Python медленный, потому что его динамическая архитектура требует runtime-dispatch при выполнении каждой операции.

В этой статье много хороших разборов, которые помогают лучше понять, как работает Python. Очень хорошая работа!

👉 @PythonPortal

Развлечения в 2026

👉 @PythonPortal

Представили browser-whisper

Транскрибация аудио в текст, которая работает нативно прямо в браузере.

Использует WebCodecs и WebGPU под капотом.

Особенности:

- без настройки backend
- не требуется API-ключ
- 100% приватно и работает офлайн
- всего 3 строки кода, чтобы встроить

Установка:

npm i browser-whisper

GitHub-репозиторий ↓

https://github.com/tanpreetjolly/browser-whisper

👉 @PythonPortal

Python Tip: Перегрузка операторов

Это очень важная концепция в Python.

Задумывались ли вы, как Python понимает, что означает оператор +? Для чисел — это сложение; для строк — конкатенация; для списков — объединение. Это и есть перегрузка операторов в действии.

Перегрузка операторов означает задание специального поведения для операторов (+, -, *, == и т. д.) в ваших пользовательских классах. Вы определяете, как эти операторы должны работать с вашими объектами.

👉 @PythonPortal

Alibaba показали, что AI в кодинге не отнимает работу — он пишет легаси, которое ты будешь чинить ближайшие 10 лет 🤣

Пройти кодинг-тест один раз — легко. Поддерживать этот код 8 месяцев, чтобы он не развалился? Для AI почти невозможно.

Alibaba протестировали 18 AI-агентов на 100 реальных кодовых базах в течение 233 дней. Смотрели не на «быстрые фиксы», а на долгосрочную стабильность.

Результаты впечатлили:

— 75% моделей ломали уже работающий код в процессе поддержки
— Только Claude Opus 4.5/4.6 держали >50% zero-regression rate
— Все остальные накапливали техдолг, который в итоге «ронял» кодовую базу

Проблема в том, что мы до сих пор ориентировались на snapshot-бенчмарки вроде HumanEval — «работает ли сейчас?»

Новый бенчмарк SWE-CI задаёт другой вопрос:

«А будет ли это работать через 8 месяцев эволюции?»

Большинство AI-агентов - это quick-fix артисты:
код проходит тесты сегодня, но завтра превращается в боль поддержки.

Они не строят софт, они скорее строят карточный домик.

Нарратив стал честнее: писать код могут почти все модели. поддерживать - почти ни одна.

👉 @PythonPortal

🤭🤭🤭

👉 @PythonPortal

Какие-то гении выложили в open source полноценный набор инструментов для отслеживания спутников и декодирования их радиосигналов локально.

Тебе даже не нужен интернет — используется SDR (software-defined radio), чтобы напрямую принимать погодные снимки и сырые данные из космоса прямо на твой жёсткий диск.

100% open source.

👉 @PythonPortal

Фильтр Калмана оценивает истинное состояние системы на основе шумных измерений.

Он работает, объединяя две вещи:

• модель эволюции системы
• неточные показания датчиков

Алгоритм выполняется в цикле из двух шагов.

1. predict (предсказание)
- используется модель системы для оценки следующего состояния.
- на выходе получаем предсказанное состояние и неопределённость.

2. update (обновление)
- поступает новое измерение.
- оно сравнивается с предсказанием.
- оценка корректируется.

Коррекция взвешивается с помощью коэффициента Калмана (Kalman Gain):

• больше доверия модели → небольшая коррекция
• больше доверия датчику → сильная коррекция

Неопределённость отслеживается с помощью ковариационной матрицы (Covariance Matrix).

Со временем оценка сходится.

Шум отфильтровывается.
Проявляется истинное состояние.

Используется в:

• локализации в робототехнике
• беспилотных автомобилях
• дронах и системах управления полётом
• GPS-трекинге
• объединении данных с датчиков (sensor fusion)

Это рекурсивная система, которая непрерывно уточняет своё представление о состоянии мира в условиях неопределённости.

👉 @PythonPortal

Перестаньте использовать Python-код для построения «пирамид» или «стрелок»

Если у вас слишком много уровней вложенных if, код перестаёт быть читаемым и удобным для поддержки — вы строите пирамиду. 😄

Посмотрите:

def process_user(user_data):
    if user_data:
        if 'name' in user_data:
            if user_data['name']:
                if 'email' in user_data:
                    if validate_email(user_data['email']):
                        return save_user(user_data)
                    else:
                        return "Invalid email"
                else:
                    return "Email missing"
            else:
                return "Name empty"
        else:
            return "Name missing"
    else:
        return "No data"

Это называется «антипаттерн стрелки» (Arrow Anti-Pattern) или «пирамида смерти» (Pyramid of Doom). Основной сценарий спрятан в самом низу. Чтобы понять, что делает код, приходится держать в голове 4+ уровней вложенности.

А вот этот вариант гораздо лучше:

def process_user(user_data):
    # Сначала обрабатываем все ошибки
    if not user_data:
        return "No data"
    
    if 'name' not in user_data:
        return "Name missing"
    
    if not user_data['name']:
        return "Name empty"
    
    if 'email' not in user_data:
        return "Email missing"
    
    if not validate_email(user_data['email']):
        return "Invalid email"
    
    return save_user(user_data)

Это линейный стиль «сверху вниз», а не «вглубь и обратно». Ошибки явно обрабатываются в начале, а основная логика выделена в конце. Если данные некорректны — происходит ранний выход из функции (early return).

👉 @PythonPortal

Код на Python:

print('Yes' if all([]) or any([]) else 'No')

Каков результат выполнения этого кода?

👉 @PythonPortal

Кто-то выложил в open source компьютер, который работает даже тогда, когда весь интернет отключен.

Он называется Project N.O.M.A.D.

Это автономный офлайн-сервер для выживания с AI, Википедией, картами, медицинскими справочниками и полноценными образовательными курсами.

Никакого интернета. Никакого облака. Никаких подписок. Он просто работает.

Вот что внутри:

→ Локальный AI-ассистент на базе Ollama (полностью офлайн)
→ Вся Википедия, доступная для скачивания и поиска
→ Офлайн-карты любого выбранного региона
→ Медицинские справочники и гайды по выживанию
→ Полные курсы Khan Academy с отслеживанием прогресса
→ Инструменты шифрования и анализа данных через CyberChef
→ Загрузка документов с семантическим поиском (локальный RAG)

И вот самая интересная часть:

Солнечная панель, аккумулятор, мини-ПК и Wi-Fi-точка доступа. Всё. Это и есть твоя автономная офлайн-станция знаний. Потребление — от 15 до 65 Вт. Работает из хижины, автодома, парусной лодки или бункера.

Компании продают «prepper-накопители» со статичными PDF за $185. А здесь ты получаешь полноценный AI-мозг, целую энциклопедию и реальные курсы — бесплатно.

Одна команда для установки.

100% open source. Лицензия Apache 2.0.

👉 @PythonPortal

Самые быстрорастущие проекты на GitHub за эту неделю:

1. msitarzewski/agency-agents (+23.2K stars)
полноценное AI-агентство у вас под рукой: фронтенд-волшебники, комьюнити-ниндзя, «проверяльщики реальности».

2. obra/superpowers (+19.2K stars)
фреймворк agentic-навыков, который только что достиг 100K звёзд. plug-and-play инструменты для разработки с AI-агентами.

3. 666ghj/MiroFish (+17.6K stars)
движок роевого интеллекта, который умеет предсказывать что угодно. простой, универсальный, с открытым исходным кодом.

4. volcengine/OpenViking (+10.2K stars)
open-source база контекста для AI-агентов. объединяет память, ресурсы и навыки.

5. lightpanda-io/browser (+9.9K stars)
headless-браузер, созданный для AI и автоматизации. без Chrome, без лишнего. написан на Zig.

6. pbakaus/impeccable (+6.4K stars)
дизайн-язык, который прокачивает ваш AI-harness в плане дизайна. делает vibe-coded UI более осмысленным и целостным.

7. alibaba/page-agent (+6.2K stars)
in-page GUI-агент на JavaScript от Alibaba. позволяет управлять любым веб-интерфейсом с помощью обычного языка.

8. andrewyng/context-hub (+5.2K stars)
слой управления контекстом для AI-агентов от Andrew Ng.

9. langchain-ai/deepagents (+4.9K stars)
agent-harness с планированием, файловым backend’ом и возможностью спавнить сабагентов.

10. microsoft/BitNet (+4.8K stars)
официальный фреймворк Microsoft для 1-битных LLM. полная производительность при почти нулевых вычислительных затратах.

👉 @PythonPortal

Разберись с Multi-Stage Docker Builds - пригодится на собеседовании.

Что такое Multi-Stage Build?

Это способ использовать несколько инструкций FROM в Dockerfile, чтобы собирать чистые, компактные и готовые к продакшену образы. Позволяет разделить этапы сборки и выполнения .

Зачем использовать Multi-Stage Builds?

- Чтобы не тащить в продакшен инструменты сборки и исходный код.
- Существенно уменьшить размер образа.
- Повысить безопасность и производительность.

Ниже пример Multi-Stage Dockerfile для Node.js

# Stage 1: Build
FROM node:18 AS builder
WORKDIR /app
COPY package*.json ./
RUN npm install
COPY . .
RUN npm run build

# Stage 2: Serve
FROM nginx:alpine
COPY --from=builder /app/build /usr/share/nginx/html
EXPOSE 80

Пояснение:

- Первый этап: установка зависимостей и сборка приложения.
- Второй этап: используется лёгкий образ NGINX для раздачи собранных статических файлов.

В финальный образ попадает только результат сборки.

Плюсы:

- Меньший размер итогового образа.
- Чёткое разделение ответственности (build vs runtime).
- Работает с любым языком и фреймворком.

👉 @PythonPortal

Наткнулся на портфолио одного сеньор-разраба

использует Linux с 1999
27 лет опыта
C/C++ (27 лет), JS (24 года), Python (20 лет), Java (22 года), Go, Rust…

чел в одном языке имеет больше опыта, чем многие из нас вообще живут

совсем другая лига

портфолио → http://kamilnowicki.com

👉 @PythonPortal

😅😅😅

👉 @PythonPortal

Это по-настоящему самоэволюционирующий AI-агент, работающий в продакшене.

Автор реализовал полноценную агентную систему всего на 3500 строках чистого Python, без зависимостей от фреймворков, в 8 файлах: Tool Use Loop + трёхуровневая система памяти (сессии → сжатая долгосрочная память через LLM → векторный поиск в LanceDB) + MCP-плагины + планировщик задач + механизм самовосстановления.

Интегрированы корпоративный WeChat, обработка видео (ffmpeg), мультиижковый поиск, а также поддерживаются Docker-мультиарендность и круглосуточная работа 24/7.

👉 @PythonPortal

Ты можешь разрабатывать и тестировать облачные приложения полностью офлайн, без подключения к интернету

Есть gofakes3 — лёгкая реализация S3 для тестирования без AWS. Она позволяет мокать облачное хранилище прямо на твоей машине.

- Нулевые расходы на облако для локального тестирования
- Можно тестировать интеграции с S3 офлайн
- Лёгкий и простой в настройке

На 100% open source

👉 @PythonPortal

Китай заопенсорсил крупный Python-фреймворк для создания AI-агентов.

Он называется AgentScope — это Python-фреймворк, построенный вокруг Agent-Oriented Programming, который позволяет визуально собирать AI-агентов с использованием MCP-инструментов, памяти, RAG и возможностей reasoning.

На 100% open source.

👉 @PythonPortal

Никуда вам от меня не деться

👉 @PythonPortal

termaid —— Python CLI-инструмент, который напрямую рендерит Mermaid в Unicode-диаграммы прямо в терминале.

Когда работаешь в SSH, TUI или CLI-пайплайнах, не нужно переключаться в браузер, чтобы посмотреть диаграмму. Инструмент уже поддерживает основные типы: flowchart, sequence, class, ER, state, treemap, pie. При этом он полностью на Python и без зависимостей — что особенно важно для CLI-утилит.

100% опенсорс

👉 @PythonPortal

Microsoft открыла исходники комплексной обучающей программы по Rust

Репозиторий microsoft/RustTraining на GitHub содержит 7 структурированных «книг», охватывающих Rust от начального до экспертного уровня, с учётом разработчиков из разных стеков:

Bridge-книги (начать отсюда):
• Rust для C/C++ разработчиков
• Rust для C# разработчиков
• Rust для Python разработчиков

Deep Dive: Async Rust (Tokio, стримы, отмена задач)
Advanced: Rust Patterns (Pin, аллокаторы, lock-free структуры)
Expert: Type-Driven Correctness (type-state, phantom types)
Practices: Rust Engineering (CI/CD, кросс-компиляция, Miri)

Каждая книга включает 15–16 глав, диаграммы Mermaid, интерактивные Rust playground’ы и практические задания.

Независимо от того, вы системный программист, переходящий с C++, .NET-разработчик, изучающий high-performance код, или Python-разработчик, уставший от GIL — здесь есть понятный путь.

Уже более 500 звёзд. Полностью open-source (MIT + CC-BY-SA-4.0).

Rust всё увереннее закрепляется в индустриальном стеке. Если вы ждали структурированный способ его изучить — это он.

100% опенсорс

👉 @PythonPortal