Python Portal

Знакомьтесь: Microsoft Agent Framework Новая open-source библиотека на Python для сборки агентов. Microsoft Agent Framework это набор средств разработки с открытым исходным кодом для разработки AI-агентов и multi-agent воркфлоу на Python. Он собирает и расширяет идеи из проектов Semantic Kernel и AutoGen, объединяя их сильные стороны и добавляя новые возможности. Semantic Kernel и AutoGen были первыми, кто нормально оформил концепции AI-агентов и multi-agent оркестрации. Agent Framework это прямой наследник, сделанный теми же командами. Он сочетает простые абстракции AutoGen для single-agent и multi-agent паттернов с enterprise-фичами Semantic Kernel: управление состоянием на потоках, type safety, фильтры, телеметрию, плюс широкую поддержку моделей и эмбеддингов. 👉 @PythonPortal

Python UV x Docker совет Иногда полезно ставить зависимости в несколько шагов. Например, чтобы лучше работал кэш слоев при сборке Docker-образа. Сначала ставим только зависимости. Потом копируем проект и ставим уже сам проект. Зачем делить на два шага? Docker собирает образ слоями: если слой закэширован, он не пересобирается, пока не изменились входные файлы. Если отделить установку зависимостей от установки проекта: ▪️Если меняется только main.py, Docker переиспользует закэшированный слой с зависимостями (быстрее) ▪️Если меняется только pyproject.toml, Docker пересобирает слои начиная с этого места (и это правильно, потому что зависимости поменялись) Без такого разделения любое изменение кода заставит заново переустанавливать все зависимости.

# Install the project's dependencies using the lockfile and settings
RUN --mount=type=cache,target=/root/.cache/uv \
    --mount=type=bind,source=uv.lock,target=uv.lock \
    --mount=type=bind,source=pyproject.toml,target=pyproject.toml \
    uv sync --locked --no-install-project

# Then, add the rest of the project source code and install it
# Installing separately from its dependencies allows optimal layer caching
COPY . /app
RUN --mount=type=cache,target=/root/.cache/uv \
    uv sync --locked

👉 @PythonPortal

Тот самый разработчик на удалёнке в час дня, когда ему говорят, что пора бы работать уже 👉 @PythonPortal

Расширение PostgreSQL для RAG и агентских приложений: pgai Питоновская библиотека, которая превращает PostgreSQL в нормальный, продовый retrieval-движок для RAG и агент-приложений. Автоматом создает и синхронизирует векторные эмбеддинги из данных в PostgreSQL и документов в S3. Эмбеддинги автоматически обновляются при изменении данных. Мощный векторный и семантический поиск на pgvector и pgvectorscale. Есть batch-обработка для эффективной генерации эмбеддингов, плюс встроенная обработка падений модели, rate limit’ов и всплесков латентности. Работает с любым PostgreSQL, включая Timescale Cloud, Amazon RDS, Supabase и т.д. 👉 @PythonPortal

Для тех, кто регулярно работает с PDF, где данные как будто намеренно спрятали (таблицы едут, колонки пляшут, сканы, кривой лэйаут) - вот хелпер: PDF-Extract-Kit 1.0. Это специализированная модель для извлечения структурированных данных из документов 👉 @PythonPortal

🤣🤣🤣 👉 @PythonPortal

10 AI-проектов, которые помогут устроиться на работу в 2026 году:

1. RAG-приложение с реальными оценками качества Собери production-RAG с eval’ами, мониторингом и фидбэк-лупами. Стек: OpenAI или Claude + векторная БД + eval’ы Гайд: https://pinecone.io/learn/retrieval-augmented-generation/ 2. Автономный агент для ресёрча Агент, который планирует, ищет, приводит источники и генерирует отчёты. Стек: LangGraph + инструменты + цитирование Пример: https://github.com/langchain-ai/langgraph 3. AI-копилот для службы поддержки Ассистент с human-in-the-loop, гардрейлами и аналитикой. Стек: OpenAI + Zendesk или Intercom + модерация Документация: https://platform.openai.com/docs/guides/assistants 4. Голосовой AI-агент (звонки и бронирование) Принимает реальные звонки, записывает клиентов и делает фоллоу-апы. Стек: Twilio + Whisper + LLM Старт: https://twilio.com/docs/voice 5. AgentOps-дашборд Отслеживание надёжности агентов, стоимости, сбоев и регрессий. Стек: OpenTelemetry + eval’ы Inspo: https://github.com/open-telemetry/opentelemetry-python 6. AI-пайплайн для извлечения данных Массовое извлечение структурированных данных из PDF, писем и изображений. Стек: vision-модели + валидация схем Пример: https://github.com/Unstructured-IO/unstructured 7. AI для код-ревью в GitHub Автоматические саммари PR, флаги рисков и рекомендации. Стек: GitHub Actions + LLM Документация: https://docs.github.com/en/actions 8. Мультиагентный планировщик workflow Агенты-планировщики и исполнители с детерминированными фолбэками. Стек: LangGraph или CrewAI CrewAI: https://github.com/joaomdmoura/crewAI 9. AI-поисковик с актуальными данными Поиск по вебу, форумам и соцсетям с источниками. Стек: search API + reranker’ы Референс: https://meilisearch.com/docs 10. Enterprise-инструмент для защиты промптов Обнаружение prompt injection, утечек данных и небезопасных ответов. Стек: policy-чеки + red teaming Гайд: https://github.com/openai/openai-cookbook/tree/main/examples/Safety

👉 @PythonPortal

Инструменты для автоматизации для различных ситуаций 👉 @PythonPortal

Совет на 2026 год — освойте ВАЙБ-КОДИНГ. ИИ уже пишет код, чинит баги, генерит тесты и документацию быстрее и качественнее любой команды айтишников И те, кто научится вайбкодить сейчас, будут зарабатывать в разы больше тех, кто всё ещё делает всё вручную Разобраться в этом с нуля поможет канал Вайб-кодинг. Там простым языком разбирают, какие инструменты действительно стоит использовать, как собирать проекты от идеи до релиза и что сейчас актуально в вайбкодинге Подписывайтесь, нас уже 15 тысяч: @vibecoding_tg

🤨🤨🤨 👉 @PythonPortal

CLAUDE CODE, но для взлома. Называется shannon. Ты просто указываешь ему сайт, а дальше он пытается его взломать. Полностью автономно, без участия человека. Я навел его на тестовое приложение, и за 90 минут он сам вытащил всю базу пользователей, создал админские аккаунты и обошел логин. https://github.com/KeygraphHQ/shannon 👉 @PythonPortal

9 ключевых концепций искусственного интеллекта, объясненных за 7 минут - Tokenization - Text Decoding - Prompt Engineering - Multi Step AI Agents - RAGs - RLHF - VAE - Diffusion Models - LoRA 👉 @PythonPortal

Тюнинг LLM больше не обязательно должен быть медленным, дорогим и прожорливым к GPU. Открытые инструменты сильно прокачались. Теперь можно дообучать мощные LLM без корпоративного железа. Вот 4 библиотеки, которые стоит знать, чтобы тюнинг был быстрее и дешевле: 1. Unsloth Наверняка самый быстрый способ дообучения LLM на сегодня. ✅До 2× быстрее ✅~70% меньше использования VRAM ✅Работает с Gemma, Qwen, LLaMA, Mistral и другими ✅Запускается на потребительских GPU (даже Colab/Kaggle с ~3GB VRAM 🤯) 2. LLaMA Factory Полный набор для дообучения. ✅Поддержка 100+ моделей ✅CLI + WebUI (подходит новичкам) ✅LoRA, QLoRA, полный и замороженный FT (2–8 бит) ✅Встроенные датасеты, мониторинг тренировки и экспорт моделей 3. DeepSpeed Если идёте на большие масштабы. ✅ZeRO и FSDP для масштабного обучения ✅Оптимизация под multi-GPU и multi-node ✅Проверен в продакшн-LLM тренировках Если вы масштабируете серьёзные модели → это ваш выбор. 4. Axolotl Конфигурационно-ориентированное дообучение, сделанное правильно. ✅Workflow на YAML ✅Поддержка LoRA, QLoRA, DPO, GRPO и мультимодальных моделей ✅Оптимизация памяти на уровне ядра ✅Плавная интеграция с Hugging Face 👉 @PythonPortal

Стратегии обучения на нескольких GPU, объяснённые наглядно: 👉 @PythonPortal

😂😂😂 👉 @PythonPortal

Google выпустил новый инструмент: PaperBanana Умеет создавать академические иллюстрации, готовые к публикации, просто на основе текста с описанием методологии. Без Figma. Без ручного дизайна. Без навыков рисования. Как это работает: Команда AI-агентов трудится за кулисами: → Один ищет подходящие примеры диаграмм → Один планирует структуру → Один оформляет стиль и компоновку → Один генерирует изображение → Один оценивает результат и улучшает его Самое интересное: случайные примеры ссылок работают почти так же хорошо, как идеально подобранные. Главное — показать модели, как выглядят хорошие диаграммы, а не искать идеальный тематический пример. В слепых тестах люди предпочли результаты PaperBanana в 75% случаев. Это та самая рекурсия, которую мы ждали: AI-системы, способные полностью визуально документировать сами себя. Открыта запись в лист ожидания 👉 @PythonPortal

Чувак полностью реализовал архитектуру GPT-OSS-20B с нуля на PyTorch. Все компоненты написаны с нуля: ▪️RoPE с YaRN + NTK-by-parts для масштабирования контекста ▪️RMSNorm ▪️SwiGLU с клэмпингом и residual connections ▪️Mixture-of-Experts (MoE) ▪️Self-Attention, оптимизированный через Grouped Query Attention (GQA) ▪️Learned sinks ▪️Banded (скользящее окно) attention ▪️Поддержка KV-кэширования Всё это работает на одной A100 SXM (80GB). Он также написал подробную документацию с теорией каждого компонента, а также инструкциями по настройке и инференсу. Репозиторий: https://github.com/HamzaElshafie/gpt-oss-20B 👉 @PythonPortal

Онлайн-обучение Python и SQL с экспертами из НИУ ВШЭ В Центре непрерывного образования факультета компьютерных наук НИУ ВШЭ открыт набор на программы повышения квалификации онлайн-формата, обучение на которых позволит вам с нуля освоить ключевые инструменты аналитиков данных — Python и SQL. 1️⃣Python для автоматизации и анализа данных Вы научитесь работать с основными конструкциями и структурами данных в Python. Изучите Numpy и Pandas — фундаментальные библиотеки для науки о данных. Познакомитесь со всеми шагами проведения разведочного анализа данных. Освоите создание Telegram-ботов и поймете, как грамотно собирать данные. Научитесь строить визуализации для презентации данных. 📁Старт — 3 февраля. Присоединиться можно до 10 февраля. Подать заявку 📍 2️⃣SQL для начинающих Вы освоите базовые принципы работы с реляционными базами данных и научитесь грамотно фильтровать и сортировать данные, используя ключевые операторы и выражения. Разберете агрегирующие функции, методы работы с датами и строками и поймете, как устроены связи между таблицами. Научитесь использовать подзапросы и временные таблицы, изучите оконные функции. 📁Старт — 16 февраля. Присоединиться можно до 24 февраля. Подать заявку 📍 Реклама. НИУ "ВШЭ". ИНН 7714030726. erid: 2SDnjcx8Peg

А Нео избавился от влияния вайб кодинга 👉 @PythonPortal

Алгоритм Луна (Luhn) для верификации номера кредитных карт 👉 @PythonPortal