Рынок ожил

Сегодня было очень много ворка, я уже даже забыл что это такое, когда надо сидеть целый день у компа и ловить спреды.

Остается вопрос: это последний вздох или начало хорошего арбитражного сезона. В любом случае нужно хвататься за возможность заработать. И для этого нужно иметь соответствующие инструменты, как парсеры, софты и тд.

Поэтому рекомендую обзавестись подпиской:

Купить пеликана через наш маркет (так дешевле):
🔗 1 месяц - $40.00
🔗 3 месяца - $110.00
🔗 12 месяцев - $409.00

Купить пеликана через сервисы:
🔗 Crypto Bot
🔗 Pay2Pass

📟 Прилетело из @hidden_coding

Это видео было сгенерировано одним промптом:

Сгенерируй короткое видео в стиле YouTube Poop с помощью Python и ffmpeg. Вложи в него свою личность — пусть оно передаёт каково это быть языковой моделью.

@danokhlopkov

📟 Прилетело из @danokhlopkov

Алгоритмы. Динамическое программирование

Динамическое программирование (ДП) — это метод решения сложных задач путем разбиения их на более простые подзадачи, с тем важным условием, что эти подзадачи перекрываются. Представь, что тебе нужно посчитать количество возможных маршрутов из левого верхнего угла сетки в правый нижний. В процессе подсчета ты заметишь, что постоянно пересчитываешь одни и те же участки пути. Динамическое программирование предлагает элегантное решение: вместо того чтобы вычислять одно и то же многократно, мы сохраняем результат каждой подзадачи и используем его как строительный блок для решения более крупных задач. Формально говоря, этот подход работает в три этапа: задача разбивается на перекрывающиеся подзадачи (одни и те же маленькие задачи встречаются в решении снова и снова), каждая подзадача решается ровно один раз, а её результат сохраняется и переиспользуется при необходимости. Именно наличие перекрывающихся подзадач — верный сигнал о том, что ДП применимо.

Чтобы понять, почему без ДП возникают проблемы, рассмотрим классический пример — вычисление чисел Фибоначчи, где каждое следующее число является суммой двух предыдущих. При наивном рекурсивном подходе мы сталкиваемся с катастрофической неэффективностью. Например, при вычислении F(5) дерево вызовов будет выглядеть так: F(5) раскладывается на F(4) и F(3), те в свою очередь на свои составляющие, и в итоге F(3) вычисляется дважды, а F(2) — целых три раза. При росте n количество повторных вычислений взрывается, и сложность алгоритма становится экспоненциальной — O(2ⁿ). Динамическое программирование решает эту проблему кардинально: «посчитал F(3) — запиши, понадобился снова — возьми из записей».

Существует два основных способа реализовать эту идею. Первый способ — мемоизация, или подход «сверху вниз» (top-down). Это всё та же рекурсия, но с использованием блокнота (кэша, обычно словаря). Перед тем как вычислить значение, функция проверяет: «А я это уже считал?». Если ответ найден в словаре, она сразу его возвращает, избегая повторных вычислений. Каждое уникальное значение вычисляется строго один раз.

def fibonacci_dp(n, memo=None):
    """Вычисление чисел Фибоначчи с помощью ДП (мемоизация)."""
    if memo is None:
        memo = {}
    if n in memo:
        return memo[n]
    if n <= 1:
        return n
    memo[n] = fibonacci_dp(n - 1, memo) + fibonacci_dp(n - 2, memo)
    return memo[n]

print(fibonacci_dp(10))  # 55

Второй способ — табуляция, или подход «снизу вверх» (bottom-up). Здесь мы отказываемся от рекурсии и начинаем строить решение с самых маленьких, очевидных подзадач, постепенно заполняя таблицу (обычно массив) и двигаясь к искомому результату. Мы точно знаем, что для вычисления следующего значения нам нужны только предыдущие, поэтому просто идем по порядку.

def fibonacci_tabulation(n):
    """Вычисление чисел Фибоначчи с помощью ДП (табуляция)."""
    if n <= 1:
        return n
    dp = [0] * (n + 1)
    dp[0] = 0
    dp[1] = 1
    for i in range(2, n + 1):
        dp[i] = dp[i - 1] + dp[i - 2]
    return dp[n]

print(fibonacci_tabulation(10))  # 55

Для вычисления числа Фибоначчи мы можем пойти дальше и оптимизировать использование памяти. Так как для текущего значения нужны только два предыдущих, можно хранить лишь их, а не всю таблицу. Это снижает затраты памяти с O(n) до O(1).

def fibonacci_optimized(n):
    if n <= 1:
        return n
    prev2, prev1 = 0, 1
    for _ in range(2, n + 1):
        current = prev1 + prev2
        prev2 = prev1
        prev1 = current
    return prev1

print(fibonacci_optimized(10))  # 55

📟 Прилетело из @solidityset

Важно понимать разницу между динамическим программированием и подходом «Разделяй и властвуй». Оба метода дробят задачу, но делают это по-разному. В «Разделяй и властвуй» подзадачи независимы и не перекрываются — каждая решается отдельно и больше не встречается. Классический пример — сортировка слиянием (Merge Sort), где массив делится на независимые половины, которые сортируются сами по себе и никогда не влияют на вычисление друг друга. В динамическом программировании подзадачи обязательно перекрываются: результат одной и той же маленькой задачи требуется при решении нескольких более крупных. Правило выбора подхода простое: если подзадачи перекрываются — используем ДП, если нет — «Разделяй и властвуй».

Классической задачей на ДП является задача о рюкзаке (Knapsack problem). Представь, что у тебя есть рюкзак вместимостью W и набор из n предметов, каждый из которых имеет свой вес w[i] и ценность v[i]. Цель — набрать предметы так, чтобы их суммарная ценность была максимальной, а суммарный вес не превысил W. Например, при вместимости рюкзака W = 7 и предметах с весами и ценностями (1, 1), (3, 4), (4, 5), (5, 7) лучшим выбором будут предметы 2 и 3 (вес 3+4=7, ценность 4+5=9). Почему это задача ДП? Потому что при решении вопроса «брать или не брать предмет i» мы приходим к подзадачам, которые будут переиспользоваться. Если мы берем предмет, нам нужно решить ту же задачу для оставшихся предметов с вместимостью W - w[i]. Если не берем — для оставшихся предметов с той же вместимостью W. Эти подзадачи постоянно повторяются в разных комбинациях. Решается задача методом табуляции. Мы создаем таблицу dp[i][w], где значение в ячейке — это максимальная ценность, которую можно получить, используя первые i предметов при вместимости рюкзака w. Логика заполнения таблицы такова: если вес текущего предмета больше текущей вместимости w, он просто не помещается, и мы берем значение сверху (без этого предмета): dp[i][w] = dp[i-1][w]. Если же предмет помещается, у нас есть два варианта: не брать его (dp[i-1][w]) или взять, добавив его ценность к оптимальному решению для оставшегося места (dp[i-1][w - w_i] + v_i). Выбираем максимум.

def knapsack(weights, values, W):
    """
    Решение задачи о рюкзаке методом ДП (табуляция).
    
    weights — список весов предметов
    values  — список ценностей предметов
    W       — вместимость рюкзака
    """
    n = len(weights)
    dp = [[0] * (W + 1) for _ in range(n + 1)]

    for i in range(1, n + 1):
        w_i = weights[i - 1]
        v_i = values[i - 1]

        for w in range(W + 1):
            dp[i][w] = dp[i - 1][w]
            if w_i <= w:
                dp[i][w] = max(dp[i][w], dp[i - 1][w - w_i] + v_i)

    return dp[n][W]


weights = [1, 3, 4, 5]
values  = [1, 4, 5, 7]
W = 7

print(knapsack(weights, values, W))  # 9

Временная сложность этого алгоритма составляет O(n × W), что называется псевдополиномиальной, так как зависит не только от количества предметов, но и от значения вместимости W.

Итак, резюмируя, динамическое программирование — это мощный инструмент, который подходит для задач, обладающих двумя ключевыми свойствами: оптимальной подструктурой (решение большой задачи строится из решений подзадач) и перекрывающимися подзадачами (одни и те же подзадачи решаются многократно). В зависимости от контекста мы можем использовать либо нисходящее рекурсивное решение с кэшированием (мемоизация), либо восходящее итеративное заполнение таблицы (табуляция). Это принципиально отличает ДП от подхода «Разделяй и властвуй», где подзадачи всегда независимы.

#algorithm

📟 Прилетело из @solidityset

🚀 Интенсив по вайбкодингу в стиле JTBD: сделай продукт с нуля за 8 недель

Стартуем 15 марта с Алексеем Аметовым — предпринимателем и исследователем ИИ. Пройдём путь от гипотезы и JTBD до релиз-реди MVP с базой данных, логином и AI-фичами.

Кому: фаундерам, разработчикам, дизайнерам и тем, кто хочет быстро проверять идеи кодом, минуя найм команды.

Как устроено: 8 недель, живые стримы с наставником, домашки с обратной связью.
Каждый модуль — видимый результат:
— Прототип в AI-песочнице → CRUD → регистрация → агентские функции → тесты → деплой.
— Итог: готовый веб-сервис (mobile/desktop) и навык «придумал → сделал → запустил».

После курса:
— Доступ в обучению и комьюнити Guide DAO.
— Регулярные стримы с экспертами: ежедневные лайвкодинги и AMA, чтобы получать самые актуальные знания в быстро меняющейся сфере.
— Новый курс по вайбкодингу на платформе

По промо-коду KRUK скидка -40% на guidedao.xyz до 15 марта

🔥Работающее приложение за один стрим

В пятницу в 19:00 (UTC+3) проведём бесплатный стрим с Алексеем Аметовым. Завайбкодим классический Тетрис от пустой папки до работающей игры, расскажем о программе и ответим на вопросы.

📍 Ссылка для подключения в нашем боте: @GuideDAO_hallo_bot (пришлём за 5 минут).

Приходи смотреть, как AI превращает идеи в код, и забирай свой первый продукт через 8 недель. 🤖

📟 Прилетело из @dev_in_ruby_colors

Пару часов назад был любопытный свап 56m$aUSDT в 36000$aEthAave https://etherscan.io/tx/0x9fa9feab3c1989a33424728c23e6de07a40a26a98ff7ff5139f3492ce430801f

источник https://x.com/hklst4r/status/2032170722286563791?s=46

Был создан такой дисбаланс, что первый mev бот отправил bribe 26m$ валидатору titan builder и заработал чистыми 9m$, но было так много случаев и подсчет не окончательный. https://etherscan.io/tx/0x45388b0f9ff46ffe98a3124c22ab1db2b1764ecb3b61234e29e5c9732b7fd4ab

На фото какие bribe были отправлены titan builder в следующем блоке после 56m.

Хорошо наелись mev боты, у кого-то lifechange.

Подумал взлом случился или ММ у биржи отдохнуть отошел.

Будет забавно, что такой свап стал возможен через ai агента, который сделал обертку для апи cowswap и в качестве теста сванул все, а потом извинился, мол перепутал decimals 6-8-18, потому что на сайте есть warning об убыточном свапе, значит вероятнее всего программный свап, где недостаточно защиты от дурака. Или виноват openclaw через браузер.

📟 Прилетело из @invmru

ЧЕК-ЛИСТ WEB3 РАЗРАБОТЧИКА

ЛУЧШИЕ ПРАКТИКИ, СКРИПТЫ И ПРОЕКТЫ

СОЗДАЛ PDF ДОКУМЕНТ, ГДЕ ПОДРОБНО ВЫЛОЖИЛ ВЕСЬ СВОЙ ОПЫТ РАЗРАБОТКИ В WEB3

КАЖДЫЙ КТО КАЧЕСТВЕННО И ПОДРОБНО ЗАПОЛНИТ ФОРМУ ПОЛУЧИТ ЭТОТ БОНУС

ССЫЛКА НА ФОРМУ
ССЫЛКА НА ФОРМУ
ССЫЛКА НА ФОРМУ

ДЕДЛАЙН: 16.3.2026

📟 Прилетело из @code_vartcall

Backpack дата TGE

Команда Backpack объявила, что TGE проекта состоится 23 марта.

Ждем анонсы премаркетов, там можно будет присмотреться к шорту, ибо рынок слабый.

Для тех, кто претендует на дроп нужно пройти KYC до 15 марта.

📟 Прилетело из @hidden_coding

Я не знал Python, но смог написать 2 дополнения для NVDA благодаря своему скиллу для ИИ!

NVDA - программа экранного доступа. Она помогает мне и другим незрячим читать тексты и взаимодействовать с приложениями, озвучивая их.

Картинки - только через ИИ распознавание.

Так вот. У NVDA есть дополнения - мини-программы на Python, расширяющие функционал.

Например, я использую Часы (уведомляет каждый час о времени), синтезаторы речи, улучшение доступности Unigram и т. п.

Для меня основной язык - JS. Python же всё собирался изучать, но так и не взялся.

А тут появились ассистенты и Ide с ИИ-моделями, которым можно подключить скилл.

И я подумал:

"А почему бы не создать скилл, который будет за меня создавать дополнения?"

И сделал nvda-skill.

Для этого получил всю документацию при помощи ИИ, затем другой создал одно дополнение и дополнил инструкцию, доведя до финальной версии.

После этого я разработал:

1. ai-translator - дополнение для перевода текстов с одного языка на другой и наоборот.

Используются ИИ-модели.
Поддерживаются провайдеры: openrouter, Nous, OpenAi.

2. И Todoist for NVDA.
Самое прикольное, что это дополнение - полноценное приложение для работы с Todoist!

Есть ли официальное - не знаю. Но на сайт не хочется заходить.
Поэтому сначала создал Telegram бота, а теперь вот и дополнение.

В настройках расширения указывается API ключ и время повторных напоминаний о задачах сегодняшнего дня.

Основное окно открывается по windows+shift+t.

В нём: проекты, поиск задач и их список. Можно их создавать, изменять (текст, теги и срок) и удалять.

В нужное время придёт уведомление о задаче с кнопками "Выполнил" и "Ок".

Если нажмёте "Ок", в указанное время потом придёт напоминание о неотмеченных задачах за сегодня.

На скрине - главное окно дополнения Todoist for NVDA.

А вы научились вайд-кодить приложения на языках программирования, которые не знаете? Создавали ли интересные вам приложения вообще без навыков кодинга?

📟 Прилетело из @blind_dev

В этом видео пошагово показываю, как поднять свой прокси-сервер на Linux с помощью sing-box.
Настроим VLESS, Hysteria2 и SOCKS (для Telegram), а также разберём настройку клиентов.

Все делается через команды в терминале. После просмотра у тебя будет полностью рабочий прокси сервер, который можно использовать для своих устройств. https://www.youtube.com/watch?v=5_67h-HjwfA

📟 Прилетело из @dev_in_ruby_colors

Без лишних слов

📟 Прилетело из @code_vartcall

йоу

📟 Прилетело из @n4z4v0d

Я тут готовлю статью по теме прокси выше, пару команд уточнил заодно.

Sing-box ставится теперь попроще, в частности:

sudo mkdir -p /etc/apt/keyrings
sudo curl -fsSL https://sing-box.app/gpg.key -o /etc/apt/keyrings/sagernet.asc
sudo chmod a+r /etc/apt/keyrings/sagernet.asc

И затем

echo '
Types: deb
URIs: https://deb.sagernet.org/
Suites: *
Components: *
Enabled: yes
Signed-By: /etc/apt/keyrings/sagernet.asc
' | sudo tee /etc/apt/sources.list.d/sagernet.sources

Потом ставим

sudo apt update
sudo apt install sing-box -y

И для unbound symlink для резволвера можно сделать так

sudo rm /etc/resolv.conf  
sudo ln -s /run/systemd/resolve/stub-resolv.conf /etc/resolv.conf

(это самая последняя команда в блоке unbound)

Ещё возник вопрос, нафига вообще морочится с этими unbound, если можно ломиться в гугл или cloudflare. Ответ - можно, конечно. Там можно заодно настроить dns over tls, к примеру. Но в этом случае мы отдаём на откуп резолв этим организациям, то есть как бы "доверяем" им и ожидаем, что они всё правильно зарезолвят.

Мы же делаем схему "сам себе велосипед", то есть ломимся напрямую к корневым серверам, кэшируем всё у себя и тп. Но тогда dns over tls особо не настроить, тк (если я не ошибаюсь) глобально его поддержки ещё нет. Впрочем, я не думаю, что dot в данном случае необходим, гораздо важнее, чтобы клиент правильно делал резолв и не пытался что-то резолвить в обход прокси

📟 Прилетело из @dev_in_ruby_colors

СЕГОДНЯ В 00:00 ФОРМУ ЗАКРОЮ

📟 Прилетело из @code_vartcall

У кого скомпрометировали EVM кошелек и повесили авто-вывод, можете потыкать сайт по спасению ваших средств
Внимательно читаем Important предупреждение на главной вкладке

https://antidrain.me
кто будет дудосить у того мама шалава

📟 Прилетело из @n4z4v0d

ToDo список пополняется, всем спасибо за фидбек, он крайне важен для меня

📟 Прилетело из @n4z4v0d

ФОРМА ЗАКРЫТА

ВСЕМ СПАСИБО ЗА УЧАСТИЕ!

ССЫЛКА НА КАНАЛ С БОНУСОМ БУДЕТ ОПРАВЛЕНА ВАМ В ТЕЧЕНИИ НЕДЕЛИ

📟 Прилетело из @code_vartcall