PYTHONOMANIA

📱Pyhctsa. Pyhctsa - это библиотека для Python, предназначенная для масштабного сравнительного анализа временных рядов (Highly Comparative Time-Series Analysis) и автоматического извлечения сотен математических и статистических признаков (features). Если вам нужно классифицировать сигналы, анализировать физиологические показатели или выявлять скрытые паттерны во временных данных, pyhctsa берет на себя всю рутину по расчету нелинейной динамики, энтропии, автокорреляции, спектральных характеристик и других комплексных метрик. 🔹Ключевые возможности: 🔘Сотни методов анализа: Включает классические статистические тесты, алгоритмы нелинейной динамики (включая адаптации пакета TISEAN), вейвлет-анализ и узкоспециализированные функции (например, вариабельность сердечного ритма / HRV). 🔘Готовность к ML: Результаты извлечения автоматически собираются в привычный pandas.DataFrame размерности $N \times F$ (где $N$ — число временных рядов, а $F$ — вектор признаков). 🔘Многопоточность из коробки: Извлечение сотен признаков ресурсоемко, поэтому встроенный LocalDistributor позволяет легко распараллелить расчеты по всем физическим ядрам процессора. 🔘Любая длина сигналов: Входные временные ряды в одной выборке не обязательно должны быть одинаковой длины. 🔘Гибкая конфигурация: Можно рассчитать весь пул метрик сразу, выбрать кастомный профиль через YAML-файл конфигурации или вызывать отдельные функции изолированно. 🔻Пример использования: from pyhctsa.calculator import FeatureCalculator from pyhctsa.distribute import LocalDistributor from pyhctsa.utils import get_dataset # Загрузка данных data = get_dataset() # Инициализация калькулятора и настройка параллельных вычислений на 4 ядра calc = FeatureCalculator() dist = LocalDistributor(n_workers=4) # Извлечение всех признаков в DataFrame features_df = calc.extract(data, distributor=dist) print(features_df.head()) 📦Установка: pip install pyhctsa ✅Проект распространяется под открытой лицензией GNU GPL v3. #Python #TimeSeries #DataScience #MachineLearning #FeatureExtraction #Analytics #OpenSource #DevTools 📱Ссылка на репозиторий: https://github.com/DynamicsAndNeuralSystems/pyhctsa

📱Semantica. Semantica - это открытая граф-ориентированная платформа («open-source аналог Palantir для ИИ-агентов»), созданная для управления контекстом, детерминированного логического вывода и аудита решений автономных агентов. В критически важных и регулируемых сферах (финансы, медицина, юриспруденция, госсектор) агент не может быть «черным ящиком». Semantica решает проблему отсутствия прозрачности: вместо плоских векторных эмбеддингов она выстраивает структурированные графы контекста (Context Graphs), фиксирует причинно-следственные связи каждого действия и формирует строгий аудиторский след. 🔹Ключевые возможности платформы: 🔘Decision Intelligence: Каждое решение агента сохраняется как полноценный узел графа. Вы можете отследить всю причинно-следственную цепочку (trace_decision_chain), найти похожие прецеденты в прошлом и оценить влияние решения на систему. 🔘Детерминированный логический вывод: Для построения графа, связей и проверки правил не обязательна LLM. Платформа использует алгоритмы Rete, прямой логический вывод (Forward chaining), Datalog и SPARQL, гарантируя 100% повторяемость и объяснимость. 🔘Стандарты аудита и комплаенса: Полная поддержка спецификации W3C PROV-O для отслеживания происхождения данных, валидация через SHACL-шейпы и экспорт аудиторских отчетов в форматах RDF/Turtle, JSON-LD или Parquet. 🔘Полиглотное хранение (Polyglot Graph Storage): Поддерживает работу с графами свойств (Neo4j, FalkorDB, AWS Neptune, Apache AGE), RDF-хранилищами (встроенный Oxigraph, Apache Jena, Blazegraph) и векторными базами данных (FAISS, Qdrant, Pinecone). 🔘Enterprise-коннекторы: Прямая интеграция с Databricks (Unity Catalog + Delta Lake) и Snowflake — данные превращаются в граф без промежуточного экспорта в сторонние SaaS-сервисы. 🔘MCP и мультиагентность: Включает встроенный сервер протокола MCP (Model Context Protocol), интеграцию с фреймворком Agno (единый граф памяти для команды агентов) и плагины для Cursor и Claude Code. 🔻Пример использования в коде: from semantica.context import ContextGraph # Инициализируем граф контекста graph = ContextGraph(advanced_analytics=True) # Фиксируем решение агента как структурированный узел decision_id = graph.record_decision( category="credit_underwriting", scenario="Заявка на кредит, доход 120k, DTI 28%", reasoning="Доход стабильный, кредитная история чистая за последние 36 мес.", outcome="approved", confidence=0.95, ) # Анализируем цепочку причин и влияние решения causal_chain = graph.trace_decision_chain(decision_id) impact = graph.analyze_decision_impact(decision_id) 🚀Быстрый старт: pip install semantica # Или со всеми зависимостями: pip install "semantica[all]" #Semantica #AIAgents #KnowledgeGraph #GraphRAG #LLM #DecisionIntelligence #Compliance #MachineLearning #Python #OpenSource #DevTools #EnterpriseAI 📱Ссылка на репозиторий: https://github.com/semantica-agi/semantica

📱SkyRL. SkyRL - это модульная полнофункциональная (full-stack) библиотека обучения с подкреплением (Reinforcement Learning) для языковых моделей и ИИ-агентов, разработанная лабораторией Berkeley Sky Computing Lab (UC Berkeley). Фреймворк специально оптимизирован для обучения агентов решению сложных многошаговых задач в реальном мире — от работы с терминалом и написания кода (SWE-Bench) до обработки SQL-запросов и интерактивного поиска с использованием внешних инструментов. 🔹Основные компоненты экосистемы: 🔘skyrl — единая библиотека для проведения RL-экспериментов на собственном железе. Объединяет оптимизированный движок обучения skyrl-train и кроссплатформенный бэкенд skyrl-tx с поддержкой Tinker API. 🔘skyrl-agent — специальный агентский слой для масштабируемого обучения и оценки многошаговых (multi-turn) агентов, рассчитанных на длительные сценарии взаимодействия (long-horizon). 🔘skyrl-gym — набор сред на базе стандартизированного Gymnasium API, содержащий готовые окружения для математики, кодинга, работы с базами данных и поиска. 🔻Главные фичи и достижения: 🔘SkyRL-SQL-7B: Модель, обученная всего на 653 примерах с использованием многошагового RL, обошла GPT-4o и o4-mini в задачах перевода текста в SQL (Text-to-SQL). 🔘Поддержка Tinker API: Можно запускать любые скрипты обучения, написанные под Tinker API, на локальных GPU без изменения кода. 🔘Интеграция с Harbor: Готовые инструменты для обучения автономных ИИ-агентов, работающих напрямую в консоли/терминале. 🔘Асинхронный пайплайн: Оптимизированный диспетчер параллельного генерации и обучения снижает простои GPU и ускоряет процесс сбора опыта. 🤝Проекты и поддержка. ✅На базе SkyRL создаются передовые исследовательские проекты (например, Biomni-R0, CodeScout, Endless Terminals), а сам проект разрабатывается при поддержке Anyscale, Databricks, NVIDIA, AMD, AWS и Lambda Labs. #SkyRL #ReinforcementLearning #LLM #AIAgents #Python #UCBerkeley #OpenSource #DevTools #MachineLearning #ArtificialIntelligence 📱Ссылка на репозиторий: https://github.com/NovaSky-AI/SkyRL

📱GeoEq. GeoEq - это open-source библиотека для Python, созданная для полного цикла геотехнических расчетов, механики грунтов и проектирования фундаментов. Проект призван заменить громоздкие и хрупкие Excel-таблицы с кучей вкладок и копипастом формул на воспроизводимый и прозрачный Python-код. Библиотека предоставляет 170+ валидированных функций под единым плоским пространством имен (import geoeq as ge). Каждая формула содержит прямую ссылку на научный источник или учебник и протестирована на эталонных значениях. 🔹Ключевые возможности GeoEq: 🔘Классификация грунтов: Автоматическое определение типа грунта по системам USCS (ASTM D2487), AASHTO M145 и текстурному треугольнику USDA на основе гранулометрии и пределов Аттерберга. 🔘Интерпретация полевых изысканий: Обработка данных динамического (SPT) и статического (CPT) зондирования — получение поправок $N_{60}$, угла внутреннего трения, сопротивления недренированному сдвигу ($s_u$), модуля деформации и типа грунта. 🔘Расчет оснований и фундаментов: ✔️Несущая способность: Методы Терцаги, Мейергофа, Хансена и Весича с учетом формы, глубины и наклона нагрузки. ✔️Осадки: Мгновенная (упругая), первичная и вторичная консолидация, а также метод Шмертманна. ✔️Сваи: Оценка несущей способности по острию и боковой поверхности ($\alpha$, $\beta$, $\lambda$ методы). 🔘Устойчивость откосов и подпорные стены: Анализ устойчивости методами Бишопа, Тейлора и Кульмана, расчет бокового давления грунта (Ренкин, Кулон, Яки) и проверок на сдвиг/опрокидывание. 🔘Динамика грунтов: Оценка потенциала разжижения грунтов при сейсмических воздействиях по упрощенной методике NCEER / Идрисс — Буланже. 🔘Импорт/Экспорт данных: Встроенный парсинг инполяционных данных из форматов CSV, AGS4 и GEF-CPT с возможностью автоматической построения публикационных графиков (300 DPI). 🚀Быстрый старт: Установка требует только numpy, scipy и matplotlib: pip install geoeq Пример работы в несколько строк: import geoeq as ge # 1. Расчет несущей способности фундамента по Мейергофу bc = ge.bearing_capacity(c=25, gamma=8.7, Df=2, B=3, L=3, phi=0, method="meyerhof") print(f"Предельная несущая способность q_u = {bc['q_u']:.0f} кПа") # 2. Оценка коэффициента запаса против разжижения грунта csr = ge.liquefaction_csr(amax=0.25, sigma_v=120, sigma_v_eff=70, z=6, Mw=7.0) crr = ge.liquefaction_crr(N160cs=12, method="youd_2001") fs = ge.liquefaction_fos(csr["CSR"], crr["CRR"], Mw=7.0) print(f"Фактор безопасности FS = {fs['FS']:.2f}") ✅Проект распространяется под свободной коммерческой лицензией Apache 2.0 (без ограничений на использование в инжиниринговом консалтинге и коммерческих продуктах). #GeoEq #Python #GeotechnicalEngineering #CivilEngineering #SoilMechanics #Geology #OpenSource #DevTools #DataScience 📱Ссылка на репозиторий: https://github.com/geoeq/geoeq

📱Whoosh. Whoosh - это библиотека для полнотекстового поиска, индексации и исправления опечаток на чистом Python, работающая без внешних серверов, C-компиляторов и бинарных зависимостей. Вся система поднимается одной командой pip install whoosh3. Индекс хранится прямо в виде файлов в локальной директории, поэтому инструмент идеально подходит для десктопных и CLI-приложений, генераторов статических сайтов, а также RAG-пайплайнов для нейросетей. 🔹Ключевые возможности: 🔘Чистый Python: Запускается везде, где есть CPython (включая PyPy и WebAssembly/Pyodide прямо в браузере). 🔘Встроенный формат (Embedded): Никаких внешних сервисов, портов и настройки инфраструктуры — поисковый индекс представляет собой обычную папку с файлами. 🔘Полноценный поисковый движок: Поддерживает ранжирование результатов по алгоритму BM25F, сложный язык запросов (фразовый поиск, wildcards, fuzzy, логические операторы), подсветку найденных фрагментов и фасетную навигацию. 🔘Проверка орфографии: Встроенный модуль коррекции опечаток и подсказок «Возможно, вы имели в виду...» (Did you mean?). 🔘Строгая типизация (PEP 561): Полная поддержка подсказок типов для mypy, pyright и современный IDE. 🤖Современные ИИ-сценарии: 🔘RAG для LLM: Используется как быстрый BM25-ретривер для нейросетей без развертывания тяжелых векторных баз данных (есть готовые интеграции для LangChain и LlamaIndex). 🔘MCP-сервер: Содержит встроенный модуль whoosh3[mcp], позволяющий превратить любую папку с документами в локальный инструмент поиска для ИИ-агентов. 🔘Поиск в терминале: Включает готовый CLI-инструмент whoosh search ~/notes — удобная альтернатива grep с поддержкой морфологии (стемминга) и ранжирования результатов. 🚀Быстрый старт: from whoosh.fields import Schema, TEXT, ID from whoosh.index import create_in from whoosh.qparser import QueryParser import tempfile # 1. Описываем схему документов schema = Schema(title=TEXT(stored=True), path=ID(stored=True), content=TEXT) # 2. Создаем индекс в папке ix = create_in(tempfile.mkdtemp(), schema) # 3. Добавляем документы writer = ix.writer() writer.add_document(title="Первая", path="/a", content="Полнотекстовый поиск на Python") writer.commit() # 4. Ищем по индексу with ix.searcher() as searcher: query = QueryParser("content", ix.schema).parse("поиск") for hit in searcher.search(query): print(hit["title"], "->", hit["path"]) #Python #Whoosh #SearchEngine #BM25 #RAG #MCP #DevTools #OpenSource #DataScience 📱Ссылка на репозиторий: https://github.com/priya-sundaram-dev/whoosh

📱Cnsplots. Cnsplots - это Python-библиотека для создания научных графиков и иллюстраций, полностью готовых к публикации в ведущих рецензируемых журналах уровня Cell, Nature и Science (CNS). Она построена поверх matplotlib, полностью совместима с seaborn и берет на себя всю рутинную работу по стилизации, позволяя исследователям сфокусироваться на содержании работы, а не на подгонке параметров оформления. 🔹Главные фичи и возможности: 🔘Готовые журнальные стандарты: Предустановленные стили и палитры, строго соответствующие требованиям топовых научных изданий (Cell, Nature, Science, Ecotyper и др.). 🔘Идеальная интеграция с Adobe Illustrator: Векторный экспорт (SVG/PDF) сохраняет шрифты как редактируемый текст без конвертации в кривые (no text-to-path conversion), что позволяет дорабатывать верстку статьи без потери качества. 🔘25+ типов научных графиков: ✔️Статистические: боксплоты (Box plots), виолончельные диаграммы (Violin plots), точечные и регрессионные графики. ✔️Биомедицинские и специальные: кривые выживаемости Каплана-Мейера, ROC-кривые, диаграммы Волкано (Volcano plots), графики анализа GSEA, форест-плоты (Forest plots) и матрицы ошибок. ✔️Структурные: тепловые карты с иерархической кластеризацией, диаграммы Санки (Sankey), диаграммы Венна и UpSet-плоты. 🔘Встроенный статанализ: Автоматически рассчитывает $P$-value и добавляет на график аннотации значимости (тест Манна — Уитни, $t$-критерий Уэлча, точный тест Фишера). 🔘 Мультипанельные фигуры: Автоматизирует сборку составных иллюстраций из нескольких графиков с буквенными маркерами (A, B, C...). 🔘Поддержка ИИ-кодеров: Содержит встроенные скиллы для работы в Codex и Claude Code ($cnsplots / /cnsplots). 🚀Быстрый старт: Установка из PyPI: pip install cnsplots Пример создания боксплота со статистическим сравнением групп: import cnsplots as cns # Загрузка данных и создание холста точного размера в пикселях df = cns.datasets.load_dataset("tips") cns.figure(width=150, height=150) # Отрисовка боксплота со сравнением выбранных пар cns.boxplot( data=df, x="day", y="total_bill", pairs=[("Thur", "Fri"), ("Sat", "Sun")] ) # Сохранение в векторный SVG для Illustrator cns.savefig("figure.svg") #Python #DataVisualization #DataScience #Bioinformatics #Matplotlib #Seaborn #Cell #Nature #Science #ScientificPublishing #OpenSource #DevTools 📱Ссылка на репозиторий: https://github.com/faridrashidi/cnsplots

📱NVIDIA-labs OO Agents. NVIDIA-labs OO Agents - это инструмент от NVIDIA, который позволяет создавать ИИ-агентов с помощью обычных классов Python без использования громоздких сторонних конструкций. Главный плюс фреймворка — он универсален и работает с любыми нейросетями: от облачных (ChatGPT, Claude) до локальных запущенных моделей (Ollama, vLLM). ❓В чем разница со стандартными фреймворками: В большинстве других библиотек промпты (текстовые инструкции), функции-инструменты и логику работы агента приходится собирать из разных сложных кусков. Здесь всё объединено в один привычный класс Python: 🔘Поля класса — хранят текущие данные и состояние агента. 🔘Обычные методы — выполняются строго по правилам Python. 🔘Методы с троеточием (...) — выполняет сама нейросеть во время работы. 🔘Описание функций и типы данных — служат понятной инструкцией для ИИ. from nooa import Agent class SupportAgent(Agent): """Ты агент технической поддержки.""" # Данные и память агента order_db: OrderDB # Обычный метод Python: выполняется строго по вашему коду def is_refund_eligible(self, order: Order) -> bool: return order.delivered and order.days_since_delivery <= 30 # Метод для ИИ: вместо кода стоят три точки (...). # Его логику нейросеть генерирует и выполняет сама! async def triage(self, message: str, order: Order) -> Ticket: """Проанализируй обращение и создай тикет поддержки.""" ... 🔹Главные преимущества: 🔘 Без лишних настроек: Модель сама решает задачи, генерируя и сразу выполняя нужный Python-код. Вам больше не нужно вручную описывать сложные схемы данных для вызова функций. 🔘Свобода выбора модели: Инструмент не привязан к конкретному сервису — подключайте OpenAI, Anthropic, Ollama или vLLM. 🔘Наглядная отладка: Каждый вызов нейросети, написанный код и выполнение функций автоматически отслеживаются. В комплект входит удобный веб-интерфейс для просмотра всех шагов агента. 🔘Контроль и безопасность: Так как нейросеть сама пишет и исполняет код, разработчики рекомендуют запускать таких агентов в изолированной среде (например, в Docker), чтобы ИИ не затронул важные файлы на вашем ПК. 📦Установка: Установка через менеджер пакетов uv: uv add nooa или через стандартный pip: pip install nooa #NVIDIA #Python #AIAgents #LLM #NOOA #Программирование #DevTools #OpenSource #ИИ 📱Ссылка на репозиторий: https://github.com/nvidia-nemo/labs-OO-Agents

📱Icalendar. Icalendar - это библиотека для Python, предназначенная для парсинга, генерации и редактирования файлов формата iCalendar (.ics), полностью совместимая со стандартом RFC 5545. С ее помощью можно создавать, анализировать и модифицировать события, встречи и задачи в коде, а затем экспортировать их для работы с любыми календарными сервисами (Google Calendar, Apple Calendar, Outlook и др.). 🔹Ключевые возможности: 🔘Стандарт RFC 5545: Полная поддержка спецификации iCalendar для создания и чтения объектов календаря. 🔘Поддержка часовых поясов: Корректно обрабатывает таймзоны с помощью zoneinfo (из стандартной библиотеки Python), dateutil.tz и pytz. 🔘Ядро экосистемы: На базе icalendar построены десятки других инструментов, таких как caldav (клиент CalDAV по RFC 4791), iCalEvents (расчет повторяющихся событий) и x-wr-timezone. 🔻Быстрый старт: Установка из PyPI: pip install icalendar Пример создания календаря с событием: from icalendar import Calendar, Event from datetime import datetime cal = Calendar() event = Event() event.add('summary', 'Созвон по проекту') event.add('dtstart', datetime(2026, 8, 10, 10, 0, 0)) event.add('dtend', datetime(2026, 8, 10, 11, 0, 0)) cal.add_component(event) # Экспорт в файл .ics with open('meeting.ics', 'wb') as f: f.write(cal.to_ical()) Проект распространяется под лицензией BSD (2-Clause) и доступен на GitHub. #Python #iCalendar #RFC5545 #CalDAV #Calendar #DevTools #OpenSource #Backend 📱Ссылка на репозиторий: https://github.com/collective/icalendar

📱Ome-zarr-py. Ome-zarr-py - это официальный Python-инструмент для работы с многомасштабными (multi-resolution) наборами изображений в формате Zarr, соответствующими открытой спецификации OME-NGFF (Open Microscopy Environment Next Generation File Format). Библиотека разработана сообществом OME и предназначена для эффективного считывания, записи и управления многомерными (2D–5D) научными данными и микроскопическими снимками гигантского объема. 🔹Ключевые возможности: 🔘Поддержка стандарта OME-NGFF: Реализация формата хранения биовизуализационных данных нового поколения. 🔘Формат Zarr: Оптимизированное сжатие, разбиение на чанки и параллельный доступ к элементам массивов локально и в облачных хранилищах. 🔘Пирамиды изображений (Мультиразрешение): Позволяет загружать только требуемый уровень детализации и конкретный фрагмент изображения без выгрузки всего файла целиком в память. 🛠Инфраструктура и разработка: 🔘Документация: Публикуется на Read the Docs и собирается локально с помощью Sphinx: pip install -r docs/requirements.txt sphinx-build -b html docs/source/ docs/build/html 🔘Тестирование: Локальная проверка кода организована через tox, а перед коммитами используется валидация pre-commit. 🔘Версионирование: Номера версий автоматически управляются через setuptools_scm. 🔘Лицензия: Распространяется под открытой лицензией BSD. #ome #zarr #Python #Bioinformatics #Microscopy #DataScience #OpenSource #DevTools #Imaging #OME_NGFF 📱Ссылка на репозиторий: https://github.com/ome/ome-zarr-py

📱Runloom. Runloom - это библиотека для Python, которая позволяет запускать сотни тысяч задач одновременно, не усложняя при этом код. Если говорить простыми словами: обычно, чтобы сделать программы в Python быстрыми и параллельными, разработчикам приходится переписывать весь проект под async и await. Runloom позволяет писать самый обычный, понятный код (без асинхронной «лапши»), но выполняет его так же быстро и эффективно, как язык Go (Golang). ❓В чём главная фишка. 🔘Без async и await: Вы пишете привычные функции, а библиотека сама незаметно переключает задачи в фоновом режиме, пока одна из них ждет ответа от сети или диска. 🔘Молниеносная скорость: Переключение между задачами написано на низкоуровневом Ассемблере и C. Переход от одной задачи к другой занимает считанные наносекунды. 🔘Работа на всех ядрах: Идеально раскрывается на новых версиях Python (3.13+ и 3.14+ с отключенным GIL), позволяя честно загрузить процессор на 100%. 🔘Каналы как в Go: Позволяет удобно и безопасно передавать данные между параллельными процессами. 🔘Прокачка старого кода в 1 строчку: Функция runloom.monkey.patch() умеет на лету превращать стандартные «медленные» библиотеки (например, urllib или socket) в параллельные без переписывания вашего кода. 🔻Простой пример: import threading import runloom from urllib.request import urlopen # Делаем стандартные сетевые запросы параллельными runloom.monkey.patch() def download(url): # Код выглядит так, будто он блокирует программу и ждет ответа... # Но Runloom не дает ему зависнуть и скачивает всё одновременно! body = urlopen(url).read() print("Скачано байт:", len(body)) def main(): # Запускаем 64 скачивания параллельно for _ in range(64): runloom.fiber(download, "http://example.com") # Распределяем работу на 8 ядер процессора runloom.run(8, main) 📦Установка: pip install runloom ✅Отличное решение, если нужно выжать максимум скорости из параллельных запросов, но нет желания усложнять проект асинхронными фреймворками! #Python #Runloom #Performance #Async #Concurrency #Go #Golang #DevTools #OpenSource #Программирование 📱Ссылка на репозиторий: https://github.com/robertsdotpm/runloom

📱Kademlia-dynamic. Kademlia-dynamic - это легковесная асинхронная реализация распределенной хэш-таблицы (DHT) на базе алгоритма Kademlia, написанная на чистом Python и не имеющая никаких внешних зависимостей. В отличие от классического пакета kademlia с PyPI, данный модуль спроектирован с упором на современный asyncio (импортируется как kademlia_dynamic), работает из коробки без сторонних библиотек и поддерживает тонкую настройку параметров сети. 🔹Ключевые особенности: 🔘Чистый Python & Asyncio: Работает исключительно на стандартной библиотеке Python, обрабатывая UDP-пакеты в асинхронном режиме. 🔘Поддержка строк и бинарных данных: Методы set() и get() нативно принимают и возвращают как обычные строки (str), так и бинарные файлы (bytes). 🔘Два формата сериализации: Из коробки доступны наглядный JSON (удобен для отладки) и компактный Bencode в стиле BitTorrent (BEP 5). 🔘Защита от подмены ответов: Встроенный механизм verify_response_source сбрасывает пакеты, пришедшие с неисходных IP/портов, защищая узел от спуфинга. 🔘Умный TTL и кэширование: Время жизни закэшированных значений рассчитывается динамически и обратно пропорционально XOR-расстоянию до узла, что избавляет сеть от устаревших данных. 🔘Контроль нагрузки (Backpressure): Ограничение очереди входящих задач (max_dispatch_tasks) защищает узел от перегрузки при высоком сетевом трафике. 🚀Быстрый старт: Установка из PyPI: pip install kademlia-dynamic Пример создания и запуска DHT-узла: import asyncio from kademlia_dynamic import KademliaServer async def main(): # Создаем сервер (можно выбрать serialization="bencode") server = KademliaServer(serialization="json") # Слушаем UDP-порт (для работы в LAN/WAN можно передать ip="0.0.0.0") await server.listen(port=8000) # Подключаемся к существующему узлу await server.bootstrap([("192.168.1.100", 8000)]) # Сохраняем текстовые или бинарные данные в сеть await server.set("my_key", "Hello, P2P!") await server.set("my_bytes", b"\x00\x01\x02\x03") # Читаем данные из DHT value = await server.get("my_key") print("Результат:", value) server.stop() asyncio.run(main()) #Python #P2P #Kademlia #DHT #AsyncIO #Networking #OpenSource #DevTools #Decentralized 📱Ссылка на репозиторий: https://github.com/f4rsantos/kademlia_dynamic

📱Envgap. Envgap - это диагностическая консольная утилита для Python-проектов, которая находит расхождения и рассинхрон между файлами .env, .env.example, переменными окружения в shell и вызовами в коде (os.environ, os.getenv или Pydantic BaseSettings). Утилита не загружает ваши конфигурации в рантайм приложения. Её главная задача — показать, почему переменная окружения работает на вашей локальной машине, но внезапно вызывает сбой в CI/CD, внутри Docker-контейнера или на ПК другого разработчика. ❓Зачем нужен envgap. 🔘Поиск опечаток: Легко находит несоответствия в именах (например, DB_URL вместо DATABASE_URL). 🔘Контроль документации: Подсвечивает устаревшие или неполные файлы .env.example, в которых забыли указать новые переменные. 🔘Детектор секретов-заглушек: Находит оставленные в конфигах тестовые значения вроде changeme, todo или your-key-here. 🔘Поддержка Pydantic и FastAPI: Распознает поля BaseSettings, алиасы, префиксы и дефолтные значения. 🔘Простая проверка для CI/CD: Позволяет внедрить легкий автоматический аудит конфигураций без подключения сложных фреймворков. 🔻Пример работы. Если в коде приложения указано: import os DATABASE_URL = os.environ["DATABASE_URL"] А в файле .env прописано DB_URL=postgres://localhost/app, утилита покажет четкий диагноз: DATABASE_URL отсутствует в .env (ошибка). DB_URL в .env может быть опечаткой для DATABASE_URL (предложение переименовать). 🚀Установка и запуск. Установка через pip: pip install envgap Запуск проверки в текущем проекте: envgap check Использование в CI пайплайнах (строгий режим с выходом с кодом 1 при предупреждениях): envgap check --ci #Python #DevTools #FastAPI #Docker #CICD #Dotenv #Pydantic #Backend #OpenSource #Debugging 📱Ссылка на репозиторий: https://github.com/Pinak-Datta/envgap

📱Fstache. Fstache - это быстрый движок шаблонизации Mustache для Python 3.12+, созданный без единой сторонней зависимости (dependency-free). Инструмент разработан специально для серверной веб-разработки в стиле HTML-over-the-wire (в связке с HTMX, Alpine.js и Tailwind CSS). Когда сервер рендерит готовую HTML-разметку фрагментами или целиком, скорость шаблонизатора становится критически важной — особенно на бюджетных VPS. Fstache решает эту задачу за счет глубокой оптимизации и предварительной компиляции компонентов. ❓Почему Fstache. 🔘Высокая скорость: По результатам бенчмарков рендерит страницы в 3.1–3.5 раза быстрее, чем популярные аналоги (Chevron, mstache, Pystache). 🔘Предзагрузка и инлайнинг: Статические фрагменты (partials) загружаются и встраиваются в память заранее, полностью убирая накладные расходы при вызове во время обработки запроса. 🔘Поддержка потоковой отдачи (Streaming): Генерация возвращает чанки (iter_chunks()), что позволяет передавать готовый HTML в браузер частями через StreamingResponse в Starlette, FastAPI или Flask. 🔘Удобная работа с данными: В качестве контекста можно передавать обычные словари Python, объекты, датаклассы, списки и функции (callables). 🚀Быстрый старт: Установка: pip install fstache Использование в коде: import fstache # Создаем рендерер для продакшена (шаблоны предзагружаются один раз) render = fstache.create_prod_renderer("./templates") # Рендерим страницу result = render("pages/home.mustache", {"name": "Ада"}) # Получаем результат в виде строки или байтов print(result.to_string()) Библиотека предоставляет готовые пресеты для разных этапов разработки: 🔘create_dev_renderer() — подхватывает изменения файлов на лету без перезапуска сервера. 🔘create_test_renderer() — строго отлавливает пропущенные переменные и шаблоны во время прогона тестов. 🔘create_prod_renderer() — обеспечивает максимальную скорость и стабильность в продакшене. #Python #Mustache #HTMX #WebDev #Backend #FastAPI #Flask #Starlette #DevTools #OpenSource 📱Ссылка на репозиторий: https://github.com/servletcloud/fstache

📱Mellea. Mellea - это библиотека для Python, которая позволяет создавать предсказуемые и надежные ИИ-приложения без гадания на кофейной гуще. Мы все знаем, какое звено в любом ИИ-пайплайне самое нестабильное — это сам вызов LLM. Скрытые сбои, непредсказуемые ответы и полное отсутствие гарантий. Mellea предлагает заменить хрупкие промпты и капризных агентов на структурированные, жестко тестируемые рабочие процессы (workflows). 🔹Главные фичи библиотеки: 🔘Нативный структурированный вывод: Декоратор @generative превращает обычные функции с аннотациями типов в структурированные вызовы ИИ. Ваши докстринги автоматически становятся промптами, а тайп-хинты — схемами валидации. Схемы Pydantic форсируются прямо в момент генерации текста моделью. 🔘Проверка требований и самоисправление (Requirements & repair): Вы можете прикрепить к любому вызову условия на естественном языке. Mellea сама проверит результат выполнения и запустит автоматические повторные попытки (retries), если модель ошиблась. 🔘Умные стратегии сэмплинга: Нужна максимальная точность? Запустите генерацию несколько раз и выберите лучший результат, переключаясь между rejection sampling (выборка с отклонением), majority voting (голосование большинства) и другими стратегиями с помощью одного параметра. 🔘Мультиплатформенность: Из коробки поддерживаются Ollama, OpenAI, HuggingFace, WatsonX, LiteLLM и AWS Bedrock. 🔘Совместимость с MCP: Любую генеративную программу можно легко превратить в инструмент для экосистемы MCP (Model Context Protocol). ❓Как это выглядит в коде: Вам больше не нужны громоздкие шаблоны и ручные парсеры ответов: from pydantic import BaseModel from mellea import generative, start_session class UserProfile(BaseModel): name: str age: int @generative def extract_user(text: str) -> UserProfile: """Extract the user's name and age from the text.""" m = start_session() user = extract_user(m, text="User log 42: Alice is 31 years old.") print(user.name) # Выведет: Alice print(user.age) # Выведет: 31 (гарантированно тип int) 🚀Быстрый старт: Проект запущен командой IBM Research (Кембридж, Массачусетс) и распространяется под открытой лицензией Apache-2.0. Установить библиотеку со всеми расширениями можно одной командой: uv pip install 'mellea[all]' #Python #Mellea #AI #LLM #Pydantic #GenerativeAI #IBMResearch #OpenSource #DevTools #SoftwareEngineering 📱Ссылка на репозиторий: https://github.com/generative-computing/mellea

📱Snakie. Snakie - это современный кроссплатформенный редактор и полноценная IDE для MicroPython, созданная для комфортной разработки под микроконтроллеры. 🔹Главные фичи и возможности: 🔘Продвинутый редактор: Построен на базе Monaco (как в VS Code). Поддерживает подсветку синтаксиса MicroPython, автодополнение, валидацию YAML/JSON с автофиксами и подсказки от ИИ-помощника. 🔘Интерактивный REPL: Подключается к устройствам по серийному порту. Позволяет запускать/останавливать код, на лету просматривать графики в плоттере и управлять файлами как на ПК, так и в памяти самой платы (в стиле Thonny). Есть встроенный прошивальщик и установщик пакетов mip. 🔘Интерактивный Board View: Snakie умеет парсить ваш код в реальном времени и рисовать физическую карту задействованных пинов микроконтроллера (поддерживаются Raspberry Pi Pico 2 W, ESP32, Pimoroni и др.). Связи можно визуализировать в виде нод, крутить, масштабировать и экспортировать в SVG/PNG/PDF. 🔘Виртуальные приборы: В интерфейс встроены осциллограф, мультиметр и плоттер. Данные в них поступают без задержек из работающей программы благодаря крошечной встроенной MicroPython-библиотеке телеметрии (scope(), meter(), plot()). 🔘Конструктор схем и деталей: Полноценный визуальный редактор макетных плат (Breadboard) и принципиальных схем (Schematic). Вы можете брать компоненты из библиотеки сообщества, расставлять их на холсте и соединять проводами в духе Node-RED, формируя проектный файл robot.yml. 🔘Современный воркфлоу: Встроенная интеграция с Git (в стиле VS Code), чат-панель с LLM (через API-ключ Anthropic) и автоматические обновления приложения. 💻Технический стек и платформы: Проект написан на базе Electron, Vite, React и TypeScript. Благодаря этому движок отлично работает и обновляется на Windows (x64), macOS (Intel/Apple Silicon), Linux (x64), а также имеет нативную сборку для Raspberry Pi 4 / 5 (64-bit Pi OS в формате AppImage). 🚀Актуальная версия v0.13.0 уже доступна для загрузки. Сборки для macOS официально подписаны разработчиком и прошли нотариализацию Apple, так что Gatekeeper пропустит их без лишних вопросов. #MicroPython #IDE #Electron #RaspberryPi #Pico #ESP32 #Embedded #Electronics #OpenSource #DevTools 📱Ссылка на репозиторий: https://github.com/kevinmcaleer/Snakie

📱pyStrich. pyStrich - это быстрый модуль на чистом Python для генерации одномерных (1D) и двумерных (2D) штрихкодов в форматах PNG, SVG и других графических расширениях. Инструмент позволяет легко создавать штрихкоды прямо в вашем коде. Важное уточнение: библиотека предназначена исключительно для генерации (кодирования), декодировать прочитанные изображения она не умеет. 🔹Поддерживаемые форматы: 🔘1D штрихкоды: Code 39, Code 128 (и GS1-128), EAN-13, Interleaved 2 of 5 (включая ITF-14). 🔘2D коды: Data Matrix (и GS1 Data Matrix), QR Code, PDF417, Aztec Code. 🔻Экспорт и зависимости: Для сохранения кодов в растровом формате PNG потребуется библиотека Pillow (устанавливается командой pip install "pyStrich[png]"). А вот для создания векторных SVG, EPS, DXF или даже для вывода псевдографикой прямо в терминал никакие дополнительные пакеты не нужны! 🕰Немного истории: Изначально проект родился как форк старой библиотеки huBarcode, которая перестала обновляться в 2013 году. В 2015 году её портировали на Python 3, и с тех пор инструмент прошел долгий путь эволюции. На сегодняшний день (по состоянию на 2026 год) это современный Python-пакет с полной аннотацией типов (typing), строгими линтерами и исчерпывающим набором тестов. Проект распространяется под открытой лицензией Apache License 2.0 и доступен на PyPI. #Python #Barcode #QRCode #DataMatrix #SVG #DevTools #OpenSource #ГенерацияКодов 📱Ссылка на репозиторий: https://github.com/mmulqueen/pystrich

📱ProtoMotions 3. ProtoMotions 3 - это открытый высокопроизводительный фреймворк с GPU-ускорением, разработанный для симуляции, процедурной генерации и обучения движениям цифровых людей и гуманоидных роботов (Reinforcement Learning). Проект выпущен под свободной лицензией Apache-2.0 и объединяет усилия исследователей в области анимации, робототехники и обучения с подкреплением, предоставляя модульную и масштабируемую платформу для быстрого прототипирования. 🔹Главные фичи и возможности: 🔘Масштабное обучение движениям: Позволяет обучить физически смоделированного персонажа моторным навыкам на основе огромного датасета анимаций AMASS (более 40 часов движения) всего за 12 часов на 4 видеокартах NVIDIA A100. 🔘Ретаргетинг в одну команду: Встроенный оптимизатор на базе PyRoki позволяет перенести базу движений человека на любого кастомного робота одной консольной командой (например, заменив параметр --robot-name=smpl на --robot-name=h1_2). 🔘Кросс-симуляционное тестирование (Sim2Sim): Переключение физических движков в один клик (--simulator=isaacgym ➔ newton ➔ mujoco). Это позволяет проверять алгоритмы управления роботами в разных условиях, используя только те сигналы датчиков, которые реально получить с «железа». 🔘Интеграция с генеративным ИИ: Поддерживает работу с ИИ-моделью NVIDIA Kimodo (генерация движений по текстовому промпту). Вы можете превратить текст в анимацию, а затем обучить робота выполнять это действие в симуляции. 🔘Фотореалистичный рендеринг: Полная интеграция с IsaacSim 5.0+ позволяет загружать красивое окружение, созданное с помощью трехмерного гауссового сплэттинга (Gaussian splatting). 🤖Из симуляции в реальность (Sim-to-Real). Фреймворк успешно протестирован на аппаратном обеспечении. Универсальная политика трекинга обучается в симуляторе на датасете ~142 тысяч движений и переносится на реального гуманоидного робота Unitree G1 напрямую (zero-shot). 💡 Пайплайн развертывания экспортирует готовую ONNX-модель со встроенным вычислением параметров наблюдения. Фреймворкам на реальном роботе (тестировалось через RoboJuDo) достаточно просто скармливать модели сырые сигналы с датчиков — переписывать функции обработки данных вручную не нужно. 🛠Архитектурная модульность. Вам не нужно писать монолитные тяжелые классы окружения. Например, задача управления движением собирается из независимых слоев: 🔘Контроллер (steering_control.py) — управляет целевым направлением и скоростью. 🔘Наблюдение (obs/steering.py) — тензорное ядро, переводящее цели в локальную систему координат робота. 🔘Награда (rewards/task.py) — рассчитывает функции вознаграждения за соблюдение курса и направления. Добавить своего собственного робота так же просто: достаточно закинуть спецификацию .xml от MuJoCo в папку ассетов, заполнить конфигурационный файл и зарегистрировать его в фабрике роботов. #ProtoMotions3 #NVIDIA #Robotics #Humanoids #ReinforcementLearning #SimToReal #UnitreeG1 #MuJoCo #AI #OpenSource #DevTools 📱Ссылка на репозиторий: https://github.com/NVlabs/ProtoMotions

📱Google Antigravity SDK. Google Antigravity SDK - это официальный Python SDK для разработки автономных ИИ-агентов на базе технологий Antigravity и моделей Gemini. Инструмент предоставляет безопасный, масштабируемый и сохраняющий состояние (stateful) слой инфраструктуры. Он полностью берет на себя оркестрацию «агентного цикла» (agentic loop), управление историей и вызов инструментов, позволяя разработчику сфокусироваться на бизнес-логике и поведении агента, а не на его рантайме. SDK поддерживает как локальный запуск, так и бесшовную интеграцию с Gemini Enterprise Agent Platform (ранее известной как Vertex AI). 🔹Ключевые фичи и возможности: 🔘Мультимодальный ввод: Помимо текстовых промптов, агенту можно напрямую скармливать медиафайлы (изображения, видео, аудио) и тяжелые документы. SDK умеет считывать их как из путей файловой системы с автоматическим определением MIME-типов, так и в виде сырых байтов прямо из оперативной памяти. 🔘Глубокий стриминг рантайма: Вы можете в реальном времени асинхронно получать не только текстовые токены ответа, но и цепочки внутренних рассуждений модели (response.thoughts), а также события перехвата вызовов внешних инструментов (response.tool_calls). 🔘Кастомные инструменты и MCP: Любая стандартная Python-функция с docstring регистрируется как инструмент для агента в один клик. Также «из коробки» поддерживается интеграция со сторонними серверами протокола MCP (Model Context Protocol). 🔘Декларативные политики безопасности (Hooks & Policies): По умолчанию агент запускается в безопасном режиме read-only. Вы можете гибко настраивать правила доступа: например, разрешить чтение файлов, запретить любые сетевые запросы, а на выполнение терминальных команд повесить хук ask_user для обязательного подтверждения человеком. 🔘Фоновые триггеры: Позволяет запускать фоновые задачи, которые реагируют на внешние события и могут самостоятельно отправлять сообщения или инструкции в контекст агента по расписанию. 🔻Пример использования (Базовый асинхронный агент): import asyncio from google.antigravity import Agent, LocalAgentConfig async def main(): config = LocalAgentConfig( system_instructions="Ты эксперт по навигации в кодовой базе.", ) # Высокоуровневый класс Agent сам управляет всем жизненным циклом async with Agent(config) as agent: response = await agent.chat("Какие файлы находятся в текущей директории?") print(await response.text()) if __name__ == "__main__": asyncio.run(main()) ⚠️Важное примечание по установке: Google Antigravity SDK жестко опирается на скомпилированный бинарный файл рантайма, который поставляется исключительно внутри платформозависимых wheel-пакетов на PyPI. Простое клонирование GitHub-репозитория не сработает. Всегда устанавливайте инструмент через pip: pip install google-antigravity #Google #Gemini #VertexAI #AntigravitySDK #Python #AIAgents #LLM #DevTools #OpenSource #DataScience 📱Ссылка на репозиторий: https://github.com/google-antigravity

📱Fortress. Fortress - это скрытный (stealth) веб-движок на базе Chromium, разработанный специально для защиты парсеров, скреперов и ИИ-агентов от блокировок анти-бот системами. Обычные инструменты маскировки (вроде puppeteer-extra-stealth) внедряют JavaScript-код поверх страницы, что современные детекторы легко палят через проверку .toString() или контекст встроенных фреймов (iframe). Fortress решает эту проблему радикально: он корректирует цифровой отпечаток (fingerprint) прямо внутри C++ кода Chromium (Blink, V8, BoringSSL). Для сайтов автоматизированный процесс выглядит как абсолютно чистая, легитимная и запущенная человеком копия Google Chrome. 🔹Главные фичи и преимущества: 🔘Родная C++ маскировка: Все подмененные геттеры возвращают честный системный статус [native code]. Защита инвариантна и не ломается ни в изолированных фреймах (iframes), ни в фоновых веб-воркерах (Web Workers). 🔘Проходит сложнейшие проверки: С легкостью обходит Cloudflare Turnstile, Akamai Bot Manager, PerimeterX, CreepJS (показывает 0% headless / 0% stealth) и Sannysoft. 🔘Интеграция в одну строку через CDP: Работает как drop-in замена. Вы просто подключаете свой существующий код на Playwright или Puppeteer к порту :9222 через протокол CDP (Chrome DevTools Protocol) — менять саму логику автоматизации и сценарии не нужно. 🔘Связные личности (Coherent Personas): Платформа, GPU, экран, часовой пояс, язык, шрифты и TLS-отпечатки (JA3/JA4) идеально синхронизированы между собой, полностью имитируя реальное физическое Windows-устройство. 🔘Полностью открытый код: Вся маскировка состоит из 34 небольших понятных C++ патчей. Вы можете сами провести аудит исходников и пересобрать движок под свои нужды одним скриптом. 🤖ИИ-агенты и Fortress MCP (Beta). В комплекте идет встроенный MCP-сервер (Model Context Protocol), предоставляющий ИИ-агентам в Claude Code, Cursor или Cline 29 готовых инструментов для незаметного веб-серфинга (fetch_protected_page, extract_page, crawl_site и др.). Если агент натыкается на блокировку, он просто вызывает инструмент и забирает чистый контент страницы. 🚀Быстрый старт: Запуск через Python или Node.js (нативные бинарники для Linux x64 и Windows x64 скачиваются автоматически): pip install tilion-fortress npm install tilion-fortress Или в любом окружении через Docker (запуск сырого CDP на порту 9222): docker run --rm -p 9222:9222 tilion/fortress:latest Простейший пример кода: from tilion_fortress import Fortress from playwright.sync_api import sync_playwright with Fortress() as f: with sync_playwright() as p: browser = p.chromium.connect_over_cdp(f.cdp_url) page = browser.new_page() page.goto("https://bot.sannysoft.com") page.screenshot(path="all-green.png") ⚠️ Важное правило: Никогда не используйте поверх Fortress библиотеки вроде puppeteer-stealth или undetected-chromedriver — они лишь оставят лишние JS-следы в рантайме и сломают встроенную низкоуровневую маскировку. #Chromium #Stealth #WebScraping #Playwright #Puppeteer #Python #NodeJS #Cloudflare #Akamai #BotDetection #OpenSource #DevTools #MCP 📱Ссылка на репозиторий: https://github.com/tiliondev/fortress

📱Supertree. Supertree - это библиотека для интерактивной визуализации деревьев решений прямо внутри ваших блокнотов Jupyter, JupyterLab и Google Colab. Если вы когда-нибудь пытались визуализировать глубокое дерево решений стандартными средствами, то знаете, в какую перегруженную и нечитаемую «кашу» оно обычно превращается. supertree решает эту проблему, заменяя статичные графики динамическим интерфейсом. ❓Что умеет инструмент: 🔘Полный интерактив: Поддерживает масштабирование (zoom), перемещение (pan) и сворачивание отдельных узлов/веток, чтобы сфокусироваться на нужных участках. 🔘Трассировка путей: Позволяет наглядно отслеживать, через какие условия и по какому пути шел конкретный сэмпл данных до финального предсказания. 🔘Работает с ансамблями: Умеет вытаскивать и детально показывать отдельные деревья из случайных лесов (Random Forest) или моделей градиентного бустинга. 📦Поддерживаемые экосистемы: 🔘Scikit-learn: Полная совместимость с DecisionTreeClassifier/Regressor, RandomForestClassifier/Regressor, GradientBoosting, HistGradientBoosting и др. 🔘XGBoost: Поддержка XGBClassifier/Regressor, XGBRFClassifier/Regressor и нативных бустеров. 🔘LightGBM: Поддержка LGBMClassifier/Regressor и бустеров. 🔘ONNX: Модели, конвертированные в формат ONNX. 🚀Быстрый старт: Установка: pip install supertree Пример визуализации классификатора на датасете Iris: from sklearn.tree import DecisionTreeClassifier from sklearn.datasets import load_iris from supertree import SuperTree # Загружаем данные и обучаем модель iris = load_iris() model = DecisionTreeClassifier(max_depth=3) model.fit(iris.data, iris.target) # Инициализируем визуализатор super_tree = SuperTree(model, iris.data, iris.target, iris.feature_names, iris.target_names) # Отрисовываем интерактивное дерево в ноутбуке super_tree.show_tree() Если вы работаете со случайным лесом (например, RandomForestRegressor) и хотите изучить конкретное дерево из ансамбля (допустим, с индексом 2), просто укажите его номер при вызове: super_tree.show_tree(2). #Python #MachineLearning #DataScience #DataVisualization #Jupyter #ScikitLearn #XGBoost #LightGBM #OpenSource #DevTools 📱Ссылка на репозиторий: https://github.com/mljar/supertree