1️⃣ Код без версий. Файлы «main_final_final_really.py» выглядят забавно, пока не надо откатиться на рабочий вариант. Git спасает нервы и проекты.
2️⃣ «Запустилось - значит работает». Отсутствие юнит-тестов делает рефакторинг лотереей, а баги - постоянными спутниками.
3️⃣ Копипаст без понимания. Стек-Оверфлоу (а сейчас - нейросети) решает задачу моментально, но чужой фрагмент приносит чужие же баги и дыры в безопасности.
4️⃣ Преждевременная оптимизация. Тратить часы на микро-ускорение цикла, не измерив, где реально узкое место, - самый быстрый способ потерять мотивацию.
5️⃣ Игнор читаемости. Завтра «temp2» и «x1» забудете даже вы сами. Говорящие имена и чистые функции - не украшение, а страховка.
6️⃣ Страх вопросов. Сеньоры помнят свои первые commit-ы. Чем раньше спросите, тем меньше технического долга наживёте.
7️⃣ Отсутствие системного обучения. Туториалы вдохновляют, но только книги (частный случай) и доки (всегда!) формируют фундамент и учат думать шире конкретного фреймворка.

1) Писать быстрый код. Разница между O(n²) и O(log n) — это разница между приложением, которое «тормозит», и приложением, которое «летает».
2) Создавать масштабируемые решения. Ваш проект выдержит нагрузку в 10, 100 или 1000 раз больше, потому что вы заложили правильную архитектуру данных.
3) Быть инженером, а не просто кодером. Вы будете принимать осознанные решения, а не наугад подбирать то, что вроде бы работает. Это основа, которая отличает профессионала от новичка.

- requests (http-запросы): для простой и понятной работы с API и сайтами;
- pandas (анализ данных): царь-библиотека для любых таблиц (CSV, Excel);
- pillow (изображения): режет, меняет и накладывает фильтры на картинки;
- fastapi (веб-api): молниеносное создание API с готовой документацией;
- pydantic (валидация): железобетонная проверка данных через тайп-хинты;
- loguru (логирование): красивые и полезные логи без сложной настройки;
- tqdm (прогресс-бары): добавляет шкалу загрузки в любой цикл одной строкой;
- pyautogui (автоматизация gui): управляет мышкой и клавиатурой вместо тебя;
- beautifulsoup4 (скрапинг): вытащит любые нужные данные с веб-страниц;
- schedule (планировщик): запуск функций по расписанию простым языком.

1. "Безжалостные границы".
После 19:00 телеграм и почту слушаю только при «пожаре». В выходные - офлайн. Сон наладился, тревожность стала ниже.

2. Трекинг «утомляет».
Фиксирую, где «горелка»: дедлайн, переключение задач, изменения требований или «техностресс». Записываю в дневник и постепенно устраняю корни. Это работает против эмоционального истощения и когнитивной перегрузки.

3. Перезарядка через творчество.
Оставляю 20 % времени на пет‑проекты: микросервис на Go, утилита CLI, попытки в функционалку (например, Elm, Haskell), а не в JIRA. Это дыхание - случается кайф, возвращается драйв.

4. Движуха вне экрана.
Бег, йога, прогулки в лесу или обрезание деревьев у родственников - сброс тревожности, рост креативности. Это не спорт, это декомпресс. Я лично купил себе на новый дом набор из гантелей и штанги - то, что я люблю. И сейчас это больше про тело, а про голову.

5. Прожить "upgrade: reboot".
Когда поймал и понял, что есть выгорание - попросил отпуск, полностью пропал, выключил соцсети и уведомления. Через 6 недель вернулся с головой, мозг начал работать, приходили идеи. Иногда нужно не «кейсы закатать», а дать себе reset.

1) GPT-4o: реал-тайм чат, текст+голос+картинка. Для всех, кто хочет гибкости: быстрая переписка, генерация идей, помощь с почтой, перевод.

2) GPT-4.5: креативные задачи, сложные тексты и сценарии, эмоциональный интеллект. Креаторы, сценаристы, исследователи - это для вас. Мне часто с темой для видео помогает.

3) o3: глубокая аналитика, стратегия, длинные цепочки рассуждений, сложные вычисления и код. Для бизнес-аналитиков, продвинутых задач.

4) o4-mini: быстрые ответы, STEM, программирование, визуальные задачи. Технари, разработчики, учёные, студенты - целевая.

5) o4-mini-high: программирование, сложная математика, технический разбор. Советую разработчикам, Data Science в частности.

🔓 1. Валидация входных данных:

Никогда не доверяйте данным от пользователя. Любой ввод — потенциальная угроза.

- Что делать: всегда валидируйте и санитизируйте запросы. Это лучшая защита от SQL-инъекций и XSS-атак.
- Инструменты: используйте pydantic или встроенные механизмы фреймворков (FastAPI, Django ORM).

🔑 2. Управление секретами:

Хранить ключи и пароли в коде — всё равно что оставить ключи от квартиры под ковриком.

- Что делать: используйте переменные окружения (.env) или специальные сервисы (Vault, AWS Secrets Manager).
- Золотое правило: никогда не пушьте файлы с секретами в публичные репозитории. Используйте .gitignore.

⚙️ 3. Обновление зависимостей:

Уязвимости в старых библиотеках — одна из самых частых причин взломов, но не самая очевидная, поэтому решил тут упомянуть.

- Что делать: регулярно обновляйте зависимости. Включите автоматические проверки, например, Dependabot в GitHub.

⛔️ 4. Принцип наименьших привилегий:

Мудрость гласит: чем меньше прав у сервиса или пользователя, тем меньше ущерба он нанесет в случае компрометации.

Что делать: выдавайте доступам к БД и API только необходимые права. Изолируйте сервисы друг от друга с помощью Docker.

⏺ 5. Логирование и мониторинг:

Тут все просто. Вы не можете защититься от того, чего не видите.

Что делать: настройте информативное логирование (но без паролей и токенов!). Отслеживайте аномальную активность и настройте алерты.
Инструменты: Sentry, Prometheus, Grafana.

📡 6. HTTPS — это стандарт:

В 2025 году сайт без HTTPS — это "красный флаг", как говорят тянки из тик-тока.

Что делать: всегда используйте SSL-сертификаты (например, бесплатные от Let's Encrypt). Настройте заголовки безопасности (Content Security Policy, HSTS).

⚙️ 7. Код-ревью и контроль версий:

Четыре глаза видят больше, чем два. Особенно когда речь идет о безопасности.

Что делать: внедрите обязательные код-ревью. Используйте Git для контроля всех изменений — это залог прозрачности.

🔥 8. Бэкапы и план восстановления:

Любая система может отказать. Вопрос не "если", а "когда".

Что делать: настройте автоматические бэкапы (минимум два, в разных местах). И самое главное — регулярно проверяйте, что из этих бэкапов можно восстановиться!

1. 🚀 AI и Machine Learning:

- Активный рост генеративных моделей (GPT, LLM, диффузионные сети).
- Ключевые инструменты: PyTorch, Hugging Face, LangChain, OpenAI API.
- Задачи: разработка чат-ботов, нейросетей, автоматизация на базе LLM.
- Актуальность: Очень высокая. Продолжает быстро расти, востребовано везде.

2. 📊 Data Engineering и MLOps

- Подготовка и обработка данных для больших AI-проектов.
- Развертывание ML-моделей в продакшене.
- Ключевые инструменты: Apache Airflow, dbt, Dagster, Kubeflow, MLFlow.
- Задачи: пайплайны данных, автоматизация и CI/CD для ML-проектов.
- Актуальность: Очень высокая. Спрос растет быстрее, чем предложение специалистов.

3. 🌐 Web-разработка (FastAPI, Django, Starlette)

- Стабильно востребованное направление.
- Ключевые инструменты: FastAPI, Django 5, Pydantic v2, HTMX.
- Задачи: создание бэкендов для приложений, микросервисы, API.
- Актуальность: Высокая и стабильная.

4.🛡 Кибербезопасность и автоматизация

- Разработка автоматизированных инструментов для пентестов, аудита и мониторинга.
- Ключевые инструменты: Nuclei, mitmproxy, scapy, asyncio.
- Задачи: сканеры, прокси, мониторинг сетевой активности.
- Актуальность: Высокая, спрос растёт в связи с увеличением атак.

5. 📈 Аналитика данных и BI

- Анализ данных, визуализация, принятие решений на основе данных.
- Ключевые инструменты: Pandas, Polars, DuckDB, Plotly.
- Задачи: построение отчётов, dashboards, выявление инсайтов.
- Актуальность: Стабильно высокая, хороший спрос на опытных специалистов.

6. 🧩 Автоматизация бизнес-процессов (RPA)

- Роботизация рутинных задач в бизнесе.
- Ключевые инструменты: Robocorp, Selenium, Playwright, Airflow.
- Задачи: автоматизация ручного труда (финансы, логистика, документооборот).
- Актуальность: Хороший спрос в крупных компаниях.

Теперь вместо нескольких файлов requirements‑dev.txt, requirements‑test.txt и пр. можно удобно описать группы зависимостей прямо в pyproject.toml в блоке [dependency-groups]. Например, группа dev может включать тестовые, линтеры и прочие зависимости с логическим именованием. Инструменты вроде pip, uv и IDE научатся распознавать эти именованные группы и устанавливать их командой pip install --dependency-groups=dev,test

Теперь «состояние» зависимостей фиксируется в стандартизированном файле pylock.toml, который описывает точные версии, хэши, источники, extras и платформенные условия. Установщик может выполнить установку без резолвера, ориентируясь на lock‑файл, что делает процесс быстрее, безопаснее и воспроизводимым. Lock-файл написан в TOML‑формате и совместим с несколькими инструментами упаковки - pip, Poetry, PDM, uv и др.

С Python 3.14 PGP‑подписи больше не обязательны - теперь релизы CPython подписываются через Sigstore - открытый, более удобный механизм. Sigstore поддерживает OpenID-идентификацию и даже офлайн‑верификацию, проще в автоматизации и внедрении. Это реально упрощает процесс проверки целостности скачанных архивов и повышает криптографическую надёжность распределения

В Python 3.14 появляется модуль compression.zstd и новый namespace compression.*, который объединяет zlib, bz2, gzip и другие под единым API. Теперь можно сжимать и распаковывать данные с помощью алгоритма Zstandard без внешних библиотек, с API, схожим на lzma или bz2. Zstd обеспечивает высокий уровень сжатия и скорость разжатия, особенно полезен для лонов или large‑файловых архивов.

PEP 771 вводит возможность указать default-optional-dependencies в [project], чтобы extras автоматически включались при обычной установке пакета. Это удобно для пакетов с опциональными компонентами вроде recommended или all, которые не хочется заставлять включать вручную. Пока это черновой этап (Draft), но активно обсуждается и ожидается реализация в 2026 году. 👀 Например, pip install foo сам активирует [recommended], если оно задано по умолчанию.

Технический долг - это метафора для всех неоптимальных или поспешных решений в коде, которые ты принимаешь сегодня, чтобы быстрее выпустить фичу. Ты как бы «берешь в долг» у будущего качества продукта. Это может быть закомментированный кусок кода, отсутствие тестов или использование устаревшей библиотеки. Кажется, что это мелочь, но со временем такие «долги» накапливаются.

from transformers import BlipProcessor, BlipForConditionalGeneration
import torch
from PIL import Image

processor = BlipProcessor.from_pretrained("Salesforce/blip-image-captioning-base")
model = BlipForConditionalGeneration.from_pretrained("Salesforce/blip-image-captioning-base")

image_path = "img_4.jpg"
image = Image.open(image_path)

inputs = processor(images=image, return_tensors="pt")

with torch.no_grad():
    output = model.generate(**inputs)

description = processor.decode(output[0], skip_special_tokens=True)

print("Image description:", description)

transformers
torch
Pillow