Программистика

🔑 Секрет `dict.get()`: забудь про `if key in dict` Новички часто проверяют наличие ключа в словаре, чтобы безопасно прочитать значение:

if 'score' in data:
    value = data['score']
else:
    value = 0

В Python есть элегантный способ в одну строку:

value = data.get('score', 0)

Что здесь происходит: get(key, default) пытается вернуть значение по ключу. Если ключа нет — возвращает default (по умолчанию None). Никаких исключений, никаких if. Где пригодится:

# Счётчик без defaultdict
count = {}
words = ['a', 'b', 'a']
for w in words:
    count[w] = count.get(w, 0) + 1  # {'a': 2, 'b': 1}

# Безопасное чтение вложенных данных
user = {'name': 'Алиса'}
age = user.get('age', 'не указан')  # 'не указан'

🟢 Почему круто: Короче, быстрее, читаемее. Встроено в Python, не требует импортов. Запомни: dict.get() — твой друг при работе со словарями. Программистика || #tips

🍿 Актуальный стек Python разработчика [2026]

📱 Первоисточник

Программистика|| #video

💻 Вопрос с собеседования: Чем отличается `@staticmethod` от `@classmethod`? Оба декоратора используются в классах, и оба не требуют экземпляра для вызова. Но начинающие путают их, а опытные разработчики чётко знают, когда что использовать. Разбираемся раз и навсегда. 📌 Базовый ответ (которого ждут от джуна): - @staticmethod — это обычная функция внутри класса. Она не получает ни self, ни cls. Работает как независимая утилита, просто сгруппированная внутри класса для удобства. - @classmethod — получает первым аргументом класс (cls). Может обращаться к атрибутам класса и создавать экземпляры класса.

class MyClass:
    @staticmethod
    def static_method(x):
        return x * 2
    
    @classmethod
    def class_method(cls, x):
        return cls()  # может создать экземпляр

obj = MyClass()
print(MyClass.static_method(5))   # 10
print(MyClass.class_method(5))     # <__main__.MyClass object at ...>

🧱 Глубокий разбор (для мидла и сеньора): 1. `@staticmethod` — просто функция внутри класса - Не знает о классе и его атрибутах. - Не может изменить состояние класса или экземпляра. - Используется как хелпер, логически связанный с классом.

class MathUtils:
    @staticmethod
    def is_even(n):
        return n % 2 == 0

# Вызов возможен и от класса, и от экземпляра
print(MathUtils.is_even(4))  # True

2. `@classmethod` — работает с классом - Получает cls — ссылку на сам класс. - Может читать и менять атрибуты класса. - Часто используется как альтернативный конструктор (factory method).

class Person:
    def __init__(self, name, age):
        self.name = name
        self.age = age
    
    @classmethod
    def from_birth_year(cls, name, birth_year):
        age = 2025 - birth_year
        return cls(name, age)  # вызывает __init__

p = Person.from_birth_year("Алиса", 1995)
print(p.age)  # 30

⚠️ Частые ошибки и ловушки 1. Вызывать `@staticmethod` через `self` — можно, но бессмысленно, проще через класс. 2. Пытаться изменить атрибут класса через `@staticmethod` — не получится без явного указания имени класса. 3. Забыть про `cls` в `@classmethod` — метод перестанет быть классовым, вы получите обычный метод с первым аргументом, который будет восприниматься как self. 4. Использовать `@staticmethod` там, где нужна логика с классом — тогда лучше @classmethod.

# ❌ Плохо: статический метод, который должен работать с классом
class Counter:
    count = 0
    @staticmethod
    def increment():
        Counter.count += 1  # привязка к конкретному классу — негибко

# ✅ Хорошо: классовый метод
class Counter:
    count = 0
    @classmethod
    def increment(cls):
        cls.count += 1  # работает с любым наследником

💡 Итоговый ответ для собеседования: 1. @staticmethod — обычная функция, просто лежащая в пространстве имён класса. Не получает ни self, ни cls. 2. @classmethod — получает первым аргументом класс (cls). Может читать/менять атрибуты класса и создавать экземпляры. 3. Главное применение @classmethod — альтернативные конструкторы (например, from_dict, from_string, from_birth_year). 4. @staticmethod используйте для вспомогательных функций, которые логически связаны с классом, но не зависят от его состояния. 5. При наследовании @classmethod будет получать дочерний класс — это даёт гибкость для фабрик. Запомните: если внутри метода вы используете имя класса жёстко — почти всегда лучше сделать его @classmethod и использовать cls. Код станет более расширяемым. Программистика || #jobs

Марафон данных: первое знакомство с SQL и Python Этот курс для тех, кто хочет познакомиться с профессией аналитика данных. Если вы никогда ранее не сталкивались с SQL, Python и продуктовыми метриками, то Data Марафон – для вас! Мы расскажем про самые важные инструменты аналитика данных, и объясним всю суть аналитической работы максимально просто и на реальных примерах. Чему вы научитесь:

💠Познакомитесь с профессией и примерите на себя роль аналитика данных 💠Узнаете, как выглядят реальные данные и поработаете с ними 💠Изучите и посчитаете основные продуктовые и маркетинговые метрики 💠Научитесь обрабатывать данные с помощью таких инструментов, как SQL и Python 💠Сможете принять решение, развиваться ли Вам в этой профессии

🌐 Ссылка

Программистика || #Course

🔥 Мастхев подборка для каждого айтишника Держите подборку авторских IT-каналов по всем направлениям: курсы, книги, статьи, практики, примеры кода, шпаргалки и прохождение собесов. ▪️ Python ▪️ Java ▪️ Frontend ▪️ C / C++ ▪️ ИБ & Хакинг ▪️ DevOps ▪️ Data Science ▪️ Linux ▪️ C# & GameDev ▪️ Курсы IT ▪️ ИИ-бот для IT ▪️ Весь IT 👉🏻 Подписывайся и прокачивай свои навыки

Программистика || #Мемы

Алгоритмы и структуры данных с примерами на Python

Цель этой книги – при помощи наглядных иллюстраций и исполняемых примеров кода помочь читателю понять ключевые идеи алгоритмов и структур данных и освоить их воплощение в программном коде. Если вам необходимо подготовиться к собеседованию или получить базовые навыки перед сложным курсом по программированию, но не хватает времени на чтение множества учебников от корки до корки, этот учебник станет для вас спасательным кругом в океане знаний. Книга будет особенно полезна всем, у кого есть начальные навыки программирования, но отсутствует четкое понимание алгоритмов и структур данных. Более опытным читателям она поможет освежить и систематизировать знания об алгоритмах.

Программистика || #Книги

🔄 Безопасный арсенал практических инструкций, курсов и инструментов — только то, что прокачивает навыки. 🥷 OSINT 🤔 Хакинг & ИБ 🖥 Курсы & GitHub 📱 Python 👩‍💻 Linux & Bash 💼 Фриланс и работа в IT 📱 Общий архив 📂 Книги, курсы, инструкции по ИБ, Python и фриланс на удаленке.

📦 Лайфхак: `contextlib.suppress` — убираем шумные исключения без `try/except` Вы когда-нибудь писали такой код, просто чтобы игнорировать ошибку?

try:
    os.remove('temp.txt')
except FileNotFoundError:
    pass

Это работает, но занимает 4 строки и отвлекает от сути. В Python есть встроенный контекстный менеджер, который делает то же самое в одну строку. ✔️ Как правильно:

from contextlib import suppress

with suppress(FileNotFoundError):
    os.remove('temp.txt')

Что здесь происходит: suppress подавляет указанные исключения внутри блока. Если исключение возникло — оно не прерывает выполнение и не требует обработки. Если не возникло — просто идём дальше. 🧠 Где это реально полезно 1. Закрытие ресурсов, которые могут быть уже закрыты:

   with suppress(AttributeError):
       conn.close()

2. Попытка удалить временный файл или папку:

   with suppress(FileNotFoundError, PermissionError):
       shutil.rmtree('temp_dir')

3. Преобразование типов, если не знаешь, получится ли:

   with suppress(ValueError):
       value = int(maybe_number)

4. Проверка наличия атрибута через getattr:

   # вместо if hasattr(obj, 'name'):
   with suppress(AttributeError):
       name = obj.name

⚠️ Когда НЕ стоит использовать

🔴 Если нужно залогировать ошибку или выполнить действие при её возникновении. 🔴 Если ожидается много разных исключений (лучше явно перечислить нужные). 🔴 В критичных участках, где важна каждая ошибка.

💡 Запомни: 🟢 suppress — не замена всем try/except, а инструмент для случаев, когда ошибка ожидаема и неважна. 🟢 Код становится чище и читаемее. 🟢 Импортируется один раз и работает с любым количеством исключений. Попробуйте заменить свои пустые except: pass на with suppress(...) — и код задышит по-новому. Программистика || #tips

Программисты, это вам 👇 Держите 5 каналов, которые реально помогают изучать программирование и IT с полного нуля: 🖥 Easy Coder — все направления IT. 👩‍💻 Easy Python — всё о Python. 🌐 Easy WebDev — Frontend, Backend. 🔠 Easy InfoSec — ИБ, Хакинг. 🖥 Easy GitHub — лучшее с GitHub. Тонны бесплатной инфы для любого уровня подготовки ✔️

🌀 Tenacity — это библиотека для автоматических повторных попыток при ошибках. Добавляется одной строкой-декоратором к любой функции. Умеет экспоненциальные задержки, случайные паузы, логирование и остановку по условию. Идеально для ненадёжных API, сетевых запросов и работы с базами данных. 🐱 Ссылка на GitHub Программистика|| #Репозиторий

😈 Senior-безопасник создал крутейший канал про ИБ Благодаря простым картинкам даже новичок поймет основы хакинга и информационной безопасности. Присоединяйтесь: @infosec

🎭 `singledispatch`: одна функция — много лиц (перегрузка по типу) Вы когда-нибудь хотели, чтобы функция вела себя по-разному в зависимости от типа аргумента, но не писать горы if isinstance()? В Python есть встроенный декоратор functools.singledispatch, который реализует настоящую перегрузку функций — как в C++ или Java, только проще. ❌ Было (куча if-ов и растущее страдание):

def process(data):
    if isinstance(data, int):
        return data * 2
    elif isinstance(data, str):
        return data.upper()
    elif isinstance(data, list):
        return [x * 2 for x in data]
    else:
        raise TypeError("Не поддерживается")

✔️ Стало (чисто, расширяемо, по-питонячьи):

from functools import singledispatch

@singledispatch
def process(data):
    raise TypeError(f"Не поддерживается: {type(data)}")

@process.register(int)
def _(data):
    return data * 2

@process.register(str)
def _(data):
    return data.upper()

@process.register(list)
def _(data):
    return [x * 2 for x in data]

🧱 Как это работает singledispatch создаёт универсальную функцию, которая диспетчеризирует вызов на специализированную реализацию в зависимости от типа первого аргумента. 🟢 Базовая функция (с @singledispatch) — как default. 🟢 Зарегистрированные функции (с @process.register(тип)) — перегрузки. 🟢 Имена зарегистрированных функций не важны — обычно их называют _. 🧪 Продвинутый пример: работа с коллекциями

from functools import singledispatch
from collections.abc import Iterable

@singledispatch
def pretty_print(obj):
    print(f"Объект: {obj}")

@pretty_print.register(int)
def _(n):
    print(f"🟢 Число: {n}")

@pretty_print.register(str)
def _(s):
    print(f"📝 Строка: {s[:50]}...")

@pretty_print.register(list)
@pretty_print.register(tuple)
@pretty_print.register(set)
def _(seq):
    print(f"📦 Коллекция из {len(seq)} элементов")

# Можно регистрировать по абстрактным базовым классам
@pretty_print.register(Iterable)
def _(it):
    print(f"🔄 Итератор: {list(it)[:3]}...")

⚡️ Преимущества и ограничения

🟢 Чистая архитектура: Каждый тип обрабатывается в своей функции, без монолитных if-ов. 🟢 Расширяемость: Новый тип добавляется одной строкой @process.register(MyType), не трогая старый код. 🟢 Поддержка наследования: Если зарегистрирован родительский класс, то дочерний автоматически получит ту же реализацию (можно переопределить). 🟢 Работа с абстрактными базовыми классами: register(Iterable) сработает для всех итерируемых типов.

🔗 Подробнее в документации Попробуйте заменить очередной длинный if-elif на singledispatch — и вы почувствуете, как код становится легче и понятнее. Программистика || #Статья

⚡️Группа хакеров взломала сервера Skillbox, Geekbrains, Skillfactory и ещё 12 онлайн-школ, чтобы выгрузить их курсы в Telegram Юристы пытаются удалить каналы за Авторские Права🤡 – потому вот актуальные ссылки на архивы: По школам:  ├ Skillbox (1.12 ТБ) ├ Нетология (846 ГБ) ├ SkillFactory (720 ГБ)  ├ GeekBrains (934 ГБ) └ Другие (3.21 ТБ) По ЯП: ├ Python (1.48 ТБ) ├ SQL (982 ГБ) ├ C++ (590 ГБ) ├ С (318 ГБ) ├ GoLang (290 ГБ) └ Другие (3.17 ТБ) Ссылка на общий архив: @schools_hack_arc

Программистика || #Mems

📸 Image Downloader: Скрипт для массового скачивания картинок с любой страницы Этот скрипт сделает всё за тебя: найдёт все изображения на странице и скачает их в отдельную папку. 👉 Скрипт `image_downloader.py`:

#!/usr/bin/env python3
"""
Скрипт для скачивания всех картинок с веб-страницы.
Использование: python image_downloader.py https://example.com
"""

import os
import sys
import requests
from urllib.parse import urljoin, urlparse
from bs4 import BeautifulSoup
from pathlib import Path

def download_images(url, folder='downloaded_images'):
    # Создаём папку для сохранения
    Path(folder).mkdir(exist_ok=True)
    
    # Загружаем страницу
    headers = {'User-Agent': 'Mozilla/5.0'}
    try:
        response = requests.get(url, headers=headers, timeout=10)
        response.raise_for_status()
    except Exception as e:
        print(f"❌ Ошибка загрузки страницы: {e}")
        return
    
    soup = BeautifulSoup(response.text, 'html.parser')
    
    # Находим все теги img
    img_tags = soup.find_all('img')
    print(f"🔍 Найдено изображений: {len(img_tags)}")
    
    # Фильтруем и скачиваем
    downloaded = 0
    for img in img_tags:
        img_url = img.get('src')
        if not img_url:
            continue
        
        # Превращаем относительный URL в абсолютный
        img_url = urljoin(url, img_url)
        
        # Пропускаем data: и другие не-http схемы
        if not img_url.startswith(('http://', 'https://')):
            continue
        
        # Получаем имя файла
        parsed = urlparse(img_url)
        filename = os.path.basename(parsed.path)
        if not filename or '.' not in filename:
            filename = f"image_{downloaded}.jpg"
        
        # Защита от дурака: убираем query-параметры
        filename = filename.split('?')[0]
        
        save_path = Path(folder) / filename
        
        # Скачиваем
        try:
            img_data = requests.get(img_url, headers=headers, timeout=10)
            img_data.raise_for_status()
            
            with open(save_path, 'wb') as f:
                f.write(img_data.content)
            
            print(f"✅ {filename}")
            downloaded += 1
        except Exception as e:
            print(f"❌ Не удалось скачать {img_url}: {e}")
    
    print(f"\n📊 Готово! Скачано {downloaded} изображений в папку {folder}")

if __name__ == '__main__':
    if len(sys.argv) < 2:
        print("Использование: python image_downloader.py <URL>")
        sys.exit(1)
    
    url = sys.argv[1]
    download_images(url)

🛠 Установка зависимостей:

pip install requests beautifulsoup4

🚀 Запуск:

python image_downloader.py https://example.com/gallery

➕ Фишки скрипта: 🟢 Автоматически создаёт папку downloaded_images 🟢 Превращает относительные ссылки в абсолютные 🟢 Пропускает data:URI и другие некорректные схемы 🟢 Обрабатывает ошибки при скачивании 🟢 Игнорирует URL с параметрами (обрезает ?...) 💡 Что можно улучшить: 🟢 Добавить поддержку srcset для выбора лучшего качества 🟢 Фильтровать по минимальному размеру 🟢 Сохранять исходную структуру подпапок 🟢 Распараллелить скачивание (threading) Программистика || #scripts

🖥 Polars — это сверхбыстрая библиотека для обработки данных на Python и Rust, созданная как современная альтернатива Pandas. Она использует все ядра процессора, эффективно работает с памятью и поддерживает ленивые вычисления, что позволяет обрабатывать датасеты, не помещающиеся в оперативную память. Polars идеально подходит для ETL-пайплайнов, анализа больших данных и задач, где скорость критична. 🐱 Ссылка на GitHub Программистика|| #Репозиторий

🚨 СРОЧНО: TELEGRAM ЗАБЛОКИРОВАЛИ. ИЛИ НЕТ?🚨 Обещанная блокировка Telegram должна была случиться именно сегодня. Или не должна? Или уже случилась, но мы не заметили? Технические специалисты по всему миру замерли в ожидании: будет ли глобальный сбой, или это очередной «апдейт политики конфиденциальности»? 🟢 Что говорит статистика? Наши серверы мониторинга показывают: трафик Telegram в РФ не упал. Пакеты идут, соединения не рвутся. Но есть нюанс — некоторые провайдеры начали экспериментальные фильтрации на уровне DPI, но они пока напоминают скорее «проверку связи», чем полноценную блокировку. 🤷‍♂️ Давайте устроим перекличку — ставьте эмодзи: 👍 — работает, всё летает ⚡️ — не работает, сижу в VPN 💯 — мне всё равно, я в Mах Программистика

💻 Вопрос с собеседования: Что такое GIL в Python и как с ним жить? GIL (Global Interpreter Lock) — одна из самых обсуждаемых и пугающих тем в Python. Многие считают его фатальным недостатком, но на самом деле это осознанное архитектурное решение. На собеседовании хотят услышать не просто «это блокировка», а понимание, как она работает и когда мешает, а когда нет. 📌 Базовый ответ (которого ждут от джуна): GIL (Global Interpreter Lock) — это глобальная блокировка интерпретатора CPython, которая позволяет выполняться только одному потоку Python за раз. Это означает, что даже если у вас многоядерный процессор, несколько потоков не могут параллельно выполнять Python-код одновременно.

import threading

counter = 0

def increment():
    global counter
    for _ in range(1000000):
        counter += 1

threads = [threading.Thread(target=increment) for _ in range(2)]
for t in threads: t.start()
for t in threads: t.join()
print(counter)  # будет около 1 500 000, а не 2 000 000 из-за переключений GIL

GIL упрощает управление памятью и делает CPython однопоточным по выполнению кода, но многопоточным по I/O. 🧱 Глубокий разбор (для мидла и сеньора): 1. Зачем нужен GIL? 🟢 Упрощает управление памятью (подсчёт ссылок thread-safe без сложных блокировок). 🟢 Ускоряет выполнение однопоточного кода (не нужны мелкие блокировки на каждую операцию). 🟢 Облегчает написание C-расширений. 2. Как GIL влияет на многопоточность? 🟢 I/O-bound задачи: потоки отлично работают, потому что при операциях ввода-вывода GIL отпускается. 🟢 CPU-bound задачи: потоки бесполезны (или даже вредны), так как только один поток выполняет код в каждый момент.

# CPU-bound — бесполезно
def heavy_calc():
    sum(i**2 for i in range(10_000_000))

threads = [threading.Thread(target=heavy_calc) for _ in range(4)]
# 4 потока будут работать ДОЛЬШЕ, чем 1!

⚠️ Частые ошибки и ловушки 1. Создавать много потоков для CPU-задач и ждать ускорения — ускорения не будет, только оверхед. 2. Не использовать `multiprocessing` для тяжёлых вычислений — терять производительность. 3. Путать GIL с проблемами синхронизации — даже с GIL нужно использовать блокировки для общих данных (например, threading.Lock), потому что потоки могут переключаться в любой момент.

counter = 0
def unsafe():
    global counter
    for _ in range(100000):
        counter += 1  # неатомарно! нужна блокировка

4. Думать, что асинхронность решает все проблемы параллелизма — asyncio подходит только для I/O, не для CPU. 💡 Итоговый ответ для собеседования: 1. GIL — глобальная блокировка интерпретатора, позволяющая только одному потоку Python выполняться в данный момент. 2. Плюсы: упрощает память, ускоряет однопоточный код, облегчает C-расширения. 3. Минусы: ограничивает параллелизм CPU-задач в многопоточности. 4. Как обойти: для CPU — multiprocessing или C-расширения; для I/O — потоки или asyncio. 5. Важно: GIL не мешает I/O-задачам, но бесполезен для вычислений. 6. Главная мысль: GIL — не баг, а фича, с которой нужно уметь работать, выбирая правильный инструмент под задачу. Удачи на собеседованиях! 🔥🔥 Программистика ||#jobs

🤖 AI Commits: пусть нейросеть пишет осмысленные коммиты за тебя Ты 100-й раз пишешь git commit -m "fix", а потом коллеги и ты сам через месяц не понимаете, что именно было исправлено. Гуглить вклад — слишком лень, писать грамотные сообщения — времени жалко. А что, если это сделает нейросеть? Скрипт смотрит на изменения в коде, анализирует их и предлагает понятное сообщение коммита в стиле Conventional Commits. 👉 Скрипт `ai_commit.py`:

#!/usr/bin/env python3
"""
AI Commit — автоматически генерирует сообщение коммита по изменениям в коде.
Требует установленный и запущенный ollama (или можно заменить на API GPT).
"""

import subprocess
import sys
import argparse
import json

# Настройки: выбери модель из ollama
MODEL = "codellama:7b-instruct"  # или "llama3.2", "mistral", "qwen2.5-coder"
# Если хочешь использовать OpenAI, раскомментируй и укажи ключ
# USE_OPENAI = False
# OPENAI_API_KEY = "sk-..."

def get_git_diff():
    """Возвращает diff текущих изменений"""
    try:
        diff = subprocess.check_output(
            ["git", "diff", "--cached", "--no-color"],
            stderr=subprocess.DEVNULL,
            text=True
        )
        if not diff.strip():
            # Если нет изменений в staged, берём unstaged
            diff = subprocess.check_output(
                ["git", "diff", "--no-color"],
                stderr=subprocess.DEVNULL,
                text=True
            )
        return diff
    except subprocess.CalledProcessError:
        print("❌ Не удалось получить diff. Вы в git-репозитории?")
        sys.exit(1)

def generate_commit_message(diff, use_ollama=True):
    """Отправляет diff модели и получает сообщение коммита"""
    prompt = (
        "Ты — эксперт по Git. Напиши краткое сообщение коммита (одной строкой) в стиле Conventional Commits, "
        "которое описывает следующие изменения в коде. Не добавляй лишних комментариев, только само сообщение.\n\n"
        f"Изменения:\n{diff}"
    )

    if use_ollama:
        try:
            import ollama
            response = ollama.chat(model=MODEL, messages=[{"role": "user", "content": prompt}])
            return response['message']['content'].strip()
        except Exception as e:
            print(f"❌ Ошибка при обращении к ollama: {e}")
            print("Убедитесь, что ollama запущен (ollama serve) и модель загружена.")
            sys.exit(1)
    else:
        # Вариант с OpenAI API (раскомментируй при необходимости)
        import openai
        openai.api_key = OPENAI_API_KEY
        response = openai.ChatCompletion.create(
            model="gpt-3.5-turbo",
            messages=[{"role": "user", "content": prompt}],
            max_tokens=50
        )
        return response.choices[0].message.content.strip()

def main():
    parser = argparse.ArgumentParser(description="Генератор сообщений коммита через AI")
    parser.add_argument("-m", "--model", default=MODEL, help="Модель ollama")
    parser.add_argument("--openai", action="store_true", help="Использовать OpenAI API вместо ollama")
    args = parser.parse_args()

    diff = get_git_diff()
    if not diff.strip():
        print("⚠️ Нет изменений для коммита. Добавьте файлы через git add.")
        return

    print("🤖 Генерирую сообщение коммита...")
    msg = generate_commit_message(diff, use_ollama=not args.openai)
    print("\n💡 Предлагаемое сообщение:\n")
    print(msg)
    print("\n✅ Если подходит, выполните:")
    print(f'   git commit -m "{msg}"')
    print("   Или скопируйте сообщение и отредактируйте.")

if __name__ == "__main__":
    main()

🛠 Установка и настройка: 1. Установи скрипт:

   pip install ollama  # или openai, если будешь использовать API
   

2. Установи и запусти ollama (бесплатно, локально):

   # macOS/Linux
   curl -fsSL https://ollama.com/install.sh | sh
   # Windows — скачай с сайта
   ollama serve &
   ollama pull codellama:7b-instruct   # или другую модель
   

3. Сделай скрипт исполняемым и добавь в PATH (опционально):

   chmod +x ai_commit.py
   sudo ln -s $(pwd)/ai_commit.py /usr/local/bin/ai-commit
   

Программистика || #scripts