😳😳😳

👉 @PythonPortal

Проверяйте типы в вашем Python-кодбейзе в 15 раз быстрее с Pyrefly : https://github.com/facebook/pyrefly

Такие инструменты, как MyPy и Pyright, обрабатывают файлы последовательно, поэтому с ростом кодовой базы увеличивается время ожидания.

Pyrefly — type checker от Meta, написанный на Rust, выполняет проверки параллельно, сохраняя почти постоянную производительность по мере роста кодовой базы.

Ключевые возможности:
• Перепроверяет только изменённые модули, ускоряя инкрементальные прогоны
• Автоматически выводит типы для переменных и возвращаемых значений

На кодовой базе PyTorch Pyrefly выполняет полный прогон за 2.4 секунды — примерно в 15 раз быстрее, чем Pyright, и в 20 раз быстрее, чем MyPy.

👉 @PythonPortal

Что если можно было бы сфотографировать свои рукописные заметки и превратить их в чистый, структурированный текст?

Большинство OCR-инструментов ориентированы на печатный текст и плохо справляются с рукописными заметками, особенно если в них есть диаграммы, формулы и свободная запись.

Chandra OCR создан именно для этого кейса. Он извлекает текст, изображения и диаграммы из рукописных заметок и реконструирует их в чистый Markdown или HTML.

Сравнение с другими OCR-инструментами:
• 85.9% в целом на бенчмарке olmOCR, опережая olmOCR 2 (82.4%), GPT-4o (69.9%), Gemini Flash 2 (63.8%) и Mistral OCR (72.0%)
• 89.3% на рукописной математике — области, где большинство OCR-инструментов испытывают сложности
• Поддерживает более 90 языков из коробки

https://github.com/datalab-to/chandra

👉 @PythonPortal

Можно буквально поискать OPENAI_API_KEY на GitHub — и найти кучу утёкших API-ключей.

Спасибо, вайб-кодеры 🙏

👉 @PythonPortal

Что если ваш AI-ассистент действительно мог бы запоминать, с кем он общается?

Когда вы строите AI-приложение с использованием API OpenAI или Anthropic, каждый диалог начинается с нуля — без встроенной памяти между сессиями.

Добавление памяти вручную через векторную базу данных, такую как ChromaDB, требует писать собственную логику извлечения, дедупликации и скоупинга поверх слоя хранения.

mem0 решает всё это одним вызовом функции. Просто передавайте диалоги и получайте релевантные «воспоминания» при необходимости.

Ключевые возможности:
• Автоматическое извлечение фактов из сырых диалогов через memory.add()
• Кросс-сессионный поиск через memory.search() в любой последующей беседе
• Автоматическое разрешение конфликтов при изменении пользовательских предпочтений со временем

Кроме того, mem0 — open-source. Установить можно через pip install mem0ai.

👉 @PythonPortal

Такую тудушку никто никогда не делал. Она перевернёт рын

👉 @PythonPortal

Что если автоматизировать весь воркфлоу Google Workspace прямо из терминала?

Работа через браузер заставляет кликать по нескольким приложениям, чтобы открыть таблицу, проверить календарь и отправить фоллоу-ап письмо.

Такой ручной цикл быстро накапливает оверхед при ежедневных или еженедельных повторениях.

gws — это интерфейс командной строки, который объединяет все сервисы Workspace за простыми командами в терминале с структурированным JSON-выводом, готовым для скриптов.

Ключевые возможности:
• Единый интерфейс для Drive, Gmail, Calendar, Sheets, Docs и других сервисов
• JSON-вывод, который напрямую пайпится в существующие скрипты и воркфлоу
• 100+ навыков для ИИ-агентов, позволяющих языковым моделям оркестрировать задачи Workspace программно

https://github.com/googleworkspace/cli

👉 @PythonPortal

GOOGLE выкатили инструмент для детектирования типов файлов

долгое время использовался внутри — Gmail, Drive, Safe Browsing, сотни миллиардов файлов каждую неделю

затем открыли исходники

называется magika — определяет реальный тип файла, а не то, за что он себя выдаёт

переименовал вредонос в "resume.pdf"? magika определит
замаскировал скрипт под изображение? magika определит
любые трюки с расширениями? magika обходит их

модель обучена на 100 млн файлов
200+ типов контента
точность ~99%
около 5 мс на файл

одна команда:

pip install magika

тот же инструмент, который защищает пользователей Google, можно использовать в своих системах

👉 @PythonPortal

👉 @PythonPortal

Новая статья: системная инженерия

Код-агенты снизили порог входа в написание кода, но не снизили требования к продакшн-софту.

Агентное ПО — это всё тот же софт. Агент заменяет бизнес-логику, всё остальное остаётся без изменений.

https://ashpreetbedi.com/articles/systems-engineering

👉 @PythonPortal

Определяй функции на обычном языке и запускай их локально: PAW

PAW компилирует спецификации на естественном языке в компактные нейронные программы. После компиляции они работают как обычные Python-функции (без интернета, без внешнего сервиса, без оплаты за вызовы).

Нейронная программа объединяет дискретный текст и непрерывную LoRA для адаптации фиксированного интерпретатора.

Подходит для нечетких задач: триаж по срочности, починка сломанного JSON, фильтрация логов, роутинг инструментов.

Хорошо сочетается с код-агентами: http://programasweights.com/agents

Интерпретатор — предобученный Qwen3 0.6B, без модификаций. Вся адаптация под задачи происходит через скомпилированную нейронную программу.

На FuzzyBench: 73.4% точности против 9.8% у прямого промпт-инжиниринга той же 0.6B. Даже Qwen3 32B даёт только 68.7%.

Их интерпретатор на базе GPT-2 — всего 124M параметров, достаточно компактный, чтобы полностью работать в браузере через WebAssembly.

Скачиваешь базовую модель ~134 МБ один раз, затем каждая нейронная программа занимает ~5 МБ. Сервер для инференса не нужен.

python: pip install programasweights
js: npm install @programasweights/web

👉 @PythonPortal

🍺🍺🍺

👉 @PythonPortal

Совет по Git

Интерактивно просматривай и добавляй изменения частями (патчами), вместо того чтобы добавлять всё сразу:

git add -p

Почему это полезно:
• добавляешь только нужные изменения
• пропускаешь случайные или незавершённые правки
• разбиваешь работу на чистые и сфокусированные коммиты

👉 @PythonPortal

Построение надёжной RAG-системы — это не просто подключение векторной базы данных. Это проектирование интеллектуального пайплайна с балансом между точностью извлечения, логикой маршрутизации и строгой оценкой.

Хорошо спроектированная RAG-архитектура включает:

• Продвинутую сборку запроса с использованием реляционных, графовых и векторных баз данных для контекстного понимания
• Интеллектуальную маршрутизацию (логическую + семантическую) для оптимального выбора промптов и эффективности системы
• Многоэтапное извлечение с уточнением и переранжированием для повышения релевантности и снижения галлюцинаций
• Гибкие стратегии генерации, такие как Self-RAG, RRR и циклы активного извлечения
• Надёжные пайплайны индексирования: семантический чанкинг, иерархическая кластеризация (RAPTOR) и специализированные эмбеддинги (ColBERT)
• Непрерывную оценку с использованием фреймворков RAGAS, Grouse и DeepEval для измеримой производительности

Современные ИИ-системы требуют не только больших языковых моделей, но и качественных пайплайнов данных, точного извлечения и дисциплины в оценке.

Если ты строишь масштабируемые ИИ-продукты, архитектура RAG-системы становится конкурентным преимуществом.

#RAG #GenerativeAI #AIArchitecture #MachineLearning #LLM #DataEngineering #AIEngineering

👉 @PythonPortal

Как использовать borb для создания простого PDF на Python

from borb.pdf.canvas.layout.page_layout.multi_column_layout import SingleColumnLayout
from borb.pdf.canvas.layout.text.paragraph import Paragraph
from borb.pdf.document import Document
from borb.pdf.page.page import Page
from borb.pdf.pdf import PDF

def main(pdf_path):
    pdf = Document()

    # Добавляем пустую страницу в PDF
    page = Page()
    pdf.append_page(page)

    # Создаём лэйаут для размещения текста
    layout = SingleColumnLayout(page)

    # Добавляем текст с помощью класса Paragraph
    layout.add(Paragraph("Hello from borb!"))

    with open(pdf_path, "wb") as pdf_fh:
        PDF.dumps(pdf_fh, pdf)

if __name__ == "__main__":
    main("demo.pdf")

👉 @PythonPortal

(Я не читаю почту и не открываю жиру)

👉 @PythonPortal

Знал ли ты, что Python может открыть вкладку браузера?

Без фреймворков. Всего одна строка.

Вот как запустить URL — удобно для создания утилит, повышения продуктивности или автоматического открытия документации из скриптов.

Попробуй сам. 🙂

👉 @PythonPortal

Docker Tip

Вот как можно проанализировать, что раздувает образ.

Как известно, каждый Docker-образ состоит из слоёв.

Каждый слой добавляется отдельной строкой в Dockerfile.

Эти слои позволяют понять, почему образ большой, медленно собирается или плохо кэшируется.

Вот как можно проинспектировать слои и посмотреть, что изменилось в каждом из них.

Можно использовать утилиту dive.

Она даёт визуальное представление:

✅ всех созданных слоёв
✅ какие файлы были добавлены или изменены
✅ сколько места занимает каждый слой

При анализе слоёв образа можно определить:

- какая команда добавляет лишний объём
- как оптимизировать Dockerfile для более компактных и эффективных сборок

Также утилита показывает метрику эффективности образа, которая отражает, сколько данных дублируется или расходуется впустую между слоями.

👉 @PythonPortal