавляем текст с помощью класса Paragraph
    layout.add(Paragraph("Hello from borb!"))

    with open(pdf_path, "wb") as pdf_fh:
        PDF.dumps(pdf_fh, pdf)

if __name__ == "__main__":
    main("demo.pdf")

👉 @PythonPortal

🐍 Python — универсальный ключ от многих ИТ-дверей: от веб-разработки до машинного обучения Освоить язык с нуля или углубить имеющиеся навыки можно на расширенном курсе Нетологии «Python-разработчик». Простого пути не обещают, но обещают комфортный темп, много практики и поддержку опытных разработчиков. А ещё — помощь с трудоустройством. За время обучения вы: 🔸 научитесь упаковывать опыт в резюме; 🔸 пройдёте тестовые технические интервью; 🔸 посетите встречи с экспертами Сбера, Яндекса и Т-Банка; 🔸 сможете попасть на стажировку; 🔸 получите год карьерной поддержки после выпуска. Сейчас на курс действует скидка 50%, а с промокодом NETONEW10 цена станет ещё на 10% ниже. Плюсом идут 4 курса по нейросетям и подарки от партнёров Нетологии в честь её 15-летия. Узнать подробнее и записаться → ссылка P. S. Ребята помогут оформить налоговый вычет, а это ещё –13% от стоимости Реклама. ООО “Нетология” ОГРН 1207700135884 Erid: 2VSb5ykHiJv

Построение надёжной RAG-системы — это не просто подключение векторной базы данных. Это проектирование интеллектуального пайплайна с балансом между точностью извлечения, логикой маршрутизации и строгой оценкой. Хорошо спроектированная RAG-архитектура включает: • Продвинутую сборку запроса с использованием реляционных, графовых и векторных баз данных для контекстного понимания • Интеллектуальную маршрутизацию (логическую + семантическую) для оптимального выбора промптов и эффективности системы • Многоэтапное извлечение с уточнением и переранжированием для повышения релевантности и снижения галлюцинаций • Гибкие стратегии генерации, такие как Self-RAG, RRR и циклы активного извлечения • Надёжные пайплайны индексирования: семантический чанкинг, иерархическая кластеризация (RAPTOR) и специализированные эмбеддинги (ColBERT) • Непрерывную оценку с использованием фреймворков RAGAS, Grouse и DeepEval для измеримой производительности Современные ИИ-системы требуют не только больших языковых моделей, но и качественных пайплайнов данных, точного извлечения и дисциплины в оценке. Если ты строишь масштабируемые ИИ-продукты, архитектура RAG-системы становится конкурентным преимуществом. #RAG #GenerativeAI #AIArchitecture #MachineLearning #LLM #DataEngineering #AIEngineering 👉 @PythonPortal

Совет по Git Интерактивно просматривай и добавляй изменения частями (патчами), вместо того чтобы добавлять всё сразу: git add -p Почему это полезно: • добавляешь только нужные изменения • пропускаешь случайные или незавершённые правки • разбиваешь работу на чистые и сфокусированные коммиты 👉 @PythonPortal

🍺🍺🍺 👉 @PythonPortal

Определяй функции на обычном языке и запускай их локально: PAW PAW компилирует спецификации на естественном языке в компактные нейронные программы. После компиляции они работают как обычные Python-функции (без интернета, без внешнего сервиса, без оплаты за вызовы). Нейронная программа объединяет дискретный текст и непрерывную LoRA для адаптации фиксированного интерпретатора. Подходит для нечетких задач: триаж по срочности, починка сломанного JSON, фильтрация логов, роутинг инструментов. Хорошо сочетается с код-агентами: http://programasweights.com/agents Интерпретатор — предобученный Qwen3 0.6B, без модификаций. Вся адаптация под задачи происходит через скомпилированную нейронную программу. На FuzzyBench: 73.4% точности против 9.8% у прямого промпт-инжиниринга той же 0.6B. Даже Qwen3 32B даёт только 68.7%. Их интерпретатор на базе GPT-2 — всего 124M параметров, достаточно компактный, чтобы полностью работать в браузере через WebAssembly. Скачиваешь базовую модель ~134 МБ один раз, затем каждая нейронная программа занимает ~5 МБ. Сервер для инференса не нужен. python: pip install programasweights js: npm install @programasweights/web 👉 @PythonPortal

Новая статья: системная инженерия Код-агенты снизили порог входа в написание кода, но не снизили требования к продакшн-софту. Агентное ПО — это всё тот же софт. Агент заменяет бизнес-логику, всё остальное остаётся без изменений. https://ashpreetbedi.com/articles/systems-engineering 👉 @PythonPortal

👉 @PythonPortal

GOOGLE выкатили инструмент для детектирования типов файлов долгое время использовался внутри — Gmail, Drive, Safe Browsing, сотни миллиардов файлов каждую неделю затем открыли исходники называется magika — определяет реальный тип файла, а не то, за что он себя выдаёт переименовал вредонос в "resume.pdf"? magika определит замаскировал скрипт под изображение? magika определит любые трюки с расширениями? magika обходит их модель обучена на 100 млн файлов 200+ типов контента точность ~99% около 5 мс на файл одна команда:

pip install magika

тот же инструмент, который защищает пользователей Google, можно использовать в своих системах 👉 @PythonPortal

Что если автоматизировать весь воркфлоу Google Workspace прямо из терминала? Работа через браузер заставляет кликать по нескольким приложениям, чтобы открыть таблицу, проверить календарь и отправить фоллоу-ап письмо. Такой ручной цикл быстро накапливает оверхед при ежедневных или еженедельных повторениях. gws — это интерфейс командной строки, который объединяет все сервисы Workspace за простыми командами в терминале с структурированным JSON-выводом, готовым для скриптов. Ключевые возможности: • Единый интерфейс для Drive, Gmail, Calendar, Sheets, Docs и других сервисов • JSON-вывод, который напрямую пайпится в существующие скрипты и воркфлоу • 100+ навыков для ИИ-агентов, позволяющих языковым моделям оркестрировать задачи Workspace программно https://github.com/googleworkspace/cli 👉 @PythonPortal