P(hD)ython

«Мама, я в телевизоре x2 😎» #заметки_с_полей Попал на камеры Saint HighLoad++ 2026, когда с умным видом обсуждал с докладчиком AI-трансформацию IT-компаний 😅 С уважением, Михаил Масягин

«AI съел HighLoad 🤖» #ai_sdlc Вернулся с Saint HighLoad++ 2026 в СПб. Конфа была крутой и, что ожидаемо, почти полностью про AI: по ощущениям, процентов 70 докладов так или иначе крутились вокруг LLM, агентов, AI4SDLC, контекста, токенов и eval'ов. Но среди всех выступлений хотелось бы выделить несколько ключевых. Самое запоминающееся для меня - доклад Ивана Поддубного, CTO Вебпрактик, про уровни зрелости внедрения AI в разработку. По мнению спикера есть 5 уровней этого процесса:

🍼 L0 - пишем код без AI ❔ L1 - спрашиваем GPT и копипастим код (ChatGPT) 💻 L2 - используем агентов локально (Claude Code, Codex) 🏎 L3 - человек ставит задачи агентам и валидирует их 🏭 L4 - dark factory: роботы полностью автономны

⚡️ Про L0 и L1 в 2026 году уже и говорить неловко ⚡️ На L2 так или иначе перешли 70% разработчиков ⚡️ L4 пока выглядит скорее как цель ⚡️ А вот в рамках L3 идёт настоящая гонка...

L3 - это не «запустил Cursor/Claude Code в цикле до зелёных тестов», а жёсткий и стандартизованный процесс:

SDD → ADR → TDD ⚡️ SDD - Spec Driven Development. Мы пишем настолько формальную постановку задачи, что спецификация становится новым кодом ⚡️ ADR - Architecture Decision Record. Не просто план агента, а стандартизированное описание вариантов, trade-off'ов, рисков и выбранного решения ⚡️ TDD - Test Driven Development. Сначала тесты, а только потом код. Методология 50-летней давности, но теперь её придерживается не человек, а нейросеть Чуть в сторонке от этого пайплайна стоят агентские Evals и Observability ⚡️ Evals - тесты не только самого кода, но и агента, порождающего код. Например, «напиши pupa-service с p99 ≤ 100ms». Справился? - супер, нет? - срочно на доработку промптов и обвязок! ⚡️ Observability - отдельный агент-методолог смотрит на спеки, ADR, код, тесты и даже reasoning основного агента, пытаясь сделать выполнение задач оптимальным.

По сути мы повторяем технологическую революцию начала XX века: строим конвейер, а за каждым рабочим ставим своего Фредерика Тэйлора - основоположника научной организации труда (кстати прочитайте биографию - крутой дядька). Только теперь вместо рабочих - агенты, а вместо конвейера - наш пайплайн на условном Python. Кстати за лучший вопрос докладчику мне вручили книгу Таненбаума по ОСям. Приятно, что база ещё кому-то нужна 😄 Ещё очень зашли доклады Андрея Неведина, Алексея Гладкова и Александра Иванова про сжатие контекста, harness'ы и базы знаний агентов. TL;DR у всех примерно один:

⚡️ токены дорогие, контекст маленький, agentic grep малоэффективен, а MD-базы знаний быстро превращаются в свалку ⚡️ поэтому все строят умные индексы проектов, графовые/граф-раговые базы знаний и пытаются как угодно минимизировать число потребляемых & выдаваемых моделью токенов

Отдельно отмечу воркшоп Кирилла Мокевнина «Как сделать проект понятным для AI-агентов». Главная мысль свежая: надо делать проект под агента, а не агента под проект. Например, вместо models/, tables/, routers/ в Django-проекте - раскладывать код по фичам: billing/, auth/, notifications/, а внутри каждой держать свои model.py, router.py, schema.py. Для человека разница небольшая, а для агента - огромная: меньше прыжков по проекту, меньше контекста, меньше токенов. Saint HighLoad++ получился очень показательным. Вопрос уже не в том, используете ли Вы AI в разработке или нет. Вопрос в том, насколько эффективно Вы его используете. С уважением, Михаил Масягин

«Навигация по P(hD)ython 🧭» Канал уже заметно разросся, поэтому собрал небольшой рубрикатор, чтобы было проще искать посты по темам. Всё для Вас 😅

🐍 #python - всё о Python: релизы, фичи, тонкости и нюансы 🏗 #system_design - Клеппманн, транзакции, CQRS, DWH, СУБД и прочие распределённые радости ⚙️ #техно_и_хардкор - C, Linux, параллельное программирование, оптимизации, HFT, FPGA, Low Latency и всё то, где идёт борьба за микросекунды 🤖 #ai4sdlc - AI в разработке: агенты, AI-Native IDE, автоматизация кодинга, LLM и всё то, что ведёт нас в светлое (или не очень) будущее 🧭 #карьера_и_собесы - рынок IT, интервью, найм, кандидаты, red flags, офферы и способы не утонуть, когда рынок штормит 🎓 #аспирантские_будни - диссертация, статьи, ВАК, патенты, Бауманка и путь к степени кандидата физ-мат наук 🎤 #заметки_с_полей - конференции, доклады, поездки, встречи и живые репортажи с места событий 🧑‍💻 #жизнь_айтишника - мемы, розыгрыши, отпуск, Work-Job Balance и прочее околокодовое

Пост буду периодически обновлять. Если потеряли какой-то материал - пишите в комментариях, попробую достать его из недр канала 🫡 С уважением, Михаил Масягин

«Легенды System Design 😎😂» #заметки_с_полей С уважением, Михаил Масягин P.S. Завтра твёрдо и чётко напишу пост с TL;DR по Saint HighLoad++ 2026 👍

«Прорекламирую Вашу компанию, дорого 💵» #заметки_с_полей С уважением, Михаил Масягин

ОывдкжжМшеег20—

«Питер, HighLoad++ и предзащита 🎓» #заметки_с_полей 22–23 июня еду на Saint HighLoad++ 2026 в СПб! Причём в этот раз в качестве участника: буду помогать @vova_dev из System Design World проводить аналог «Своей игры» по System Design 💪. Да-да, с вопросами за 300, котом в мешке и необходимостью иметь эрудицию как у Вассермана 😅 Питерские подписчики, знаю, Вы тут точно есть! Буду рад пересечься, пообщаться и выпить чаю, а может, и чего покрепче 🍷. Вообще июнь оказался крайне богат на события:

⚡️ съездил во Владимир и Суздаль ⚡️ сходил с семьёй в Большой театр ⚡️ еду на Saint HighLoad++ 2026 ⚡️ реализовал несколько крутых фичей по работе ⚡️ а главное... пережил предзащиту диссертации!

TL;DR по предзащите:

📌 было больно 📌 местами очень больно 📌 но я справился 🫡

Если Вам интересно, как вообще проходит предзащита в Бауманке и почему это отдельный жанр на грани фарса и трагедии, ставьте 🔥 - посвящу этому отдельный пост! С уважением, Михаил Масягин

«Питер, HighLoad++ и предзащита 🎓» #заметки_с_полей 22–23 июня еду на Saint HighLoad++ 2026 в СПб! Причём в этот раз в качестве участника: буду помогать @vova_dev из System Design World проводить аналог «Своей игры» по System Design 💪. Да-да, с вопросами за 300, котом в мешке и необходимостью иметь эрудицию как у Вассермана 😅 Питерские подписчики, знаю, Вы тут точно есть! Буду рад пересечься, пообщаться и выпить чаю, а может, и чего покрепче 🍷. Вообще июнь оказался крайне богат на события:

⚡️ съездил во Владимир и Суздаль ⚡️ сходил с семьёй в Большой театр ⚡️ еду на Saint HighLoad++ 2026 ⚡️ реализовал несколько крутых фичей по работе ⚡️ а главное... пережил предзащиту диссертации!

TL;DR по предзащите:

📌 было больно 📌 местами очень больно 📌 но я справился 🫡

Если Вам интересно, как вообще проходит предзащита в Бауманке и почему это отдельный жанр на грани фарса и трагедии, ставьте 🔥 - посвящу этому отдельный пост! С уважением, Михаил Масягин

Приветствую Вас на канале P(hD)ython 👋 Меня зовут Михаил Масягин. Я тимлид, разработчик, аспирант и преподаватель МГТУ им. Н.Э. Баумана. Сейчас я руковожу backend- и frontend-разработкой в HFT-компании. До этого были Lawful Interception и Bare Metal-проекты, работа с AWS и даже погружение в ML и NLP. С опытом я понял, что самые ценные знания обычно не попадают в учебники. Они появляются при решении реальных задач - через ошибки, багфиксы и дебаг, и, увы, часто теряются. Именно поэтому появился этот канал. Здесь я буду делиться тем, что считаю реально полезным: ⚡️ Python и современные практики разработки ⚡️ оптимизация кода и performance engineering ⚡️ C, Linux и немного Bare Metal ⚡️ распределённые системы и архитектура ⚡️ алгоритмы и структуры данных ⚡️ HFT и инженерные решения из индустрии ⚡️ опыт из преподавания, аспирантуры и написания диссертации Если Вам интересно не просто писать код, а понимать, почему он работает именно так, - добро пожаловать 🤝 С уважением, Михаил Масягин

test

«Финишная прямая 🎓» Научный руководитель наконец одобрил текст диссертации, и сегодня я отнёс «кирпич» в 2-х экземплярах на финальную проверку на кафедру 😎! Думаю, есть шанс, что первая предзащита будет в текущем учебном году (в июне). С уважением, Михаил Масягин P.S. А ещё со следующего учебного года ассистент становится старшим преподавателем 😎

«Data Lake: от перестановки мест слагаемых сумма... меняется? 👷» Недавно проводил лекцию по DWH на курсе System Design от nevzorov.courses. На лекции разбирали довольно частый практический кейс: - есть ряд поддерживаемых источников данных (Sources); - есть множество клиентов (Customers); - для каждого клиента необходимо сохранять и обрабатывать данные из его источников (Customer Sources); - вопрос: как лучше спроектировать Data Lake под эту задачу? Вариант 1: customers/<customer_name>/source=<source_name> Вариант 2: sources/<source_name>/customer=<customer_name> Интуитивно рука тянется к 1 варианту... Однако для Data Lake и дальнейшей DWH-инфраструктуры часто лучше именно 2 вариант:

raw/sources/<source_name>/customer=<customer_name>/...
cleaned/sources/<source_name>/customer=<customer_name>/...
...

Например:

...
raw/sources/google_play/customer=rammstein/dt=2026-05-24/*.parquet
raw/sources/google_play/customer=sabaton/dt=2026-05-24/*.parquet
raw/sources/google_play/customer=megadeth/dt=2026-05-24/*.parquet
...
raw/sources/trustpilot/customer=rammstein/dt=2026-05-24/*.parquet
raw/sources/trustpilot/customer=led_zeppelin/dt=2026-05-24/*.parquet
raw/sources/trustpilot/customer=lordi/dt=2026-05-24/*.parquet
...

Почему? 1. Source естественным образом превращается в таблицу. Для AWS Athena, Apache Trino или Apache Spark - google-play, trustpilot и т.д. - это отдельные логические таблицы, разложенные по Parquet-файлам и партициям в виде Customer'ов:

SELECT
    *
FROM
    "raw"."google_play"
WHERE
    ("customer" = 'rammstein') AND ("dt" >= DATE '2026-05-01');

У google-play даже в сыром виде (и уж тем более в очищенном) есть какая-то своя схема данных, ключи, timestamp'ы, правила дедупликации, SLA, логика инкрементальной загрузки и т.д. У trustpilot и любого другого Source'а - свои. Если же сделать наоборот:

...
raw/customers/rammstein/source=google_play/dt=2026-05-24/*.parquet
raw/customers/rammstein/source=trustpilot/dt=2026-05-24/*.parquet
...
raw/customers/sabaton/source=google_play/dt=2026-05-24/*.parquet
...

то один логический источник google-play размазывается по разным корням. А дальше начинается адъ 👹: - отдельные таблицы на каждый Source каждого Customer'а; - UNION ALL запросы и VIEW-шки; - бардак с Data Governance. В общем, Data Lake, а следом за ним и DWH медленно, но неотвратимо превращаются в DataSwamp 😄 2. Data Mesh проще делать именно по Source'ам. Естественная единица владения - это не «папка клиента» (Customer), а доменный источник (Source). У каждого такого Source'а есть отдельная команда-владелец, контракты, документация, SLA, data quality checks и правила эволюции схемы. Команда, отвечающая за google_play, должна владеть одной папкой sources/google_play/customer=<customer_name>/*, а не тысячами подпапок customers/*/source=google_play/*. - Добавили нового клиента? Добавили новую партицию. - Поменяли контракт источника? Обновили один data product. - Поймали баг в ingestion? Чиним одний единственный ETL-pipeline. 3. Pipeline'ы обычно тоже мыслят именно Source'ами:

...
google_play
trustpilot
...

А не:

...
ingest_rammstein_everything
ingest_sabaton_everything
ingest_led_zeppelin_everything
...

Иначе очень быстро появляются «особые клиенты»: - у этого legacy CSV; - у этого timezone в строке; - у этого timestamp иногда null; - у этого producer шлёт дубликаты; - у этого «ну вы там руками поправьте, пожалуйста». Поздравляю, у вас не DWH, а зоопарк с Airflow DAG-ами 🦓 4. Наконец, Source-First Layout упрощает сложную аналитику:

SELECT
    "customer", count(*)
FROM
    "raw"."google_play"
WHERE
    "dt" = DATE '2026-05-24'
GROUP BY
    "customer";

Можно с лёгкостью строить Usage-Based Billing по конкретным Source'ам, позволять даже менеджменту без труда копаться в данных и т.д. Таким образом, проектируя DWH-систему лучше думать не о том, какие у вас будут клиенты, а о том, какие источники данных вы будете для них поддерживать. С уважением, Михаил Масягин

«Cursor на миллиард 🤑» В нашей команде мы активно используем множество ИИ-инструментов, в том числе Cursor. Сидим на Teams Plan. И сегодня я нашёл в этом «плане» неприятный сюрприз. В Teams Plan команда представляет собой одного админа (Admin) и множество обычных пользователей (Member). При этом имеется возможность ограничить расход средств, выставив максимально допустимую месячную сумму, которую команда тратит на токены: превысил лимит - жди следующего месяца. Но оказалось, что по умолчанию функция выставления лимитов доступна не только админу, но и любому члену команды! Да-да, не админу, не владельцу карты, а обычному Member-у! Имхо, это крайне неочевидное и небезопасное поведение, о котором документация упоминает лишь всколзь. Заходишь в Settings → Spend Limit → Team Spend Limit, ставишь лимит в миллиард долларов 💵 и уходишь на ночь, запустив 1000 и 1 агента 😎. Auto-моделька Cursor уверенно говорит, что это не баг, а фича, дабы «упростить онбординг команды» 😁 Чтобы запретить это веселье, нужно отдельно включить тумблер: Settings → Usage-Based Pricing Settings → Admin-only modifications. После этого вкладка Spend Limit исчезает у обычных пользователей. Интересная, конечно, помощь в онбординге команды... С уважением, Михаил Масягин P.S. Может, имелся в виду онбординг команды топ-менеджеров Cursor на очередную яхту 🧐?

«Python 3.15 beta: что нового 🐍» 7 мая зафризили фичи Python 3.15, и сейчас, в длинные выходные, самое время обсудить ключевые изменения. Сразу уточню, что полный стабильный релиз будет 1 октября, поэтому пока что катаемся на test- и debug- ENV-ах 🤓. 1. Lazy imports (PEP 810) 🥱 В язык завезли новое ключевое слово lazy. Ленивый модуль загружается только при непосредственном обращении к его коду, что ускоряет старт Python-процесса:

lazy import numpy as np
lazy from pandas import DataFrame

df = DataFrame()  # только здесь pandas реально загрузится

Можно включить глобально через флаг -X lazy_imports=all или переменную PYTHON_LAZY_IMPORTS. 2. Распаковка в comprehensions (PEP 798) 📦 Самое долгожданное расширение синтаксиса за годы. Теперь * и ** работают внутри list/set/dict-comprehensions и генераторов:

lists = [[1, 2], [3, 4], [5]]
flat  = [*L for L in lists]                # [1, 2, 3, 4, 5]
merged = {**d for d in [{'a': 1}, {'b': 2}]}  # {'a': 1, 'b': 2}

То, что раньше писалось через itertools.chain.from_iterable или вложенные циклы, теперь - одна строка. Работает и в async for. Наконец вопрос на собесах «как разжать список списков» получил однозначный и окончательный ответ. 3. frozendict как builtin (PEP 814) 😎 «Замороженный» словарь - теперь встроенный тип. Можно класть в set, использовать ключом другого dict, да ещё и хэш не зависит от порядка вставки!

config = frozendict(host="localhost", port=5432)
cache  = {config: "primary"}
hash(frozendict(a=1, b=2)) == hash(frozendict(b=2, a=1))  # True

Также его подружили с copy, json, pickle, pprint. 4. sentinel builtin (реализация PEP 661) 🛡 Все мы писали этот хак: _MISSING = object(), чтобы отличать «не передал» от «передал None». Теперь это часть языка:

MISSING = sentinel("MISSING")

def get(d, key, default=MISSING):
    if default is MISSING:
        raise KeyError(key)
    return d.get(key, default)

Мелочь, а приятно. 5. Tachyon - сэмплирующий профайлер (PEP 799) 🔎 Появился пакет profiling с двумя бэкендами: profiling.tracing (бывший cProfile) и profiling.sampling - статистический профайлер с почти нулевым оверхедом. Самое крутое - сэмплирующий профайлер умеет подключаться к уже работающему процессу по его `PID`у:

python -m profiling.sampling --pid 12345 --format flamegraph -o out.svg

Кто хоть раз профилировал прод - понимает цену вопроса. 6. Очередное ускорение 🚀 Ускорили JIT (да, в CPython есть JIT, хоть и по умолчанию он недоступен!) на 8-9% на x86-64 Linux и на 12-13% на AArch64 macOS. Таким образом, 3.15 - это пусть и не «революционный», но важный релиз, значительно повышающий качество жизни разработчиков. Стандартная библиотека продолжает вбирать в себя то, что годами жило в формате рецептов на Stack Overflow. Это ли не говорит о зрелости языка? С уважением, Михаил Масягин

«Мама, я в телевизоре 😎» Ну, может и не в телевизоре, но с первым опытом студийной записи меня 😅 С уважением, Михаил Масягин

«Айтишники 💻 и металлурги 🛠» Последние пару месяцев активно провожу собесы Python-разработчиков: отвечаю за алгоритмическую секцию, где кандидатам предлагается решить несколько задач уровня LeetCode Easy/Medium и пообщаться о внутрянке Python. К сожалению, списывание и использование GPT на интервью лишь набирает обороты. Обычно это заметно довольно быстро: - либо человек не может объяснить «своё же» решение; - либо сыпется на каверзных вопросах про асимптотику, дополнительные ограничения и прочие нюансы. Недавно узнал, что в бигтехах 🏙 во время интервью кандидату могут задать пару случайных дурацких вопросов: - если человек честно говорит, что не знает - всё ок ✅; - а вот если отвечает, то, как модно сегодня говорить, это редфлаг ❌. И буквально час назад у меня случилась идеальная иллюстрация этого подхода. Кандидат ⭐️: - шикарный опыт; - почти 1 в 1 попадает в наш стэк; - решает задачи раза в полтора быстрее всех прошлых кандидатов; - знает абсолютно всё об asyncio; - strong hire! Но в какой-то момент в голове рождается мысль: а чем я хуже интервьюеров из бигтеха 😎? И звучит вопрос: - А расскажи мне, пожалуйста, про эвтектику в СУБД. (эвтектику, если что, мне подсказал GPT - как что-то максимально умное, солидное и при этом абсолютно не к месту) Кандидат без запинки отвечает, что проходил это ещё в вузе, и выдаёт какой-то поток несвязного бреда. Чувствую, что на подходе материал для поста (всё ради вас, подписчики ❤️), и решаю дожать: - Супер. А откуда это вообще пошло? Что такое эвтектика в исходном смысле? И тут человек снова без малейшей паузы выдаёт: - Эвтектика - это смесь двух или более веществ, которая плавится или затвердевает при фиксированной, самой низкой температуре для данной системы, действуя как чистое вещество. За пару минут собеседование Python-разработчика превратилось в устный экзамен по металлургии! Похоже, дурацкие вопросы работают! Иногда даже слишком хорошо 🤓 P.S. Эвтектика - это вполне реальный термин из металлургии и неорганической химии. P.P.S. До сих пор не исключаю, что у человека первое образование было металлургическое 👀 С уважением, Михаил Масягин

«Мам, сфоткай типо я кант-трейдор 🥴» С уважением, Михаил Масягин

«Отель для настоящих HFT-разрабов и квантов 😎!» С уважением, Михаил Масягин P.S. Кто угадает страну... тот молодец

«CQRS: нормально делай - нормально будет!» Разбавим Python-посты архитектурой! На днях со студентами System Design World обсуждали паттерны, и закономерно всплыл CQRS. Его просто обожают на System Design Interview, и... регулярно путают с CQS! Micro vs Macro CQS (Command-Query Separation) - это принцип создания классов и API. - Command-методы меняют состояние и либо НЕ отдают данные (void), либо возвращают служебные значения (id, ok, error и т.д.); - Query-методы возвращают данные и никогда НЕ меняют состояние. На простых классах от CQS мало пользы, зато при написании фабрик, репозиториев и прочих паттернов он реально выручает: - меньше неявного поведения; - проще кэшировать и оптимизировать; - проще поддерживать и дебажить код. Пример:

from dataclasses import dataclass

@dataclass(frozen=True)
class Car:
    num: str

class Base:
    def __init__(self):
        self._cs = {}

class FactoryBad(Base):
    # get with unexpected side effect
    def get(self, num: str) -> Car:
        if num not in self._cs:
            self._cs[num] = Car(num=num)
        return self._cs[num]

class FactoryCQS(Base):
    def find(self, num: str) -> Car | None:
        return self._cs.get(num)

    def get(self, num: str) -> Car:
        return self._cs[num]

    def register(self, num: str) -> None:
        if num in self._cs:
            raise ValueError(f"Car with number '{num}' already exists!")
        self._cs[num] = Car(num=num)

CQRS (Command Query Responsibility Segregation) - это архитектурный паттерн: - разные пути и модели данных для записи и чтения - write-side и read-side; - часто разные Handler'ы, контракты и схемы - но всё же это детали реализации. По сути CQRS - это CQS «на стероидах». CQRS - Кафка, Стриминг, 2 Сурса Частая ошибка - воспринимать CQRS как обязательную связку из условных read- и write-СУБД, очереди и Eventual Consistency. Действительно, так часто бывает, но в первую очередь CQRS - про разделение путей и моделей данных, а не про инфраструктуру. Начать внедрение CQRS можно и с 1 СУБД: - write - нормализованные таблицы под базовые сущности; - read - денормализованные таблицы/view под чтение; - если обновлять read-проекции синхронно с write-проекциями, можно получить и Strong Consistency. Зачем всё это CRUD-сервис «на всё» (create, update, get, find, ...) быстро «пухнет»: - чтение и запись смешиваются, API становится неочевидным; - хотим масштабировать чтение, но read-only инстансы вынужденно тащат write-зависимости и флаги/роутинг; - репозиторий превращается в комбайн с бесконечными зависимостями; - страдает производительность; - сложнее растить команду. CQRS предлагает решение этой проблемы: - изолированные Handler'ы для команд и запросов (часто реально «по 1 файлу на операцию»); - лишь нужные зависимости в каждом Handler'е - ускоряет разработку и реально отделяет write-side от read-side. CQRS - не серебряная пуля: - если проект компактный и несложный - лучше CRUD + нормальный репозиторий; - CQRS добавляет бойлерплейт. Даже если код «генерится Claude'ом», растет объём и контекст. Идемпотентность команд - must have Команды могут повторяться из-за retry, timeout и at-least-once доставки. Handler должен быть идемпотентным и не допускать создания дубликатов. Блеск CQRS CQRS раскрывается, когда система становится read-heavy/нуждается в разных формах данных. Тогда вы: - масштабируете read- и write-side независимо; - держите read-модели под конкретные задачи: поиск, отчёты и т.д. Отдельный плюс - несколько read-моделей одновременно: Postgres для запросов, Elastic для FTS и т.д. При этом они могут строить свои проекции из единого потока событий (event bus, outbox, CDC и т.д.). Отсюда и дружба с Event Sourcing: при хранении изменений как Event Log, проекции можно пересобирать с нуля. Идеи CQS и CQRS во многом звучат как «нормально делай - нормально будет», они очень интуитивны. Тем не менее выработка общих терминологии и понимания - это всегда большой плюс. В следующий раз разберём Event Sourcing! С уважением, Михаил Масягин P.S. Рекомендую к просмотру выступление Андрея Цветциха.