Python Community

Все уже пользуются AI coding agents. Но почти никто не понимает, как они реально работают. learn-claude-code разбирает Claude Code-style agent harness с нуля. Авторская формула простая: Bash is all you need. Вместо магии и маркетинга там показывают базовый цикл агента: модель отвечает, просит вызвать tool, код выполняет действие, результат возвращается обратно в контекст, и цикл продолжается. Дальше на этот скелет постепенно навешиваются реальные части агентной системы: * tool use * permissions * hooks * memory * context compaction * subagents * background tasks * MCP * worktree isolation 71.1K звёзд у tutorial repo — хороший сигнал. Люди устали от “AI agents за 5 минут” и хотят наконец понять, что там внутри. https://github.com/shareAI-lab/learn-claude-code #AI #OpenSource @Python_Community_ru

без подписи

без подписи

‍🖥 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

без подписи

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

🚀 LoopX удерживает ИИ-агента в одной задаче более 200 часов Главная проблема долгих агентных сценариев - ограниченный контекст. Модель забывает решения, теряет цель, повторяет работу и не понимает, что делать после ожидания, ревью или смены сессии. LoopX выносит состояние за пределы LLM и хранит его в отдельной контрольной плоскости: - цель и ограничения; - текущие задачи и ответственных; - решения, требующие участия человека; - доказательства выполненной работы; - квоты и расписание запусков; - handoff для восстановления после смены модели, сессии или хоста. Каждый запуск агента ограничен конкретным шагом. После выполнения он записывает результат, доказательства и следующую задачу. Затем LoopX решает: продолжать, ждать внешнего события или запросить решение человека. В открытых демонстрациях циклы исправления Issue/PR в OpenViking и AutoML-эксперимента сохраняли состояние более 200 часов. Это время всей траектории с ожиданием, ревью и повторными запусками, а не непрерывная работа модели. По сути, LoopX - это Kanban-доска, превращённая в систему выполнения для агентов. Её состояние напрямую определяет следующий допустимый шаг. Поддерживаются Codex, Claude Code, Cursor, OpenCode и собственные рантаймы. Проект распространяется по лицензии MIT. https://github.com/huangruiteng/loopx #AI #AIAgents #OpenSource #Codex #ClaudeCode #Automation @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

🐍 collections.Counter: больше, чем подсчёт частот Большинство используют Counter только ради most_common(), хотя у него есть куда более интересные возможности. from collections import Counter a = Counter("abracadabra") b = Counter("barbecue") Можно складывать и вычитать частоты: a + b a - b Пересечение и объединение счётчиков: a & b # минимальные значения a | b # максимальные значения Удалить элементы с нулевой и отрицательной частотой: clean = +a Получить общее число элементов: a.total() Развернуть счётчик обратно в последовательность: list(a.elements()) Особенно удобно для анализа логов, событий, токенов, категорий и любых данных, где важна частота появления. #Python #Collections #Backend @Python_Community_ru

без подписи

🔥 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

🐍 Python-совет: как объединить списки разной длины и не потерять данные Обычный zip() останавливается на самом коротком списке: numbers = [1, 2, 3, 4, 5] letters = ["a", "b", "c"] print(list(zip(numbers, letters))) # [(1, 'a'), (2, 'b'), (3, 'c')] Элементы 4 и 5 просто исчезнут. Чтобы сохранить их, используйте zip_longest(): from itertools import zip_longest result = zip_longest( numbers, letters, fillvalue="нет значения", ) print(list(result)) Результат: [ (1, "a"), (2, "b"), (3, "c"), (4, "нет значения"), (5, "нет значения"), ] А когда списки обязаны иметь одинаковую длину, в Python 3.10+ лучше включить проверку: zip(numbers, letters, strict=True) Вместо тихой потери данных Python сразу выбросит ValueError. Полезно при обработке таблиц, CSV, результатов API и параллельных наборов данных. #Python #Programming #PythonTips @Python_Community_ru

‍🎬 Seedance 2.0 превратили в полноценную операционную систему для ИИ-режиссёра Seedance 2.0 Skill OS - открытый набор навыков и пайплайнов, который помогает создавать видео не через набор слов вроде «cinematic, epic, beautiful», а через режиссёрскую постановку сцены. Система определяет драматическую задачу эпизода и согласует под неё: — движение камеры и характер объектива; — свет, композицию и действия персонажей; — звук, диалоги и темп; — роли изображений, видео и аудиореференсов; — переходы между несколькими связанными клипами. Есть отдельные модули для text-to-video, image-to-video, продолжения роликов, первого и последнего кадров, устранения проблем и сохранения персонажей между сценами. Для длинных историй инструмент анализирует реальный финал готового клипа и только после этого пишет промпт для следующего, поэтому сюжет не разваливается из-за расхождения генерации с первоначальным планом. Также внутри есть готовые процессы для раскадровки, монтажа, цветокоррекции, локализации, звука и финального контроля качества. Поддерживается работа на русском языке. Проект распространяется под MIT License. GitHub: https://github.com/Emily2040/seedance-2.0 @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

без подписи

‍🚀 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

без подписи

🔥 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

🚀 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