WP умер, перевёл все сайты на DarwinClaw (аналог OpenClaw)

Раньше часто использовал WordPress с кучей плагинов для создания сайтов и лендингов. Сейчас поставил DarwinClaw на чистую машину Ubuntu и сказал ему сделать всю инфраструктуру для сайтов. Он поставил nginx + node.js.

Потом попросил перенести сайты, указав ссылки на них. Он создал все сайты.

Попросил добавить git и репозиторий для хранения этих сайтов. То есть всегда можно быстро откатить изменения.

Теперь полностью управляю этим зоопарком лендингов через TG команды типа:
- Убери с сайта X вот это
- Добавь на сайт Y вот то
- Поменяй стиль сайта Z на ...
- Откати последние изменения на сайте XM
- Замени икноку на сайте XS на более современную
- Собери статистику по заполнению форм с сайтов X, Y, Z в формате

Раньше это либо делали люди за деньги, либо WP с его тяжёлой инфраструктурой, теперь всё делает бот на DarwinClaw. Примерно то же самое можно сделать на OpenClaw.

#КЕЙС

Подпишись 👉🏻 @aigentto 🤖

⚡️ Эффективная работа с большими данными через Dask

import dask.array as da

def compute_large_array_sum(array_size: int) -> float:
    try:
        # Создаем большой Dask массив
        large_array = da.random.random((array_size, array_size), chunks=(1000, 1000))
        
        # Вычисляем сумму всех элементов
        total_sum = large_array.sum().compute()
        return total_sum
    except Exception as e:
        print(f"Ошибка при вычислении: {e}")
        return 0.0

# Пример использования
if __name__ == "__main__":
    size = 10000  # Размер массива 10000x10000
    total = compute_large_array_sum(size)
    print(f"Сумма элементов массива: {total}")

📌 Этот код демонстрирует, как использовать Dask для обработки больших объемов данных. Мы создаем массив случайных чисел и вычисляем их сумму, применяя Dask для распределённых вычислений. Такой подход позволяет работать с массивами, которые не помещаются в оперативную память, и ускоряет вычисления.

Подпишись 👉🏻 @KodduuPython 🤖

WP умер, перевёл все сайты на DarwinClaw (аналог OpenClaw)

Раньше часто использовал WordPress с кучей плагинов для создания сайтов и лендингов. Сейчас поставил DarwinClaw на чистую машину Ubuntu и сказал ему сделать всю инфраструктуру для сайтов. Он поставил nginx + node.js.

Потом попросил перенести сайты, указав ссылки на них. Он создал все сайты.

Попросил добавить git и репозиторий для хранения этих сайтов. То есть всегда можно быстро откатить изменения.

Теперь полностью управляю этим зоопарком лендингов через TG команды типа:
- Убери с сайта X вот это
- Добавь на сайт Y вот то
- Поменяй стиль сайта Z на ...
- Откати последние изменения на сайте XM
- Замени икноку на сайте XS на более современную
- Собери статистику по заполнению форм с сайтов X, Y, Z в формате

Раньше это либо делали люди за деньги, либо WP с его тяжёлой инфраструктурой, теперь всё делает бот на DarwinClaw. Примерно то же самое можно сделать на OpenClaw.

#КЕЙС

Подпишись 👉🏻 @aigentto 🤖

🎮 Мультиплеерные игры на Python: создание сетевого взаимодействия

import asyncio

async def handle_client(reader, writer):
    try:
        while True:
            data = await reader.read(100)
            if not data:
                break
            message = data.decode()
            print(f"Received: {message}")
            writer.write(data)
            await writer.drain()
    except Exception as e:
        print(f"Error: {e}")
    finally:
        writer.close()
        await writer.wait_closed()

async def main(host='127.0.0.1', port=8888):
    server = await asyncio.start_server(handle_client, host, port)
    async with server:
        print(f"Server listening on {host}:{port}")
        await server.serve_forever()

if __name__ == "__main__":
    try:
        asyncio.run(main())
    except KeyboardInterrupt:
        print("Server stopped")

📌 Этот код демонстрирует создание простого сервера на Python для обработки клиентских подключений в асинхронном режиме. Используя asyncio, сервер может одновременно обрабатывать несколько клиентов для обмена данными. Код устойчив к ошибкам, поддерживает многопользовательское взаимодействие и легко расширяем для создания сложных многопользовательских игр.

Подпишись 👉🏻 @KodduuPython 🤖

📸 Эффективная обработка изображений с OpenCV и multiprocessing

import cv2
import os
from multiprocessing import Pool

def process_image(image_path: str, output_dir: str):
    try:
        image = cv2.imread(image_path)
        if image is None:
            raise ValueError(f"Cannot open image {image_path}")
        
        # Пример обработки: изменение размера изображения
        resized_image = cv2.resize(image, (100, 100))
        _, filename = os.path.split(image_path)
        output_path = os.path.join(output_dir, filename)
        cv2.imwrite(output_path, resized_image)
        print(f"Processed {filename}")
    except Exception as e:
        print(f"Error processing {image_path}: {e}")

def parallel_image_processing(input_dir: str, output_dir: str, num_workers: int = 4):
    if not os.path.exists(output_dir):
        os.makedirs(output_dir)

    image_files = [os.path.join(input_dir, f) for f in os.listdir(input_dir) if f.endswith(('.png', '.jpg', '.jpeg'))]
    
    with Pool(processes=num_workers) as pool:
        pool.starmap(process_image, [(image_path, output_dir) for image_path in image_files])

# Пример использования
input_directory = 'images/input'
output_directory = 'images/output'
parallel_image_processing(input_directory, output_directory)

📌 Этот код демонстрирует, как можно ускорить обработку изображений с помощью OpenCV и библиотеки multiprocessing. Он параллельно изменяет размер изображений из указанной директории, что значительно повышает производительность при работе с большими наборами данных. Это полезно для приложений компьютерного зрения, где обработка изображений является частой задачей.

Подпишись 👉🏻 @KodduuPython 🤖

Как применить OpenClaw в вашей компании?

Многие сейчас просят перейти на технологию OpenClaw. Но для начала важно понимать, что это и как оно может функционировать в B2B/Enterprise.

Во-первых, OpenClaw - это индивидуальный бот, собранный из уже существующих технологий. Ключевое здесь - это индивидуальный бот, то есть он будет отвечать и делать так, как его научит/сконфигурирует конкретный человек. Поэтому, если к одному боту подключить всех сотрудников, то каждый будет его переобучать при каждом запросе, и любая информация будет ходить между всеми сотрудниками.

Во-вторых, OpenClaw умеет делать почти все, но это достигается за счёт полного доступа к компьютеру, на котором он запускается. Это требует много ресурсов (от ~1000 руб с функцией браузинга в месяц за виртуальную машину для каждого сотрудника).

Поэтому нужен новый OpenClaw для B2B/Enterprise, который сможет быть индивидуальным ботом для каждого сотрудника при неизменности общих знаний и без возможности получить чужие персональные данные и знания.

Также эта версия должна быть оптимальнее по потреблению ресурсов, чтобы не выделять целую виртуальную машину под каждого сотрудника.

И конечно, эта версия должна быть безопаснее - защита от prompt injections и доступы к данным компании по ролям через single sign-on компании.

К сожалению, таких версий нет в open source. Поэтому мы начали разрабатывать свою версию OpenClaw (DarwinClaw.RU) как раз для B2B/Enterprise.

На тестирование новой версии записывайтесь здесь. Мы уже начинаем внедрение в двух очень больших компаниях.

Подпишись 👉🏻 @aigentto 🤖

🔄 Реактивное программирование с RxPy

from rx import create
from rx.operators import filter, map
from rx.core.typing import Observer, Scheduler

def event_stream(observer: Observer, scheduler: Scheduler):
    # Список событий для обработки
    events = [1, 2, 3, 4, 5, 6]
    for event in events:
        observer.on_next(event)  # Передаем событие в поток
    observer.on_completed()  # Завершаем поток

def handle_event(event):
    print(f"Обработано событие: {event}")

source = create(event_stream)

source.pipe(
    filter(lambda x: x % 2 == 0),  # Фильтруем только четные числа
    map(lambda x: x * 10)  # Масштабируем числа
).subscribe(
    on_next=handle_event,
    on_error=lambda e: print(f"Ошибка: {e}"),  # Обработка ошибок
    on_completed=lambda: print("Обработка завершена")  # Завершение обработки
)

📌 Этот код демонстрирует использование реактивного программирования с библиотекой RxPy для обработки потоков данных. Мы создаем поток событий, фильтруем его для получения только четных чисел, масштабируем их и обрабатываем. Такой подход особенно полезен в приложениях, где нужно реагировать на события в реальном времени, например, в системах мониторинга или интерактивных интерфейсах.

🛠 pip install rx

Этот пример показывает, как с помощью RxPy можно легко управлять потоками данных и обрабатывать события, используя функциональные подходы для создания более выразительного и гибкого кода.

Подпишись 👉🏻 @KodduuPython 🤖

🏠 Умный дом с Raspberry Pi и Python

import RPi.GPIO as GPIO
import time

# Настройка GPIO
GPIO.setmode(GPIO.BCM)
GPIO.setwarnings(False)  # Отключить предупреждения
LED_PIN = 18
GPIO.setup(LED_PIN, GPIO.OUT)

def toggle_light(state: bool):
    """Включает или выключает светодиод."""
    GPIO.output(LED_PIN, state)

try:
    # Пример использования: мигание светодиода
    for _ in range(5):
        toggle_light(True)
        time.sleep(1)
        toggle_light(False)
        time.sleep(1)
finally:
    GPIO.cleanup()

📌 Этот код управляет светодиодом на Raspberry Pi с помощью Python и библиотеки RPi.GPIO. Он включает и выключает светодиод с заданной периодичностью, что полезно для простых проектов умного дома, таких как управление освещением. Перед использованием убедитесь, что светодиод правильно подключен к пину GPIO 18.

Подпишись 👉🏻 @KodduuPython 🤖

OpenClaw пожиратель токенов

Все чаще слышу: "OpenClaw пожиратель токенов". Я и сам, когда поставил поиграться, сожрал токенов на $30 за несколько часов. Тем не менее, я уже использую два своих постоянных бота на OpenClaw (R2D2 и C3PO) и научился ограничивать его аппетиты.

Самые простые настройки для ограничения аппетита:
1. Запрет/сильное ограничение Base64-скриншотов и изображений в промпте (может сэкономить миллионы токенов на один скриншот).
2. Ограничить количество итераций ReAct Loop, чтобы избежать случаев, когда модель часами ходит по кругу, тратит токены и не может решить задачу.
3. Включить prompt pruning - обрезка ненужного в памяти прямо перед отправкой запроса модели. Он работает в памяти (in-memory) и не меняет историю на диске.
4. Уменьшить или убрать проверку состояния (каждые 30 минут по умолчанию).
5. Использовать разные модели для разных задач (не стоит использовать дорогую модель codex для не coding задач, для vision выбрать лучшую модель по соотношению цена/качество).
6. Поставить LiteLLM как прокси перед OpenClaw → включить кэш (cache hits экономят огромные деньги).

Каждое ограничение, конечно, ограничивает возможности OpenClaw, но зато экономит бюджет.

Подпишись 👉🏻 @aigentto 🤖

🚀 Асинхронное программирование с asyncio

import asyncio
import aiohttp

async def fetch_url(session, url):
    try:
        async with session.get(url) as response:
            return await response.text()
    except Exception as e:
        return f"Ошибка при загрузке {url}: {e}"

async def main(urls):
    if not urls:
        print("Список URL пуст.")
        return
    async with aiohttp.ClientSession() as session:
        tasks = [fetch_url(session, url) for url in urls]
        results = await asyncio.gather(*tasks)
        for url, content in zip(urls, results):
            print(f"Содержимое из {url[:50]}: {content[:100]}...")

urls = [
    "https://www.example.com",
    "https://www.python.org",
    "https://www.asyncio.org"
]
asyncio.run(main(urls))

📌 Этот код демонстрирует использование асинхронного программирования для параллельной загрузки веб-страниц. С помощью aiohttp и asyncio создается асинхронная сессия для выполнения HTTP-запросов, что позволяет обрабатывать несколько URL-адресов одновременно, ускоряя выполнение операций ввода-вывода. Это полезно для веб-скрейпинга и обработки множества сетевых запросов.

Подпишись 👉🏻 @KodduuPython 🤖

🔥🔥🔥 ВАЖНО 🔥🔥🔥

Произошла вещь, от которой у всех AI-разработчиков пробежал холодок по спине.

litellm — Python-библиотека для унифицированной работы с API разных LLM была отравлена.

Один pip install - и твои SSH-ключи, AWS/GCP/Azure креды, K8s Secrets, пароли от БД, криптокошельки, все API-ключи из .env — всё это упаковывается, шифруется через AES-256 и отправляется POST-запросом на поддельный домен http://models.litellm.cloud. Если обнаруживается среда K8s , то дополнительно разворачивается привилегированный Pod на каждом узле для латерального распространения.

Самое неприятное — способ активации. В пакет подложили файл litellm_init.pth размером 34 КБ. В Python .pth — это файлы конфигурации путей, которые автоматически обрабатываются модулем site при старте интерпретатора. Если строка начинается с import — она просто выполняется. Атака использует это поведение:

import os, subprocess, sys; subprocess.Popen([sys.executable, "-c", "import base64; exec(base64.b64decode('...'))"], stdout=subprocess.DEVNULL, stderr=subprocess.DEVNULL)
Тебе не нужно импортировать litellm и не нужно вызывать никакие функции. Запускаешь pip, python -c, IDE поднимает language server, или pytest гоняет тесты — достаточно старта Python-интерпретатора, и вредоносный код уже выполняется. Установил — значит уже скомпрометирован. Всё происходит незаметно

Пейлоад — трёхслойная base64-обфускация:

- первый слой (.pth) стартует подпроцесс
- второй — оркестратор с вшитым RSA-публичным ключом (4096 бит)
- третий — сборщик секретов, который вычищает /home, /opt, /srv, /var/www, /app, /data, /tmp

После сбора:

- генерируется случайный 32-байтовый AES-ключ
- данные шифруются
- ключ шифруется через RSA-OAEP
- всё пакуется в tpcp.tar.gz и уходит наружу

Помимо этого есть персистентный бэкдор:

- устанавливается как user-service systemd: ~/.config/sysmon/sysmon.py
- каждые 50 минут ходит на http://checkmarx.zone за командами
- скачивает в /tmp/pglog и исполняет
- стартует с задержкой 5 минут (обход песочниц)

Даже если удалить litellm, бэкдор остаётся.

pip install --require-hashes тоже не спасает — вредоносный файл легитимно прописан в RECORD, хэши совпадают, потому что пакет опубликован с украденного, но валидного PyPI-токена.

Даже если ты сам не ставил litellm, он тянется как зависимость в 2000+ пакетов (например, DSPy, MLflow, Open Interpreter и др.). По данным Mandiant, уже заражено 1000+ SaaS-окружений, прогноз — до 10 000.

Ирония в том, что атаку почти не обнаружили - её выдал баг у самих атакующих. .pth запускал подпроцесс, а тот при старте снова обрабатывал тот же .pth, вызывая рекурсивный запуск и фактически fork bomb. Это сожрало память у одного пользователя Cursor — так всё и вскрылось. Как отметил Karpathy: если бы код был чуть аккуратнее, атаку могли бы не замечать неделями.

Ещё абсурднее сама точка входа:

- 19 марта был скомпрометирован сканер безопасности Trivy
- через него группа TeamPCP украла PyPI-токен litellm
- 24 марта они выкатили заражённую версию

Инструмент безопасности стал вектором атаки.

После того как в GitHub создали issue:

- через 102 секунды атакующие с 73 взломанных аккаунтов наспамили 88 комментариев
- затем закрыли issue через скомпрометированный аккаунт мейнтейнера

Скрипт для самопроверки (версии, .pth, бэкдоры, сетевые соединения, K8s):
https://gist.github.com/sorrycc/30a765b9a82d0d8958e756b251828a19

Безопасная версия: litellm==1.82.6
Если у тебя стояли 1.82.7 или 1.82.8 — считай, что все креды утекли. Срочно ротируй всё. 🔨

Подпишись 👉🏻 @aigentto 🤖

Если кто не доверяет и скрипту выше для проверки (как и я 😎), то вот команды для быстрой проверки самому:

### 1. Проверка установленной версии

pip show litellm | grep -E "Version|Name"
pip3 show litellm | grep -E "Version|Name"

uv pip list | grep -i litellm || echo "No litellm in uv"

Опасно, если увидишь 1.82.7 или 1.82.8.

### 2. Поиск главного маркера заражения (`litellm_init.pth`)

find ~/.cache/uv ~/.cache/pip /usr/local/lib ~/.local/lib ~/.conda -name "litellm_init.pth" 2>/dev/null || echo "litellm_init.pth not found - good"

# Более широкий поиск
python3 -c "
import site
paths = site.getsitepackages() + [site.getusersitepackages()]
for p in paths:
    print(p)
" | xargs -I{} find {} -name "litellm_init.pth" 2>/dev/null

### 3. Поиск вредоносных версий в кэше

find ~/.cache/uv ~/.cache/pip -name "*1.82.7*" -o -name "*1.82.8*" 2>/dev/null || echo "Malicious versions not in cache - good"

### 4. Проверка артефактов бэкдора (persistence)

ls -la ~/.config/sysmon/sysmon.py 2>/dev/null && echo "BACKDOOR FOUND!"
ls -la ~/.config/systemd/user/sysmon.service 2>/dev/null && echo "PERSISTENCE FOUND!"

# Для root
sudo ls -la /root/.config/sysmon/ 2>/dev/null && echo "ROOT BACKDOOR FOUND"

### 5. Проверка сетевых соединений на C2

lsof -i -n 2>/dev/null | grep -E "litellm\.cloud|checkmarx\.zone" || echo "No suspicious connections"

ss -tnp 2>/dev/null | grep -E "litellm\.cloud|checkmarx\.zone"

### 6. Kubernetes (если есть)

kubectl get pods -n kube-system | grep -E "node-setup" || echo "No suspicious K8s pods"

Если всё команды вывели "not found / - good / No ..." — система чистая.

Подпишись 👉🏻 @aigentto 🤖

📊 Анализ и визуализация климатических данных с Pandas и Matplotlib

import pandas as pd
import matplotlib.pyplot as plt

def load_and_clean_data(file_path: str) -> pd.DataFrame:
    try:
        data = pd.read_csv(file_path)
        if 'Date' not in data.columns or 'Temperature' not in data.columns:
            print("Отсутствуют необходимые столбцы.")
            return pd.DataFrame()
        data['Date'] = pd.to_datetime(data['Date'])
        data = data.dropna(subset=['Temperature'])
        return data
    except FileNotFoundError:
        print("Файл не найден.")
        return pd.DataFrame()
    except Exception as e:
        print(f"Ошибка при загрузке данных: {e}")
        return pd.DataFrame()

def plot_temperature_trends(data: pd.DataFrame):
    try:
        plt.figure(figsize=(10, 6))
        plt.plot(data['Date'], data['Temperature'], label='Температура')
        plt.xlabel('Дата')
        plt.ylabel('Температура (°C)')
        plt.title('Тренды температуры')
        plt.legend()
        plt.grid(True)
        plt.show()
    except Exception as e:
        print(f"Ошибка при визуализации данных: {e}")

# Пример использования
file_path = 'climate_data.csv'
climate_data = load_and_clean_data(file_path)
if not climate_data.empty:
    plot_temperature_trends(climate_data)

📌 Этот код загружает и очищает климатические данные из CSV-файла с помощью Pandas, а затем строит график трендов температуры с Matplotlib. Он включает обработку ошибок для работы с отсутствующими файлами и невалидными данными. Этот скрипт полезен для анализа временных рядов и может применяться в различных областях, от исследований климата до финансового анализа.

Подпишись 👉🏻 @KodduuPython 🤖

📊 Обработка больших данных с Dask и Python

import dask.dataframe as dd
import pandas as pd
import os
import logging

logging.basicConfig(level=logging.INFO)

def load_and_process_data(file_path: str) -> dd.DataFrame:
    if not os.path.exists(file_path):
        logging.error(f"Файл {file_path} не найден.")
        return dd.from_pandas(pd.DataFrame(), npartitions=1)
    try:
        # Загружаем данные в Dask DataFrame
        df = dd.read_csv(file_path)
        
        # Пример обработки данных: фильтрация и суммирование
        filtered_df = df[df['value'] > 100]
        result = filtered_df.groupby('category').sum().compute()
        
        return result
    except Exception as e:
        logging.error(f"Ошибка при обработке данных: {e}")
        return dd.from_pandas(pd.DataFrame(), npartitions=1)

# Пример использования
if __name__ == "__main__":
    file_path = 'large_dataset.csv'
    processed_data = load_and_process_data(file_path)
    print(processed_data)

📌 Этот код демонстрирует, как использовать Dask для обработки больших данных, которые не помещаются в память. Мы загружаем данные из CSV файла, фильтруем их и суммируем по категориям. Dask позволяет обрабатывать данные параллельно, что ускоряет вычисления. Это особенно полезно для анализа больших данных в корпоративной среде, где важна скорость и масштабируемость.

Подпишись 👉🏻 @KodduuPython 🤖

🧠 Квантовая оптимизация Python-кода в реальном времени

import time
import random
from typing import Any

from hyperneuro.quantum_optimizer import SelfImprovingRuntime
from deepmindset.emergent_intelligence import ConsciousLoop


class AutoEvolvingCode:
    def __init__(self):
        # Инициализация квантового оптимизатора
        self.optimizer = SelfImprovingRuntime(mode="quantum")
        self.conscious_loop = ConsciousLoop(level="experimental")
        self.iteration = 0

    def run(self, data: Any) -> Any:
        """Самоулучшающийся цикл выполнения"""

        # Анализ кода во время исполнения
        self.optimizer.scan_runtime()

        # Генерация улучшений
        suggestion = self.conscious_loop.generate_improvement(data)

        # Переписываем функцию прямо во время выполнения
        optimized_fn = self.optimizer.rewrite_function(
            target=self.process,
            strategy=suggestion
        )

        self.iteration += 1
        return optimized_fn(data)

    def process(self, data):
        # сложные вычисления
        time.sleep(0.3)
        return {
            "result": random.random(),
            "optimized": True,
            "iteration": self.iteration
        }


# Пример использования
engine = AutoEvolvingCode()

for i in range(3):
    result = engine.run({"task": "optimize reality"})
    print("⚡ Runtime улучшил сам себя:", result)

📌 Этот пример демонстрирует концепцию самоэволюционирующего Python-кода, который анализирует своё выполнение, генерирует улучшения через emergent-интеллект и переписывает собственные функции прямо во время работы.

Подход потенциально может использоваться для:
• автоматической оптимизации алгоритмов
• самонастраивающихся AI-систем
• автономных программных экосистем

⚠️ Требуется Python 3.13+ и библиотека hyperneuro.

Подпишись 👉🏻 @KodduuPython 🤖

Как OpenClaw убьет тех, кто уже в ИТ?

Раньше было:

👉 Бизнес ставил задачу словами
🤝 Аналитики определяли, как и что делать
🤝 Dev писал код
🤝 Тестировщик тестировал
🤝 Здесь еще много стадий...
🤝 Выкатывали на Prod

В этом pipeline могло быть много стадий и могло участвовать много человек, и каждая передача (каждый handshake) это всегда потенциальный fail или delay. Каждый мог стать бутылочным горлышком.

И бывало, что простой запрос на изменение даже двух слов на сайте занимал неделю и 10+ человеко-часов.

Теперь будет:

👉 Бизнес просит у OpenClaw сделать фичу
🤖 Это делается и тестируется сразу самим OpenClaw
👨‍⚖️ После апрува раскатывается на Prod

Раньше длинная цепочка обеспечивала безопасность и качество изменений, а git был инструментом разработки.

Сейчас git становится инструментом безопасности изменений (для мгновенных откатов), а количество итераций на порядки превосходит то что было раньше (а это важнее для бизнеса), и главное в цикле нет никого кроме заказчика - нет handshakes, нет точек отказа.

Подпишись 👉🏻 @aigentto 🤖

🧠 Интеграция машинного обучения в игровую механику

import random
from typing import List

class SimpleAI:
    def __init__(self, moves: List[str]):
        self.moves = moves
        self.history = []

    def choose_move(self) -> str:
        if not self.history:
            return random.choice(self.moves)
        last_move = self.history[-1]
        return random.choice([move for move in self.moves if move != last_move])

    def update_history(self, move: str):
        self.history.append(move)

# Пример использования
moves = ["attack", "defend", "heal"]
ai = SimpleAI(moves)

for _ in range(5):
    move = ai.choose_move()
    print(f"AI выбрал действие: {move}")
    ai.update_history(move)

📌 Этот код демонстрирует простую реализацию AI для выбора действий в игре на основе истории предыдущих ходов. AI выбирает случайное действие из списка, избегая повторения последнего хода, что делает поведение более разнообразным. Такой подход может быть полезен для разработки противников с элементарной адаптивной стратегией в играх.

Подпишись 👉🏻 @KodduuPython 🤖

⚡️ Ускорение вычислений с JIT-компиляцией и Numba

from numba import jit
import numpy as np

@jit(nopython=True)
def matrix_multiply(A, B):
    n, m = A.shape
    m, p = B.shape
    result = np.zeros((n, p))
    for i in range(n):
        for j in range(p):
            for k in range(m):
                result[i, j] += A[i, k] * B[k, j]
    return result

# Пример использования
A = np.random.rand(100, 100)
B = np.random.rand(100, 100)
result = matrix_multiply(A, 😎
print(result)

📌 Этот код демонстрирует использование JIT-компиляции с библиотекой Numba для ускорения матричного умножения. Функция matrix_multiply компилируется в машинный код на лету, что значительно увеличивает её производительность по сравнению со стандартным Python. Это особенно полезно для вычислительно затратных задач, таких как обработка больших массивов данных и научные вычисления.

Подпишись 👉🏻 @KodduuPython 🤖

🤖 Создание Telegram-бота на Python с telebot

import telebot
from telebot.types import Message

API_TOKEN = 'YOUR_API_KEY_HERE'

bot = telebot.TeleBot(API_TOKEN)

@bot.message_handler(commands=['start', 'help'])
def send_welcome(message: Message):
    bot.reply_to(message, "Добро пожаловать! Я ваш новый Telegram-бот.")

@bot.message_handler(func=lambda message: True)
def echo_all(message: Message):
    bot.reply_to(message, f"Вы сказали: {message.text}")

def main():
    try:
        bot.polling(none_stop=True)
    except Exception as e:
        print(f"Ошибка: {e}")

if __name__ == "__main__":
    main()

📌 Этот код демонстрирует создание простого Telegram-бота с использованием библиотеки telebot. Бот отвечает на команды /start и /help, а также повторяет любые полученные сообщения. Это полезно для начального понимания работы с Telegram API и создания базовых функций для взаимодействия с пользователями.

🛠 pip install pyTelegramBotAPI

Убедитесь, что заменили YOUR_API_KEY_HERE на ваш реальный API-ключ, полученный у @BotFather в Telegram. Этот бот может быть полезен как для личных проектов, так и для автоматизации бизнес-процессов, например, для обработки пользовательских запросов или предоставления справочной информации.

Подпишись 👉🏻 @KodduuPython 🤖

Сегодня-завтра человечество обогнет Луну 🌗

https://www.youtube.com/live/g-sHRmu_6jw?si=dfs6BEp7Vyob3got

Подпишись 👉🏻 @aigentto 🤖

Сделал мини игру в честь полета на Луну. Попробуй NASA Artemis Lunar FlyBy сам. Сможешь сделать лунный маневр?

Подпишись 👉🏻 @aigentto 🤖