Python Community

‍🐍 Python-разработчики часто тестируют код с зависимостью от времени. Но обычный mock для дат — это намного сложнее, чем кажется. Библиотека time-machine решает эту проблему: она позволяет буквально «перемещать время» внутри тестов. Например: import datetime as dt import time_machine @time_machine.travel("2030-01-01") def test_future(): assert dt.date.today() == dt.date(2030, 1, 1) В отличие от популярных подходов вроде freezegun, библиотека не ищет и не заменяет все импорты в проекте. Она работает на уровне C API CPython, перехватывая функции даты и времени напрямую. Поэтому скорость не зависит от количества загруженных модулей. В бенчмарках time-machine оказался более чем в 100 раз быстрее freezegun на простых сценариях. Полезно для тестирования: • подписок и платежей • истечения токенов • календарных функций • планировщиков задач • логики с дедлайнами Проект: https://github.com/adamchainz/time-machine https://adamj.eu/tech/2026/08/03/python-time-machine-o1-freezegun-on/ @Python_Community_ru

🐍 Опытный Python-разработчик рассказал, для каких проектов в 2026 году он уже не выбирает Python первым. Автор десятилетиями использовал Python практически для всего, но со временем пришёл к простой мысли: хороший универсальный язык не обязан быть лучшим инструментом для каждой задачи. В презентации разбирается, где ограничения Python начинают перевешивать его удобство и почему для некоторых проектов сегодня разумнее посмотреть на другие языки и экосистемы. При этом это не очередное «Python умер». Наоборот, автор по-прежнему активно использует Python и отдельно показывает области, где язык остаётся одним из лучших вариантов. Получился полезный взгляд без фанатизма: выбирать язык не по привычке, а под конкретную задачу. #/ #Python #Programming #SoftwareEngineering #Development @Python_Community_ru https://menno.io/presentations/not-python-2026/index.html

🐍 В Python у while есть else. И многие разработчики узнают об этом спустя годы Выглядит непривычно: number = 0 while number < 5: print(number) number += 1 else: print("Цикл завершился") Блок else выполнится, если цикл закончился естественно, то есть условие while стало ложным. Но есть важный нюанс. Если внутри сработает break, else уже не выполнится. number = 0 while number < 5: if number == 3: break number += 1 else: print("Сюда не попадём") Из-за этого while...else удобно использовать там, где нужно отличить нормальное завершение поиска от досрочного выхода. Например, цикл пытается найти нужное значение. Если нашёл, делает break. Если дошёл до конца без успеха, срабатывает else. Синтаксис существует в Python давно, но до сих пор выглядит как маленькая пасхалка языка. #Python #Programming #Backend #PythonTips @Python_Community_ru

Модель показывает отличную точность в ноутбуке, но так и не становится рабочим сервисом. Причина часто не в качестве самой модели, а в архитектуре системы вокруг неё. 07 сентября в 20:00 на открытом уроке курса «ML System Design» вы разберёте, как превратить модель на Python в полноценный ML-сервис. Увидите, как связаны хранение данных, обучение, реестр моделей, сервис инференса и мониторинг. На занятии рассмотрите весь жизненный цикл модели — от обучения до эксплуатации в постоянно меняющихся условиях. Поймёте, почему высокая точность ещё не гарантирует успешного внедрения и какие инженерные задачи возникают при работе с реальными пользователями и большими объёмами данных. Урок будет полезен специалистам по данным, ML- и MLOps-инженерам, разработчикам и архитекторам. Урок проведёт Игорь Стурейко. https://vk.cc/d0uvuc Реклама. ООО «Отус онлайн-образование», ОГРН 1177746618576

🔥 Kimi K3 на 2,78 ТРИЛЛИОНА параметров запустили на CPU с 8 ГБ RAM. Без GPU, BLAS и фреймворков Проект kimi-k3-in-c реализует inference Kimi K3 практически с нуля на portable C99. Чекпоинт модели занимает 1,56 ТБ, но пик RAM при запуске составил всего 8,24 ГБ. Фокус в MoE и стриминге весов. Из 896 экспертов на токен выбираются только 16, а остальные веса не обязаны постоянно лежать в оперативной памяти. Огромная часть модели читается прямо с диска, поверх этого работает LRU-кэш экспертов. Цена такого трюка очевидна: скорость. При 8 ГБ RAM автор получил около 26,5 секунды на токен, при 64 ГБ уже 19,8 секунды, а на машине с 128+ ГБ, где нужные данные помещаются в память, около 5,6 секунды. Получается любопытная смена ограничения: гигантскую MoE уже можно заставить работать без серверной фермы. Вопрос теперь скорее в том, сколько диска и времени на токен вы готовы отдать за такой inference. github.com/FareedKhan-dev/kimi-k3-in-c #AI #Kimi #LLM #C #LocalAI @Python_Community_ru

🤖 Agency Agents - готовая команда специализированных AI-агентов для разработки, маркетинга, дизайна и бизнеса Вместо одного универсального «сделай всё» агента проект предлагает десятки узких специалистов: Backend Architect, AI Engineer, DevOps Automator, Code Reviewer, Database Optimizer, SRE, Prompt Engineer, RAG Engineer и многих других. Каждый агент - это не просто короткий prompt. Внутри описаны: * роль и стиль общения; * рабочий процесс; * ожидаемые deliverables; * технические примеры; * критерии успешного результата. Установить агентов можно в Claude Code, Cursor, Codex, Gemini CLI, OpenCode, Aider, Windsurf и другие инструменты. Есть и отдельное приложение для macOS, Linux и Windows. Например, можно поставить только engineering-команду: ./scripts/install.sh \ --tool claude-code \ --division engineering Или конкретных агентов: ./scripts/install.sh \ --tool cursor \ --agent frontend-developer,ui-designer По сути, Agency Agents превращает папку с промптами в готовый каталог AI-ролей, которые можно подключать к привычному coding agent без создания каждого system prompt с нуля. Проект распространяется по лицензии MIT. GitHub: https://github.com/msitarzewski/agency-agents @Python_Community_ru

🔥 Stepik Курс: «Python современный AI для разработчика и автоматизации задач» ровно про второе. (https://stepik.org/a/295921/pay?promo=fffd8f81e6cea704) 63 урока, 382 шага, ноль вдохновляющих рассуждений. В каждом уроке разбор темы с рабочим кодом, короткие вопросы и задача с автопроверкой, которая решается на чистом Python без ключей и без интернета. Внутри то, о чём молчат туториалы: структурированный вывод по схеме, RAG, который не выдумывает, агенты с tool calling, evals и ловля регрессий, кэш, лимиты и очереди, инъекции промптов, локальный запуск через Ollama и vLLM, text-to-SQL с правами только на чтение, pgvector с HNSW, MCP и песочница для кода агента. Плюс то, что окупается в первый же день: разбор входящей почты, отчёты без выдуманных чисел, вебхуки, боты, сценарии в браузере. Для тех, кто уже пишет на Python и устал от демок. 72 часа скидка 55% процентов, начать учиться - https://stepik.org/a/295921 (https://stepik.org/a/295921/pay?promo=fffd8f81e6cea704) @Python_Community_ru

🐍 Django-разработчикам: `DEBUG=True` в проде опаснее, чем кажется. Это не просто красивые страницы ошибок. При включённом DEBUG приложение может раскрывать stack trace, настройки, пути файлов, middleware, URL-паттерны и другие детали окружения. Главная рекомендация - fail closed: DEBUG = False То есть по умолчанию DEBUG всегда выключен, а включается только локально. Даже staging, QA и preview-среды, доступные из интернета, лучше запускать с DEBUG=False. Отдельная ловушка - переменные окружения: DEBUG = os.environ.get("DEBUG", "False") != "False" Здесь DEBUG=false или DEBUG=0 могут неожиданно превратиться в True. Лучше явно парсить boolean или использовать django-environ. Мелкая настройка, которая однажды может спасти production от очень неприятной утечки. https://lincolnloop.com/blog/setting-djangos-debug-safely/ #Python #Django #Backend #Security #DevOps @Python_Community_ru

‍⚡️ QueryTuner - open-source инструмент, который разбирает SQL-запрос и показывает, почему он может тормозить. Подключаться к базе вообще не обязательно. Можно просто вставить SQL и получить диагностику. Поддерживаются сразу 5 диалектов: - PostgreSQL - MySQL - Oracle - SQL Server - SQLite Внутри два уровня анализа. 1. Детерминированный heuristic engine Он мгновенно ищет типичные anti-patterns: - SELECT * - функции внутри WHERE - leading wildcard в LIKE - потенциально отсутствующие индексы - ORDER BY без ограничения результата - другие проблемы производительности Сейчас заявлено 12 правил, и для них не нужны ни LLM, ни внешний API. 2. Опциональный AI-слой Можно подключить Qwen через Hugging Face или OpenAI. Тогда QueryTuner умеет: - объяснять проблему человеческим языком; - переписывать запрос; - предлагать CREATE INDEX; - объяснять, зачем конкретный индекс нужен. Особенно интересно, что можно передать ещё и CREATE TABLE DDL. Тогда рекомендации становятся schema-aware: инструмент видит реальные таблицы, колонки и существующие индексы. Например, для такого запроса: SELECT * FROM orders WHERE YEAR(created_at) = 2026; Хороший проект для тех случаев, когда SQL уже работает, но хочется понять, почему через полгода он начнёт работать плохо. #SQL #PostgreSQL #Database #OpenSource #DataEngineering https://github.com/AutoShiftOps/querytuner @Python_Community_ru

🚀 Django 6.1 вышел: меньше магии, больше контроля Новая версия Django приносит улучшения для production-приложений и работы с базой данных. Главное новшество — новый подход к загрузке данных моделей. Теперь можно контролировать, когда Django делает дополнительные запросы: from django.db import models books = Book.objects.fetch_mode( models.FETCH_PEERS ) Это помогает бороться с проблемой N+1 запросов и лучше контролировать нагрузку на БД. Новые режимы: - FETCH_ONE — загружать данные только для текущего объекта; - FETCH_PEERS — догружать данные сразу для группы объектов; - RAISE — запрещать неожиданные запросы и ловить проблемы заранее. Также в Django 6.1: - поддержка Python 3.12, 3.13 и 3.14; - PostgreSQL 15+; - MySQL 8.4+; - MariaDB 10.11+; - улучшения cache и внутренних механизмов. Главная идея релиза: Django всё меньше скрывает стоимость операций и даёт разработчикам больше контроля над тем, что происходит под капотом. Подробнее: @Python_Community_ru https://www.djangoproject.com/weblog/2026/aug/05/django-61-released/

‍🚀 LLMs-from-scratch пробил 100 000 звёзд на GitHub - и это уже одна из лучших практических баз по устройству современных LLM. Проект Себастьяна Рашки показывает весь путь с нуля - без магии высокоуровневых библиотек: - токенизация и attention; - pretraining; - классификация; - instruction fine-tuning; - LoRA, DPO и evaluation; - KV cache и оптимизация памяти; - эффективная загрузка весов. Причём репозиторий давно вышел за рамки «соберём маленький GPT». Там уже есть реализации Llama, Qwen, Gemma и OLMo с нуля, а также современные архитектурные техники: - GQA; - MLA; - Sliding Window Attention; - Gated DeltaNet; - DeepSeek Sparse Attention; - cross-layer KV sharing; - Mixture-of-Experts. Самое полезное - уменьшенные версии моделей можно запускать локально и подключать к тем же training scripts, чтобы реально экспериментировать с архитектурой, а не только читать статьи. Рашка продолжит добавлять новые варианты attention и архитектуры, а RL и Reasoning From Scratch развивает в отдельных репозиториях. Если хочется не просто использовать LLM через API, а действительно понять, что происходит внутри трансформера - это один из тех репозиториев, которые стоит пройти руками. 🔗 github.com/rasbt/LLMs-from-scratch #AI #LLM #MachineLearning #DeepLearning #OpenSource @Python_Community_ru

‍XY - новая open-source библиотека визуализации от команды Reflex. Она пытается объединить удобство Matplotlib с интерактивностью браузерных графиков и производительностью Rust. Для больших датасетов Rust-ядро XY вычисляет только то, что реально можно показать при текущем разрешении экрана. При приближении данные уточняются и появляются исходные точки. import xy chart = xy.line_chart( xy.line( [1, 2, 3, 4, 5], [120, 180, 165, 240, 310] ) ) chart Есть даже совместимость с привычным стилем Matplotlib: import xy.pyplot as plt fig, ax = plt.subplots() ax.plot(x, y) plt.show() По собственному бенчмарку разработчиков на Apple M5 Pro: - 100 млн точек в density-режиме - ~0,081 с; - 100 млн реальных маркеров без агрегации - ~1,34 с; - библиотека уже использовалась для визуализации датасета OpenStreetMap примерно на 10 млрд точек. Под капотом: Python API ↓ ColumnStore ↓ Rust compute ↓ binary buffers ↓ WebGL2 / Canvas Графики интерактивные: pan, zoom, hover, selection и linked charts. Их можно использовать в Jupyter и веб-приложениях, а затем экспортировать в HTML, PNG, SVG или PDF. Установка: pip install xy Если подход оправдает себя, XY может стать интересной альтернативой связке Matplotlib + Plotly для действительно больших датасетов. Источник: https://github.com/reflex-dev/xy #Python #DataScience #Visualization #Rust @Python_Community_ru

Prime Agent - новый open-source coding harness для задач, которые продолжаются часами или даже несколькими сессиями. Вместо десятков отдельных инструментов модель получает один постоянный IPython-кernel. Через Python она может: - искать информацию во всей истории диалога; - вызывать системные инструменты; - запускать субагентов параллельно; - сохранять промежуточные данные вне активного контекста; - возвращаться к старым агентам после сжатия истории; - превращать удачные решения в память и повторно используемые навыки. Разработчики описывают подход так: > Контекст становится переменной, а делегирование субагентам - вызовом функции внутри REPL. Агент может написать код, найти нужный фрагмент истории и обработать данные программно. Есть и механизм /refine: Prime Agent анализирует собственную траекторию и может обновлять вспомогательные промпты, память, навыки и настройки субагентов. Изменения сохраняются между сессиями и при необходимости откатываются. По собственным тестам Prime Intellect, связка Prime Agent + Opus 5 набрала 95,5% на ARC-AGI-3 - немного выше указанного авторами бенчмарка результата экспертов в 95,4%. В предварительном EmulatorBench агент также смог с нуля написать на Rust работающие эмуляторы SEGA Genesis и Game Boy Color без доступа к готовым реализациям. Prime Agent распространяется под MIT-лицензией и работает на macOS и Linux. Важный нюанс: это не изолированная песочница. Агент запускает сгенерированный код с правами текущего пользователя, поэтому тестировать его безопаснее в отдельной копии репозитория. GitHub: https://github.com/PrimeIntellect-ai/prime-agent Подробности: https://www.primeintellect.ai/blog/prime-agent @Python_Community_ru

🔥 Harbor - единый фреймворк для тестирования и улучшения AI-агентов Сравнивать Claude Code, OpenHands, Codex CLI и других агентов сложно: у каждого свои команды, окружения и форматы результатов. Harbor превращает это в единый воспроизводимый пайплайн. Он позволяет запускать разные модели и coding-агентов на одинаковых задачах в изолированных контейнерах. Что умеет Harbor: - тестировать разные модели и AI-агенты; - запускать Terminal-Bench, SWE-Bench и Aider Polyglot; - создавать собственные бенчмарки и окружения; - параллельно проводить тысячи экспериментов; - собирать rollouts для RL-оптимизации; - работать локально через Docker или в облачных sandbox-сервисах. Установка: uv tool install harbor Пример запуска: harbor run \ --dataset terminal-bench@2.0 \ --agent claude-code \ --model anthropic/claude-opus-4-1 \ --n-concurrent 4 Harbor используется как evaluation harness для Terminal-Bench 2.0 и распространяется по лицензии Apache 2.0. По сути, это инфраструктурный слой для команд, которым нужно не просто запускать AI-агентов, а системно измерять их качество, сравнивать конфигурации и улучшать модели на реальных задачах. GitHub: https://github.com/harbor-framework/harbor @Python_Community_ru

‍🚀 Neo4j без сервера: GraphForge запускает полноценный Cypher прямо внутри Python-скрипта GraphForge занимает редкую нишу между NetworkX и серверными графовыми БД. Вы получаете встроенный графовый движок на Rust, полный openCypher и хранение проекта в обычной директории. Что внутри: - четыре независимых слоя на Rust: parser → IR → planning → execution; - результаты сразу возвращаются как Apache Arrow Table; - данные легко передаются в Pandas и Polars; - постоянное хранение построено на Parquet; - встроены PageRank, Louvain и гибридный текстово-векторный поиск; - Python- и Node.js-биндинги работают поверх одного движка. from graphforge import GraphForge graph = GraphForge("research/") result = graph.execute(""" MATCH (a)-[:CITES]->(b) RETURN a.title, b.title """) print(result.to_pandas()) При этом GraphForge честно позиционируется как инструмент исследовательского и notebook-масштаба. Для миллиардных графов, высокой нагрузки и многопользовательского доступа по-прежнему нужна серверная БД. Python и Node.js доступны сейчас, Swift и Kotlin находятся в планах. Лицензия — Apache 2.0. https://github.com/CurateLabs/graphforge #RustLang #Python #OpenSource #GraphDatabase #DataScience #KnowledgeGraph @Python_Community_ru

Открыли регистрацию на E-CUP 2026 Students 🎓 В этом сезоне — только для студентов. Будет интересно тем, кто изучает ML / DS / big data / аналитику данных. Сможете ускорить модель по поиску дубликатов на 20%? Получится создать классификатор для модерации товаров? Сумеете предсказать поведение покупателя? Как минимум — попробуете и получите фидбэк от тех, кто делает это в Ozon Tech каждый день. Как максимум — разделите призовой фонд в 7 200 000 ₽ в торжественной атмосфере конференции E-CODE. Нетривиальные задачи, нетворк с ведущими специалистами индустрии, кастомный мерч и шанс масштабно усилить портфолио — это про E-CUP 2026 Students. Больше подробностей и регистрация (https://e-cup-ozon.ru/) ↩️ @Python_Community_ru

‍🖥 NVIDIA открыла бесплатный доступ к мощным ИИ-моделям через API В каталоге NVIDIA NIM можно использовать DeepSeek V4, GLM 5.2, Kimi K2.6, Nemotron и десятки других моделей без оплаты каждого запроса. Подключение занимает несколько минут: 1. Открываем NVIDIA NIM и создаём бесплатный аккаунт NVIDIA Developer. 2. Выбираем модель и нажимаем Get API Key. 3. Копируем ключ. 4. В Cursor, Cline, OpenCode или другом совместимом клиенте указываем endpoint: https://integrate.api.nvidia.com/v1 5. Вставляем ключ, выбираем идентификатор модели и отправляем тестовый запрос. API совместим с привычным форматом OpenAI, поэтому его можно подключать к собственным приложениям, агентам и инструментам для программирования. Важный нюанс: это бесплатные endpoints для разработки и прототипирования. Действуют ограничения по частоте запросов, возможны очереди, а список моделей и условия доступа NVIDIA может изменить. Действительно бесплатно способ протестировать дорогие модели без отдельной подписки. Источник: https://build.nvidia.com/ @Python_Community_ru

‍🔥 Claude Thermos снижает расходы Claude Code, не давая prompt cache «остыть» Когда основной агент ждёт subagent дольше пяти минут, кеш контекста может истечь. После возвращения Claude приходится заново кодировать всю историю диалога по повышенному тарифу. В длинных сессиях это могут быть сотни тысяч токенов. claude-thermos запускает Claude Code через локальный прокси и периодически отправляет минимальный запрос с max_tokens: 1. Он не генерирует полезный ответ, а просто обновляет TTL кеша. Когда subagent заканчивает работу, основной агент читает дешёвый кеш вместо полной перезаписи контекста. Запуск: uvx claude-thermos Инструмент поддерживает обычный CLI, несколько терминалов и расширение VS Code через daemon-режим. Требуются Python 3.11+ и установленный claude CLI. По локальным измерениям автора на 185 сессиях, повторное создание кеша составляло около 22% расходов. Это не универсальный бенчмарк, но для тяжёлых агентных задач экономия может быть заметной. Простой open-source инструмент, который исправляет дорогую особенность долгих сессий Claude Code. GitHub: https://github.com/izeigerman/claude-thermos @Python_Community_ru