🚀 Claude Code получил open-source инструмент, который снимает лимиты использования и не даёт ему останавливаться посреди задачи.

47 000+ звёзд, бесплатно, и уже называют чит-кодом для power-пользователей.

https://github.com/thedotmack/claude-mem

🐍 Python полезные ресурсы ( ) ()

@Python_Community_ru

🔊 В опенсорс вышел самый лёгкий и доступный генератор речи - MOSS-TTS-Nano работает локально на любом процессоре даже без видеокарты.
Ультралёгкий TTS, который можно гонять хоть на тостере - MOSS-TTS.

Это не «демка на поиграться», а нормальный инструмент: запускается на обычном 4-ядерном CPU, тянется даже на уровне Raspberry Pi и при этом выдаёт живую речь без ощутимой задержки.

Модель крошечная - около 100 млн параметров, но звук на уровне: до 48 кГц и вполне чистая озвучка.

Лучше всего справляется с английским, но русский тоже поддерживает.

Умеет не только короткие фразы. Спокойно читает длинные тексты и может клонировать голос, что открывает кучу сценариев - от ботов до локальных ассистентов.

Фактически это TTS, который не требует ни облака, ни GPU, ни сложной инфраструктуры. Запустил и используешь.

https://github.com/OpenMOSS/MOSS-TTS-Nano

Демо: https://huggingface.co/spaces/OpenMOSS-Team/MOSS-TTS-Nano

@Python_Community_ru

Продвинутый совет по Django:

Не тащи бизнес-логику в views и serializers. Выноси её в отдельный service layer.

Пока проект маленький, удобно писать всё прямо во view: получил request, дёрнул ORM, что-то посчитал, сохранил, отправил ответ.

Но как только появляются повторяющиеся сценарии, несколько точек входа, celery-задачи, admin, API и тесты, код начинает расползаться.

Хороший паттерн такой:
• view отвечает только за HTTP,
• serializer за валидацию,
• model за данные,
• а вся бизнес-логика живёт в services.

Пример:


# services/order_service.py

from django.db import transaction
from .models import Order, OrderItem

class OrderService:
@staticmethod
@transaction.atomic
def create_order(*, user, items_data):
order = Order.objects.create(user=user, status="new")

order_items = [
OrderItem(
order=order,
product_id=item["product_id"],
quantity=item["quantity"],
price=item["price"],
)
for item in items_data
]
OrderItem.objects.bulk_create(order_items)

return order

Во view тогда остаётся только это:


def create_order_view(request):
serializer = OrderCreateSerializer(data=request.data)
serializer.is_valid(raise_exception=True)

order = OrderService.create_order(
user=request.user,
items_data=serializer.validated_data["items"],
)

return Response({"order_id": order.id})


Что это даёт: код проще тестировать, логика не дублируется, её можно использовать в API, admin и background jobs, и становится меньше шансов сломать что-то при росте проекта.

Django-проект становится серьезнее в тот момент, когда ты перестаёшь писать всё во views.

🐍 Python полезные ресурсы ( )

@Python_Community_ru

Когда я прошу Клода провести проверку кода

@Python_Community_ru

🚀 Автономные исследования на Apple Silicon

Порт Karpathy's autoresearch для Apple Silicon, использующий MLX. Проект реализует автономные исследовательские циклы с фиксированным временем и управлением через program.md. Основные файлы включают train.py для обучения и prepare.py для подготовки данных.

🚀 Основные моменты:
- Нативная поддержка Apple Silicon без PyTorch/CUDA
- Фиксированный 5-минутный бюджет на обучение
- Логирование результатов в results.tsv
- Простая структура для автономного эксперимента
- Оптимизация моделей для повышения эффективности

📌 GitHub: https://github.com/trevin-creator/autoresearch-mlx

#python

@Python_Community_ru

‍🚀 50+ команд Claude Code, которые реально ускоряют разработку

Если ты используешь Claude Code как обычный чат - ты теряешь 80% его мощности.

Это не просто AI. Это полноценная система разработки внутри терминала.

Вот как его правильно использовать:

База, без которой никуда:

- /init - создаёт CLAUDE.md и память проекта
- /memory - открывает контекст проекта
- /add-dir - подключает новые директории
- /compact - чистит контекст и экономит токены

Работа с кодом:

- /diff - показывает изменения
- /review - ревью кода
- /simplify - 3 агента анализируют код
- /debug - системный дебаг

Контроль процесса:

- /plan - сначала думает, потом пишет код
- /permissions - контроль действий
- --dangerously-skip-permissions - полный автопилот

Продвинутые фичи:

- /agents - параллельные агенты
- /loop - повтор задач
- /bash - выполнение команд
- /remote-control - управление через браузер

Модели и режимы:

- /model - переключение моделей
- /effort - глубина мышления
- /fast - быстрый режим

Что важно знать:

- Claude Code = не чат, а инженер внутри проекта
- память (CLAUDE.md) решает больше, чем промпты
- агенты дают x2-x5 ускорение на сложных задачах

@Python_Community_ru

🚀 DeepSeek-V4 ломает рынок: 1M контекста стал нормой

DeepSeek выкатили V4 и сделали то, к чему все шли последние два года. Длинный контекст больше не фича для демо. Теперь это базовый уровень.

V4-Pro выглядит как заявка на прямую конкуренцию с закрытыми моделями. 49B активных параметров дают уровень reasoning, который раньше был доступен только в дорогих API. Агентные задачи закрываются на уровне SOTA среди open-source.

V4-Flash почти не отстает по качеству, зато быстрее и заметно дешевле. Это уже не про исследования. Это про продакшен, где важна цена за каждый запрос.

Новый attention с компрессией токенов и sparse-подходом делает 1M контекста не просто возможным, а экономически адекватным. Раньше длинный контекст стоил как эксперимент. Теперь это рабочий инструмент.

DeepSeek явно ставит ставку на агентов. Интеграция с Claude Code, OpenClaw и другими системами показывает, куда они целятся. Не чат. Автоматизация процессов, цепочки действий, реальные workflow.

И еще один важный момент. Теперь есть выбор между thinking и non-thinking режимами. Можно управлять тем, тратить ли ресурсы на глубокое рассуждение или получать быстрый ответ.

В итоге меняется базовая логика рынка. Если раньше ты выбирал между качеством и ценой, то теперь появляется третья точка. Длинный контекст плюс агентность при адекватной стоимости.
Это новый baseline, под который придется перестраиваться всем.

📄 Tech Report: https://huggingface.co/deepseek-ai/DeepSeek-V4-Pro/blob/main/DeepSeek_V4.pdf
🤗 Open Weights: https://huggingface.co/collections/deepseek-ai/deepseek-v4



#DeepSeek

@Python_Community_ru

🐍 Маленькая, но красивая фишка Python.

В большинстве языков, чтобы поменять значения переменных местами, используют временную переменную:


temp = a
a = b
b = temp


В Python всё гораздо проще.

Можно сделать обмен значений в одну строку:


a, b = b, a


Без временных переменных, без лишнего кода.

Python просто распаковывает значения и меняет их местами.

Мелочь, но именно из таких вещей и складывается читаемый и лаконичный код.

🐍 Python полезные ресурсы ( ) ()

@Python_Community_ru

🚀 Открытый агентский хранилище OpenHarness

OpenHarness предлагает легкую инфраструктуру для агентов, включая инструменты, память и координацию между агентами. Это решение для разработки открытых агентов с поддержкой интеграции CLI и множеством инструментов.

🚀 Основные моменты:
- Легкая архитектура для агентов
- Поддержка 43+ инструментов и плагинов
- Механизмы управления и разрешений
- Контекст и память для улучшенной работы
- Координация между несколькими агентами

📌 GitHub: https://github.com/HKUDS/OpenHarness

#python

@Python_Community_ru

✔️ The Open Source Computer Science Degree

На GitHub есть список курсов, который бесчисленные самоучки считают «альтернативой бакалавриату по компьютерным наукам»: open-source-cs, уже набравший более 20 000 звёзд.

Здесь бесплатные открытые курсы из ведущих вузов, таких как MIT, Стэнфорд, Принстон и других, по традиционной траектории подготовки CS-бакалавров: от основ до продвинутого уровня, от теории до практики, репо прокладывает чёткий путь обучения.

Полное покрытие: программирование, математика, системы, алгоритмы и приложения; для каждого курса заботливо указаны часы обучения, уровень сложности и здесь описаны предварительные требования, чтобы вы меньше спотыкались и не терялись.

GitHub: http://github.com/ForrestKnight/open-source-cs

@Python_Community_ru

Tencent Hunyuan выложила в open source Hy-MT1.5-1.8B-1.25bit - офлайн-модель для перевода на мобильных устройствах размером всего 440 МБ. Поддерживает 33 языка и работает без интернета.

Базовая модель на 1,8B параметров по качеству сопоставима с коммерческими API для перевода и моделями масштаба 235B.

По бенчмаркам она обходит Google Translate и Baidu Translate.
Версия на 440 МБ достигает этого за счёт Sherry - разреженной тернарной квантизации 1.25-bit, принятой на ACL 2026. Схема такая: параметры группируются по 4, три хранятся в 1-bit, один зануляется. В среднем получается 1.25 bit на параметр.
Также доступна версия на 574 МБ с 2-bit SEQ-квантизацией: почти без потери качества и быстрее на устройствах с Arm SME2.
Android-демо уже доступно.

🤖 https://modelscope.cn/collections/AngelSlim/Hy-MT15-18b-quant
📄 https://modelscope.cn/papers/2601.07892
📄 https://modelscope.cn/papers/2512.24092

@Python_Community_ru

🎮 Создание 2D-спрайтов с помощью AI

Agent Sprite Forge позволяет превращать текстовые промпты в готовые к игре 2D-спрайты и карты. Используя Codex, вы можете создавать анимации, экспортировать чистые прозрачные листы и данные сцен для игр.

🚀 Основные моменты:
- Генерация спрайтов и анимаций из текстовых команд.
- Поддержка создания карт и игровых объектов.
- Возможность разработки полноценных игр с помощью AI.
- Интуитивно понятный интерфейс для планирования и рендеринга.

📌 GitHub: https://github.com/0x0funky/agent-sprite-forge

#python

@Python_Community_ru

Как за 1 час собрать рабочий Skill в Claude

Это не теория, а простой пайплайн, который реально работает.

Сначала идея
Берёшь повторяющуюся задачу и сразу формулируешь, что именно должен делать скилл. Лучше максимально конкретно.

Дальше сборка
Запускаешь skill-creator и отвечаешь на вопросы. На выходе получаешь папку и SKILL.md с логикой, триггерами и инструкциями.

Потом тест
Пробуешь на реальных запросах. Смотришь, срабатывает ли там, где нужно.

Оценка
Смотришь eval. Это шаг, который почти все пропускают, а зря. Он показывает, где скилл ведёт себя нестабильно.

Доработка
Чистишь формулировки, уточняешь триггеры, убираешь лишние срабатывания.

Финал
Загружаешь в Capabilities → Skills и проверяешь уже в живом чате.

Как ускорить процесс

Открой Claude Cowork
Выбери Opus + Extended Thinking
И просто напиши:
"Помоги создать скилл для моей повторяющейся задачи"

Главное правило

Если скилл срабатывает лишний раз, проблема почти всегда в описании.

Хороший скилл - это не код, а правильно заданный контекст.

https://www.youtube.com/shorts/GhgKXX0mdxk

@Python_Community_ru

🚀 Оптимизация LLM для RTX 3090

Репозиторий предлагает конфигурации и патчи для запуска современных языковых моделей на RTX 3090. Поддерживает несколько движков и моделей, обеспечивая максимальную производительность и надежность в зависимости от ваших потребностей.

🚀 Основные моменты:
- Поддержка двух маршрутов: максимальная производительность или надежность.
- Проверенные конфигурации Docker для локального API.
- Модель-агностичный подход с поддержкой различных языковых моделей.
- Оптимизированные настройки для 1 или 2 RTX 3090.

📌 GitHub: https://github.com/noonghunna/club-3090

#python

@Python_Community_ru

Python 3.15 выходит с крутыми новыми фичами 🐍

Самые интересные:

• Ленивые импорты через ключевое слово lazy - ускоряют запуск
• frozendict наконец-то стал встроенным типом
• Распаковка в comprehensions через * и **
• Улучшения JIT-компилятора - на 6-13% быстрее на x86-64 Linux
• Новый высокочастотный статистический профилировщик

Бета выйдет позже на этой неделе.

@Python_Community_ru