Python Community

Поговорим про деньги в IT? Приглашаем опытных IT-специалистов пройти небольшой опрос про зарплаты и бенефиты в технологических компаниях. Это займёт не более 7 минут — а ваше мнение поможет одному крупному российскому работодателю делать актуальные оферы. Пройти опрос можно здесь (https://clck.ru/3Q37Dp) @Python_Community_ru

⚡️ Как тестировать код без настоящей базы данных Когда вы пишете юнит-тесты, подключение к реальной БД — лишнее: - это медленно, - тесты становятся нестабильными, - нужен живой сервер. Решение — замокать вызов pandas.read_sql и вернуть подставные данные. Пример функции: def query_user_data(user_id): query = f"SELECT id, name FROM users WHERE id = {user_id}" return pd.read_sql(query, "postgresql://localhost/mydb") Тест с моком: from unittest.mock import patch import pandas as pd @patch("pandas.read_sql") def test_database_query_mocked(mock_read_sql): mock_read_sql.return_value = pd.DataFrame( {"id": [123], "name": ["Alice"]} ) result = query_user_data(user_id=123) assert result["name"].iloc[0] == "Alice" Теперь вместо запроса в реальную базу тест подставляет фейковые данные. Так можно проверить бизнес-логику функции быстро и надёжно. @Python_Community_ru

🔥 10 Python-библиотек, которые должен знать каждый разработчик LLM и GenAI 1️⃣ [LangChain](https://www.langchain.com/ (https://www.langchain.com/)) Фреймворк для создания LLM-приложений, агентов и инструментов. Позволяет соединять языковые модели с базами данных, API и внешними сервисами. Идеален для построения RAG-систем, чат-ботов и аналитических ассистентов. 2️⃣ [LangGraph](https://github.com/langchain-ai/langgraph (https://github.com/langchain-ai/langgraph)) Надстройка над LangChain для создания сложных многоагентных систем. Поддерживает условную логику, ветвления и сохранение состояния. Используется для разработки автономных агентов, которые сотрудничают и планируют задачи. 3️⃣ [Docling](https://github.com/DS4SD/docling (https://github.com/DS4SD/docling)) Инструмент для анализа и извлечения информации из документов. Объединяет LLM, LangChain и RAG-подход для “умного” чтения PDF, таблиц и сканов. Подходит для систем документооборота, юридических и научных данных. 4️⃣ [OpenAI Python SDK](https://github.com/openai/openai-python (https://github.com/openai/openai-python)) Официальная библиотека для работы с моделями GPT-4o, DALL-E, Whisper и другими API OpenAI. Позволяет вызывать модели, генерировать текст, изображения и транскрибировать аудио в несколько строк кода. Главный инструмент для интеграции мощных моделей в свои Python-приложения. 5️⃣ [Markitdown (Microsoft)](https://github.com/microsoft/markitdown (https://github.com/microsoft/markitdown)) Библиотека от Microsoft для создания интерфейсов LLM-приложений с использованием Markdown. Позволяет описывать UI и рабочие процессы прямо в тексте — быстро, удобно и без JavaScript. Полезна для автоматизации LLM-воркфлоу и простых чат-интерфейсов. 6️⃣ [Streamlit](https://streamlit.io/ (https://streamlit.io/)) Фреймворк для построения интерактивных AI-дашбордов и веб-приложений. Позволяет визуализировать результаты модели, строить формы ввода, графики и интерактивные элементы. Отличный выбор для быстрой демонстрации или внутреннего прототипа GenAI-проекта. 7️⃣ [FastAPI](https://fastapi.tiangolo.com/ (https://fastapi.tiangolo.com/)) Высокопроизводительный фреймворк для создания REST и WebSocket API. Идеален для деплоя ML и LLM моделей в продакшене. Быстрый, типизированный и легко масштабируемый — стандарт де-факто в AI-бэкендах. 8️⃣ [Faiss](https://github.com/facebookresearch/faiss (https://github.com/facebookresearch/faiss)) Библиотека для векторного поиска и кластеризации эмбеддингов. Молниеносно ищет похожие тексты, изображения или документы в огромных наборах данных. Необходима в RAG-системах, рекомендациях и семантическом поиске. 9️⃣ [SentenceTransformers](https://www.sbert.net/ (https://www.sbert.net/)) Набор моделей для генерации эмбеддингов предложений, текстов и документов. Даёт качественные векторные представления для поиска, кластеризации и анализа смысловой близости. Отлично работает вместе с Faiss и LangChain. 🔟 [MLflow](https://mlflow.org/ (https://mlflow.org/)) Инструмент для трекинга экспериментов, управления моделями и деплоя ML-проектов. Позволяет отслеживать метрики, сравнивать версии и хранить модели в централизованном реестре. Незаменим при построении воспроизводимого и управляемого MLOps-процесса. ⚙️ Эти библиотеки формируют единый стек для создания LLM-агентов, RAG-систем, аналитических ассистентов и AI-сервисов — от эксперимента до продакшена. @Python_Community_ru

🖥 Microsoft представила новый цикл лекций по Python и искусственному интеллекту. В курсе собрали актуальную информацию по коллегу на Python и создании продвинутых ИИ помощников, основанных. • Содержание: Курс включает 9 лекций, дополненных видеоматериалами, подробными презентациями и примерами кода. Обучение разработке ИИ-агентов доступно даже для новичков в кодировании. • Темы: В лекциях рассматриваются такие темы, такие как RAG (Retrieval-Augmented Generation), эмбеддинги, агенты и протокол MCP. Идеальный план на выходные - углубиться в ИИ! https://github.com/orgs/azure-ai-foundry/discussions/166 @Python_Community_ru

🤖 Dexter: Автономный финансовый исследователь Dexter - это интеллектуальный агент, который анализирует финансовые данные, планирует задачи и учится на ходу. Он превращает сложные финансовые вопросы в четкие исследовательские планы, используя актуальные рыночные данные и самопроверку для достижения точных ответов. 🚀Основные моменты: - Автоматическое планирование задач для сложных запросов - Автономное выполнение с использованием финансовых инструментов - Самопроверка и итерации для повышения точности - Доступ к актуальным финансовым данным - Защита от бесконечного выполнения задач 📌 GitHub: https://github.com/virattt/dexter @Python_Community_ru

🧠 The Markovian Thinker: Революция в обучении LLM The Markovian Thinker предлагает новый подход к обучению языковых моделей с использованием фиксированного размера состояния, что снижает вычислительные затраты. Метод Delethink разбивает генерацию на фиксированные части, позволяя модели эффективно продвигать мысли, сохраняя контекст. 🚀Основные моменты: - Новый парадигма "Марковское мышление" для LLM. - Метод Delethink использует фиксированные размеры контекста. - Сравнение с LongCoT показывает лучшие результаты при меньших затратах. - Поддержка масштабирования до 96K токенов. - Применение в современных LLM, таких как GPT-OSS и Qwen3. 📌 GitHub: https://github.com/McGill-NLP/the-markovian-thinker @Python_Community_ru

🖥 Python 3.15 - что нового Вышла новая версия Python 3.15, и в ней несколько заметных обновлений, особенно для тех, кто работает с производительностью и отладкой. 🔧 Главные изменения: - Добавлен новый модуль profiling.sampling — инструмент статистического профилирования, который позволяет анализировать производительность кода без пауз и overhead’а. - Оптимизирована стандартная библиотека: многие функции теперь работают быстрее. - Улучшен сборщик мусора и работа с памятью. - Расширена поддержка аннотаций типов. - Повышена стабильность и снижена нагрузка на интерпретатор при многопоточности. 📈 Зачем обновляться: - Новый профайлер поможет находить узкие места в коде без остановки приложения. - Версия стабильна и готова для продакшена. - Меньше задержек, меньше overhead, лучше работа с async-кодом и большими данными. Подробнее: https://docs.python.org/3.15/whatsnew/3.15.html #Python #Update #Performance #Developers @Python_Community_ru

🧠 Human3R: Инновации в 3D-моделировании человека Human3R предлагает эффективный подход к 3D-восстановлению человека с использованием единой модели и этапа. Система позволяет проводить обучение всего за один день на одном GPU, обеспечивая высокую производительность и простоту в использовании. 🚀 Основные моменты: - Одноэтапное восстановление 3D-моделей. - Быстрое обучение на одном GPU. - Поддержка различных форматов ввода. - Интуитивно понятный интерфейс для визуализации результатов. 📌 GitHub: #python @Python_Community_ru https://github.com/fanegg/Human3R

👩‍💻 django-cors-headers (https://github.com/adamchainz/django-cors-headers) — Django-приложение для обработки заголовков Cross-Origin Resource Sharing (CORS)! 🌟 Этот инструмент позволяет вашему Django-приложению принимать запросы из браузеров, отправленные с других доменов. Это особенно полезно для API-серверов или приложений, которые обслуживают фронтенд и бэкенд с разных доменов или портов. 🌟 Инструмент позволяет гибко управлять настройками CORS, включая поддержку конкретных методов, заголовков и настроек безопасности. Например, вы можете настроить разрешение только для определённых доменов или включить временный доступ для локальной разработки. Однако важно понимать риски, связанные с CORS, поскольку неправильная конфигурация может открыть доступ к вашим данным для нежелательных источников. 🔐 Лицензия: MIT 🖥 Github (https://github.com/adamchainz/django-cors-headers) @Python_Community_ru

‍🔥 Video2X (https://github.com/k4yt3x/video2x) — фреймворк с открытым исходным кодом, предназначенный для повышения разрешения видео и интерполяции кадров с использованием методов машинного обучения! 🌟 Изначально созданный в 2018 году на хакатоне Hack the Valley II, проект претерпел значительные изменения, и в версии 6.0.0 был полностью переписан на C/C++, что обеспечило более высокую производительность и эффективность. Video2X поддерживает кроссплатформенную работу на Windows и Linux, предоставляя пользователям возможность улучшать качество видео с помощью таких технологий, как Anime4K v4, RealESRGAN, RealCUGAN и RIFE. 💡 Основные возможности Video2X включают два режима работы: фильтрация (увеличение разрешения) и интерполяция кадров. Инструмент поддерживает различные модели и шейдеры, совместимые с MPV, а также обеспечивает обработку без необходимости в дополнительном дисковом пространстве, требуя только место для конечного результата. 🔐 Лицензия: AGPL-3.0 🖥 Github (https://github.com/k4yt3x/video2x) @Python_Community_ru

🎧 Хотите превратить любую книгу в аудиокнигу? Нашли бесплатную нейронку, которая за считанные секунды озвучит даже огромный роман. ✨ Возможности: — Поддержка множества языков — Реалистичные голоса от модели KokoroTTS — Можно создать собственный голос, если готовые не подходят — Простая установка без лишних заморочек — Полностью open-source и бесплатный инструмент 🔗 Забираем на GitHub — и слушаем либимые книги 📚🎶 https://github.com/denizsafak/abogen @Python_Community_ru

🤖 MimicKit: Алгоритмы имитации движений для тренировки контроллеров MimicKit предлагает набор алгоритмов для имитации движений, включая DeepMimic и другие. Поддерживает обучение с использованием методов глубокого обучения и RL, таких как PPO и AWR. Идеально подходит для создания реалистичных анимаций. 🚀Основные моменты: - Алгоритмы имитации движений и RL. - Поддержка многопроцессорного и многопоточного обучения. - Визуализация тренировочных данных и логов. - Простая интеграция с IsaacGym. 📌 GitHub: https://github.com/xbpeng/MimicKit #python @Python_Community_ru

👩‍💻 FastMCP (https://github.com/jlowin/fastmcp) — Быстрый, Python-способ создания MCP-серверов! 🌟 Серверы Model Context Protocol (MCP) — это новый стандартизированный способ предоставления контекста и инструментов вашим LLM, а FastMCP делает создание серверов MCP простым и интуитивно понятным. Создавайте инструменты, предоставляйте ресурсы и определяйте подсказки с помощью чистого кода Python! 🔐 Лицензия: MIT 🖥 Github (https://github.com/jlowin/fastmcp) @Python_Community_ru

Один One Day Offer вам или целых три — всем? 😉 25 октября Сбер проведёт сразу три экспресс-отбора кандидатов в две команды: GigaData и Kandinsky. Чем вам предстоит заниматься 👇 ✔️ Развивать GigaData — внутреннюю платформу Сбера, которая обрабатывает петабайты данных и миллиарды запросов в сутки. One Day Offer для Python‑разработчиков (https://developers.sber.ru/kak-v-sbere/one-day-offer/gigabus_october_2025?utm_source=telegram&utm_medium=fix&utm_campaign=3_ODO_Kandinsky_Gigadata_oct_2025_post&utm_content=&utm_term=pythonl&erid=2Vtzqw9VTxS). ✔️ Работать над Kandinsky — обучать большие модели с нуля, собирать и подготавливать данные, исследовать самые эффективные методы дообучения моделей. — One Day Offer для Machine Learning Engineers с опытом в Deep Learning и компьютерном зрении (CV) (https://developers.sber.ru/kak-v-sbere/one-day-offer/mle_october_2025?utm_source=telegram&utm_medium=fix&utm_campaign=3_ODO_Kandinsky_Gigadata_oct_2025_post&utm_content=&utm_term=pythonl&erid=2Vtzqw9VTxS). — One Day Offer для Research и Deep Learning Engineers (https://developers.sber.ru/kak-v-sbere/one-day-offer/dl_re_october_2025?utm_source=telegram&utm_medium=fix&utm_campaign=3_ODO_Kandinsky_Gigadata_oct_2025_post&utm_content=&utm_term=pythonl&erid=2Vtzqw9VTxS). Выбирайте то, что больше подходит под ваши навыки, и регистрируйтесь на One Day Offer! @Python_Community_ru

🦾 Собери собственного человекоподобного робота! OpenArm - это открытый проект гуманоидного робота, включающий всё необходимое для сборки, модификации и управления собственными роботизированными руками. В комплект входят CAD-модели, прошивка, управляющее ПО и симуляторы, так что можно сразу перейти от идеи к реальному устройству. Система поддерживает телеоперацию с обратной связью по усилию и гравитационную компенсацию, позволяя оператору управлять рукой естественно и точно. 💡 OpenArm интегрируется с MuJoCo и Isaac Sim, что позволяет тестировать управление в виртуальной среде перед запуском на железе. Проект ориентирован на исследовательские лаборатории, стартапы и энтузиастов, желающих изучать манипуляцию и взаимодействие человека с роботом. 🔩 Можно собрать из набора деталей или заказать готовую сборку - цель OpenArm сделать робототехнику доступной и прозрачной для всех. Разработкой занимается команда Enactic (Токио, Япония). GitHub: https://github.com/enactic/OpenArm @Python_Community_ru

🧩 Эффективное кэширование для Python-приложений dm-cache — это библиотека для кэширования данных в Python, которая обеспечивает высокую производительность и простоту использования. Она поддерживает различные стратегии кэширования и позволяет легко интегрироваться в существующие приложения, улучшая их скорость и отзывчивость. 🚀 Основные моменты: - Поддержка различных стратегий кэширования. - Простая интеграция в Python-приложения. - Высокая производительность и эффективность. - Легкий в использовании API. 📌 GitHub: #python @Python_Community_ru https://github.com/mingzhao/dm-cache

🔥 Pandas трюк: ускоряем группировки с map вместо merge_groupby Когда нужно добавить агрегированные значения (например, среднее по группе) обратно в исходный DataFrame, большинство разработчиков делают groupby().transform() или merge(). Но есть менее известный способ — использовать map() после groupby().mean(), который в некоторых случаях работает в 2–3 раза быстрее и требует меньше памяти. Фокус в том, что groupby().mean() создаёт компактный Series, где индекс — это категория, а значения — результат агрегации. А map() просто подставляет их обратно в исходный DataFrame без тяжёлого join. import pandas as pd import numpy as np # пример данных N = 5_000_000 df = pd.DataFrame({ "group": np.random.choice(["A", "B", "C", "D"], N), "value": np.random.randn(N) }) # классический подход df["mean_value_merge"] = df["group"].map(df.groupby("group")["value"].mean()) # сравнение с transform df["mean_value_transform"] = df.groupby("group")["value"].transform("mean") # идентичность результата print(df["mean_value_merge"].equals(df["mean_value_transform"])) Это особенно полезно на миллионах строк, когда transform начинает “проседать”. Метод даёт тот же результат, но заметно экономнее по CPU и RAM. @Python_Community_ru

🎥 Обертка для ComfyUI: WanVideoWrapper WanVideoWrapper — это инструмент для интеграции видео в ComfyUI, позволяющий легко обрабатывать и визуализировать видеофайлы. Проект предлагает простое решение для работы с видео в рамках интерфейса, расширяя его функциональность. 🚀 Основные моменты: - Поддержка различных форматов видео - Легкая интеграция с ComfyUI - Удобный интерфейс для пользователей - Возможность настройки параметров обработки - Активное сообщество и поддержка 📌 GitHub: #python @Python_Community_ru https://github.com/eddyhhlure1Eddy/ode-ComfyUI-WanVideoWrapper