🖥️ Python: 4 проекта недели, которые стоит добавить в закладки
В свежем дайджесте Python Hub несколько интересных новинок для Python-разработчиков, Data Engineers и ML-инженеров.
1. SQLBuild - SQL-трансформации с проверками на этапе компиляции
Новый open-source фреймворк для построения SQL и Python-пайплайнов. Проверяет ссылки на таблицы, типы колонок и контракты ещё до выполнения запросов. Поддерживает end-to-end тестирование и безопасное переименование таблиц без потери истории.
Интересная деталь: компилятор и планировщик написаны на Rust, а выполнение задач и расширения используют Python.
GitHub: https://github.com/sqlstack-io/sqlbuild
2. TorchTPU - PyTorch теперь работает нативно на Google TPU
Совместный проект Google и Meta. Разработчики могут запускать PyTorch-модели на TPU с поддержкой eager execution, torch.compile и распределённого обучения.
Перенос существующего кода может сводиться к замене .to("cuda") на .to("tpu").
Документация: https://pytorch.org/blog/introducing-torchtpu/
3. fastpybase64 - декодирование Base64 на скорости 13 ГБ/с
Библиотека Даниэля Лемира использует SIMD-оптимизации на базе simdutf и выступает заменой стандартного модуля Python base64.
В тестах на одном ядре Intel Xeon Gold 6548N она показала 13,3 ГБ/с на блоках размером 64 КБ. Это примерно в 27 раз быстрее стандартной библиотеки Python и в 4 раза быстрее pybase64.
Установка:
pip install fastpybase64
Использование:
import fastpybase64 as base64
encoded = base64.b64encode(b"hello")
decoded = base64.b64decode(encoded)
Подробнее: https://lemire.me/blog/2026/10/17/decoding-base64-in-python-at-10-gigabytes-per-second/
4. TorchNeuron - запуск PyTorch на AWS Trainium
Новый нативный backend для ускорителей AWS Trainium2 и Trainium3. Поддерживает torch.compile, распределённое обучение, пользовательские GPU-подобные ядра через NKI и профилирование.
Модель можно перенести на Trainium практически без изменения архитектуры:
model = MyModel().to("neuron")
Проект также поддерживает DDP, FSDP2 и Tensor Parallelism.
GitHub: https://github.com/aws-neuron/torch-neuronx
Все четыре проекта показывают, куда движется Python-экосистема: более строгая работа с данными, аппаратное ускорение, оптимизация низкоуровневых операций и единый интерфейс для разных вычислительных платформ.
Полный дайджест: https://pythonhub.dev/digest/2026-11-08/
@Python_Community_ru
В свежем дайджесте Python Hub несколько интересных новинок для Python-разработчиков, Data Engineers и ML-инженеров.
1. SQLBuild - SQL-трансформации с проверками на этапе компиляции
Новый open-source фреймворк для построения SQL и Python-пайплайнов. Проверяет ссылки на таблицы, типы колонок и контракты ещё до выполнения запросов. Поддерживает end-to-end тестирование и безопасное переименование таблиц без потери истории.
Интересная деталь: компилятор и планировщик написаны на Rust, а выполнение задач и расширения используют Python.
GitHub: https://github.com/sqlstack-io/sqlbuild
2. TorchTPU - PyTorch теперь работает нативно на Google TPU
Совместный проект Google и Meta. Разработчики могут запускать PyTorch-модели на TPU с поддержкой eager execution, torch.compile и распределённого обучения.
Перенос существующего кода может сводиться к замене .to("cuda") на .to("tpu").
Документация: https://pytorch.org/blog/introducing-torchtpu/
3. fastpybase64 - декодирование Base64 на скорости 13 ГБ/с
Библиотека Даниэля Лемира использует SIMD-оптимизации на базе simdutf и выступает заменой стандартного модуля Python base64.
В тестах на одном ядре Intel Xeon Gold 6548N она показала 13,3 ГБ/с на блоках размером 64 КБ. Это примерно в 27 раз быстрее стандартной библиотеки Python и в 4 раза быстрее pybase64.
Установка:
pip install fastpybase64
Использование:
import fastpybase64 as base64
encoded = base64.b64encode(b"hello")
decoded = base64.b64decode(encoded)
Подробнее: https://lemire.me/blog/2026/10/17/decoding-base64-in-python-at-10-gigabytes-per-second/
4. TorchNeuron - запуск PyTorch на AWS Trainium
Новый нативный backend для ускорителей AWS Trainium2 и Trainium3. Поддерживает torch.compile, распределённое обучение, пользовательские GPU-подобные ядра через NKI и профилирование.
Модель можно перенести на Trainium практически без изменения архитектуры:
model = MyModel().to("neuron")
Проект также поддерживает DDP, FSDP2 и Tensor Parallelism.
GitHub: https://github.com/aws-neuron/torch-neuronx
Все четыре проекта показывают, куда движется Python-экосистема: более строгая работа с данными, аппаратное ускорение, оптимизация низкоуровневых операций и единый интерфейс для разных вычислительных платформ.
Полный дайджест: https://pythonhub.dev/digest/2026-11-08/
@Python_Community_ru
Octop - open-source платформа, где можно запускать сразу несколько AI-агентов для себя, семьи или команды, при этом все данные остаются на вашей машине.
Главное:
- multi-user + multi-agent архитектура;
- Web UI, CLI, Telegram, Feishu, DingTalk, QQ, WeCom;
- собственная память для каждого workspace;
- RAG по вашим документам;
- browser automation через headless Chromium;
- удалённый рабочий стол и управление GUI;
- cron-задачи на естественном языке;
- интеграция с Claude Code и OpenCode через ACP;
- MCP/OAuth connectors и система плагинов;
- SQLite по умолчанию, PostgreSQL опционально.
GitHub - https://github.com/TencentCloud/Octop
@Python_Community_ru
Главное:
- multi-user + multi-agent архитектура;
- Web UI, CLI, Telegram, Feishu, DingTalk, QQ, WeCom;
- собственная память для каждого workspace;
- RAG по вашим документам;
- browser automation через headless Chromium;
- удалённый рабочий стол и управление GUI;
- cron-задачи на естественном языке;
- интеграция с Claude Code и OpenCode через ACP;
- MCP/OAuth connectors и система плагинов;
- SQLite по умолчанию, PostgreSQL опционально.
GitHub - https://github.com/TencentCloud/Octop
@Python_Community_ru
🖥️ ИИ нашёл 418 ошибок в CPython, формализовав его на Lean
Исследователи использовали Claude Opus 5.5, чтобы переписать части CPython на Lean - языке программирования для математически проверяемых доказательств.
Масштаб проекта: 613 318 строк Lean, 1 539 файлов и 18 898 теорем и лемм.
Каждую функцию сравнивали с настоящим Python минимум на 50 000 входных данных, а затем проверяли математическими доказательствами и независимыми ИИ-агентами.
Результат: обнаружено 418 ошибок CPython. Около 55 из них могут приводить к падению интерпретатора или повреждению памяти.
Среди найденных проблем:
- dict.setdefault() в определённых сценариях вызывает Segmentation Fault.
- Операции с XML-элементами могут повреждать память.
- Некоторые функции на C и Python возвращают разные результаты.
Есть важный нюанс: математическое доказательство подтверждает корректность формальной модели, но не гарантирует, что сама модель точно повторяет исходный код. Поэтому исследователи дополнительно сравнивают её с реальным CPython.
Пока проверена только часть проекта: 4 071 из 26 004 функций (15,7%).
Проект: https://broyojo.com/python-formalization/
Код: https://github.com/Broyojo/python-formalization
@Python_Community_ru
Исследователи использовали Claude Opus 5.5, чтобы переписать части CPython на Lean - языке программирования для математически проверяемых доказательств.
Масштаб проекта: 613 318 строк Lean, 1 539 файлов и 18 898 теорем и лемм.
Каждую функцию сравнивали с настоящим Python минимум на 50 000 входных данных, а затем проверяли математическими доказательствами и независимыми ИИ-агентами.
Результат: обнаружено 418 ошибок CPython. Около 55 из них могут приводить к падению интерпретатора или повреждению памяти.
Среди найденных проблем:
- dict.setdefault() в определённых сценариях вызывает Segmentation Fault.
- Операции с XML-элементами могут повреждать память.
- Некоторые функции на C и Python возвращают разные результаты.
Есть важный нюанс: математическое доказательство подтверждает корректность формальной модели, но не гарантирует, что сама модель точно повторяет исходный код. Поэтому исследователи дополнительно сравнивают её с реальным CPython.
Пока проверена только часть проекта: 4 071 из 26 004 функций (15,7%).
Проект: https://broyojo.com/python-formalization/
Код: https://github.com/Broyojo/python-formalization
@Python_Community_ru
🌟 Zyphra опубликовала компактную TTS-модель
ZONOS3-Mini (https://www.zyphra.com/our-work/zonos3-mini) синтезирует речь и клонирует голос по образцу, рассчитана на использование в реальном времени на телефонах, ноутбуках и браузере.
Модель копирует голос по записи длиной до минуты, но также можно собрать новый, задав возраст, акцент и тембр. Эмоции, темп и подачу можно настраивать вплоть до отдельных слов.
Поддерживается девять языков, среди них английский, китайский, японский, немецкий, испанский и французский, русского нет.
🟡Архитектура
Под капотом MoE на 800 млн общих при 100 млн активных параметров, где из 64 экспертов на каждом шаге включаются два.
Из 11 слоёв девять построены на Gated DeltaNet и два на обычном глобальном внимании.
Звук кодирует собственный кодек ZAC-1 с частотой 15 кадров в секунду.
🟡Тесты
Задержка до первого звука в браузере на Pixel 9 меньше 570 мс, на MacBook Air с M3 меньше 150 мс, а на одной H100 при восьми одновременных запросах в среднем 80 мс.
Пиковая выработка на той же H100 - 457 секунд звука за секунду.
По внутреннему бенчмарку ZTTS2-Eval, новинка занимает первое место среди открытых моделей, за ней идут Fish S2 Pro и MOSS TTS v1.5.
Модель запускается в браузере через WebGPU, классическим путём с SGLang и vLLM, на Mac через MLX и на обычных процессорах через ggml.
По API в облаке Zyphra Inference она стоит (https://www.zyphra.com/models/zonos3-mini) 10 долларов за мегабайт текста, лимиты - один запрос за раз и 100 генераций в сутки.
📌Лицензирование: Apache 2.0
🟡Блогпост (https://www.zyphra.com/our-work/zonos3-mini)
🟡Веса (https://huggingface.co/Zyphra/ZONOS3-Mini)
🟡Демо (https://cloud.zyphra.com/audio-playground?modelId=zyphra%2FZONOS3-Mini)
🖥GitHub (https://github.com/Zyphra/ZONOS3-Mini)
@ai_machinelearning_big_data
#AI #ML #TTS #ZONOS3 #Zyphra
@Python_Community_ru
ZONOS3-Mini (https://www.zyphra.com/our-work/zonos3-mini) синтезирует речь и клонирует голос по образцу, рассчитана на использование в реальном времени на телефонах, ноутбуках и браузере.
Модель копирует голос по записи длиной до минуты, но также можно собрать новый, задав возраст, акцент и тембр. Эмоции, темп и подачу можно настраивать вплоть до отдельных слов.
Поддерживается девять языков, среди них английский, китайский, японский, немецкий, испанский и французский, русского нет.
🟡Архитектура
Под капотом MoE на 800 млн общих при 100 млн активных параметров, где из 64 экспертов на каждом шаге включаются два.
Из 11 слоёв девять построены на Gated DeltaNet и два на обычном глобальном внимании.
Звук кодирует собственный кодек ZAC-1 с частотой 15 кадров в секунду.
🟡Тесты
Задержка до первого звука в браузере на Pixel 9 меньше 570 мс, на MacBook Air с M3 меньше 150 мс, а на одной H100 при восьми одновременных запросах в среднем 80 мс.
Пиковая выработка на той же H100 - 457 секунд звука за секунду.
По внутреннему бенчмарку ZTTS2-Eval, новинка занимает первое место среди открытых моделей, за ней идут Fish S2 Pro и MOSS TTS v1.5.
Модель запускается в браузере через WebGPU, классическим путём с SGLang и vLLM, на Mac через MLX и на обычных процессорах через ggml.
По API в облаке Zyphra Inference она стоит (https://www.zyphra.com/models/zonos3-mini) 10 долларов за мегабайт текста, лимиты - один запрос за раз и 100 генераций в сутки.
📌Лицензирование: Apache 2.0
🟡Блогпост (https://www.zyphra.com/our-work/zonos3-mini)
🟡Веса (https://huggingface.co/Zyphra/ZONOS3-Mini)
🟡Демо (https://cloud.zyphra.com/audio-playground?modelId=zyphra%2FZONOS3-Mini)
🖥GitHub (https://github.com/Zyphra/ZONOS3-Mini)
@ai_machinelearning_big_data
#AI #ML #TTS #ZONOS3 #Zyphra
@Python_Community_ru
В Python 3.15 появился профилировщик, который можно подключить к уже работающему процессу
Tachyon - новый статистический профилировщик в стандартной библиотеке Python. Устанавливать сторонние пакеты не нужно.
В отличие от cProfile, он периодически снимает снимки стека вызовов и по ним оценивает, где программа тратит больше всего времени. Накладные расходы при этом очень небольшие.
Запустить скрипт с профилированием:
python -m profiling.sampling run app.py
Подключиться к уже работающему процессу по PID:
python -m profiling.sampling attach 12345
Можно даже наблюдать за результатами в реальном времени:
python -m profiling.sampling attach --live 12345
Tachyon умеет строить flamegraph и HTML-тепловые карты исходников, подсвечивая строки, на которых программа проводит больше всего времени.
Например, получить flamegraph можно так:
python -m profiling.sampling run --flamegraph app.py
Ещё одна полезная возможность - сохранить профиль в бинарном формате, а потом строить из него разные отчёты без повторного запуска программы.
Есть ограничения. Tachyon не подходит для микробенчмарков, точного подсчёта вызовов и измерения разницы производительности в 1–2%. Для этого лучше использовать timeit или трассирующие профилировщики.
Зато для поиска узких мест в долго работающих Python-сервисах инструмент весьма удобный. При подключении к чужому процессу могут потребоваться повышенные права.
https://mathspp.com/blog/tachyon-sampling-profiling-in-python
@Python_Community_ru
Tachyon - новый статистический профилировщик в стандартной библиотеке Python. Устанавливать сторонние пакеты не нужно.
В отличие от cProfile, он периодически снимает снимки стека вызовов и по ним оценивает, где программа тратит больше всего времени. Накладные расходы при этом очень небольшие.
Запустить скрипт с профилированием:
python -m profiling.sampling run app.py
Подключиться к уже работающему процессу по PID:
python -m profiling.sampling attach 12345
Можно даже наблюдать за результатами в реальном времени:
python -m profiling.sampling attach --live 12345
Tachyon умеет строить flamegraph и HTML-тепловые карты исходников, подсвечивая строки, на которых программа проводит больше всего времени.
Например, получить flamegraph можно так:
python -m profiling.sampling run --flamegraph app.py
Ещё одна полезная возможность - сохранить профиль в бинарном формате, а потом строить из него разные отчёты без повторного запуска программы.
Есть ограничения. Tachyon не подходит для микробенчмарков, точного подсчёта вызовов и измерения разницы производительности в 1–2%. Для этого лучше использовать timeit или трассирующие профилировщики.
Зато для поиска узких мест в долго работающих Python-сервисах инструмент весьма удобный. При подключении к чужому процессу могут потребоваться повышенные права.
https://mathspp.com/blog/tachyon-sampling-profiling-in-python
@Python_Community_ru
4 800 аккаунтов и 61 764 репозитория. Что произошло на GitHub
10 ноября началась кампания по краже секретов из GitHub Actions. По данным Aikido Security, атакующие использовали 4 837 скомпрометированных аккаунтов, чтобы проверить доступ к 61 764 репозиториям.
Следы запуска вредоносного кода исследователи обнаружили как минимум в 1 800 репозиториях. Целью были секреты CI/CD, в том числе токены и ключи доступа к облачным сервисам. Сколько секретов удалось похитить, пока неизвестно.
https://labs.cloudsecurityalliance.org/research/csa-research-note-wfx-github-ci-secret-stealer-20261112-csa/
@Python_Community_ru
10 ноября началась кампания по краже секретов из GitHub Actions. По данным Aikido Security, атакующие использовали 4 837 скомпрометированных аккаунтов, чтобы проверить доступ к 61 764 репозиториям.
Следы запуска вредоносного кода исследователи обнаружили как минимум в 1 800 репозиториях. Целью были секреты CI/CD, в том числе токены и ключи доступа к облачным сервисам. Сколько секретов удалось похитить, пока неизвестно.
https://labs.cloudsecurityalliance.org/research/csa-research-note-wfx-github-ci-secret-stealer-20261112-csa/
@Python_Community_ru
ARES: Open Source платформа для автоматизации Red Team и пентестов
На GitHub появился интересный проект ARES, который объединяет инструменты наступательной безопасности в единую систему с веб-интерфейсом, графами атак и автоматической отчётностью.
Вместо ручного запуска десятков отдельных утилит можно организовать полноценную кампанию проверки защищённости инфраструктуры.
Что умеет ARES:
- 66 модулей в 13 категориях, включая Active Directory, облачную безопасность, Windows, Linux и проверку защитных механизмов.
- MITRE ATT&CK для классификации техник и построения цепочек атак.
- Attack Graph для визуализации возможных путей продвижения внутри инфраструктуры.
- ScopeGuard для ограничения тестирования заранее разрешёнными системами.
- MCP Gateway для интеграции с Claude Desktop, Cursor и другими ИИ-клиентами.
- Автоматическая генерация отчётов в PDF, HTML, Markdown и JSON.
Особенно интересна система планирования: оператор задаёт цель, например проверку возможности получения прав администратора домена, а движок строит последовательность проверок и отображает результаты на графе.
Есть Python SDK для собственных модулей, зашифрованное хранилище секретов и веб-панель на React. Бэкенд использует Python и FastAPI.
Разработчики заявляют о 5074 модульных тестах и поддержке Windows, Linux и macOS.
ARES рассчитан на авторизованные Red Team-проверки и аудит корпоративной инфраструктуры. Заявленные механизмы безопасности стоит отдельно проверить перед использованием в рабочей сети.
Лицензия MIT.
GitHub: https://github.com/Mafifrizi/ARES
@Python_Community_ru
На GitHub появился интересный проект ARES, который объединяет инструменты наступательной безопасности в единую систему с веб-интерфейсом, графами атак и автоматической отчётностью.
Вместо ручного запуска десятков отдельных утилит можно организовать полноценную кампанию проверки защищённости инфраструктуры.
Что умеет ARES:
- 66 модулей в 13 категориях, включая Active Directory, облачную безопасность, Windows, Linux и проверку защитных механизмов.
- MITRE ATT&CK для классификации техник и построения цепочек атак.
- Attack Graph для визуализации возможных путей продвижения внутри инфраструктуры.
- ScopeGuard для ограничения тестирования заранее разрешёнными системами.
- MCP Gateway для интеграции с Claude Desktop, Cursor и другими ИИ-клиентами.
- Автоматическая генерация отчётов в PDF, HTML, Markdown и JSON.
Особенно интересна система планирования: оператор задаёт цель, например проверку возможности получения прав администратора домена, а движок строит последовательность проверок и отображает результаты на графе.
Есть Python SDK для собственных модулей, зашифрованное хранилище секретов и веб-панель на React. Бэкенд использует Python и FastAPI.
Разработчики заявляют о 5074 модульных тестах и поддержке Windows, Linux и macOS.
ARES рассчитан на авторизованные Red Team-проверки и аудит корпоративной инфраструктуры. Заявленные механизмы безопасности стоит отдельно проверить перед использованием в рабочей сети.
Лицензия MIT.
GitHub: https://github.com/Mafifrizi/ARES
@Python_Community_ru
GitHub
GitHub - Mafifrizi/ARES: ARES - authorized red-team engagement automation with dashboard, campaign scope, module orchestration…
ARES - authorized red-team engagement automation with dashboard, campaign scope, module orchestration, OPSEC controls, encrypted vault, and reporting. - Mafifrizi/ARES
🔥 Python-дайджест недели: 20+ материалов, проектов и инструментов для разработчиков
Дайджест за 15 ноября. Статьи, полезные библиотеки, новые проекты и видео.
🔥 Популярные материалы
Большой гайд на русском : Свой ИИ-агент на компьютере. Без API-ключей и платных подписок
https://github.com/justxor/local-ai-agent-course-ru
1. pyinfra: автоматизация инфраструктуры на Python - деплой серверов через SSH без YAML, используя обычный Python.
https://death.andgravity.com/pyinfra
2. Internals of asyncio - как устроена асинхронность внутри Python.
https://origintracer.app/excerpt/asyncio-internals/
3. Переход на Python 3.15 - руководство по миграции.
https://mathspp.com/blog/migrating-to-python-315
4. NVIDIA Auto Ontology - семантические графы для AI-агентов и LLM.
https://github.com/NVIDIA/auto-ontology
5. Formalizing CPython - формальное описание внутреннего устройства CPython.
https://broyojo.com/python-formalization/
📖 Статьи и руководства
6. Unnecessary syntax in Python - синтаксис Python, без которого можно обойтись.
https://www.pythonmorsels.com/unnecessary-syntax/
7. Building a Gemini server in Python - создание собственного Gemini-сервера.
https://www.willmunn.xyz/gemini/python/2026/10/16/we-have-lift-off.html
8. Pymizu - параллельные и асинхронные вычисления Python и R через shared memory.
https://github.com/shikokuchuo/pymizu
9. Линейная регрессия на данных NFL Combine - практический пример со Scikit-learn.
https://my-space.io/blog/sklearn-linear-regression/
10. PyLings - изучение Python через исправление ошибок в коде.
https://github.com/thesayfulla/pylings
11. Caching at Scale in Django - масштабирование кэширования в Django.
https://johnnymetz.com/posts/caching-at-scale-in-django/
12. Tyrtulia - новый проект из подборки.
https://git.andros.dev/andros/tyrtulia
⚙️ Проекты и инструменты
13. SLayer - семантический слой для AI-агентов.
https://github.com/MotleyAI/slayer
14. Speedrunner - ускорение запуска CLI-инструментов.
https://github.com/anthonyGosme/speedrunner
15. Agentmetry - мониторинг и аудит AI-кодинг-агентов.
https://github.com/blitzcrieg1/agentmetry
16. Colloq - self-hosted платформа для обучения Python, Data Science и ML.
https://github.com/colloq-edu/colloq
17. Django Ninja Expose - инструмент для Django Ninja.
https://github.com/swarfte/django-ninja-expose
18. The State of Python Profiling in 2026 - обзор профилирования Python.
https://p403n1x87.github.io/the-state-of-python-profiling-in-2026.html
🎬 Видео
19. Build Your Own Jarvis in Python - создание собственного голосового ассистента.
https://www.youtube.com/watch?v=hhym040zsBI
20. Spark vs Hadoop vs DuckDB vs Polars - сравнение инструментов обработки данных.
https://www.youtube.com/watch?v=6_I3c1udTzo
Полный дайджест:
https://pythonhub.dev/digest/2026-11-15/
@Python_Community_ru
Дайджест за 15 ноября. Статьи, полезные библиотеки, новые проекты и видео.
🔥 Популярные материалы
Большой гайд на русском : Свой ИИ-агент на компьютере. Без API-ключей и платных подписок
https://github.com/justxor/local-ai-agent-course-ru
1. pyinfra: автоматизация инфраструктуры на Python - деплой серверов через SSH без YAML, используя обычный Python.
https://death.andgravity.com/pyinfra
2. Internals of asyncio - как устроена асинхронность внутри Python.
https://origintracer.app/excerpt/asyncio-internals/
3. Переход на Python 3.15 - руководство по миграции.
https://mathspp.com/blog/migrating-to-python-315
4. NVIDIA Auto Ontology - семантические графы для AI-агентов и LLM.
https://github.com/NVIDIA/auto-ontology
5. Formalizing CPython - формальное описание внутреннего устройства CPython.
https://broyojo.com/python-formalization/
📖 Статьи и руководства
6. Unnecessary syntax in Python - синтаксис Python, без которого можно обойтись.
https://www.pythonmorsels.com/unnecessary-syntax/
7. Building a Gemini server in Python - создание собственного Gemini-сервера.
https://www.willmunn.xyz/gemini/python/2026/10/16/we-have-lift-off.html
8. Pymizu - параллельные и асинхронные вычисления Python и R через shared memory.
https://github.com/shikokuchuo/pymizu
9. Линейная регрессия на данных NFL Combine - практический пример со Scikit-learn.
https://my-space.io/blog/sklearn-linear-regression/
10. PyLings - изучение Python через исправление ошибок в коде.
https://github.com/thesayfulla/pylings
11. Caching at Scale in Django - масштабирование кэширования в Django.
https://johnnymetz.com/posts/caching-at-scale-in-django/
12. Tyrtulia - новый проект из подборки.
https://git.andros.dev/andros/tyrtulia
⚙️ Проекты и инструменты
13. SLayer - семантический слой для AI-агентов.
https://github.com/MotleyAI/slayer
14. Speedrunner - ускорение запуска CLI-инструментов.
https://github.com/anthonyGosme/speedrunner
15. Agentmetry - мониторинг и аудит AI-кодинг-агентов.
https://github.com/blitzcrieg1/agentmetry
16. Colloq - self-hosted платформа для обучения Python, Data Science и ML.
https://github.com/colloq-edu/colloq
17. Django Ninja Expose - инструмент для Django Ninja.
https://github.com/swarfte/django-ninja-expose
18. The State of Python Profiling in 2026 - обзор профилирования Python.
https://p403n1x87.github.io/the-state-of-python-profiling-in-2026.html
🎬 Видео
19. Build Your Own Jarvis in Python - создание собственного голосового ассистента.
https://www.youtube.com/watch?v=hhym040zsBI
20. Spark vs Hadoop vs DuckDB vs Polars - сравнение инструментов обработки данных.
https://www.youtube.com/watch?v=6_I3c1udTzo
Полный дайджест:
https://pythonhub.dev/digest/2026-11-15/
@Python_Community_ru
RAG без векторной базы: PageIndex набрал 40 тысяч звёзд на GitHub
PageIndex предлагает другой подход к поиску информации в документах. Вместо embeddings, разбиения текста на чанки и векторного поиска используется иерархический индекс и рассуждения LLM.
Система строит дерево разделов документа, а затем модель последовательно выбирает нужные ветки и находит ответ с указанием источника.
Такой подход особенно полезен для больших PDF, финансовых отчётов, юридических документов и технической документации, где одного семантического сходства недостаточно.
Результаты разработчиков:
98,7% точности на FinanceBench.
До 97% экономии токенов при ответах на вопросы по документам с использованием Page Search API.
В 16,6 раза дешевле, чем передавать модели целый PDF на 420 страниц при каждом запросе, в одном из сравнительных тестов.
Это результаты собственных бенчмарков проекта, поэтому для конкретной RAG-системы их стоит перепроверять.
Есть Python SDK, локальная индексация PDF и интеграции с ИИ-агентами. Лицензия MIT.
pip install -U pageindex
PageIndex особенно интересно попробовать там, где обычный vector RAG теряет контекст между разделами длинного документа.
GitHub: https://github.com/VectifyAI/PageIndex
@Python_Community_ru
PageIndex предлагает другой подход к поиску информации в документах. Вместо embeddings, разбиения текста на чанки и векторного поиска используется иерархический индекс и рассуждения LLM.
Система строит дерево разделов документа, а затем модель последовательно выбирает нужные ветки и находит ответ с указанием источника.
Такой подход особенно полезен для больших PDF, финансовых отчётов, юридических документов и технической документации, где одного семантического сходства недостаточно.
Результаты разработчиков:
98,7% точности на FinanceBench.
До 97% экономии токенов при ответах на вопросы по документам с использованием Page Search API.
В 16,6 раза дешевле, чем передавать модели целый PDF на 420 страниц при каждом запросе, в одном из сравнительных тестов.
Это результаты собственных бенчмарков проекта, поэтому для конкретной RAG-системы их стоит перепроверять.
Есть Python SDK, локальная индексация PDF и интеграции с ИИ-агентами. Лицензия MIT.
pip install -U pageindex
PageIndex особенно интересно попробовать там, где обычный vector RAG теряет контекст между разделами длинного документа.
GitHub: https://github.com/VectifyAI/PageIndex
@Python_Community_ru
👍1🤔1
Обучаем собственную LLM с нуля: бесплатный гайд на русском
Как устроены языковые модели внутри? Предлагаю разобраться на практике с помощью MiniMind и PyTorch.
В репозитории собран пошаговый курс: от токенизации и архитектуры Transformer до предобучения модели, SFT, подготовки собственного датасета и локального инференса.
Можно начать с небольшого эксперимента на CPU, а затем обучить модель на 64 млн параметров на GPU.
Внутри объяснения архитектуры, примеры кода, схемы, команды для запуска и практические задания.
🔗 https://github.com/justxor/minimind-llm-from-scratch-ru/
@Python_Community_ru
Как устроены языковые модели внутри? Предлагаю разобраться на практике с помощью MiniMind и PyTorch.
В репозитории собран пошаговый курс: от токенизации и архитектуры Transformer до предобучения модели, SFT, подготовки собственного датасета и локального инференса.
Можно начать с небольшого эксперимента на CPU, а затем обучить модель на 64 млн параметров на GPU.
Внутри объяснения архитектуры, примеры кода, схемы, команды для запуска и практические задания.
🔗 https://github.com/justxor/minimind-llm-from-scratch-ru/
@Python_Community_ru
🐍 Python: задача для Senior-разработчиков
Что выведет код в Python 3.15?
def inner():
try:
yield 1
finally:
return 2
def outer():
try:
x = yield from inner()
yield x
finally:
return 3
g = outer()
print(next(g))
print(g.close())
print(next(g, 0))
Варианты ответа:
A) 1, None, 0
B ) 1, 2, 0
C ) 1, 3, 0
D ) 1, RuntimeError
E ) 1, 2, 3
Попробуйте решить без интерпретатора и объяснить, что происходит внутри yield from при закрытии генератора.
Правильный ответ: C) 1, 3, 0.
1. next(g) запускает внешний генератор, который через yield from передаёт управление внутреннему. Получаем 1.
2. g.close() инициирует закрытие генераторов через исключение GeneratorExit. Внутренний генератор выполняет finally и возвращает 2, но это значение не передаётся в x. Внешний генератор выполняет собственный finally и возвращает 3.
3. next(g, 0) возвращает 0, поскольку генератор уже закрыт.
Подвох: начиная с Python 3.13, метод close() возвращает значение, которое генератор возвращает при закрытии. В более ранних версиях он вернул бы None.
@Python_Community_ru
Что выведет код в Python 3.15?
def inner():
try:
yield 1
finally:
return 2
def outer():
try:
x = yield from inner()
yield x
finally:
return 3
g = outer()
print(next(g))
print(g.close())
print(next(g, 0))
Варианты ответа:
A) 1, None, 0
B ) 1, 2, 0
C ) 1, 3, 0
D ) 1, RuntimeError
E ) 1, 2, 3
Попробуйте решить без интерпретатора и объяснить, что происходит внутри yield from при закрытии генератора.
Правильный ответ: C) 1, 3, 0.
1. next(g) запускает внешний генератор, который через yield from передаёт управление внутреннему. Получаем 1.
2. g.close() инициирует закрытие генераторов через исключение GeneratorExit. Внутренний генератор выполняет finally и возвращает 2, но это значение не передаётся в x. Внешний генератор выполняет собственный finally и возвращает 3.
3. next(g, 0) возвращает 0, поскольку генератор уже закрыт.
Подвох: начиная с Python 3.13, метод close() возвращает значение, которое генератор возвращает при закрытии. В более ранних версиях он вернул бы None.
@Python_Community_ru
5 проектов для создания собственного ИИ-мозга:
1. GBrain - Garry Tan
Память для ИИ-агентов с поиском, связями между знаниями и возможностью использовать общий контекст в разных агентах.
https://github.com/garrytan/gbrain
2. LLM Wiki - Andrej Karpathy
Концепция базы знаний, которую ИИ самостоятельно пополняет, структурирует и поддерживает в актуальном состоянии. Работает на Markdown.
https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f
3. AI-Memory - Akitaonrails
Долговременная память для Claude Code, Codex и других агентов. Сохраняет историю работы, решения и контекст между сессиями.
https://github.com/akitaonrails/ai-memory
4. Agent Second Brain - Smixs
Голосовой ИИ-ассистент в Telegram, который превращает сообщения в связанные заметки Obsidian и управляет личной базой знаний.
https://github.com/smixs/agent-second-brain
5. COG - Huytieu
Полноценная система второго мозга с 35 AI-навыками, 10 агентами, CRM контактов и автоматическим управлением знаниями.
https://github.com/huytieu/COG-second-brain
Сохраните подборку. Какой из проектов попробовали бы первым?
@Python_Community_ru
1. GBrain - Garry Tan
Память для ИИ-агентов с поиском, связями между знаниями и возможностью использовать общий контекст в разных агентах.
https://github.com/garrytan/gbrain
2. LLM Wiki - Andrej Karpathy
Концепция базы знаний, которую ИИ самостоятельно пополняет, структурирует и поддерживает в актуальном состоянии. Работает на Markdown.
https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f
3. AI-Memory - Akitaonrails
Долговременная память для Claude Code, Codex и других агентов. Сохраняет историю работы, решения и контекст между сессиями.
https://github.com/akitaonrails/ai-memory
4. Agent Second Brain - Smixs
Голосовой ИИ-ассистент в Telegram, который превращает сообщения в связанные заметки Obsidian и управляет личной базой знаний.
https://github.com/smixs/agent-second-brain
5. COG - Huytieu
Полноценная система второго мозга с 35 AI-навыками, 10 агентами, CRM контактов и автоматическим управлением знаниями.
https://github.com/huytieu/COG-second-brain
Сохраните подборку. Какой из проектов попробовали бы первым?
@Python_Community_ru
GitHub
GitHub - garrytan/gbrain: Garry's Opinionated OpenClaw/Hermes Agent Brain
Garry's Opinionated OpenClaw/Hermes Agent Brain. Contribute to garrytan/gbrain development by creating an account on GitHub.
👍1