Endi mavjud! Telegram Tadqiqoti 2025 — yilning asosiy insaytlari 
Python/ django
Kanalga Telegram’da o‘tish
по всем вопросам @haarrp @itchannels_telegram - 🔥 все ит каналы @ai_machinelearning_big_data -ML @ArtificialIntelligencedl -AI @datascienceiot - 📚 @pythonlbooks РКН: clck.ru/3FmxmM
Ko'proq ko'rsatish📈 Telegram kanali Python/ django analitikasi
Python/ django (@pythonl) Rus til segmentidagi kanali faol ishtirokchi. Hozirda hamjamiyat 60 121 obunachidan iborat bo'lib, Texnologiyalar & Aralashmalar toifasida 2 197-o'rinni va Rossiya mintaqasida 10 218-o'rinni egallagan.
📊 Auditoriya ko‘rsatkichlari va dinamika
невідомо sanasidan buyon loyiha tez o‘sib, 60 121 obunachiga ega bo‘ldi.
04 Iyun, 2026 dagi oxirgi ma’lumotlarga ko‘ra kanal barqaror faollikka ega. Oxirgi 30 kunda obunachilar soni -587 ga, so‘nggi 24 soatda esa -16 ga o‘zgardi va umumiy qamrov yuqori darajada qolmoqda.
- Tasdiqlash holati: Tasdiqlanmagan
- Jalb etish (ER): Auditoriya o‘rtacha 6.69% darajada jalb etiladi. Nashrdan keyingi dastlabki 24 soatda kontent odatda umumiy obunachilar sonining 3.68% ini tashkil etuvchi reaksiyalarni to‘playdi.
- Post qamrovi: Har bir post o‘rtacha 4 023 marta ko‘riladi; birinchi sutkada odatda 2 212 ta ko‘rish yig‘iladi.
- Reaksiyalar va o‘zaro ta’sir: Auditoriya faol: har bir postga o‘rtacha 15 ta reaksiya keladi.
- Tematik yo‘nalishlar: Kontent github, claude, контекст, архитектура, api kabi asosiy mavzularga jamlangan.
📝 Tavsif va kontent siyosati
Muallif resursni shaxsiy fikrni ifoda etish maydoni sifatida ta’riflaydi:
“по всем вопросам @haarrp
@itchannels_telegram - 🔥 все ит каналы
@ai_machinelearning_big_data -ML
@ArtificialIntelligencedl -AI
@datascienceiot - 📚
@pythonlbooks
РКН: clck.ru/3Fmxm...”
Yuqori yangilanish chastotasi (oxirgi ma’lumot 05 Iyun, 2026 da olingan) sababli kanal doimo dolzarb va katta qamrovli bo‘lib qoladi. Analitika auditoriya kontent bilan faol hamkorlik qilishini, uni Texnologiyalar & Aralashmalar toifasidagi muhim ta’sir nuqtasiga aylantirishini ko‘rsatadi.
60 121
Obunachilar
-1624 soatlar
-1347 kunlar
-58730 kunlar
Postlar arxiv
60 121
⚡️ Приём на Python под высокой нагрузкой: ограничивай конкуренцию сам, а не доверяй это ОС.
Вместо тысячи одновременных задач делай очередь + фиксированное число воркеров.
Так ты:
- не убиваешь БД/внешний сервис шторма́м запросов
- контролируешь задержки
- получаешь естественный backpressure
Пример для I/O-нагрузки (HTTP запросы) с asyncio:
import asyncio
import aiohttp
from time import perf_counter
URLS = [
"https://example.com"
for _ in range(10_000) # много запросов под нагрузкой
]
MAX_CONCURRENCY = 100 # ограничиваем параллелизм
QUEUE_SIZE = 1_000 # ограничиваем длину очереди (backpressure)
async def worker(name: int, queue: asyncio.Queue, session: aiohttp.ClientSession):
while True:
url = await queue.get()
if url is None: # сигнал завершения
queue.task_done()
break
try:
async with session.get(url, timeout=5) as resp:
await resp.text() # или resp.read()
# здесь твоя логика обработки
except Exception as e:
# логируй, но не падай
print(f"[worker {name}] error: {e}")
queue.task_done()
async def main():
queue = asyncio.Queue(maxsize=QUEUE_SIZE)
async with aiohttp.ClientSession() as session:
# поднимаем ограниченное число воркеров
workers = [
asyncio.create_task(worker(i, queue, session))
for i in range(MAX_CONCURRENCY)
]
# кидаем задачи в очередь
for url in URLS:
await queue.put(url)
# шлём сигнал завершения воркерам
for _ in workers:
await queue.put(None)
# ждём, пока всё отработает
await queue.join()
# аккуратно завершаем воркеров
for w in workers:
await w
if __name__ == "__main__":
t0 = perf_counter()
asyncio.run(main())
print(f"Done in {perf_counter() - t0:.2f}s")
60 121
🖥 На Stepik вышел курс, который учит работать с Docker на реальных проектах.
Владение Docker - навык, который отличает новичка от профи,
Сегодня почти всё разворачивается в контейнерах.
Если ты не умеешь работать с Docker, ты медленнее, зависим от чужих настроек и постоянно ловишь баги «у меня локально работает».
• как упаковывать проекты в контейнеры
• как поднимать целые системы за минуты
• как избегать типичных ошибок в продакшене
• как делать стабильные и повторяемые окружения
•в нем разобраны все возможные ошибки
Только практика и реальные кейсы от авторов Docker Академии- с нуля до уверенного уровня.
🎁 Скидка 40 процентов действует 48 часов
👉 Записывайся и сделай Docker своим настоящим рабочим инструментом.
60 121
🔥 Год ChatGPT Plus бесплатно: экономим 20 000 рублей
Нашли рабочую лазейку в правилах OpenAI.
Вы получаете полноценный аккаунт без лимитов и с доступом ко всем топовым моделям.
Инструкция (займет 2 минуты):
1️⃣ Переходим на сервис временной почты: https://em.bjedu.tech/en/
2️⃣ Важно: в списке доменов выбираем erzi me.
3️⃣ Регистрируем новый аккаунт ChatGPT на этот адрес.
4️⃣ Получаем код подтверждения в почту - готово!
⚡️ Проверили, пока еще работает
60 121
📄🚀 Qwen-Doc: Открытые проекты по пониманию документов
Qwen-Doc — это репозиторий, посвященный ИИ для работы с документами, разработанный командой Tongyi-Zhiwen. Здесь собраны исследования и практики, направленные на улучшение обработки сложных документов с помощью современных технологий, включая обучение с подкреплением и долгосрочное понимание контекста.
🚀Основные моменты:
- Модели для долгосрочного понимания документов.
- Использование обучения с подкреплением для улучшения ИИ.
- Открытые данные и методологии для сообщества.
- Проекты QwenLong-L1 и QwenLong-L1.5 с передовыми алгоритмами.
- FRAMEWORK SPELL для автономного генерации обучающих данных.
📌 GitHub: https://github.com/Tongyi-Zhiwen/Qwen-Doc
#python
60 121
🧮 CoolCalculator: Мини-язык программирования для вычислений
CoolCalculator — это консольный калькулятор, который поддерживает пользовательские переменные и функции, рекурсию и локальные области видимости. Он предназначен для изучения парсинга и оценки выражений, а не только для численных вычислений.
🚀Основные моменты:
- Поддержка пользовательских переменных и функций
- Рекурсивные вызовы и перегрузка функций
- Многострочный ввод и последовательное выполнение
- Автоматическое создание несуществующих переменных
- Удобный синтаксис для работы с выражениями
📌 GitHub: https://github.com/YaroslavPryatkin/CoolCalculator
60 121
+2
⚡️ Wavelet Matrix - структура данных, которая делает сложные запросы быстрыми
Wavelet Matrix позволяет хранить последовательности так,
чтобы работать с ними молниеносно и компактно.
🔥 Что умеет библиотека:
- rank - сколько раз элемент встречается до позиции
- select - где находится k-е вхождение элемента
- quantile - k-й по величине элемент на отрезке
- top-k - самые частые элементы на диапазоне
И всё это — за логарифмическое время и с экономией памяти.
Чем полезен
- работает быстрее, чем наивные структуры
- меньше памяти, чем обычные массивы
- подходит для поиска, индексирования, сжатия, аналитики
Wavelet Matrix - это пример того,
как «умные» структуры данных дают реальные ускорения,
а не просто красивая теория.
Если интересуешься алгоритмами -
этот репозиторий точно стоит сохранить.
Репозиторий: https://github.com/math-hiyoko/wavelet-matrix
@pythonl
60 121
🐍 Стоит ли аннотировать каждую переменную в Python?
Разберёмся спокойно и без фанатизма.
Что вообще такое аннотации типов
В Python можно указывать типы у переменных, аргументов и функций.
Это помогает IDE, линтерам и статическим анализаторам находить ошибки в коде.
Простой пример:
x: int = 10
name: str = "Alice"
a: int = 0 # избыточно
count = 0 # и так понятно
result: dict[str, list[int]] = {}
60 121
⚡️ Qcrawl - простой и быстрый веб-краулер
Qcrawl - это open-source проект краулера, написанный на Go, предназначенный для эффективного сбора страниц из интернета и обработки ссылок.
Это:
• легковесный веб-краулер
• ориентирован на масштабируемость и простоту
Основные возможности
• параллельная загрузка страниц
• polite crawling (учёт robots.txt, ограничения на частоту запросов)
• управление глубиной обхода
• обработка и нормализация ссылок
• гибкая архитектура для кастомных обработчиков контента
• подходит для задач сбора данных из веба
• хорошая база для собственных crawler-ботов
• легко адаптируется под свои сценарии (парсинг, индексация, анализ)
Репозиторий содержит примеры запуска, конфигурации глубины и очередей, а также модули для безопасной загрузки страниц.
Если вам нужен краулер без лишнего «тяжелого» функционала, Qcrawl может стать отличной отправной точкой.
GitHub: github.com/crawlcore/qcrawl
60 121
🧩 dataclass vs Pydantic - большая разница в валидации данных
Когда ваши Python-модели растут, dataclass быстро превращается в ад из if-else внутри post_init:
❌ ручные проверки
❌ раздувающийся код
❌ сложнее читать и поддерживать
Pydantic решает это элегантно:
✅ встроенные ограничения прямо в определении полей
✅ автоматическая валидация
✅ понятные сообщения об ошибках
То, что dataclass требует вручную - Pydantic делает автоматически.
Если вы работаете с API, формами, БД или конфигурациями - Pydantic почти всегда лучше выбор.
@pythonl
60 121
👩💻 Репозиторий с вопросами для собеседований по Python без воды и сюрпризов
Собеседование по Python - это не только рассказ про проекты.
Чаще всего проверяют базу и понимание деталей:
почему
is — не ==, как работают генераторы, что происходит с памятью и где подводные камни ООП.
Для этого есть отличный репозиторий python_interview_questions.
Что внутри 📌
- часто задаваемые вопросы для junior, middle и выше
- теория с понятными объяснениями
- примеры кода, а не сухие определения
- темы от синтаксиса до внутренних механизмов Python
Зачем он реально полезен ⚡️
- помогает разобраться в «подкапотной» логике языка
- учит формулировать ответы, а не просто знать факт
- идеально подходит для быстрого повторения перед интервью
- снижает риск растеряться на каверзных вопросах
Хороший способ системно подготовиться к Python-собесу и понять, где у тебя слабые места.
https://github.com/yakimka/python_interview_questions60 121
🎤 Инновационная система распознавания речи Fun-ASR
Fun-ASR — мощная модель распознавания речи, обученная на миллионах часов аудиоданных. Она поддерживает 31 язык и обеспечивает высокую точность в сложных условиях, таких как шумные помещения. Модель адаптирована для профессиональных терминов в таких областях, как образование и финансы.
🚀 Основные моменты:
- Высокая точность распознавания до 93% в шумных условиях.
- Поддержка 31 языка с акцентом на восточноазиатские языки.
- Оптимизация для распознавания диалектов и региональных акцентов.
- Способность распознавать текст песен на фоне музыки.
📌 GitHub: https://github.com/FunAudioLLM/Fun-ASR
@pythonl
#python
60 121
📝 Редактирование PDF с помощью ИИ 🚀
Nano PDF - это инструмент командной строки для редактирования PDF-документов с использованием естественного языка. Он позволяет вносить изменения в слайды, добавлять новые и сохранять текстовый слой с помощью OCR. Работает на базе модели Gemini 3 Pro Image.
🚀 Основные моменты:
- Редактирование слайдов по текстовым командам
- Генерация новых слайдов в стиле существующих
- Поддержка многопоточной обработки для повышения скорости
- Сохранение текстового слоя с помощью OCR
📌 GitHub: https://github.com/gavrielc/Nano-PDF
#python
60 121
🚀 TurboDiffusion - генерация видео в 100–205× быстрее на одной RTX 5090.
Всего 1.8 секунды на качественное 5-секундное видео.
Как это удалось:
- SageAttention
- Sparse-Linear Attention (SLA)
- rCM
Комбинация даёт редкий эффект: и скорость, и качество без компромиссов.
Это уже не демо-магия, а реальный шаг к быстрому локальному video generation.
GitHub: https://github.com/thu-ml/TurboDiffusion
@pythonl
60 121
🚀 AI Agents for Android Apps
Библиотека для автоматизации работы с нативными Android-приложениями. Идеально подходит для мобильных рабочих процессов в логистике, экономике на заказ и других отраслях, где ноутбук неуместен. Позволяет значительно ускорить выполнение задач и сократить затраты.
🚀 Основные моменты:
- Автоматизация процессов на Android-устройствах
- Снижение затрат на 95% по сравнению с традиционными методами
- Поддержка различных мобильных приложений
- Быстрая реакция — менее 1 секунды на действие
- Идеально для логистики и мобильного обслуживания
📌 GitHub: https://github.com/actionstatelabs/android-action-kernel
60 121
🚀 PyTogether - Google Docs для Python-кода
PyTogether - это браузерная IDE для Python с совместной работой в реальном времени. Несколько человек могут писать и запускать код одновременно, видеть курсоры друг друга и общаться прямо внутри редактора.
Что умеет:
• Совместное редактирование Python-кода (live-collaboration)
• Запуск Python прямо в браузере через Pyodide
• Чат и голосовая связь внутри IDE
• Живые курсоры, выделения и заметки
• Простая авторизация и проекты для команд
• Никакой установки — всё работает в браузере
Кому подойдёт:
• Обучение и менторство
• Парное программирование
• Онлайн-курсы и воркшопы
• Быстрые разборы кода и собесы
Технологии под капотом:
Python (Django, DRF), WebSockets + Y.js для синхронизации, React + CodeMirror, Redis и PostgreSQL. Всё open-source под MIT-лицензией.
Хороший пример того, как современные web-технологии превращают IDE в социальный инструмент для обучения и командной работы.
https://github.com/SJRiz/pytogether
60 121
Автоматизируйте 80% ручной работы с помощью Python ✋
А именно:
🧩 избавьтесь от рутины и ошибок
🧩 ускорьте рабочие процессы
🧩 освободите время для более интересных дел
🧩 повысьте эффективность работы с инфраструктурой и свою ценность как инженера
Все это — с помощью курса «Python для инженеров».
Это обучение, заточенное на инженеров — в нём нет ничего лишнего, только то, что необходимо именно вам.
Выбирайте любой из трех форматов:
✅ Соло, если вы уверены в своих силах и не нуждаетесь в фидбеке
✅ Эксперт, если вам нужен код-ревью от экспертов и сертификат об обучении
✅ Эксперт+, если вам нужен закрытый Telegram-чат с экспертами и итоговый проект для портфолио
Познакомиться с программой и выбрать подходящий формат — по ссылке ⬅️
60 121
🚀 PyTogether - Google Docs для Python-кода
PyTogether - это браузерная IDE для Python с совместной работой в реальном времени. Несколько человек могут писать и запускать код одновременно, видеть курсоры друг друга и общаться прямо внутри редактора.
Что умеет:
• Совместное редактирование Python-кода (live-collaboration)
• Запуск Python прямо в браузере через Pyodide
• Чат и голосовая связь внутри IDE
• Живые курсоры, выделения и заметки
• Простая авторизация и проекты для команд
• Никакой установки — всё работает в браузере
Кому подойдёт:
• Обучение и менторство
• Парное программирование
• Онлайн-курсы и воркшопы
• Быстрые разборы кода и собесы
Технологии под капотом:
Python (Django, DRF), WebSockets + Y.js для синхронизации, React + CodeMirror, Redis и PostgreSQL. Всё open-source под MIT-лицензией.
Хороший пример того, как современные web-технологии превращают IDE в социальный инструмент для обучения и командной работы.
https://github.com/SJRiz/pytogether
@pythonl
60 121
Новая работа MIT: LLM, который видит и меняет состояние Python
В MIT предложили подход, при котором языковая модель работает не только с текстом, а напрямую с живым состоянием Python-кода - переменными, объектами в памяти и текущей точкой выполнения.
Подход называется NIGHTJAR.
Главный результат
В экспериментах NIGHTJAR сократил объем кода в среднем на 39.6% без потери корректности.
В чем была проблема
Обычная LLM:
- читает текст
- генерирует текст
- не видит реальные данные программы
Поэтому типичный пайплайн выглядит так:
- данные сериализуются в текст
- отправляются модели
- ответ парсится
- программа вручную обновляется
Много glue-кода, много мест для ошибок.
Что меняет совместное состояние
Shared state полностью меняет модель взаимодействия:
- LLM может читать и писать переменные
- изменять объекты прямо в памяти
- останавливать и пропускать циклы
- работать с текущим состоянием выполнения
Модель не «рассуждает о коде», она с ним взаимодействует.
Как это реализовано
LLM не получает прямой доступ к памяти.
Она отправляет небольшие команды:
- прочитать переменную
- записать значение
- обновить объект
- выйти из цикла
Python-обработчик выполняет эти команды.
Такой контракт авторы называют natural function interface.
Результаты
На бенчмарке SPSBench с 25 программами:
- корректность осталась на уровне ручной интеграции или выше
- код стал заметно короче
- но время выполнения иногда росло до 4.3 раза
Причина проста - каждое обращение к состоянию может требовать отдельного вызова модели.
Почему это важно
- меньше шаблонного glue-кода
- проще писать сложную логику с участием LLM
- шаг к более тесной интеграции AI и runtime
- фундамент для новых агентных и интерактивных систем
Это не про ускорение.
Это про изменение архитектуры взаимодействия между программой и моделью.
📌 Статья: arxiv.org/abs/2512.14805
#AI #LLM #Python
60 121
🖥 python-injection - практический сборник уязвимостей в Python
python-injection - это репозиторий с наглядными примерами инъекций и небезопасных паттернов в Python-коде, которые регулярно встречаются в реальных проектах.
Проект показывает, как «обычный» Python-код превращается в уязвимость, если не понимать, как именно работают интерпретатор, библиотеки и внешние вызовы.
Что внутри:
- Command Injection через os.system, subprocess, shell=True
- SQL Injection при неправильной работе с запросами
- Code Injection через eval, exec, pickle
- Path Traversal и небезопасная работа с файлами
- Template Injection
- Примеры небезопасной десериализации
- Реальные анти-паттерны из production-кода
Главная ценность репозитория — код, а не теория:
- есть уязвимый пример
- есть объяснение, почему он опасен
- понятно, как именно происходит атака
Подходит для:
- Python-разработчиков
- backend-инженеров
- security-энтузиастов
- code review и обучения безопасному программированию
Если ты пишешь Python и думаешь, что «у нас же не веб» - этот репозиторий стоит открыть.
pip install python-injection
https://github.com/100nm/python-injection60 121
Repost from Kremniy; | Александр Дмитриев
Roadmap по Python
Привет! По немногочисленным просьбам, решив, что давно не радовал вас чем-то полезным, а только прогревал на стартапы и YouTube, посоветовавшись со знакомым питонистом, я подготовил Roadmap по Python — аналогичный моему Roadmap'у по Go. Я разместил его под Go-шным roadmap'ом. Всем, кому актуально, прошу посмотреть и написать свои правки, идеи, предложения!
Go & Python Roadmap 2025 😎
Реклама. Дмитриев А.С. ИНН 501214283070. erid: 2W5zFHbfpL8
