tgindex

Python RU

описание

Все для python разработчиков админ - @haarrp @python_job_interview - Python собеседования @ai_machinelearning_big_data - машинное обучение @itchannels_telegram - 🔥лучшие ит-каналы @programming_books_it - it книги @pythonl РКН: clck.ru/3Fmy2j

← к каналу@pro_python_code
12 388
подписчиков
Охват к подписчикам
9,2%
ERR
Реакции к просмотрам
0,37%
221 на 37 постов
Пересылки к просмотрам
1,55%
921
Постов в день
0,4
всего 38

Где отзываются чаще

доля реакций к просмотрам
  • 15 авг.⚡️ Harness Engineering - полный курс на русском Как заставить AI-агента писать код надёжно. Не «какую модель выбрать», а как спроектировать вокруг неё рабочую систему: инструкции, инструменты, среду, состояние и верификацию. Курс - от нуля до продвинутых тем: теоретическая база из 11 блоков, 14 модулей, 8 практических проектов, 14 лабораторных работ, диагностический протокол «как починить агента», библиотека готовых шаблонов, карта инструментов, 40 приёмов и каталог антипаттернов. Главный тезис курса: способность модели и надёжность исполнения - это две разные вещи. Одна и та же модель в «голой» среде и в среде с продуманным harness даёт качественно разные результаты. Апгрейд модели - это самый дорогой и обычно не самый эффективный способ починить агента. https://github.com/justxor/Harness_ru1,37%
  • 12 авг.🔥 9B-модель на 7 ГБ, которая по тестам автора лезет на территорию 27B На Hugging Face вышла Qwen3.5-9B The Defiant Fable от DavidAU. Это многоэтапный fine-tune Qwen3.5-9B с упором на reasoning, instruction following, код и creative-задачи. Модель распространяется под Apache 2.0, а автор также позиционирует её как uncensored/heretic-версию с минимальными отказами. Самое интересное в результатах. По собственному набору из семи бенчмарков автор заявляет, что 9B-версия обходит базовые Qwen3.5-9B, Qwen3.5-27B и Qwen3.6-35B-A3B, а местами приближается к Qwen3.6-27B. Причём сильные результаты сохраняются даже после 4-bit квантования. Это пока именно авторские тесты, а не независимый leaderboard. Для локального запуска уже готовы обычные и MTP GGUF с NEO IMATRIX. Q4_K_M занимает примерно 6,8-7 ГБ, IQ3_M около 5,6 ГБ, а экстремальный IQ2_M всего 4,94 ГБ. Контекст у базовой архитектуры до 262K токенов. Запускать можно через llama.cpp, Ollama, LM Studio, vLLM и другие локальные рантаймы, а через llama.cpp сразу поднимается OpenAI-compatible API. Если независимые тесты подтвердят цифры, это хороший пример того, насколько далеко сейчас можно вытянуть маленькую 9B-модель правильным fine-tuning, merge и квантованием. #AI #Qwen #LLM #LocalAI #GGUF1,12%
  • 2 июл.🖥 Python-трюк: `iter()` умеет работать как цикл до стоп-сигнала Многие знают iter() только для списков, но у него есть второй режим: iter(callable, sentinel) Он вызывает функцию снова и снова, пока она не вернёт sentinel. Например, читать большой файл кусками без while True: with open("video.mp4", "rb") as f: for chunk in iter(lambda: f.read(8192), b""): process(chunk) Что происходит: • lambda читает по 8192 байта • когда файл закончится, read() вернёт b"" • цикл сам остановится Выглядит мелко, но это чистый и питоновский способ убрать вечные: while True: chunk = f.read(8192) if not chunk: break Редкая штука, которую приятно знать.0,84%
  • 16 нояб. 2024 г.без подписи0,77%
  • 1 авг.🐍 Распаковка списков и кортежей в Python Значения последовательности можно сразу распределить по переменным: a, b, c = (1, 2, 3) a, b, c = [1, 2, 3] В обоих случаях результат одинаковый: ```python a == 1 b == 2 c == 3 Количество переменных должно совпадать с количеством элементов, иначе Python вызовет ValueError. Чтобы собрать оставшиеся значения, используйте *: first, *middle, last = [1, 2, 3, 4, 5] # first = 1 # middle = [2, 3, 4] # last = 5 Распаковка также позволяет поменять значения местами без временной переменной: a, b = b, a0,64%
  • 12 июл.DeepSeek собрали гайд по подключению своих моделей к coding tools Полезная находка для тех, кто хочет использовать DeepSeek не в отдельном чате, а прямо внутри привычных инструментов. В репозитории есть инструкции для: * Claude Code * Cline * Codex * GitHub Copilot * Cherry Studio * Crush * OpenCode * Qwen Code * DeepSeek-TUI * других agent/coding-assistant инструментов Каждый гайд проходит базовый путь: установка, конфиг, первый запуск. Идея простая: можно быстро подключить DeepSeek-V4-Pro или V4-Flash к своему рабочему процессу и проверить, насколько хорошо они тянут агентное кодинг-окружение. github.com/deepseek-ai/awesome-deepseek-agent0,63%
  • 23 июн.Больше никаких ожиданий: зеркало PyPI на GitVerse! ⚡️ Python‑пакеты теперь на российской платформе GitVerse, а это значит — скорость и стабильность вышли на новый уровень. Зависимости стали быстрее, а пайплайны больше не завязаны на доступность внешнего PyPI — звучит как мечта! Смотрите, как подключить зеркало, тестируйте и ставьте его как основной источник или держите как резерв!0,62%
  • 5 июн. 2025 г.✔️ Cursor 1.0 — стабильный релиз с полезными фичами Новая стабильная версия Cursor, и в ней появилось много обновлений, которые делают работу с кодом удобнее. Вот что стоит отметить: 🐞 Bugbot Автоматически проверяет Pull Request'ы на баги и предлагает исправления. Можно внести правку прямо в редакторе — в один клик. 🧠 Memory (beta) Cursor теперь запоминает контекст проекта, что помогает при командной работе и упрощает навигацию по коду. ⚙️ One-Click MCP Setup Настройка подключения к Model Context Protocol — теперь через одну кнопку, без ручной конфигурации. 📌 Дополнительно в 1.0: • Возможность редактировать несколько мест в коде одновременно • Поддержка таблиц, Markdown и диаграмм Mermaid в чате • Обновлённые настройки и админ-панель • Фоновая работа агентов — можно интегрировать их со Slack и Jupyter Notebooks Cursor постепенно становится более удобной средой для совместной работы с ИИ-помощником. https://www.cursor.com/changelog @ai_machinelearning_big_data #CursorAI #AIcoding #DevTools #Jupyter #CodeAssistant0,62%
  • 19 июн.5 вещей, которые надо сделать до старта Python-проекта Перед стартом Python-проекта сделай базовый набор, который потом спасёт нервы. Сначала создай отдельное окружение, чтобы проект не ломал всё вокруг. Потом сразу зафиксируй библиотеки, а не вспоминай через месяц, что ты ставил. Добавь автоформатирование кода, проверку ошибок и простые тесты. Секретные ключи держи отдельно, не пихай их прямо в код. И главное: сразу сделай нормальную структуру папок, README и проверку перед коммитом. Минимум простой: окружение, зависимости, форматирование, тесты и порядок в папках. Это не занудство. Это разница между проектом, который можно развивать, и папкой, которую страшно открыть через неделю.0,52%
  • 21 июн.🐍 Python Парсинг: Большой продвинутый бесплатный курс Полное практическое руководство по веб-скрейпингу на Python — от основ HTTP до production-grade пауков, обхода антибот-защит, асинхронности и проектирования надёжных пайплайнов. Каждый раздел содержит рабочие примеры, типовые ошибки и продвинутые практики. https://github.com/justxor/Pythonparsing-/tree/main0,50%
  • 24 июн.Один декоратор в Python может убрать сотни лишних запросов В Python есть встроенный кэш, о котором часто забывают: lru_cache из functools. Он запоминает результат функции и при повторном вызове с теми же аргументами не считает всё заново. from functools import lru_cache @lru_cache(maxsize=128) def get_user(user_id: int): print("Идём в базу...") return load_user_from_db(user_id) get_user(42) # запрос в базу get_user(42) # результат из кэша Где полезно: 1. дорогие вычисления 2. парсинг конфигов 3. API-запросы 4. рекурсивные алгоритмы 5. справочники и метаданные Есть и продвинутые фишки: get_user.cache_info() get_user.cache_clear() Первое покажет hit/miss статистику, второе очистит кэш. Главное помнить: lru_cache хорош для чистых функций, где результат зависит только от аргументов. Для случайных данных, времени, прав доступа и часто меняющейся базы лучше не использовать вслепую.0,49%
  • 15 июл.Кто-то разобрал Claude Code почти до винтика learn-coding-agent - репозиторий для тех, кто хочет понять, как устроены современные coding agents не на уровне промо-страниц, а на уровне архитектуры. Автор собрал разбор Claude Code по публичным источникам: цикл агента, систему инструментов, разрешения, работу с контекстом, сессии, подпроцессы, MCP, удалённые настройки, телеметрию и скрытые флаги. Получился не “гайд по использованию”, а карта внутренней логики CLI-агента: как он принимает решение, когда просит разрешение, как вызывает инструменты, как хранит историю и как расширяется через внешние интеграции. https://github.com/justxor/Claudecourse/0,44%