Без лишних слов: https://github.com/rohitg00/ai-engineering-from-scratch

Phase 00: Setup & Tooling (12 lessons)
Phase 01: Math Foundations (22 lessons)
Phase 02: ML Fundamentals (18 lessons)
Phase 03: Deep Learning Core (13 lessons)
Phase 04: Computer Vision (28 lessons)
Phase 05: NLP (29 lessons)
Phase 06: Speech & Audio (17 lessons)
Phase 07: Transformers Deep Dive (14 lessons)
Phase 08: Generative AI (14 lessons)
Phase 09: Reinforcement Learning (12 lessons)
Phase 10: LLMs from Scratch (22 lessons)
Phase 11: LLM Engineering (15 lessons)
Phase 12: Multimodal AI (25 lessons)
Phase 13: Tools & Protocols (23 lessons)
Phase 14: Agent Engineering (42 lessons)
Phase 15: Autonomous Systems (22 lessons)
Phase 16: Multi-Agent & Swarms (25 lessons)
Phase 17: Infrastructure & Production (28 lessons)
Phase 18: Ethics, Safety & Alignment (30 lessons)
Phase 19: Capstone Projects (85 lessons)

👉 @PythonPortal

Google выложила исследование, которое может пошатнуть монополию трансформеров.
Последние 7 лет почти все крупные модели, от ChatGPT и Claude до Gemini, строились на одной и той же архитектуре: Transformer.

Проблема в том, что у трансформеров дорогая память. Чтобы учитывать контекст, они сравнивают каждый токен со всеми остальными. Из-за этого вычислительная стоимость растёт квадратично вместе с длиной контекста.
Альтернатива существует давно: RNN. Они быстрые, дешёвые и работают линейно, но страдают от другой проблемы.

Чем длиннее последовательность, тем больше информации они забывают.
Google предлагает компромисс.

В работе Memory Caching: RNNs with Growing Memory исследователи добавили RNN возможность сохранять промежуточные состояния в кэш по мере обработки последовательности.

Вместо фиксированной памяти модель получает память, которая может расти вместе с длиной контекста.
Авторы реализовали несколько вариантов механизма, включая выборочное сохранение состояний, где модель сама решает, какие участки контекста стоит запомнить.

На задачах с длинным контекстом и интенсивным использованием памяти такие Memory-Cached RNN заметно сократили разрыв с трансформерами.

При этом им не требуется платить квадратичную цену за обработку всей истории на каждом шаге.
Самая интересная мысль из статьи: возможно, для длинных диалогов и больших контекстов необязательно постоянно прогонять всю историю через attention.

Если подход масштабируется так же хорошо, как выглядит на бумаге, нас может ждать первая за долгое время серьёзная альтернатива Transformer-архитектуре.

https://arxiv.org/pdf/2602.24281

👉 @PythonPortal

Так работает алгоритм Дейкстры.

👉 @PythonPortal

Наткнулся на Agentic Design Patterns — бесплатный документ на 421 страницу от старшего инженера Google.

Редко встретишь материалы такого объёма, где автор не пытается продать курс после каждой главы.

Внутри:

⬩ агентные архитектуры
⬩ multi-agent системы
⬩ memory и управление контекстом
⬩ оркестрация и планирование задач
⬩ инструменты, MCP и интеграции
⬩ production-кейсы и примеры кода

https://drive.google.com/file/d/1-5ho2aSZ-z0FcW8W_jMUoFSQ5hTKvJ43/view

👉 @PythonPortal

По слухам, OpenAI готовит что-то вроде единого приложения вокруг ChatGPT.

Если утечки окажутся правдой, в одном месте могут объединить:

• ChatGPT — для работы с текстом, исследованиями, планированием и повседневных задач

• Codex — для программирования, отладки, автоматизации и разработки приложений

• Atlas — браузер с агентными возможностями для работы с сайтами и веб-сервисами

• Computer Use — агентов, которые могут работать с полноценным рабочим столом и приложениями

Если посмотреть на это со стороны, то идея уже не выглядит как «ещё один чат-бот».

Скорее как попытка собрать всё в одном интерфейсе.

Вместо отдельных приложений для поиска, кода, браузера и автоматизации — одна точка входа, через которую можно искать информацию, писать код, работать с сайтами и запускать задачи.

Интересно будет посмотреть, насколько далеко OpenAI действительно пойдёт в этом направлении.

👉 @PythonPortal

👉 @PythonPortal

Наткнулся на пост от автора Ruff (очень быстрого линтера и форматтера для Python)

Он пишет, что редко смотрит технические доклады, но "A Practical Guide to Applying Data-Oriented Design" от Andrew Kelley оказал на него большое влияние.

Причём впервые он посмотрел этот доклад примерно тогда, когда начинал работать над Ruff.
Иногда один хороший доклад даёт больше пользы, чем десятки часов случайных видео на YouTube. 😊

👉 @PythonPortal

Эта статья заставила меня пересмотреть многие разговоры про «ИИ заменит программистов».

Похоже, мы смотрим не туда.

Большинство обсуждений крутится вокруг продуктивности. Агенты пишут код быстрее, разработчики делают больше задач, команды выпускают больше фич.

Меня зацепила другая мысль из статьи.

Вся современная разработка строится на том, что мы заранее кодируем решения. Бизнес-логика, правила, алгоритмы, state machine, if-else.

По сути, мы пытаемся заранее предсказать ситуацию и зашить своё решение в код.

У агентных систем другая модель работы.

LLM принимает решения во время выполнения задачи. Если нужен код, агент генерирует его на лету, запускает, получает результат и идёт дальше.

Код постепенно превращается в расходный материал, а не в главный артефакт системы.

Последние 50 лет центром любой системы был код.

Теперь всё чаще центром становится цикл рассуждений модели, а код оказывается одним из инструментов внутри этого цикла.

Если этот тренд продолжится, ценность инженера всё больше будет смещаться в сторону проектирования ограничений для агентов.

Проверки. Верификация. Бюджеты действий. Условия остановки. Границы доступа.

Именно эти вещи определяют, что агенту разрешено делать и насколько его решениям можно доверять.

👉 @PythonPortal

38 лет в Computer Science считалось, что алгоритм Дейкстры уже близок к пределу для разреженных графов.

Логика выглядела убедительно:
• Дейкстра упорядочивает вершины по расстоянию
• для сортировки существует нижняя граница O(n log n)
• значит, задачу кратчайших путей нельзя решить существенно быстрее

Оказалось, что это предположение было ошибочным.
Группа из 5 исследователей объединила очередь с приоритетом из алгоритма Дейкстры с динамическим программированием из алгоритма Беллмана—Форда. Затем они применили подход «разделяй и властвуй» к множествам вершин и сократили размер фронта поиска. Результат: O(m log^(2/3) n)

Это первое улучшение для направленных графов со времён появления Fibonacci Heap в 1987 году.
Участники работы: Тsinghua, Stanford и Max Planck Institute.
Всего 17 страниц.

👉 @PythonPortal

Google выпустила Gemini 3.5 Live Translate — новую модель для голосового перевода в реальном времени.

Поддерживает более 70 языков и начинает переводить практически сразу после того, как вы заговорили. Перевод идёт потоково, пока модель продолжает слушать следующую часть фразы.

Как это работает?

Модель постоянно балансирует между скоростью и качеством перевода. Она одновременно обрабатывает входящую речь, понимает контекст и генерирует перевод без заметных пауз.

В результате задержка составляет всего несколько секунд, а перевод сохраняет темп речи, интонацию и особенности голоса даже в длинных диалогах.

Уже доступно в Google Translate на iOS и Android.

👉 @PythonPortal

⚡️Джуны и мидлы, общий сбор!

Пришел вас порадовать, если вы хотите прокачаться в теме параллелизма.
 
В школе Python разработки Pytex 16 июня в 19:00 по МСК пройдет открытый урок с Senior-разработчиком Артёмом Шумейко. 

На уроке разберётесь:
🟢почему async/await сам по себе не делает приложение быстрым
🟢где проходит граница между корутинами, потоками и процессами
🟢как защищать базу данных от лавины одинаковых запросов
🟢как работают Single Flight и распределённые блокировки
🟢как координировать несколько воркеров при работе с внешними API
🟢как использовать очереди и батчинг событий, чтобы не увеличивать latency
🟢как правильно выносить тяжёлые операции в фоновые задачи

Посмотрите на реальные проблемы, которые возникают в проде под нагрузкой, и на паттерны, которые используют команды для их решения.

ЗАПИСАТЬСЯ НА ОТКРЫТЫЙ УРОК

Это абсолютно бесплатно, поэтому регистрируйтесь и качайте харды ⬆️

А больше про параллелизм в Python читайте в этом канале

В Python есть несколько способов получить MAC-адрес компьютера. Вот один из них:

#Python

👉 @PythonPortal

Foundations of Computer Science от Alfred Aho и Jeffrey Ullman доступна бесплатно онлайн.

Классический учебник по информатике, который охватывает:

• конечные автоматы
• формальные языки
• теорию вычислений
• основы алгоритмов и вычислительных моделей

Хорошая отправная точка для тех, кто хочет разобраться в фундаментальных концепциях Computer Science, лежащих в основе компиляторов, языков программирования и теории вычислений.

Книга:
http://infolab.stanford.edu/~ullman/focs.html

#computerscience #book #theory #cs

👉 @PythonPortal

Часто вижу, как люди говорят, что в IT невозможно войти без дорогих курсов.

При этом огромное количество качественных материалов доступно бесплатно:

📚 Computer Science
https://github.com/ossu/computer-science
📚 Data Structures & Algorithms
https://github.com/jwasham/coding-interview-university
📚 System Design
https://github.com/donnemartin/system-design-primer
📚 Web Development
https://github.com/TheOdinProject/curriculum
📚 Frontend / Backend / DevOps / Cloud
https://github.com/kamranahmedse/developer-roadmap
📚 Data Engineering
https://github.com/DataTalksClub/data-engineering-zoomcamp
📚 Machine Learning & AI
https://github.com/microsoft/ML-For-Beginners
📚 MLOps
https://github.com/DataTalksClub/mlops-zoomcamp
📚 Cybersecurity
https://github.com/OWASP/CheatSheetSeries
📚 Linux
https://github.com/trimstray/the-book-of-secret-knowledge
📚 Free Programming Books
https://github.com/EbookFoundation/free-programming-books

Если у тебя есть интернет и немного свободного времени, можно бесплатно изучить компьютерные науки, алгоритмы, системный дизайн, DevOps, облака, безопасность и машинное обучение.

Сейчас дефицит не в информации. Дефицит в том, чтобы регулярно открывать эти репозитории и действительно по ним заниматься.

👉 @PythonPortal

Google опубликовала бесплатное руководство по масштабированию ИИ-моделей и работе с GPU.

📘 How to Scale Your Model
https://jax-ml.github.io/scaling-book/
📘 How to Think About GPUs
https://jax-ml.github.io/scaling-book/gpus/

В материалах разбираются принципы масштабирования моделей, устройство GPU, вычислительные ограничения, пропускная способность памяти, параллелизм и другие темы, которые пригодятся при обучении и запуске современных ИИ-моделей.

Полностью бесплатно и доступно онлайн.

👉 @PythonPortal

Скорость и продуктивность: +100

👉 @PythonPortal

Если ты давно используешь Claude Code или Codex для разработки проектов, стоит попробовать Trellis.
Назвать его самым близким к «памяти проекта для ИИ» решением на сегодняшний день — не преувеличение.

Многие замечают, что со временем ИИ начинает работать менее надёжно. Обычно первым делом пытаются перейти на более мощную модель или писать ещё более длинные промпты. Но проблема часто не в модели. Каждый новый запуск начинается практически с чистого листа: структуру проекта, соглашения по именованию, выбранный стек технологий и текущее состояние работы приходится объяснять заново.

Trellis решает эту проблему на уровне проекта.

Он создаёт каталог .trellis/, где хранит правила команды, задачи, прогресс и накопленные знания о проекте. Всё это коммитится в репозиторий вместе с кодом. Когда ИИ подключается к работе, он сначала читает эти данные и сразу понимает, какие правила соблюдать, на каком этапе находится проект и над чем нужно работать дальше.

По сути, проект получает собственную долговременную память. Передача задач между сессиями перестаёт быть болезненной, независимо от того, какой агент продолжает работу.

Причём Trellis — это не просто хранилище контекста. Он предлагает полноценный рабочий процесс: сначала уточнение требований, затем реализация, после этого самопроверка по правилам проекта и тестам, а в конце сохранение нового опыта обратно в проект для будущих сессий.

Есть и менее известные возможности.
Для сложных задач Trellis может самостоятельно разбивать работу на подзадачи и запускать несколько параллельных ИИ-агентов без конфликтов между ними.

В командной разработке правила, созданные одним разработчиком, автоматически начинают применяться всеми агентами остальных участников команды. Новые разработчики получают единый контекст практически без дополнительной настройки.
Trellis не привязан к конкретному инструменту. Он поддерживает 14 платформ для ИИ-разработки, включая Claude Code, Codex, Cursor и другие.

Использовать ИИ без дополнительной памяти — примерно как каждый день нанимать нового умного подрядчика, который ничего не помнит о вчерашней работе.

С Trellis ИИ начинает работать так, будто у проекта появилась команда, которая помнит накопленный опыт и придерживается общих правил.

Open Source-проект. На данный момент — более 9000 звёзд на GitHub и свыше 5000 загрузок в неделю.
GitHub: https://github.com/mindfold-ai/trellis

👉 @PythonPortal

Это исследование хорошо ложится на опыт любого, кто активно работает с Claude Code, Codex или другими агентами.

Оно смотрит не на бенчмарки, а на реальную работу в разработке:

как именно AI-агенты раздражают разработчиков в живых сессиях.

Авторы проанализировали 20 574 сессии (IDE и CLI). “Фейл” они определили не как падение кода, а как моменты, когда разработчик начинает исправлять, прерывать или спорить с агентом.

Картина довольно приземлённая. Чаще всего проблема не в том, что код не работает. Проблема в том, что агент нарушает явно заданные ограничения.

Ты пишешь: “не трогай этот файл”, “пока ничего не меняй”, “сделай минимальные правки” — он всё равно лезет дальше.
Просишь объяснить проблему — он параллельно начинает менять код.
Говоришь проверить всё перед финальным ответом — он рапортует успех до запуска проверок.

Есть интересное разделение:

CLI-агенты чаще нарушают границы, потому что им дают длинные, слабо ограниченные задачи.
IDE-агенты чаще делают локальные ошибки, потому что работают как плотный “копилот” и постоянно правят код в мелких итерациях.

Самое неприятное в этих сбоях — они редко ломают систему сразу. Они просто съедают время и доверие. Приходится постоянно перепроверять: понял ли он задачу, не вышел ли за рамки, реально ли он что-то проверил.

Это хорошо совпадает с практикой: утомляет не столько генерация кода, сколько постоянный контроль над тем, не уехал ли агент в сторону.

И отсюда простой вывод. Улучшение агентов — это не только про качество кода. Это про соблюдение границ, понимание намерений и честную отчётность о прогрессе.

Главная проблема тут не в скорости написания кода. А в том, сколько времени уходит на разбор того, что он “написал не туда”.

👉 @PythonPortal