Как автоматизировать Photoshop через кодинг

Когда говорят об автоматизации, чаще всего имеют в виду Python. Но важно понимать: Photoshop не выполняет Python-код напрямую.

Зато у него есть встроенная поддержка скриптов — Photoshop умеет исполнять код на JavaScript (ExtendScript).

Это не «JS как в браузере» и не замена Python. Это родной язык автоматизации Photoshop, с прямым доступом к:

- слоям
- тексту
- смарт-объектам
- экспорту файлов
- истории документа

Если задача — управлять самим Photoshop, то скрипты внутри Photoshop — самый надёжный путь.

Что это даёт на практике

Через код можно:

- массово менять текст в PSD
- генерировать сотни изображений из одного шаблона
- автоматизировать экспорт
- исключить Actions и Variables с их ограничениями

По сути, мы описываем действия, которые дизайнер делает руками, но в виде кода.

Пример задачи

Есть:

- один PSD
- текстовый слой
- значения 1 м → 100 м

Нужно:

- автоматически подставить значения
- сохранить 100 PNG-файлов
- вернуть PSD в исходное состояние

Пример скрипта для Photoshop (JSX)

#target photoshop

var doc = app.activeDocument;
var layerName = "1 м"; // имя текстового слоя
var outputFolder = Folder.selectDialog("Выбери папку для сохранения");

if (!outputFolder) {
    alert("Папка не выбрана");
    exit();
}

function findTextLayer(layerSet) {
    for (var i = 0; i < layerSet.layers.length; i++) {
        var layer = layerSet.layers[i];
        if (layer.kind == LayerKind.TEXT && layer.name == layerName) {
            return layer;
        }
        if (layer.typename == "LayerSet") {
            var found = findTextLayer(layer);
            if (found) return found;
        }
    }
    return null;
}

var textLayer = findTextLayer(doc);
if (!textLayer) {
    alert("Текстовый слой не найден");
    exit();
}

for (var i = 1; i <= 100; i++) {
    textLayer.textItem.contents = i + " м";

    var file = new File(outputFolder + "/pkabel_4x2_5_" + i + "m.png");

    var opts = new PNGSaveOptions();
    opts.compression = 9;

    doc.saveAs(file, opts, true, Extension.LOWERCASE);
}

// откат без сохранения
doc.activeHistoryState = doc.historyStates[0];

alert("Готово!");

Как запускать

- Photoshop → Файл → Сценарии → Обзор…
- выбрать .jsx
- выбрать папку
- получить пачку файлов

Важный момент

Python здесь не «конкурент» JavaScript.

- Python — отличный оркестратор процессов
- Photoshop — отдельная среда выполнения
- ExtendScript — язык управления внутри неё

В реальных пайплайнах это часто комбинируется: Python → запускает процессы → Photoshop выполняет свои скрипты

С наступившим 2026-м, друзья! 🎄✨

В прошлом году я появлялся здесь реже, чем хотелось бы — и вам, и мне самому. Практика, рабочие задачи, собственные проекты затянули с головой, и на статьи не всегда оставались силы и время. Но за это время я понял одну важную вещь: я действительно скучал.

Скучал по вам, по диалогу, по самому процессу — когда берёшь идею из реальной задачи и превращаешь её в понятный, живой материал.

А фактуры, к слову, накопилось немало. Реальная практика, настоящие кейсы: FastAPI, Aiogram, LangChain, LangGraph и ещё куча интересных находок.

Уже сейчас у меня готов материал для трёх больших статей на Хабр (написаны тексты и код, остается вычитать), и в этом году я хочу писать заметно чаще.

Идей много, проектов ещё больше — самое время возвращаться в активный ритм и делиться тем, что действительно работает.

Спасибо, что остаетесь здесь и не теряете канал из виду. Это очень мотивирует.

Пусть 2026-й станет для вас годом чистого кода, интересных задач и по-настоящему лёгких решений 🐍✨

🚀 5 января на Хабре выходит мой большой практический туториал «Как запустить 4 независимые нейросети на одном GPU (16 ГБ) под FastAPI»

Если вы когда-нибудь пытались запустить несколько AI-моделей на одном GPU и упирались в CUDA out of memory, костыли, докер-ад или облачные счета — этот материал точно для вас.

🧠 Что я показываю в статье (33 минуты на прочтение):

✔️ Как параллельно запустить 4 нейросети на одном GPU 16GB (RTX A4000)
✔️ Реальный FastAPI-пайплайн:

OCR (DeepSeek) → ASR (Whisper RU) → LLM (Qwen2.5) → TTS (MMS RU)

✔️ GPU memory tricks: torch.no_grad, lazy loading, fp16, освобождение VRAM
✔️ Продакшн без Docker: systemd, virtualenv, автозапуск
✔️ Почему VPS с GPU за ~12к/мес выгоднее облачных API
✔️ PyTorch + Transformers — hands-on, без воды

🔥 Какие модели используются:

* 🖼 DeepSeek OCR — распознавание текста
* 🎙 Whisper RU — ASR
* 🤖 Qwen2.5 — LLM
* 🗣 MMS-TTS (RU) — синтез речи

📡 Всё это объединено в FastAPI с отдельными эндпоинтами и общим GPU.

📦 Исходники уже открыты:

* код
* тесты
* конфиги
* systemd-сервисы

👉 GitHub: ССЫЛКА

Это не «посмотрите, как красиво», а реальный боевой сетап, который можно:

* развернуть на своём сервере
* доработать под продукт
* использовать как базу для AI-сервиса

📅 Публикация: 5 января на Хабре
⭐️ Если тема откликается — поставь звезду репозиторию, чтобы не потерять
💬 В комментариях к статье можно будет задать вопросы — отвечу👇

🚀 Заставляем работать ChatGPT, Claude, Copilot и Gemini в РФ — без VPN и платных прокси

Да, это реально. Достаточно поменять DNS — и большинство ИИ-сервисов, которые «не работают в России», снова открываются 👇

🔧 Что за магия и почему это работает

Comss.one DNS — публичные DNS-серверы на базе PowerDNS с поддержкой:

* 🔐 DNS-over-HTTPS (DoH)
* 🔐 DNS-over-TLS (DoT)
* 🔐 DNS-over-QUIC
* 🛡 Блокировка рекламы, трекеров, фишинга и вредоноса

💡 Фишка: через эти DNS снимаются региональные ограничения для ряда ИИ-сервисов — без VPN и туннелей.

🤖 Какие ИИ реально запускаются

По официальному списку и отзывам пользователей:

✅ ChatGPT — веб + приложения (Windows, macOS, Android, iOS)
✅ Claude AI — веб (включая Claude Code!)
✅ Google Gemini — веб, Android, Chrome
✅ Microsoft Copilot — веб, Windows, Android, iOS
✅ GitHub Copilot
✅ Google ImageFX, Sora, Designer, xAI Grok и др.

⚠️ Список периодически обновляется — актуальный всегда на сайте Comss.one

🌍 DNS-адреса Comss.one

Обычный DNS (IPv4):

83.220.169.155
212.109.195.93

DNS-over-HTTPS (DoH):

https://dns.comss.one/dns-query

DNS-over-TLS (DoT):

dns.comss.one

🪟 Windows

🔹 Вариант 1: системный DNS (лучший)

1. Параметры → Сеть и Интернет → Свойства подключения
2. DNS → «Вручную»
3. Введите DNS:

83.220.169.155
212.109.195.93   

4. Включите шифрование DNS (DoH)
5. Добавьте:

https://dns.comss.one/dns-query
   

6. Переподключите сеть

🔹 Вариант 2: только в браузере

Подходит для Chrome / Edge / Brave / Opera:

* Настройки → Конфиденциальность → Безопасный DNS
* Пользовательский DNS:

https://dns.comss.one/dns-query

Перезапустите браузер

🍏 macOS

🔹 Системный DNS

1. Системные настройки → Сеть
2. Подключение → Подробно → DNS
3. Удалите старые и добавьте:

83.220.169.155
212.109.195.93   

4. Переподключите Wi-Fi

🔹 Через браузер (DoH)

Аналогично Windows — включаем «Безопасный DNS» и указываем:

https://dns.comss.one/dns-query

🐧 Linux

🔹 Быстро (GUI)

В настройках сети → IPv4 → DNS:

83.220.169.155, 212.109.195.93

🔹 Через systemd-resolved (DoT)

sudo nano /etc/systemd/resolved.conf

[Resolve]
DNS=83.220.169.155#dns.comss.one 212.109.195.93#dns.comss.one
DNSOverTLS=yes

sudo systemctl restart systemd-resolved
resolvectl status

✅ Как проверить

* Зайдите на страницу проверки DNS от Comss.one
* Откройте:

* https://chatgpt.com
* https://claude.ai
* https://gemini.google.com

Если сервисы грузятся без региональных заглушек — всё работает 🔥

⚠️ Важно знать

* ❗️ Это не VPN — шифруется только DNS, не весь трафик
* ❗️ Некоторые API или студии могут всё ещё быть недоступны
* ✅ Зато работает быстро, стабильно и без подписок

👍 Сохраняйте, делитесь и не теряйте доступ к ИИ.

🚀 Статья опубликована (да, с небольшим запозданием)

На Хабре вышел мой большой практический туториал:

👉 Как поднять мультимодальный AI-сервис (OCR, ASR, LLM, TTS) на одной GPU 16GB без облачных API

Это реальный продакшен-сетап, а не демо и не «игрушка».


🧠 4 нейросети на одном GPU (RTX A4000, 16GB)

OCR → ASR → LLM → TTS

Стек технологий:

FastAPI + PyTorch + Transformers

Используемые модели:

- 🖼 DeepSeek OCR
- 🎙 Whisper RU
- 🤖 Qwen2.5
- 🗣 MMS-TTS (RU)

Что внутри статьи

⚙️ Подготовка VPS: Ubuntu + CUDA + драйверы

🧮 Управление VRAM без CUDA OOM (fp16, lazy loading, torch.no_grad, освобождение памяти)

🚀 Продакшен без Docker: systemd, virtualenv, автозапуск

🌐 Nginx + HTTPS + домен

🧪 Тестирование через Swagger

Итог

Локальный AI-сервис «под ключ»:

- предсказуемые расходы (VPS с GPU ≈ 12к/мес)
- полная приватность данных
- база для AI-продукта или стартапа

📦 Полный исходный код проекта 👉 GitHUB

💬 Материал получился непростым, поэтому если остались вопросы — пишите тут 👇 или в комментариях на Хабре. По возможности всем отвечу.

P.S. Искренне постараюсь сделать всё, чтобы в 2026 году таких больших пауз по публикациям больше не было 🙂

Всех с прошедшими праздниками. Начинаем! 🚀

Хабр только у меня лежит?

🚀 За 5 минут сделал свою базу знаний с ИИ на Python

Создал AI-блокнот, загрузил туда топовые книги по продуктивности и мотивации и написал простой Python-скрипт для чата с ними.

📸 На скрине — живой пример

Я задаю вопрос из терминала:

👉 «топ-10 основных принципов из книги “Атомные привычки”»

Скрипт в ответ:

- делает структурированную выжимку
- отвечает строго по загруженной книге
- показывает источники и конкретные фрагменты текста

По сути, это ChatGPT на моих книгах:

✅ без галлюцинаций
✅ с цитатами
✅ запускается одной командой

⬇️ Ниже — инструкция, как повторить это за 5 минут на любом наборе документов (PDF, видео, статьи, текстовые файлы). Понадобится аккаунт Google и VPN⬇️

🔹 ИНСТРУКЦИЯ: как повторить за 5 минут

📘 Что такое NotebookLM (коротко и по делу)

NotebookLM — это AI-блокнот от Google, в который ты загружаешь свои источники, а ИИ:

- отвечает строго по этим материалам
- показывает цитаты и источники
- не галлюцинирует

Поддерживаются:

- PDF, DOCX, Markdown
- статьи и сайты
- видео (ссылки)

Лимиты:

* 🆓 бесплатно — до 50 источников в одном блокноте
* ⭐️ Pro — до 300 источников

⚙️ Шаг 1. Подготовка окружения

mkdir my-knowledge-base && cd my-knowledge-base
python -m venv .venv && source .venv/bin/activate
pip install notebooklm-py==0.3.1 playwright==1.57.0
playwright install chromium

🔐 Шаг 2. Авторизация в Google (один раз)

notebooklm login

При первом запуске откроется браузер для входа в Google. После этого cookies сохраняются в storage_state.json, и повторная авторизация не нужна.

📚 Шаг 3. Проверяем доступ и смотрим свои блокноты

Создаём файл auth.py — он проверяет авторизацию и выводит все доступные блокноты.

# auth.py — сохрани и запусти
import asyncio
from notebooklm import NotebookLMClient

async def test_auth():
    # from_storage() использует сохранённые куки
    async with await NotebookLMClient.from_storage() as client:
        print("✅ Авторизация успешна!\n")

        notebooks = await client.notebooks.list()
        print("📚 Твои блокноты:")
        for nb in notebooks:
            print(f"  - {nb.title} (ID: {nb.id})")

asyncio.run(test_auth())

После запуска ты увидишь список всех своих блокнотов и их ID — он понадобится дальше.

💬 Шаг 4. Чат с блокнотом (RAG без галлюцинаций)

Создаём chat.py — скрипт для общения с выбранным блокнотом.

# chat.py — отправка запросов в NotebookLM
import asyncio
from notebooklm import NotebookLMClient

# ID блокнота для тестов
NOTEBOOK_ID = "NOTEBOOK_ID"

# Системный промпт для русского языка
SYSTEM_PROMPT = "Всегда отвечай на русском языке. Будь кратким и информативным."

async def ask_notebook(question: str, show_sources: bool = True):
    """Отправить вопрос в блокнот и получить ответ с информативными источниками"""
    async with await NotebookLMClient.from_storage() as client:
        print(f"📤 Вопрос: {question}")
        print("-" * 50)

        # Добавляем системный промпт к вопросу
        full_question = f"{SYSTEM_PROMPT}\n\nВопрос: {question}"
        result = await client.chat.ask(NOTEBOOK_ID, full_question)

        print(f"📥 Ответ:\n{result.answer}")

        # Выводим информативные источники
        if show_sources and hasattr(result, 'references') and result.references:
            # Получаем список источников блокнота для маппинга id -> title
            sources = await client.sources.list(NOTEBOOK_ID)
            source_map = {src.id: src for src in sources}

            print("\n" + "=" * 50)
            print("📚 ИСТОЧНИКИ:")
            print("=" * 50)

            # Группируем цитаты по номеру
            seen_citations = set()
            for ref in result.references:
                if ref.citation_number in seen_citations:
                    continue
                seen_citations.add(ref.citation_number)

                source = source_map.get(ref.source_id)
                source_title = source.title if source else "Неизвестный источник"

                # Обрезаем цитату если слишком длинная
                cited_text = ref.cited_text or ""
                if len(cited_text) > 150:
                    cited_text = cited_text[:150] + "..."

                print(f"\n[{ref.citation_number}] {source_title}")
                print(f"    💬 \"{cited_text}\"")

        return result


async def main():
    # Тестовый запрос
    question = input("Введите вопрос: ") if __name__ == "__main__" else "О чём этот блокнот?"
    await ask_notebook(question, show_sources=False)


if __name__ == "__main__":
    asyncio.run(main())

Запуск:

python chat.py

Все мы можем тупануть. Главное - вовремя исправиться😁

Я тут к общему хайпу вокруг OpenClaw присоединился и получились интересные наработки. Будет интересно в одной из следующих статей на Хабре узнать подробнее о данном звере и о том, как его подружить с Python?