Чувак заменил Datadog одним бинарником и за одну ночь сократил расходы на инфраструктуру на 98%.

Он называется OpenObserve. Логи, метрики, трейсы и мониторинг фронтенда в одном инструменте с самостоятельным развертыванием. Он создан специально для того, чтобы остановить рост счетов при добавлении каждого нового хоста, пользователя или пользовательской метрики.

→ Один бинарник, запуск менее чем за 2 минуты. Никакого кластера и отдельных компонентов для логов, метрик и трейсов

→ Написан на Rust и использует движок запросов DataFusion, поэтому сохраняет высокую производительность даже при работе с петабайтами данных

→ Использует колоночный формат Parquet и S3-совместимое объектное хранилище вместо проприетарного формата — именно это и обеспечивает основную экономию

→ Запросы выполняются через SQL или PromQL, а не через проприетарный синтаксис вендора, поэтому вашей команде не придётся изучать новый язык запросов только ради просмотра дашбордов

→ Полная совместимость с OpenTelemetry: для подключения уже существующей инструментации не требуются проприетарные агенты

→ Библиотека дашбордов от сообщества на GitHub для Kubernetes, Docker, Postgres, AWS и наблюдаемости LLM — можно сразу подключить вместо того, чтобы создавать всё с нуля

Согласно опубликованному самим OpenObserve бенчмарку, одна и та же нагрузка из 16 сервисов обходилась в $174 в день в Datadog и в $3 в день при самостоятельном развертывании — сокращение на 98%, ещё до учёта платы за каждый хост или пользовательскую лицензию.

Более 18 000 звёзд на GitHub. Один бинарник. Самостоятельное развертывание без платы за каждый хост или пользователя.

Снижение затрат на 98% — серьёзная цифра. Её нужно чем-то подтвердить. 🚬

👉 @PythonPortal

Google представила Open Knowledge Format.

Это открытый стандарт для обмена знаниями между людьми и ИИ-агентами с использованием Markdown.

Идея в том, чтобы он стал живой вики-базой знаний вашей компании, которую ИИ сможет постоянно читать и обновлять.

Именно «живая вики-база знаний»: Google описывает OKF как открытый, переносимый и совместимый формат для хранения контекста, метаданных и курируемых знаний, понятный как людям, так и ИИ-агентам.

По сути, они стандартизировали Obsidian. 😂

👉 @PythonPortal

Агенты не дают сбой из-за одного сообщения.

Сбои возникают в ходе нескольких диалогов, вызовов инструментов и изменений контекста.

Giskard — это Python-библиотека с открытым исходным кодом, созданная специально для тестирования подобных сценариев.

👉 @PythonPortal

Только мы в ней приёмные

👉 @PythonPortal

Открытый-фреймворк для создания голосовых ИИ-агентов, работающих в реальном времени

Pipecat — это Python-фреймворк для оркестрации аудио, видео, ИИ-сервисов, транспортов и диалоговых пайплайнов. Архитектура построена по принципу voice-first и поддерживает подключаемые компоненты.

Что можно создавать:

• голосовых ассистентов;
• ИИ-компаньонов;
• мультимодальные интерфейсы;
• интерактивные истории;
• бизнес-агентов для поддержки клиентов и первичного сбора данных;
• сложные диалоговые системы.

Фреймворк берёт на себя распознавание речи, синтез речи, логику диалога и взаимодействие в реальном времени. Поддержка транспортов WebRTC и WebSocket встроена. Сверхнизкая задержка позволяет вести естественные разговоры.

Почему Pipecat:

• Voice-first: объединяет STT, TTS и обработку диалога в одном фреймворке
• Подключаемая архитектура: поддерживает нескольких поставщиков ИИ-сервисов для каждой возможности
• Компонуемые пайплайны: позволяют собирать сложное поведение из модульных компонентов
• Работа в реальном времени: взаимодействие с низкой задержкой и потоковой передачей аудио и видео

Поддерживаемые сервисы:

• Speech-to-Text: Deepgram, AssemblyAI, OpenAI Whisper, Groq, Azure, AWS, Google и другие
• LLM: OpenAI, Anthropic, Gemini, Groq, Mistral, Ollama, AWS, Azure и другие
• Text-to-Speech: OpenAI, ElevenLabs, Deepgram, Cartesia, Azure, AWS, Google и другие
• Speech-to-Speech: OpenAI Realtime, Gemini Multimodal Live, AWS Nova Sonic, Ultravox, Grok Voice Agent

Недавно автор написал подробный туториал по созданию продакшен-агента голосовой поддержки клиентов. В нём разобраны определение момента передачи реплики, обработка перебиваний, телефонные кодеки и добавление актуального бизнес-контекста в каждый звонок.

Ссылка на статью 😳

👉 @PythonPortal

Целостное руководство по проектированию ML-систем

Практическое руководство по созданию поддерживаемых систем машинного обучения, охватывающее всё — от зависимостей в данных до инструментов MLOps.

Книга Чип Хуен посвящена ключевым архитектурным решениям, необходимым для разработки готовых к промышленной эксплуатации ML-систем, способных работать и масштабироваться под реальной нагрузкой.

👉 @PythonPortal

Энтузиаст создал свой «второй мозг» с помощью Hermes Agent. 😯

Он запоминает людей, компании, проекты и принятые решения. Берёт данные из заметок со встреч, документов и всего, что ему передают, и каждый раз указывает источник.

Это репозиторий под названием Gbrain, который выложил в открытый доступ президент Y Combinator Гарри Тан.
Чтобы установить его, вставьте в Hermes:

> Установи Gbrain, следуя инструкциям из репозитория: http://github.com/garrytan/gbrain. Настрой провайдера эмбеддингов, затем выполни команды gbrain init и gbrain doctor, чтобы проверить корректность установки.

Добавьте MCP-сервер, чтобы Hermes мог обращаться к нему напрямую:

> Добавь MCP-сервер Gbrain в конфигурацию Hermes и перезапусти Hermes, чтобы изменения вступили в силу.

Граф знаний строится автоматически. Система находит связи между людьми и компаниями, которые уже упоминаются в ваших заметках. По их собственному бенчмарку, точность на 31 пункт выше, чем у обычного векторного поиска.

Открытый исходный код. Работает локально, без сервера и Docker.

👉 @PythonPortal

Гениальный сетап: парень из Китая зарабатывает на жизнь, путешествуя по криптоконференциям с Mac Mini в рюкзаке.

На Mac Mini запущен OpenClaw, а питание обеспечивает компактный аккумулятор CUKTECH 10 Mini. Пока другие авторы ждут возвращения в отель, чтобы разобрать записи, обработать материал и подготовить пост, он делает всё прямо на месте.

Его портативный ИИ записывает выступления, выделяет ключевые мысли и помогает публиковать контент ещё до окончания конференции — пока остальные всё ещё сидят в зале.

В мире, где инсайды устаревают за часы, скорость становится главным преимуществом. 👽

👉 @PythonPortal

Гении воссоздали интерфейсы Claude Code, Codex и Grok в виде переиспользуемых компонентов ShadCN. 🤯

Эта open-source-библиотека позволяет просто добавить красиво воссозданные компоненты AI-интерфейсов прямо в свои приложения или CLI-проекты.

Внутри есть компоненты для:
→ промптов и сообщений чата
→ вызовов инструментов
→ diff’ов кода
→ диалогов запроса разрешений
→ списков задач
→ slash-команд
→ и многого другого...

Отлично подойдёт тем, кто разрабатывает AI-приложения, терминальные интерфейсы (TUI) или CLI-инструменты для разработчиков и не хочет собирать всё с нуля :)

github.com/theswerd/brainless

👉 @PythonPortal

Илон Маск предупреждает: времени остаётся всё меньше.

Максимум через три года ещё можно будет зарабатывать, продавая свой труд. После этого ИИ автоматизирует большинство задач, и платить человеку за его время больше не будет смысла.

Модель последних 200 лет — «я плачу тебе зарплату в обмен на твоё время» — подходит к концу.

Это приведёт к крупнейшему перераспределению богатства в современной истории. Те, кто уже перестраивается, это понимают. Те, кто ждёт, пока об этом начнут говорить в новостях, опоздают.

В ближайшие три года самый разумный шаг — превратить своё время в активы, которые искусственный интеллект не сможет заменить или бесконечно масштабировать: биткоин и другие дефицитные цифровые активы, землю и энергоресурсы, инфраструктуру, сети контактов и способность самостоятельно производить то, что вам действительно нужно.

В конечном счёте важно не то, сколько вы работаете, а то, чем вы владеете. Те, кто сделает этот переход сейчас, в 2035–2036 годах будут оглядываться назад и говорить: «Я знал, что так будет».

👉 @PythonPortal

Unlimited-OCR — это модель на 3 млрд параметров, которая может распарсить целый PDF на 100 страниц за один проход — без разбиения по страницам и без потери контекста.

* контекстное окно 32K, читает весь документ за один проход
+ 93% на стандартных бенчмарках парсинга, на 6 пунктов выше baseline
* уровень ошибок ниже 0,11 после 40-й страницы — там, где все остальные OCR-инструменты начинают разваливаться
* мультиязычность из коробки, локальный запуск через Transformers, Ollama, llama.cpp или Docker
* Textract, Google Vision и Azure Document Intelligence берут от $1,50 до $15 за 1 000 страниц

1,9 млн скачиваний на Hugging Face, и при этом большинство людей о ней даже не слышали.

Она работает прямо на вашем компьютере. Бесплатно. Навсегда.

Ссылка на модель: http://huggingface.co/baidu/Unlimited-OCR

👉 @PythonPortal

Function calling и MCP для LLM — простое и понятное объяснение:

До появления MCP доступ к инструментам полностью строился на function calling, а каждую интеграцию приходилось настраивать вручную.

MCP стандартизировал этот интеграционный слой, но на нижнем уровне модель по-прежнему формирует тот же tool call.

На схеме ниже показано, как работает каждый из подходов.

При использовании function calling модель никогда ничего не выполняет самостоятельно:

> Модель получает промпт и определения доступных функций.
> Она определяет, какой инструмент подходит, и формирует в своём ответе запрос на вызов инструмента.
> Процедура на нашей стороне разбирает этот запрос и подготавливает фактический вызов функции.
> Бэкенд-сервис запускает инструмент и возвращает результат модели.

Всё это находится внутри нашего собственного стека.

> Мы хостим инструмент.
> Мы пишем логику, которая сопоставляет запрос на вызов инструмента с конкретной функцией и её параметрами.
> И мы выполняем этот вызов.

Таким образом, function calling только определяет, что именно нужно запустить, а вся интеграция вокруг этого полностью остаётся на инженере.

MCP стандартизирует эту интеграцию.

Вместо того чтобы вручную подключать каждый инструмент, MCP:

> Определяет единый протокол для объявления, хостинга и предоставления инструментов.
> Делает инструменты доступными для обнаружения вместе со схемами, которые клиент может читать напрямую.
> Требует подтверждения перед запуском инструмента.
> Разделяет сторону, которая реализует инструмент, и сторону, которая его использует.

После интеграции MCP-сервера для подключения его инструментов не требуется писать ни одной строки Python-кода.

Сервер добавляется один раз, а всё, что происходит дальше, следует протоколу, который обрабатывают MCP-клиент и модель.

> Они определяют нужный MCP-инструмент.
> Подготавливают входные аргументы.
> Вызывают инструмент через сервер.
> Используют возвращённый результат для генерации ответа.

Function calling и MCP — это не конкурирующие подходы, а два этапа одного и того же вызова инструмента.

> Function calling отвечает за выбор инструмента моделью.
> MCP отвечает за всё, что происходит после выбора: поиск инструмента, проверку его схемы, получение подтверждения и запуск.

Когда агент с помощью function calling решает: «Мне нужно выполнить поиск в интернете», это решение проходит через MCP, который выбирает подходящий инструмент среди зарегистрированных инструментов веб-поиска, вызывает его и возвращает результат.

Разумеется, за такое удобство приходится платить.

При интеграции MCP-сервера определения всех его инструментов загружаются в контекст. Тяжёлый сервер может занять большую часть контекстного окна схемами инструментов ещё до того, как агент выполнит хотя бы один вызов.

Мы подготовили подробное руководство с кодом о том, как решить именно эту проблему: ограничить загрузку инструментов только реально используемыми группами, выбирать отдельные инструменты вместо подключения всего сервера и сократить использование контекста на 80–90% в рабочей конфигурации.

👉 @PythonPortal

57 лет назад в этот день люди впервые высадились на Луне. Исходный код, который помог им туда добраться, теперь доступен на GitHub.

Маргарет Гамильтон руководила командой MIT, отвечавшей за бортовое программное обеспечение миссии Apollo. В итоге код для Apollo Guidance Computer вырос примерно до 145 000 строк.

Изучить оригинальное навигационное ПО Apollo 11 для командного и лунного модулей можно здесь:
https://github.com/chrislgarry/apollo-11

👉 @PythonPortal

Foundations of Applied Mathematics — это бесплатная серия из четырёх учебников, созданная для программы по прикладной и вычислительной математике в Университете Бригама Янга.

В неё входят четыре тома:
Математический анализ
Алгоритмы, аппроксимация и оптимизация
Неопределённость и данные
Динамика и управление

Серия подходит студентам старших курсов бакалавриата и начальных курсов магистратуры. К ней также прилагаются лабораторные работы на Python и практические задания, поэтому математическая теория связана с численными вычислениями, алгоритмами, анализом данных и научными приложениями.

Особенно мне нравится, что это не только теоретические учебники. Сопутствующие материалы на Python помогают увидеть, как эти концепции применяются к реальным вычислительным задачам.

https://foundations-of-applied-mathematics.github.io

👉 @PythonPortal

Японские исследователи создали систему, которая моделирует целый город, генерируя до 1 миллиона виртуальных жителей, чьё поведение с помощью LLM имитирует человеческое.

И она с пугающей точностью предсказала реальные события.

Они разработали городской симулятор под названием CitySim, который заселяет цифровой двойник Токио автономными AI-агентами — их может быть до 1 миллиона.

Каждый виртуальный житель работает на базе LLM и обладает:

• личными воспоминаниями;
• долгосрочными целями;
• желаниями, похожими на человеческие: голод, усталость, потребность в социальном взаимодействии;
• пространственным восприятием и способностью ориентироваться.

Большинство городских симуляций основаны на правилах, заданных вручную: если происходит A, за ним следует B.

CitySim устроен иначе. Он работает на основе ценностей. У агентов есть собственная субъектность. Они самостоятельно составляют расписание, исходя из личных привычек, текущих потребностей и изменений окружающей среды.

Когда исследователи запустили симуляцию для Токио, результаты оказались пугающе точными.

Сценарии поездок на работу по будням, досуга по выходным и покупательского поведения почти идеально совпали со статистическими данными правительства Японии.

Система даже смогла предсказать распределение толпы в Сибуе и определить, какие магазины действительно станут популярными, за несколько месяцев до появления соответствующих данных из реального мира.

Для городского планирования это открывает огромные возможности.

Теперь можно безопасно и с меньшими затратами тестировать готовность к стихийным бедствиям, выбирать места для коммерческих объектов и оценивать модернизацию общественной инфраструктуры, не перемещая ни одного живого человека.

Но дело не только в планировании.

Исследователи уже рассматривают возможность добавить агентам более высокоуровневые человеческие стремления, например «самоактуализацию», чтобы посмотреть, как они будут развиваться.

Статья была опубликована на arXiv в июне 2025 года, но за пределами сообщества специалистов по вычислительным социальным наукам её почти никто не прочитал.

👉 @PythonPortal