🐍 Опытный Python-разработчик рассказал, для каких проектов в 2026 году он уже не выбирает Python первым.
Автор десятилетиями использовал Python практически для всего, но со временем пришёл к простой мысли: хороший универсальный язык не обязан быть лучшим инструментом для каждой задачи.
В презентации разбирается, где ограничения Python начинают перевешивать его удобство и почему для некоторых проектов сегодня разумнее посмотреть на другие языки и экосистемы.
При этом это не очередное «Python умер».
Наоборот, автор по-прежнему активно использует Python и отдельно показывает области, где язык остаётся одним из лучших вариантов.
Получился полезный взгляд без фанатизма: выбирать язык не по привычке, а под конкретную задачу.
#/
#Python #Programming #SoftwareEngineering #Development
@Python_Community_ru
https://menno.io/presentations/not-python-2026/index.html
Автор десятилетиями использовал Python практически для всего, но со временем пришёл к простой мысли: хороший универсальный язык не обязан быть лучшим инструментом для каждой задачи.
В презентации разбирается, где ограничения Python начинают перевешивать его удобство и почему для некоторых проектов сегодня разумнее посмотреть на другие языки и экосистемы.
При этом это не очередное «Python умер».
Наоборот, автор по-прежнему активно использует Python и отдельно показывает области, где язык остаётся одним из лучших вариантов.
Получился полезный взгляд без фанатизма: выбирать язык не по привычке, а под конкретную задачу.
#/
#Python #Programming #SoftwareEngineering #Development
@Python_Community_ru
https://menno.io/presentations/not-python-2026/index.html
🐍 Python-разработчики часто тестируют код с зависимостью от времени. Но обычный mock для дат — это намного сложнее, чем кажется.
Библиотека time-machine решает эту проблему: она позволяет буквально «перемещать время» внутри тестов.
Например:
import datetime as dt
import time_machine
@time_machine.travel("2030-01-01")
def test_future():
assert dt.date.today() == dt.date(2030, 1, 1)
В отличие от популярных подходов вроде freezegun, библиотека не ищет и не заменяет все импорты в проекте.
Она работает на уровне C API CPython, перехватывая функции даты и времени напрямую. Поэтому скорость не зависит от количества загруженных модулей. В бенчмарках time-machine оказался более чем в 100 раз быстрее freezegun на простых сценариях.
Полезно для тестирования:
• подписок и платежей
• истечения токенов
• календарных функций
• планировщиков задач
• логики с дедлайнами
Проект:
https://github.com/adamchainz/time-machine
https://adamj.eu/tech/2026/08/03/python-time-machine-o1-freezegun-on/
@Python_Community_ru
Библиотека time-machine решает эту проблему: она позволяет буквально «перемещать время» внутри тестов.
Например:
import datetime as dt
import time_machine
@time_machine.travel("2030-01-01")
def test_future():
assert dt.date.today() == dt.date(2030, 1, 1)
В отличие от популярных подходов вроде freezegun, библиотека не ищет и не заменяет все импорты в проекте.
Она работает на уровне C API CPython, перехватывая функции даты и времени напрямую. Поэтому скорость не зависит от количества загруженных модулей. В бенчмарках time-machine оказался более чем в 100 раз быстрее freezegun на простых сценариях.
Полезно для тестирования:
• подписок и платежей
• истечения токенов
• календарных функций
• планировщиков задач
• логики с дедлайнами
Проект:
https://github.com/adamchainz/time-machine
https://adamj.eu/tech/2026/08/03/python-time-machine-o1-freezegun-on/
@Python_Community_ru
Полный инженерный курс по AI-агентам на русском: от tool calling до production
Курс инженерный, а не обзорный. Здесь почти нет рассуждений о том, «изменит ли ИИ мир», зато есть: минимальные работающие реализации каждого механизма, лабораторные с критериями приёмки, шаблоны для копирования, чек-листы перед релизом, каталог антипаттернов и набор бенчмарков, по которым можно честно сравнить две версии своего агента.
Качество агента почти никогда не упирается в модель. Оно упирается в инженерию вокруг модели: как описаны инструменты, что попадает в контекст, где стоят проверки, что происходит при третьей подряд ошибке и сколько это стоит за тысячу запусков. Модель - двигатель. Курс -про всё остальное в автомобиле.
https://github.com/justxor/Aiagentsfullcourse
@Python_Community_ru
Курс инженерный, а не обзорный. Здесь почти нет рассуждений о том, «изменит ли ИИ мир», зато есть: минимальные работающие реализации каждого механизма, лабораторные с критериями приёмки, шаблоны для копирования, чек-листы перед релизом, каталог антипаттернов и набор бенчмарков, по которым можно честно сравнить две версии своего агента.
Качество агента почти никогда не упирается в модель. Оно упирается в инженерию вокруг модели: как описаны инструменты, что попадает в контекст, где стоят проверки, что происходит при третьей подряд ошибке и сколько это стоит за тысячу запусков. Модель - двигатель. Курс -про всё остальное в автомобиле.
https://github.com/justxor/Aiagentsfullcourse
@Python_Community_ru
🔥 DeepSeek Harness - пример того, почему сегодня важна не только модель, но и всё окружение вокруг неё
Harness - это слой между LLM и реальной работой: инструменты, terminal, permissions, память, tool loop и правила обработки ответов.
У deepseek-harness есть Python-библиотека, CLI dsh, MCP-сервер и интеграция в формате Anthropic Skill. Проект документирует особенности протокола DeepSeek V4-Pro/V4-Flash и автоматически обрабатывает проблемные места вроде reasoning_content, parallel tool calls, streaming и context limits.
Например:
pip install deepseek-harness-cli
Ключевая идея очень актуальна для agent engineering:
одна и та же модель с разным harness может вести себя как совершенно другой агент.
Модель отвечает за интеллект.
Harness - за то, сможет ли этот интеллект стабильно работать с инструментами и длинными workflow.
Вот полезный гайд, (https://helmcode.com/deepseek-harness) где собрали большой разбор проекта: 23 секции, от запуска за минуту до архитектуры и теории Cordis.
Что особенно интересно:
архитектура максимально модульная - компоненты можно заменять плагинами;
проект model-agnostic и работает с OpenAI-compatible API;
под harness лежит Cordis - отдельная формальная модель безопасного самоизменения программ;
можно менять не только tools, но даже логику, которая решает, что агент должен делать дальше;
проект пока developer preview, поэтому breaking changes ожидаемы
Разбор: https://helmcode.com/deepseek-harness
@Python_Community_ru
Harness - это слой между LLM и реальной работой: инструменты, terminal, permissions, память, tool loop и правила обработки ответов.
У deepseek-harness есть Python-библиотека, CLI dsh, MCP-сервер и интеграция в формате Anthropic Skill. Проект документирует особенности протокола DeepSeek V4-Pro/V4-Flash и автоматически обрабатывает проблемные места вроде reasoning_content, parallel tool calls, streaming и context limits.
Например:
pip install deepseek-harness-cli
Ключевая идея очень актуальна для agent engineering:
одна и та же модель с разным harness может вести себя как совершенно другой агент.
Модель отвечает за интеллект.
Harness - за то, сможет ли этот интеллект стабильно работать с инструментами и длинными workflow.
Вот полезный гайд, (https://helmcode.com/deepseek-harness) где собрали большой разбор проекта: 23 секции, от запуска за минуту до архитектуры и теории Cordis.
Что особенно интересно:
архитектура максимально модульная - компоненты можно заменять плагинами;
проект model-agnostic и работает с OpenAI-compatible API;
под harness лежит Cordis - отдельная формальная модель безопасного самоизменения программ;
можно менять не только tools, но даже логику, которая решает, что агент должен делать дальше;
проект пока developer preview, поэтому breaking changes ожидаемы
Разбор: https://helmcode.com/deepseek-harness
@Python_Community_ru
🖥 Для Python появился Interlock - современный circuit breaker без зоопарка отдельных решений для sync и async.
Один CircuitBreaker умеет работать и с обычными функциями, и с async, считать процент ошибок по скользящему окну и отдельно реагировать на слишком медленные вызовы.
Можно собрать полноценный pipeline отказоустойчивости:
pipeline = (
Pipeline.builder()
.fallback(...)
.retry(attempts=4)
.circuit_breaker(breaker)
.bulkhead(8)
.timeout(2.0)
.build()
)
То есть timeout, retry, ограничение параллелизма, circuit breaker и fallback складываются в одну явную цепочку.
Есть интеграции с httpx, aiohttp, requests, FastAPI, Redis и OpenTelemetry. Через Redis состояние breaker можно шарить между несколькими процессами или инстансами приложения.
Ещё полезная штука - METRICS_ONLY: сначала можно просто посмотреть реальные проценты ошибок и медленных запросов в проде, ничего не блокируя, а уже потом включить breaker.
https://github.com/bagowix/interlock
@Python_Community_ru
Один CircuitBreaker умеет работать и с обычными функциями, и с async, считать процент ошибок по скользящему окну и отдельно реагировать на слишком медленные вызовы.
Можно собрать полноценный pipeline отказоустойчивости:
pipeline = (
Pipeline.builder()
.fallback(...)
.retry(attempts=4)
.circuit_breaker(breaker)
.bulkhead(8)
.timeout(2.0)
.build()
)
То есть timeout, retry, ограничение параллелизма, circuit breaker и fallback складываются в одну явную цепочку.
Есть интеграции с httpx, aiohttp, requests, FastAPI, Redis и OpenTelemetry. Через Redis состояние breaker можно шарить между несколькими процессами или инстансами приложения.
Ещё полезная штука - METRICS_ONLY: сначала можно просто посмотреть реальные проценты ошибок и медленных запросов в проде, ничего не блокируя, а уже потом включить breaker.
https://github.com/bagowix/interlock
@Python_Community_ru
25 августа встречаемся на Agentic Coding Meetup (https://developers.sber.ru/portal/sreda/agentic-coding-meetup?utm_source=telegram&utm_medium=fix&utm_campaign=agentic_meetup_august_2026_post&utm_content=&utm_term=pythonl&erid=2VtzqwpQLgT) в Сбер.Среде и в онлайне⚡️
AI-агенты уже умеют писать код. Но самое интересное начинается дальше — когда вместе с инструментами меняются роли инженеров, команды и сам процесс разработки.
🔥 Поговорим о том, как agentic coding выглядит на практике: новые инженерные роли и модели команд, SDD и трансформация процессов, coding-агенты и инструменты, подходы к постановке задач и управлению контекстом, а также опыт внедрения AI в разработку больших технологических компаний.
⏳ Начало в 17:00, встреча очных гостей — в 16:00.
Количество очных мест ограничено — успейте зарегистрироваться (https://developers.sber.ru/portal/sreda/agentic-coding-meetup?utm_source=telegram&utm_medium=fix&utm_campaign=agentic_meetup_august_2026_post&utm_content=&utm_term=pythonl&erid=2VtzqwpQLgT)!
@Python_Community_ru
AI-агенты уже умеют писать код. Но самое интересное начинается дальше — когда вместе с инструментами меняются роли инженеров, команды и сам процесс разработки.
🔥 Поговорим о том, как agentic coding выглядит на практике: новые инженерные роли и модели команд, SDD и трансформация процессов, coding-агенты и инструменты, подходы к постановке задач и управлению контекстом, а также опыт внедрения AI в разработку больших технологических компаний.
⏳ Начало в 17:00, встреча очных гостей — в 16:00.
Количество очных мест ограничено — успейте зарегистрироваться (https://developers.sber.ru/portal/sreda/agentic-coding-meetup?utm_source=telegram&utm_medium=fix&utm_campaign=agentic_meetup_august_2026_post&utm_content=&utm_term=pythonl&erid=2VtzqwpQLgT)!
@Python_Community_ru
Для тех, кто работает с ACP-агентами из терминала, появился простой REPL
acp-repl запускает любой stdio-сервер с поддержкой Agent Client Protocol и позволяет общаться с агентом прямо из терминала: отправлять промпты, создавать сессии, переключать модель и режим, обрабатывать permission-запросы и смотреть debug-логи.
Работает не с одним конкретным агентом. В README есть примеры для OpenCode, Codex, Claude Code и Pi, плюс можно подключить любой другой ACP-совместимый executable.
Удобная штука для быстрой проверки агента до того, как встраивать его в свой runtime или приложение. Можно сравнить поведение разных моделей и режимов, проверить permissions или просто понять, нормально ли стартует конкретный ACP-провайдер.
Запуск через npm:
npm install -g @normahq/acp-repl@latest
acp-repl -- opencode acp
Репозиторий:
https://github.com/normahq/acp-repl
@Python_Community_ru
acp-repl запускает любой stdio-сервер с поддержкой Agent Client Protocol и позволяет общаться с агентом прямо из терминала: отправлять промпты, создавать сессии, переключать модель и режим, обрабатывать permission-запросы и смотреть debug-логи.
Работает не с одним конкретным агентом. В README есть примеры для OpenCode, Codex, Claude Code и Pi, плюс можно подключить любой другой ACP-совместимый executable.
Удобная штука для быстрой проверки агента до того, как встраивать его в свой runtime или приложение. Можно сравнить поведение разных моделей и режимов, проверить permissions или просто понять, нормально ли стартует конкретный ACP-провайдер.
Запуск через npm:
npm install -g @normahq/acp-repl@latest
acp-repl -- opencode acp
Репозиторий:
https://github.com/normahq/acp-repl
@Python_Community_ru
Python Game Server: простой сервер для пошаговых мультиплеерных игр
python-game-server — лёгкий open source-фреймворк на Python для создания пошаговых мультиплеерных игр.
Он даёт готовую серверную основу, чтобы не писать с нуля комнаты, игровые сессии и сетевое взаимодействие.
Из коробки есть:
— единый API для разных игр
— несколько параллельных игровых сессий
— подключение к конкретной комнате
— автоматический вход в ближайшую свободную сессию
— возможность относительно легко добавлять новые игры
Проект рассчитан в первую очередь на настольные, карточные и другие turn-based игры. Для написания клиентов и новых игровых механик, по словам автора, достаточно базового знания Python.
В репозитории уже больше 600 коммитов, отдельно лежат клиентская и серверная части.
GitHub: https://github.com/feberts/python-game-server
@Python_Community_ru
python-game-server — лёгкий open source-фреймворк на Python для создания пошаговых мультиплеерных игр.
Он даёт готовую серверную основу, чтобы не писать с нуля комнаты, игровые сессии и сетевое взаимодействие.
Из коробки есть:
— единый API для разных игр
— несколько параллельных игровых сессий
— подключение к конкретной комнате
— автоматический вход в ближайшую свободную сессию
— возможность относительно легко добавлять новые игры
Проект рассчитан в первую очередь на настольные, карточные и другие turn-based игры. Для написания клиентов и новых игровых механик, по словам автора, достаточно базового знания Python.
В репозитории уже больше 600 коммитов, отдельно лежат клиентская и серверная части.
GitHub: https://github.com/feberts/python-game-server
@Python_Community_ru
🖥 pyhctsa - Python-инструмент для highly comparative time-series analysis: он автоматически считает большой набор характеристик временного ряда и превращает сигнал в таблицу признаков.
Базовый сценарий выглядит так:
from pyhctsa.calculator import FeatureCalculator
calc = FeatureCalculator()
features = calc.extract(data)
На выходе — DataFrame, где каждая временная серия превращается в набор feature'ов. Причём серии могут быть разной длины.
Есть:
— полный набор операций из коробки
— собственные YAML-конфиги для подмножеств признаков
— вызов отдельных feature-функций
— параллельная обработка на нескольких CPU
— инструменты для nonlinear analysis, HRV и других специализированных задач
GitHub: https://github.com/DynamicsAndNeuralSystems/pyhctsa
@Python_Community_ru
Базовый сценарий выглядит так:
from pyhctsa.calculator import FeatureCalculator
calc = FeatureCalculator()
features = calc.extract(data)
На выходе — DataFrame, где каждая временная серия превращается в набор feature'ов. Причём серии могут быть разной длины.
Есть:
— полный набор операций из коробки
— собственные YAML-конфиги для подмножеств признаков
— вызов отдельных feature-функций
— параллельная обработка на нескольких CPU
— инструменты для nonlinear analysis, HRV и других специализированных задач
GitHub: https://github.com/DynamicsAndNeuralSystems/pyhctsa
@Python_Community_ru
This media is not supported in your browser
VIEW IN TELEGRAM
Лицо C++-разработчика, когда он написал 6000 строк кода, чтобы обогнать твои 4 строки на Python на 0,000438 секунды.
@Python_Community_ru
@Python_Community_ru
10 открытых GitHub-репозиториев для изучения Python
1. 30 Days of Python - курс от основ до более продвинутых тем за 30 дней.
https://github.com/Asabeneh/30-Days-Of-Python
2. Learn Python - компактный учебник с примерами: типы, функции, ООП, декораторы, генераторы и многое другое.
https://github.com/trekhleb/learn-python
3. The Algorithms — Python - сотни алгоритмов и структур данных с реализациями на Python.
https://github.com/TheAlgorithms/Python
4. Python Mini Projects — много небольших проектов, на которых удобно набивать руку.
https://github.com/Python-World/python-mini-projects
5. Interactive Coding Challenges - задачи по алгоритмам, структурам данных и программированию с решениями.
https://github.com/donnemartin/interactive-coding-challenges
6. Python Patterns - паттерны проектирования и идиоматичный Python на реальных примерах.
https://github.com/faif/python-patterns
7. Learn Python 3 - хороший набор примеров и упражнений от базового синтаксиса до продвинутых возможностей языка.
https://github.com/jerry-git/learn-python3
8. Real Python Materials - исходники и примеры к большому количеству обучающих материалов Real Python.
https://github.com/realpython/materials
9. 100+ Python Challenging Programming Exercises - большая коллекция задач с постепенным ростом сложности.
https://github.com/zhiwehu/Python-programming-exercises
10. Awesome Python - огромный каталог библиотек, фреймворков и инструментов Python. Полезен, когда базу уже прошёл и хочется понять экосистему.
https://github.com/vinta/awesome-python
Если идти по порядку, я бы начал с 30 Days of Python → Learn Python → Mini Projects → The Algorithms → Python Patterns. Так получится путь от синтаксиса до алгоритмов и нормального продакшен-кода.
@Python_Community_ru
1. 30 Days of Python - курс от основ до более продвинутых тем за 30 дней.
https://github.com/Asabeneh/30-Days-Of-Python
2. Learn Python - компактный учебник с примерами: типы, функции, ООП, декораторы, генераторы и многое другое.
https://github.com/trekhleb/learn-python
3. The Algorithms — Python - сотни алгоритмов и структур данных с реализациями на Python.
https://github.com/TheAlgorithms/Python
4. Python Mini Projects — много небольших проектов, на которых удобно набивать руку.
https://github.com/Python-World/python-mini-projects
5. Interactive Coding Challenges - задачи по алгоритмам, структурам данных и программированию с решениями.
https://github.com/donnemartin/interactive-coding-challenges
6. Python Patterns - паттерны проектирования и идиоматичный Python на реальных примерах.
https://github.com/faif/python-patterns
7. Learn Python 3 - хороший набор примеров и упражнений от базового синтаксиса до продвинутых возможностей языка.
https://github.com/jerry-git/learn-python3
8. Real Python Materials - исходники и примеры к большому количеству обучающих материалов Real Python.
https://github.com/realpython/materials
9. 100+ Python Challenging Programming Exercises - большая коллекция задач с постепенным ростом сложности.
https://github.com/zhiwehu/Python-programming-exercises
10. Awesome Python - огромный каталог библиотек, фреймворков и инструментов Python. Полезен, когда базу уже прошёл и хочется понять экосистему.
https://github.com/vinta/awesome-python
Если идти по порядку, я бы начал с 30 Days of Python → Learn Python → Mini Projects → The Algorithms → Python Patterns. Так получится путь от синтаксиса до алгоритмов и нормального продакшен-кода.
@Python_Community_ru
🔥2
50 сайтов, на которых можно зависнуть на несколько часов
1. https://zoom.earth — Земля со спутника почти в реальном времени.
2. https://flightradar24.com — все самолёты в небе прямо сейчас.
3. https://marinetraffic.com — отслеживание кораблей по всему миру.
4. https://windy.com — ветры, осадки и штормы на живой карте.
5. https://lightningmaps.org — молнии по всему миру в реальном времени.
6. https://earthquake.usgs.gov — последние землетрясения.
7. https://submarinecablemap.com — карта подводных интернет-кабелей.
8. https://globalforestwatch.org — состояние лесов со спутников.
9. https://worldometers.info — мировая статистика в реальном времени.
10. https://internetlivestats.com — что происходит в интернете прямо сейчас.
11. https://thetruesize.com — реальные размеры стран.
12. https://oldmapsonline.org — старинные карты мира.
13. https://davidrumsey.com — огромный архив исторических карт.
14. https://openstreetmap.org — карта мира от сообщества.
15. https://window-swap.com — случайный вид из чужого окна.
16. https://virtualvacation.us — виртуальные прогулки по городам.
17. https://mapcrunch.com — случайная точка мира в Street View.
18. https://atlasobscura.com — самые необычные места планеты.
19. https://neal.fun — залипательные интерактивные эксперименты.
20. https://htwins.net/scale2 — от атома до Вселенной.
21. https://eyes.nasa.gov — 3D-модель Солнечной системы.
22. https://stellarium-web.org — карта звёздного неба.
23. https://apod.nasa.gov — астрономическое фото дня.
24. https://images.nasa.gov — фото- и видеоархив NASA.
25. https://pudding.cool — интерактивные истории на данных.
26. https://ourworldindata.org — данные о том, как меняется мир.
27. https://gapminder.org — проверка популярных заблуждений о мире.
28. https://informationisbeautiful.net — красивые визуализации данных.
29. https://data.worldbank.org — открытая статистика Всемирного банка.
30. https://data.tuik.gov.tr — официальная статистика Турции.
31. https://archive.org — книги, фильмы, сайты, игры и старое ПО.
32. https://gutenberg.org — десятки тысяч бесплатных книг.
33. https://openlibrary.org — огромный каталог книг.
34. https://loc.gov — цифровой архив Библиотеки Конгресса.
35. https://europeana.eu — культурное наследие Европы онлайн.
36. https://dp.la — цифровые коллекции библиотек США.
37. https://artsandculture.google.com — музеи и искусство онлайн.
38. https://rijksmuseum.nl — искусство в высоком разрешении.
39. https://wikiart.org — огромный архив живописи.
40. https://publicdomainreview.org — забытые материалы из истории.
41. https://openculture.com — бесплатные книги, фильмы и курсы.
42. https://metmuseum.org — онлайн-коллекция Метрополитен-музея.
43. https://musicmap.info — история музыкальных жанров.
44. https://radiooooo.com — музыка по странам и десятилетиям.
45. https://listen.hatnote.com — правки Википедии, превращённые в звуки.
46. https://wikipedia.org/wiki/Special:Random — случайная статья Википедии.
47. https://timeanddate.com — время, восходы, затмения и астрономия.
48. https://sciencedaily.com — свежие научные новости.
49. https://arxiv.org — бесплатные научные препринты.
50. https://observablehq.com — интерактивные данные и визуализации.
Интернет гораздо больше, чем несколько сайтов, которые мы открываем каждый день.
@Python_Community_ru
1. https://zoom.earth — Земля со спутника почти в реальном времени.
2. https://flightradar24.com — все самолёты в небе прямо сейчас.
3. https://marinetraffic.com — отслеживание кораблей по всему миру.
4. https://windy.com — ветры, осадки и штормы на живой карте.
5. https://lightningmaps.org — молнии по всему миру в реальном времени.
6. https://earthquake.usgs.gov — последние землетрясения.
7. https://submarinecablemap.com — карта подводных интернет-кабелей.
8. https://globalforestwatch.org — состояние лесов со спутников.
9. https://worldometers.info — мировая статистика в реальном времени.
10. https://internetlivestats.com — что происходит в интернете прямо сейчас.
11. https://thetruesize.com — реальные размеры стран.
12. https://oldmapsonline.org — старинные карты мира.
13. https://davidrumsey.com — огромный архив исторических карт.
14. https://openstreetmap.org — карта мира от сообщества.
15. https://window-swap.com — случайный вид из чужого окна.
16. https://virtualvacation.us — виртуальные прогулки по городам.
17. https://mapcrunch.com — случайная точка мира в Street View.
18. https://atlasobscura.com — самые необычные места планеты.
19. https://neal.fun — залипательные интерактивные эксперименты.
20. https://htwins.net/scale2 — от атома до Вселенной.
21. https://eyes.nasa.gov — 3D-модель Солнечной системы.
22. https://stellarium-web.org — карта звёздного неба.
23. https://apod.nasa.gov — астрономическое фото дня.
24. https://images.nasa.gov — фото- и видеоархив NASA.
25. https://pudding.cool — интерактивные истории на данных.
26. https://ourworldindata.org — данные о том, как меняется мир.
27. https://gapminder.org — проверка популярных заблуждений о мире.
28. https://informationisbeautiful.net — красивые визуализации данных.
29. https://data.worldbank.org — открытая статистика Всемирного банка.
30. https://data.tuik.gov.tr — официальная статистика Турции.
31. https://archive.org — книги, фильмы, сайты, игры и старое ПО.
32. https://gutenberg.org — десятки тысяч бесплатных книг.
33. https://openlibrary.org — огромный каталог книг.
34. https://loc.gov — цифровой архив Библиотеки Конгресса.
35. https://europeana.eu — культурное наследие Европы онлайн.
36. https://dp.la — цифровые коллекции библиотек США.
37. https://artsandculture.google.com — музеи и искусство онлайн.
38. https://rijksmuseum.nl — искусство в высоком разрешении.
39. https://wikiart.org — огромный архив живописи.
40. https://publicdomainreview.org — забытые материалы из истории.
41. https://openculture.com — бесплатные книги, фильмы и курсы.
42. https://metmuseum.org — онлайн-коллекция Метрополитен-музея.
43. https://musicmap.info — история музыкальных жанров.
44. https://radiooooo.com — музыка по странам и десятилетиям.
45. https://listen.hatnote.com — правки Википедии, превращённые в звуки.
46. https://wikipedia.org/wiki/Special:Random — случайная статья Википедии.
47. https://timeanddate.com — время, восходы, затмения и астрономия.
48. https://sciencedaily.com — свежие научные новости.
49. https://arxiv.org — бесплатные научные препринты.
50. https://observablehq.com — интерактивные данные и визуализации.
Интернет гораздо больше, чем несколько сайтов, которые мы открываем каждый день.
@Python_Community_ru
🔥4
⚡️ Claude Code и Codex можно запускать БЕСПЛАТНО
Появился open-source инструмент, который проксирует запросы coding-агентов через десятки бесплатных AI-провайдеров.
Что умеет:
- до 1,5 млрд бесплатных токенов в месяц
- автоматическое переключение между моделями при сбоях
- оптимизация расхода токенов - заявлена экономия до 90%
- поддержка Claude Code, Codex и Hermes Agent
- работа из терминала, IDE и desktop-приложений
- голосовой ввод промптов
- поддержка tools, skills, изображений и других возможностей агентов
Можно собрать единый бесплатный роутер и не зависеть от одного провайдера.
https://github.com/Alishahryar1/free-claude-code
@Python_Community_ru
Появился open-source инструмент, который проксирует запросы coding-агентов через десятки бесплатных AI-провайдеров.
Что умеет:
- до 1,5 млрд бесплатных токенов в месяц
- автоматическое переключение между моделями при сбоях
- оптимизация расхода токенов - заявлена экономия до 90%
- поддержка Claude Code, Codex и Hermes Agent
- работа из терминала, IDE и desktop-приложений
- голосовой ввод промптов
- поддержка tools, skills, изображений и других возможностей агентов
Можно собрать единый бесплатный роутер и не зависеть от одного провайдера.
https://github.com/Alishahryar1/free-claude-code
@Python_Community_ru
🔥1
This media is not supported in your browser
VIEW IN TELEGRAM
🔥 Face Anything - восстановление 4D-лица из любой последовательности изображений
На ECCV 2026 представили Face Anything - unified feed-forward модель для высокоточного 4D face reconstruction и плотного трекинга лица.
Ключевая идея - canonical facial point prediction: каждому пикселю назначается нормализованная координата лица в общем каноническом пространстве.
Это позволяет объединить dense tracking и динамическую реконструкцию в одну задачу и получать:
* стабильную геометрию между кадрами
* точные соответствия facial points
* 4D-реконструкцию из произвольной последовательности изображений
Код:
https://github.com/kocasariumut/FaceAnything
@Python_Community_ru
На ECCV 2026 представили Face Anything - unified feed-forward модель для высокоточного 4D face reconstruction и плотного трекинга лица.
Ключевая идея - canonical facial point prediction: каждому пикселю назначается нормализованная координата лица в общем каноническом пространстве.
Это позволяет объединить dense tracking и динамическую реконструкцию в одну задачу и получать:
* стабильную геометрию между кадрами
* точные соответствия facial points
* 4D-реконструкцию из произвольной последовательности изображений
Код:
https://github.com/kocasariumut/FaceAnything
@Python_Community_ru
🔥2
🐍 PyAdventure - бесплатная игра для изучения Python через практику
Вместо обычных уроков здесь 10 игровых миров, каждый посвящён отдельной теме Python, а в конце ждёт битва с боссом.
Игра сделана на Pygame и рассчитана на обучение основам программирования через прохождение уровней и выполнение задач.
Сейчас доступна бесплатная версия для Windows.
https://khalidmfy.itch.io/pyadventure
@Python_Community_ru
Вместо обычных уроков здесь 10 игровых миров, каждый посвящён отдельной теме Python, а в конце ждёт битва с боссом.
Игра сделана на Pygame и рассчитана на обучение основам программирования через прохождение уровней и выполнение задач.
Сейчас доступна бесплатная версия для Windows.
https://khalidmfy.itch.io/pyadventure
@Python_Community_ru
10 GitHub-репозиториев, которые сильнее всего залетают прямо сейчас
Собрал свежую подборку проектов, которые заметно растут и активно обсуждаются.
1. OpenAI Codex
Coding agent от OpenAI для терминала и автоматизации разработки.
https://github.com/openai/codex
2. God's Eye View
OSINT и открытые геоданные на интерактивном 3D-глобусе: авиация, спутники и другие источники.
https://github.com/bilawalsidhu/gods-eye-view
3. awesome-gpt-image-2
Большая библиотека промптов, примеров и шаблонов для GPT Image 2.
https://github.com/freestylefly/awesome-gpt-image-2
4. mattpocock/skills
Готовые skills и workflows для coding agents, которые можно переиспользовать вместо огромных промптов.
https://github.com/mattpocock/skills
5. Archify
Строит интерактивную карту архитектуры кодовой базы: sequence, data-flow, lifecycle и связи компонентов.
https://github.com/tt-a1i/archify
6. Tailcat
Инструмент от Tailscale для прямого соединения машин через WireGuard и NAT traversal.
https://github.com/tailscale/tailcat
7. Prime Agent
Self-improving coding agent для длинных автономных задач.
https://github.com/PrimeIntellect-ai/prime-agent
8. Semantica
Graph-native инфраструктура для хранения контекста, связей и происхождения данных в AI-системах.
https://github.com/semantica-agi/semantica
9. Cursor Plugins
Официальный репозиторий плагинов Cursor: orchestration, code review, continual learning и другие agent-функции.
https://github.com/cursor/plugins
10. AnyDoc
Инструмент от Firecrawl для превращения документов в структурированный контент для AI и RAG.
https://github.com/firecrawl/anydoc
Если смотреть на общий тренд недели:
AI-агенты → agent skills → память и контекст → визуализация архитектуры → инструменты для автономной работы с окружением
Сохраняй себе, чтобы не потерять!
@Python_Community_ru
Собрал свежую подборку проектов, которые заметно растут и активно обсуждаются.
1. OpenAI Codex
Coding agent от OpenAI для терминала и автоматизации разработки.
https://github.com/openai/codex
2. God's Eye View
OSINT и открытые геоданные на интерактивном 3D-глобусе: авиация, спутники и другие источники.
https://github.com/bilawalsidhu/gods-eye-view
3. awesome-gpt-image-2
Большая библиотека промптов, примеров и шаблонов для GPT Image 2.
https://github.com/freestylefly/awesome-gpt-image-2
4. mattpocock/skills
Готовые skills и workflows для coding agents, которые можно переиспользовать вместо огромных промптов.
https://github.com/mattpocock/skills
5. Archify
Строит интерактивную карту архитектуры кодовой базы: sequence, data-flow, lifecycle и связи компонентов.
https://github.com/tt-a1i/archify
6. Tailcat
Инструмент от Tailscale для прямого соединения машин через WireGuard и NAT traversal.
https://github.com/tailscale/tailcat
7. Prime Agent
Self-improving coding agent для длинных автономных задач.
https://github.com/PrimeIntellect-ai/prime-agent
8. Semantica
Graph-native инфраструктура для хранения контекста, связей и происхождения данных в AI-системах.
https://github.com/semantica-agi/semantica
9. Cursor Plugins
Официальный репозиторий плагинов Cursor: orchestration, code review, continual learning и другие agent-функции.
https://github.com/cursor/plugins
10. AnyDoc
Инструмент от Firecrawl для превращения документов в структурированный контент для AI и RAG.
https://github.com/firecrawl/anydoc
Если смотреть на общий тренд недели:
AI-агенты → agent skills → память и контекст → визуализация архитектуры → инструменты для автономной работы с окружением
Сохраняй себе, чтобы не потерять!
@Python_Community_ru
GitHub
GitHub - openai/codex: Lightweight coding agent that runs in your terminal
Lightweight coding agent that runs in your terminal - openai/codex
🔥 GLM-5.3-Flash теперь можно запускать локально
Unsloth выпустил GGUF-версии модели, включая 3-bit вариант, который можно запускать примерно на 128 ГБ RAM.
GLM-5.3-Flash, ранее известная как Ox Alpha, показывает очень сильные результаты в coding и agentic-бенчмарках и, по заявленным тестам, приближается к уровню Claude Opus 4.8 на DeepSWE.
Гайд:
https://unsloth.ai/docs/models/glm-5.3-flash
GGUF:
https://huggingface.co/unsloth/GLM-5.3-Flash-GGUF
@Python_Community_ru
Unsloth выпустил GGUF-версии модели, включая 3-bit вариант, который можно запускать примерно на 128 ГБ RAM.
GLM-5.3-Flash, ранее известная как Ox Alpha, показывает очень сильные результаты в coding и agentic-бенчмарках и, по заявленным тестам, приближается к уровню Claude Opus 4.8 на DeepSWE.
Гайд:
https://unsloth.ai/docs/models/glm-5.3-flash
GGUF:
https://huggingface.co/unsloth/GLM-5.3-Flash-GGUF
@Python_Community_ru
Настройка GitLab Runners
Сборка занимает всё больше времени, задания ждут свободного исполнителя, а Docker-образы загружаются при каждом запуске. Часто проблема не в GitLab CI, а в настройке Runner, кэширования и самого конвейера.
10 сентября в 20:00 на открытом уроке курса «DevOps практики и инструменты» разберёте, как настроить собственный GitLab Runner и ускорить сборку проекта.
На практическом примере вы пройдёте путь от установки Runner и подключения проекта до настройки файла .gitlab-ci.yml. Узнаете, как использовать кэш и артефакты, сократить время загрузки Docker-образов и повторно использовать уже загруженные слои.
Отдельно рассмотрите исполнители shell, docker и docker-machine — поймёте, чем они отличаются и как выбрать подходящий вариант под инфраструктуру и нагрузку. Также разберёте ошибки, из-за которых задания выполняются медленно, нестабильно или потребляют больше ресурсов, чем требуется.
После урока у вас будет понятный набор приёмов для настройки и проверки GitLab Runner, который можно применить в собственном проекте.
👉 Записаться: https://vk.cc/d13eNq
Реклама. ООО «Отус онлайн-образование», ОГРН 1177746618576, www.otus.ru
Сборка занимает всё больше времени, задания ждут свободного исполнителя, а Docker-образы загружаются при каждом запуске. Часто проблема не в GitLab CI, а в настройке Runner, кэширования и самого конвейера.
10 сентября в 20:00 на открытом уроке курса «DevOps практики и инструменты» разберёте, как настроить собственный GitLab Runner и ускорить сборку проекта.
На практическом примере вы пройдёте путь от установки Runner и подключения проекта до настройки файла .gitlab-ci.yml. Узнаете, как использовать кэш и артефакты, сократить время загрузки Docker-образов и повторно использовать уже загруженные слои.
Отдельно рассмотрите исполнители shell, docker и docker-machine — поймёте, чем они отличаются и как выбрать подходящий вариант под инфраструктуру и нагрузку. Также разберёте ошибки, из-за которых задания выполняются медленно, нестабильно или потребляют больше ресурсов, чем требуется.
После урока у вас будет понятный набор приёмов для настройки и проверки GitLab Runner, который можно применить в собственном проекте.
👉 Записаться: https://vk.cc/d13eNq
Реклама. ООО «Отус онлайн-образование», ОГРН 1177746618576, www.otus.ru
⚡️ KTransformers - open-source фреймворк из Китая, который позволяет запускать огромные модели на обычном потребительском железе.
Самый показательный пример - DeepSeek-R1 на 671 млрд параметров можно запустить с RTX 4090 на 24 ГБ, используя гибридную схему CPU+GPU вместо полноценного H100-кластера.
Что заявляют разработчики:
- до 28× быстрее инференс в отдельных сценариях
- дообучение DeepSeek-V3 на 4 потребительских GPU
- поддержка Kimi-K2, GLM-5 и MiniMax
- без облака и собственного дата-центра
- полностью open source
Проект сильно снижает порог входа для локального запуска очень крупных MoE-моделей.
https://github.com/kvcache-ai/ktransformers
@Python_Community_ru
Самый показательный пример - DeepSeek-R1 на 671 млрд параметров можно запустить с RTX 4090 на 24 ГБ, используя гибридную схему CPU+GPU вместо полноценного H100-кластера.
Что заявляют разработчики:
- до 28× быстрее инференс в отдельных сценариях
- дообучение DeepSeek-V3 на 4 потребительских GPU
- поддержка Kimi-K2, GLM-5 и MiniMax
- без облака и собственного дата-центра
- полностью open source
Проект сильно снижает порог входа для локального запуска очень крупных MoE-моделей.
https://github.com/kvcache-ai/ktransformers
@Python_Community_ru