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

🔍Тестовое собеседование на Middle Python с разработчиком из Яндекса сегодня вечером

Уже сегодня вечером в 19:00 по мск приходи онлайн на открытое собеседование, чтобы посмотреть на настоящее интервью на Middle Python-разработчика.

Как это будет:
📂 Хачатур, старший разработчик в Яндексе, будет задавать реальные вопросы и задачи разработчику-добровольцу
📂 Хачатур будет комментировать каждый ответ респондента, чтобы дать понять чего от вас ожидает собеседующий на интервью
📂 В конце можно будет задать любой вопрос Хачатуру

Это бесплатно. Эфир проходит в рамках менторской программы от ШОРТКАТ для Python-разработчиков, которые хотят повысить свой грейд, ЗП и прокачать скиллы.

Переходи в нашего бота, чтобы получить ссылку на эфир → @shortcut_py_bot

Реклама.
О рекламодателе.

На этой неделе я нашёл, пожалуй, лучший оркестратор для ИИ-агентов. Он называется Herdr и по сути представляет собой tmux, который понимает, что делают агенты. 👍

Вы запускаете Claude Code, Codex или OpenCode в отдельных панелях, а боковая панель в реальном времени показывает, какой агент сейчас работает, какой уже закончил и какой заблокирован в ожидании вашего ввода.

Кроме того, терминал можно закрыть, а агенты продолжат работать. То есть поддерживается detach-режим.
Затем можно подключиться обратно по SSH откуда угодно, даже с телефона.

Всё это упаковано в один бинарник на Rust: быстрый, лёгкий, кроссплатформенный и с открытым исходным кодом. Работает в любом терминале, поддерживает настройку и плагины для расширения возможностей

https://herdr.dev/

👉 @PythonPortal

Чтобы превратить вызовы LLM в понятные и компонуемые workflows, не нужен огромный фреймворк.

PocketFlow — минималистичный Python-фреймворк для разработчиков, которые создают агентов, RAG-пайплайны и другие LLM-приложения.

Он позволяет проектировать логику приложения в виде графа, соединяя небольшие узлы, которые используют общее состояние и направляют выполнение через именованные действия.

Ключевые возможности:

• Графовые flows — можно объединять узлы в цепочки, создавать ветвления по действиям, циклы и вложенные flows.
• Узлы из трёх этапов — подготовка, выполнение и постобработка разделены и работают с общим состоянием.
• Настройка повторных попыток — можно задать количество ретраев, задержки между ними и fallback-поведение при ошибках выполнения.
• Batch- и async-режимы — обработка списков элементов, повторный запуск flows с параметрами и параллельное выполнение асинхронных batch-задач.
• Практический cookbook — примеры агентов, RAG, workflows, стриминга и приложений с human-in-the-loop.

Проект с открытым исходным кодом и распространяется по лицензии MIT.

👉 @PythonPortal

Этот проект представляет собой полный курс по Python — от нулевого уровня до backend-разработки, который создавался в прямом эфире на Twitch.

Покрывает основы Python, продвинутые темы и разработку backend-приложений.
Включает создание REST API с аутентификацией и интеграцией с базой данных.
Весь код организован по директориям: Basic, Intermediate и Backend.
Видео-уроки содержат таймкоды для каждой темы.

👉 @PythonPortal

Этот vault добавляет AI-агентам долгосрочную память.

Добавляет persistent memory, семантический поиск и автоматическое отслеживание рабочих задач для Claude Code, Codex и Gemini. Автоматически сохраняет решения, результаты работы и материалы ревью внутри Obsidian vault.

Репозиторий:
https://github.com/breferrari/obsidian-mind

👉 @PythonPortal

Modly — это бесплатное опенсорсное десктопное приложение, которое превращает обычные изображения в 3D-модели прямо на вашем компьютере.

Вся генерация выполняется локально на GPU, без облака и подписки. Приложение работает на Windows, Linux и macOS с Apple Silicon.

В Modly есть визуальный workflow: загрузили изображение, сгенерировали mesh и добавили его в сцену. Импортированные модели можно сразу сглаживать и упрощать, а внешние расширения позволяют подключать разные модели и стили генерации.

https://github.com/lightningpixel/modly

👉 @PythonPortal

Codex Router добавляет Kimi K3 и DeepSeek прямо в селектор моделей Codex, не затрагивая вход через ChatGPT и встроенные GPT-модели.

После установки рядом с нативными моделями появляются дополнительные варианты:

• Kimi K3 через OAuth или API
• DeepSeek V4 Flash и Pro через API

Инструмент не перезаписывает конфигурацию Codex, автоматически создаёт резервную копию и поддерживает безопасный откат. Также предусмотрена миграция со старых версий роутера.

Проект полностью бесплатный и опенсорсный.

👉 @PythonPortal

Kimi снова это сделали!

В Kimi K3 они разработали новый подход к работе с residual connections (остаточными связями) в Transformer-архитектурах — механизмом, который практически не менялся со времён ResNet в 2015 году.

В стандартном Transformer каждый слой добавляет свой выход обратно к входу с фиксированным весом 1.
То есть каждый слой получает одинаковую важность независимо от того, что именно нужно конкретному токену.
При глубине в 40, 60, 80+ слоёв скрытое состояние превращается в сумму всех предыдущих представлений с одинаковыми весами.

Более глубоким слоям приходится создавать всё более крупные выходные значения, чтобы хоть как-то влиять на итоговое представление. При масштабировании моделей это делает обучение менее стабильным.

Attention Residuals решают эту проблему, заменяя фиксированное сложение на softmax attention по глубине сети.
Теперь каждый слой сам учится определять, сколько информации брать из каждого предыдущего слоя — в зависимости от входа. Благодаря этому разные токены могут извлекать разные представления из разных слоёв, ориентируясь на то, что действительно полезно.

Идея повторяет то, что оригинальный Transformer сделал с последовательностями.

RNN сжимали всю предыдущую информацию о токенах в одно состояние, которое передавалось по времени. Transformer заменил это механизмом attention. Attention Residuals применяют ту же идею, но уже к глубине модели.

Когда Kimi впервые проверили этот подход на своей модели Kimi Linear 48B в марте, Block AttnRes показал такую же производительность, как базовая модель, обученная с в 1,25 раза большим количеством вычислений, при этом добавив менее 2% задержки на инференсе.

Kimi K3 стала первой моделью, где этот подход применяется в масштабе фронтирной модели: 2,8 трлн параметров, вместе с Kimi Delta Attention, который обеспечивает до 6,3× более быстрое декодирование при работе с контекстом размером в миллион токенов.

👉 @PythonPortal

Лаборатория Университета Цинхуа выложила на GitHub проект, который заменяет стойку с H100 стоимостью $400 000 одной видеокартой с 24 ГБ памяти.

Он называется ktransformers, а идея почти до смешного проста: эксперты, которые реально используются, остаются на GPU, а остальные находятся на CPU до тех пор, пока не понадобятся.

/ DeepSeek-V3 и R1 с контекстом 139K на 24 ГБ VRAM
/ ускорение до 28 раз по сравнению со стандартной конфигурацией
/ дообучение DeepSeek-V3 на четырёх RTX 4090 вместо дата-центра
/ проект создан лабораторией MADSys Университета Цинхуа, а не стартапом с лендингом

Лицензия Apache 2.0, а на GitHub уже больше 17 000 звёзд.

→ http://github.com/kvcache-ai/ktransformers

👉 @PythonPortal

🚨 Весь стек AI-ассистента переписали на Zig.

Проект называется NullClaw. Размер бинарника — 678 КБ, потребление памяти — около 1 МБ, запуск занимает меньше 2 мс.
Без runtime, VM, фреймворков и garbage collector — только Zig.
Почему это важно:

OpenClaw требует Mac Mini за $599 и больше 1 ГБ RAM
NanoBot — больше 100 МБ RAM и Python
PicoClaw — 10 МБ RAM и Go

NullClaw запускается на плате за $5 с 1 МБ RAM, предлагая ту же функциональность при использовании примерно 0,1% ресурсов.

В эти 678 КБ входят:

22+ AI-провайдера, включая OpenAI, Anthropic, Ollama, DeepSeek и Groq
13 каналов связи: Telegram, Discord, Slack, WhatsApp, iMessage, IRC и другие
18+ встроенных инструментов
гибридный поиск по памяти: vector + keyword
многоуровневая sandbox-изоляция через Landlock, Firejail и Docker
поддержка Arduino, Raspberry Pi и STM32
MCP, subagents, streaming, voice и остальной стек

Каждая подсистема реализована как заменяемый интерфейс: провайдеры, каналы, инструменты и memory backend можно менять через конфиг без правок кода.

API-ключи по умолчанию шифруются с помощью ChaCha20-Poly1305. В проекте 2 738 тестов, около 45 000 строк Zig и нет зависимостей кроме libc.

Полностью бесплатно. Open Source.

👉 @PythonPortal

Через VS Code теперь можно расшарить localhost без сторонних инструментов. 🤯

Во встроенной вкладке Ports можно открыть локальный сервер для доступа из интернета.

Как это сделать:

1. Открыть вкладку Ports в панели терминала
2. Нажать Forward a Port
3. Указать локальный порт — например, 5173, 3000 или 3001
4. VS Code сгенерирует ссылку
5. Для публичного доступа нужно нажать по ней правой кнопкой и выбрать Make Public
6. После этого ссылку можно отправить другому человеку

Удобно для демо, тестирования на других устройствах и быстрого показа проекта клиентам или команде.

👉 @PythonPortal

Подборка ресурсов по MLOps для тех, кто хочет разобраться, как ML-системы доводят до production.

https://github.com/visenger/awesome-mlops

👉 @PythonPortal