Python Community

🚀 PgQue – Устойчивые очереди в Postgres PgQue предлагает универсальную архитектуру очередей для PostgreSQL, основанную на проверенной модели PgQ. Это решение без лишних зависимостей, работающее на любом управляемом Postgres, обеспечивая нулевое бремя и стабильную производительность под нагрузкой. 🚀 Основные моменты: - Никаких внешних демонов или расширений - Использует SQL и PL/pgSQL для установки - Обеспечивает ACID-транзакции и долговечность - Никакого накопления "мертвых" кортежей - Подходит для высоконагруженных систем 📌 GitHub: https://github.com/NikolayS/pgque #sql @Python_Community_ru

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 @Python_Community_ru

Вышел Codex CLI 0.133.0. Goals теперь работают по умолчанию. У них появилось отдельное хранилище, прогресс трекается сквозь активные ходы, так что агент держит цель в фокусе между шагами и не забывает, куда шёл. Заметно прокачали Permission profiles: API для списков, наследование настроек, поддержка managed requirements.toml, обновление прав в рантайме без перезапуска и усиленный сэндбокс под Windows. Расширения получили доступ к событиям подагентов (старт, стоп), вызовам инструментов, метаданным хода и асинхронной обработке аппрувов. Можно строить нормальные обвязки вокруг Codex. Плагины: discovery теперь учитывает маркетплейсы, показывает установленные версии, видимые корни и умеет работать с удалёнными коллекциями. https://github.com/openai/codex/releases/tag/rust-v0.133.0 @Python_Community_ru

🔒🌐 Awesome Privacy: Your Guide to Online Privacy Tools Этот репозиторий собрал лучшие ресурсы и инструменты для обеспечения вашей конфиденциальности в интернете. Здесь вы найдете полезные ссылки на программы, сервисы и советы по защите личных данных. 🚀Основные моменты: - Обширный список инструментов для защиты конфиденциальности - Ресурсы по анонимности и безопасности в сети - Регулярные обновления и новые добавления - Полезные советы по улучшению личной безопасности 📌 GitHub: #markdown @Python_Community_ru https://github.com/Lissy93/awesome-privacy

‍✔️ Machine Learning Roadmap: нормальная карта входа в ML без сказок про «выучить нейросети за месяц» Большой русскоязычный roadmap по машинному обучению: от первого import numpy до LLM, RAG, fine-tuning, AI-агентов и MLOps. Внутри нормальная структура: что учить, в каком порядке, зачем это нужно и какой практический артефакт должен появиться после каждого этапа. Roadmap разбит на 7 треков: - фундамент: Python, математика, статистика, инструменты - классический ML: scikit-learn, табличные данные, метрики, валидация - Deep Learning: PyTorch, CNN, RNN, training loop - LLM и трансформеры: attention, KV-cache, RAG, LoRA, агенты - Generative AI: изображения, видео, аудио, мультимодальность - MLOps и прод: Docker, Kubernetes, CI/CD, мониторинг, serving - специализация: CV, NLP, RecSys, RL, Safety Самое полезное - там честно написано, что ML это не только «обучить модель». В реальности большая часть работы живёт вокруг данных, метрик, деплоя, мониторинга, воспроизводимости и понимания, почему модель вообще ошибается. Хорошая мысль из roadmap: LLM не делает джуна сениором. Она ускоряет того, кто понимает базу. Без базы человек просто превращается в оператора Copilot, который не может объяснить, почему модель сломалась. По времени тоже без инфоцыганства: - 0-3 месяца: Python, математика, классический ML - 3-6 месяцев: Deep Learning и PyTorch - 6-12 месяцев: LLM, RAG, fine-tuning, AI-агенты - 12+ месяцев: MLOps, прод, масштабирование, специализация Короче, если давно хотели системно зайти в ML, а не прыгать между роликами про ChatGPT, Stable Diffusion и «топ-10 библиотек», это хороший ориентир. https://github.com/justxor/MachineLearningRoadmap/tree/main @Python_Community_ru

Нужно обновлять данные в приложении без перезагрузки, но не хочется усложнять архитектуру? На открытом уроке разберём, как реализовать отправку данных в реальном времени с помощью Server-Sent Events в FastAPI. Покажем, как работают SSE, чем они отличаются от WebSocket и в каких задачах их использование оправдано. Вы увидите, как создавать SSE-эндпоинты и передавать данные клиенту без лишней нагрузки и сложных решений. Это практический разбор подхода, который позволяет быстро внедрить обновления в реальном времени: уведомления, статусы, потоковые данные. 🗓 Открытый урок для начинающих проходит в преддверии старта курса «Python-разработчик» 20 мая в 20:00 МСК. ➡️ Принять участие: https://clck.ru/3ThLe2 Реклама. ООО «Отус онлайн-образование», ОГРН 1177746618576, www.otus.ru

Python-скрипт, который автоматически «понимает» PDF-книги: AI Reads Books. Достаточно предоставить PDF, запустить скрипт — и он будет анализировать содержимое по страницам, извлекать ключевые знания и генерировать структурированное резюме в формате Markdown. GitHub: https://github.com/echohive42/AI-reads-books-page-by-page @Python_Community_ru

🚀 Удобная система сборки для нескольких языков с rigx rigx — это экспериментальная система сборки для C, C++, Go, Rust, Zig, Nim и Python, которая упрощает процесс разработки, обеспечивая изоляцию и кэширование. Все зависимости управляются автоматически, а сборки выполняются в песочнице, что исключает проблемы с "работает на моем компьютере". 🚀 Основные моменты: - Простая декларативная конфигурация через rigx.toml. - Поддержка многопоточности и интеграционных тестов. - Кэширование выходных данных для ускорения сборок. - Совместимость с Nix для управления зависимостями. 📌 GitHub: https://github.com/unofficialtools/rigx #python @Python_Community_ru

🌐 МHR-CFW: MasterHttpRelay + Cloudflare Worker MHR-CFW — это инструмент для создания анонимного прокси-сервера, использующего Google и Cloudflare для маскировки реального трафика. Он позволяет обойти сетевые фильтры, скрывая целевые сайты за обычным трафиком Google. 🚀 Основные моменты: - Прокси-сервер, использующий Google и Cloudflare для анонимности. - Подходит для образовательных и исследовательских целей. - Не требует установки дополнительных зависимостей, кроме Python. - Предоставляется без гарантии и ответственности. 📌 GitHub: https://github.com/denuitt1/mhr-cfw @Python_Community_ru

‍⚡️ Вредонос в PyPI превратил установку пакета в русскую рулетку Microsoft расследует взлом популярного Python-пакета mistralai - официального клиента для работы с моделями Mistral AI. По данным исследователей, злоумышленники внедрили вредонос прямо в библиотеку. Самое неприятное - код срабатывал уже при обычном import и пытался красть данные из окружения. Но дальше история становится совсем абсурдной. Вредонос проверял язык и регион системы, обходил русскоязычные окружения и включал геозависимую «лотерею» для остальных. Для некоторых стран поведение было особенно жёстким: с вероятностью 1 к 6 он мог запустить разрушительную команду удаления файлов. В X после этого начали шутить, что лучший security-патч года - русский языковой пакет. Шутки шутками, но кейс неприятный: это был не случайный левый пакет с тремя скачиваниями, а клиент для популярного AI-сервиса. То есть supply chain-атаки уже давно бьют не только по npm-мусору, а по нормальным инструментам, которые разработчики ставят почти на автомате. Вывод простой: даже официальный пакет сегодня не гарантия безопасности. Проверяйте версии, lock-файлы, хеши, changelog и окружение, где ставите зависимости. Особенно если это AI SDK, который по умолчанию получает доступ к токенам, ключам и рабочим данным. https://x.com/lauriewired/status/2054231467744760131?s=46 @Python_Community_ru

‍⚡️ Глава Google Cloud выложил свой личный набор skills для AI-агентов И это выглядит не как очередная папка с промптами, а как полноценный рабочий pipeline для разработки. Внутри - 19 skills и 7 slash-команд, которые превращают агента в почти нормальную инженерную систему: от идеи и спецификации до тестов, ревью и релиза. Логика разбита на 6 этапов: - Define - помогает сформулировать идею, требования и спецификацию до начала кодинга - Plan - дробит большую задачу на понятные шаги - Build - ведёт пошаговую разработку с учётом контекста и нужных API - Verify - прогоняет проверки через DevTools, ловит баги и помогает их чинить - Review - смотрит качество кода, безопасность и производительность - Ship - готовит проект к релизу и доводит до состояния «можно выкатывать» Самое интересное - это не привязано к одному инструменту. Сборку можно встроить в Claude Code, Cursor, Antigravity, OpenCode, Gemini CLI и другие агентные IDE / CLI. По сути это готовый скелет для разработки с AI-агентом: меньше хаоса, меньше «сделай красиво», больше нормального процесса. https://github.com/addyosmani/agent-skills @Python_Community_ru

#Вакансия #Удаленка #Remote #Fulltime #Research #Python #Backend #CyberSec #InfoSec #Сети #Networking #Pentest #SOC #Middle #Junior 🛡 Python Backend-инженер (CyberSec) ───────────────── 🧪 О нас: Технологический стартап. Делаем систему детекции аномалий в трафике: защищаем онлайн-сервисы от фрода (ловим VPN/прокси). Сразу о главном: мы ищем человека в R&D. Наша работа больше похожа на лабораторию кибербеза. Если вы устали клепать одинаковые фичи и хотите применять свой инженерный азарт — вам сюда. Особенно ждём кандидатов из ИБ/сетей, которые ушли в код: сетевиков, пентестеров, SOC-аналитиков, реверсеров, которые уверенно пишут на Python. ───────────────── 🎯 Задачи: Работа в связке с research-инженерами: проверять гипотезы, копаться в данных, превращать идеи в production-код. ───────────────── ⚙️ Требования: ▪️Бэкграунд в ИБ/сетях. Профильное образование или подтверждённый опыт: работа в кибербезе/сетевом администрировании, CTF, пет-проекты, open-source — всё считается. ▪️Python от 1 года коммерческого опыта. Чистый масштабируемый код, удобные REST API. ▪️Сети ниже уровня requests/aiohttp. TCP-handshake, TLS ClientHello, DNS. Практика с tcpdump и Wireshark. ▪️Уверенный Linux. Консоль, понимание сетевого стека ядра. ▪️Чтение чужого кода. Легаси и исследовательские скрипты не пугают. ───────────────── 🤝 Soft-skills (для нас критически важно): ▪️Самостоятельность и проактивность. Из вас не нужно «вытягивать» задачи. ▪️Готовность копать вглубь. Логику нашего продукта не нагуглить — её приходится выводить из данных. Вы не один: research-инженеры рядом, гипотезы обсуждаем вместе, спрашивать не стыдно. Главное — не ждать тикета с пошаговой инструкцией, а идти и разбираться. ───────────────── 💼 Условия ▪️Удалёнка, фуллтайм ▪️100–200К на руки (возможны выплаты в USDT). Готовы рассмотреть выше для опытных ▪️Минимум бюрократии, максимум инженерной свободы ▪️Развитие в CyberSec ▪️Локация: РФ или РБ ───────────────── 📩 Как откликнуться: Заполните анкету: [ссылка] (https://docs.google.com/forms/d/e/1FAIpQLSdPRs9NMRSg-JaPUsZdAtBP-6vrGoigK7jQth1N-IoXe44UEA/viewform?usp=pp_url&entry.1583537502=pythonl) P.S. Ценим живые ответы, написанные своими словами. @Python_Community_ru

Python 3.15 beta 1 вышела в релиз 🐍 Это значит, что крупные фичи для релиза фактически зафиксированы. Дальше - бета, тесты, багфиксы и подготовка к финальному релизу. Что интересного в 3.15: - lazy imports через ключевое слово lazy - встроенные frozendict и sentinel - JIT стал быстрее на x86-64 Linux - распаковка прямо внутри comprehensions - новый статистический profiler с низким overhead - frame pointers включены по умолчанию Python 3.15.0b1 вышел 7 мая 2026 года, это первая из четырёх запланированных beta-версий и точка feature freeze; финальный релиз запланирован на 1 октября 2026 года. https://blog.python.org/2026/05/python-3150-beta-1/ @Python_Community_ru

🔒 OpenAI Privacy Filter: Защита Личных Данных Модель для обнаружения и маскировки персонально идентифицируемой информации (PII) в текстах. Идеальна для высокопроизводительных рабочих процессов по очистке данных, обеспечивая быструю и контекстно осведомлённую обработку. Подходит для локального использования и настройки. 🚀 Основные моменты: - Двусторонняя классификация токенов для PII. - Легкая настройка под специфические данные. - Поддержка длинных контекстов до 128,000 токенов. - Низкие требования к ресурсам: работает на ноутбуках и в браузерах. - Гибкость в управлении точностью и полнотой. 📌 GitHub: https://github.com/openai/privacy-filter #python @Python_Community_ru

🌟 WindsurfAPI - тот самый мост, которого не хватало между Windsurf и привычными AI-инструментами. Проект поднимает локальный API-прокси и позволяет обращаться к моделям Windsurf через знакомые форматы: - /v1/chat/completions - OpenAI-compatible API - /v1/messages - Anthropic-compatible API То есть можно подключать Windsurf к Claude Code, Cursor, Cline, своим скриптам, агентам и LLM-gateway без переписывания всей инфраструктуры. Что полезного: - запуск локально или на своём сервере - работа через привычные SDK - совместимость с OpenAI / Anthropic форматами - переключение между моделями из экосистемы Windsurf - account pooling для распределения лимитов между аккаунтами По сути, WindsurfAPI превращает Windsurf из закрытого IDE-инструмента в нормальный API-слой для своих агентных пайплайнов. Очень практичная штука для тех, кто собирает кастомные AI-workflows и хочет подключать модели к своим инструментам, а не жить только внутри редактора. Сейчас дают 50+ популярных ИИ через официальные API бесплатно. GitHub: https://github.com/dwgx/WindsurfAPI @Python_Community_ru

Python 3.15 выходит с крутыми новыми фичами 🐍 Самые интересные: • Ленивые импорты через ключевое слово lazy - ускоряют запуск • frozendict наконец-то стал встроенным типом • Распаковка в comprehensions через * и ** • Улучшения JIT-компилятора - на 6-13% быстрее на x86-64 Linux • Новый высокочастотный статистический профилировщик Бета выйдет позже на этой неделе. @Python_Community_ru

Только начинаете в разработке на Python, рабочее окружение собирается на глаз, а проект сложно воспроизвести у коллег? На открытом уроке разберём, как настроить удобное и предсказуемое окружение для Python-проекта — от структуры приложения до инфраструктуры. Покажем архитектуру типового проекта, разберём, какие компоненты нужны для разработки и как собрать локальную среду, которая повторяет рабочую. Отдельно рассмотрим сборку Docker-контейнеров и развёртывание в Kubernetes, чтобы вы понимали полный цикл жизни приложения. Вы увидите, как выстроить процесс так, чтобы код работал одинаково у вас, в команде и в рабочей среде. Это базовый навык, без которого невозможно уверенно расти в разработке. 👉 Открытый урок проходит в преддверии старта курса «Python-разработчик» 7 мая в 20:00 МСК. Регистрация: https://clck.ru/3TT4C9 Реклама. ООО «Отус онлайн-образование», ОГРН 1177746618576

🚀 Оптимизация LLM для RTX 3090 Репозиторий предлагает конфигурации и патчи для запуска современных языковых моделей на RTX 3090. Поддерживает несколько движков и моделей, обеспечивая максимальную производительность и надежность в зависимости от ваших потребностей. 🚀 Основные моменты: - Поддержка двух маршрутов: максимальная производительность или надежность. - Проверенные конфигурации Docker для локального API. - Модель-агностичный подход с поддержкой различных языковых моделей. - Оптимизированные настройки для 1 или 2 RTX 3090. 📌 GitHub: https://github.com/noonghunna/club-3090 #python @Python_Community_ru