Вашему второму мозгу нужно больше, чем демо-чатбот

second-brain-ai-assistant-course — это open-source репозиторий курса от Decoding AI для разработчиков, которые хотят создать ассистента для личной базы знаний с LLM, агентами, RAG и LLMOps.

Он помогает перейти от разрозненных заметок к полноценному ассистенту через шесть модулей: пайплайны данных, генерация датасета, тонкая настройка, развёртывание, продвинутый RAG и агентный инференс/наблюдаемость.

Ключевые особенности:

• Шесть модулей — охватывает архитектуру, ETL, тонкую настройку, развёртывание, RAG и LLMOps
• Офлайн + онлайн приложения — разделяет ML/пайплайны данных и пайплайн инференса ассистента
• Поддержка Notion — использует базу знаний Second Brain, доступен публичный снимок, так что аккаунт Notion не обязателен
• Настоящие LLMOps-инструменты — включает ZenML, Opik, Comet, Unsloth, MongoDB, Hugging Face и OpenAI
• Ориентация на разработчика — документация модулей, готовый код, uv/ruff и Docker-инфраструктура

Открытый исходный код (лицензия MIT).

✈️ Python Ninja

Проверка условий и логических значений в Python

Что выведет код ❓

✈️ Python Ninja

5 опенсорс no-code платформ для создания LLM, RAG и AI-агентов

1. AutoAgent — полностью автоматизированный фреймворк с нулевым порогом входа по коду. Достаточно описать высокоуровневую цель на естественном языке, а система самостоятельно выполнит планирование, декомпозицию задач и их исполнение. Она превращает промпт в работающую систему агентов.

GitHub-репозиторий: https://github.com/HKUDS/AutoAgent

2. AnythingLLM. Одно из лучших комплексных решений для создания внутренних инструментов. Объединяет RAG, агентные воркфлоу и управление документами в едином self-hosted-пространстве. Платформа ориентирована на приватность и рассчитана как на технические, так и на нетехнические команды, которым нужно создавать инструменты на основе собственных данных.

GitHub-репозиторий: https://github.com/Mintplex-Labs/anything-llm

3. LangChain Open Agent Platform. Специализированный UI, построенный поверх LangGraph. Вместо того чтобы скрывать внутреннюю логику, он делает поток выполнения агента наглядным с помощью узлов и связей. Это позволяет детально управлять маршрутизацией, циклами и координацией нескольких агентов без необходимости писать код самого графа.

GitHub-репозиторий: https://github.com/langchain-ai/open-agent-platform

4. Sim. Визуальный конструктор воркфлоу со встроенным AI Copilot. Вы проектируете агентные пайплайны в виде исполняемых графов, при этом встроенный ИИ может генерировать или изменять эти воркфлоу за вас. Также платформа предоставляет подробный трейсинг выполнения, что значительно упрощает отладку сложных цепочек.

GitHub-репозиторий: https://github.com/simstudioai/sim

5. Dify. Платформа, готовая к использованию в проде, с акцентом на наблюдаемость. Поддерживает управление промптами, сложные RAG-пайплайны и агентную логику, а также предоставляет мониторинг во время выполнения. Если вы разворачиваете решение для реальных пользователей, это один из стандартных вариантов.

GitHub-репозиторий: https://github.com/langgenius/dify

✈️ Python Ninja

Python-библиотека, которая объединяет каузальный вывод (causal inference) и машинное обучение — CausalML.

Она с открытым исходным и предназначена для моделирования гетерогенных эффектов. Она используется для таргетинга и оптимизации маркетинговых кампаний в таких компаниях, как Uber, Microsoft и TripAdvisor.

В библиотеку входят meta-learner-алгоритмы, causal trees, а также поддержка интерпретируемости моделей с помощью SHAP.
Проект имеет открытый исходный код 👍

✈️ Python Ninja

Китайцы радуют: открыли исходный код песочницы, которая:

→ загружается за 60 мс (Docker требуется 200 мс)
→ использует 5 МБ оперативной памяти на экземпляр
→ позволяет запускать тысячи AI-агентов на одной машине
→ изолирует каждого агента на аппаратном уровне
→ интегрируется в ваш код на E2B простой заменой одного URL

Она называется CubeSandbox — это аппаратно изолированная песочница для AI-агентов, которая выполняет холодный старт менее чем за 60 мс при дополнительном потреблении всего 5 МБ памяти.
Это полноценная замена E2B по принципу drop-in. Просто замените один URL. Сохраните свой код. Избавьтесь от лишних расходов.

Никакого Docker. Никакого общего ядра. Никакой платы за холодный старт.
Полностью с открытым исходным кодом.

✈️ Python Ninja

Совет по Python

Если нужно создать поле, которое не должно попадать в сгенерированный __init__ используй
field(init=False)

Это особенно удобно для вычисляемых атрибутов

from dataclasses import dataclass, field

@dataclass
class Rectangle:
    width: int
    height: int
    area: int = field(init=False)

    def __post_init__(self):
        self.area = self.width * self.height

Поле area не передаётся при создании объекта и всегда вычисляется автоматически

✈️ Python Ninja

Шок: Китайская лаборатория поставила в неловкое положение половину индустрии платной генерации видео.

Загружаете фотографию и аудиозапись — на выходе получаете говорящий аватар с синхронизацией губ, который может удерживать качество в течение нескольких минут. И всё это с открытым исходным кодом.

То, что раньше требовало камеры и монтажа, теперь всё больше напоминает GitHub-репозиторий.
Называется LongCat-Avatar.

гитхаб - https://github.com/meituan-longcat/LongCat-Video
веса - https://huggingface.co/meituan-longcat/LongCat-Video-Avatar-1.5

✈️ Python Ninja

Моё новое хобби: искать красивые проекты на GitHub и вдохновляться их дизайном.

https://www.gitsearchai.com/

✈️ Python Ninja

Что за PDF-парсинг на стероидах: OpenDataLoader PDF 😁

Это бесплатный PDF-парсер с открытым исходным кодом, который преобразует PDF-документы в Markdown, JSON и HTML, делая их гораздо удобнее для использования в RAG-пайплайнах, ИИ-агентах, поисковых системах и приложениях на базе LLM.

→ Гибридный режим добавляет OCR для отсканированных PDF-документов
→ Гибридный режим корректно обрабатывает сложные таблицы, формулы и диаграммы
→ Доступен для Python, Node.js и Java

✈️ Python Ninja

Крутяк: теперь NotebookLM доступен не только через веб-интерфейс, но и из командной строки, а также через ИИ-агентов благодаря поддержке MCP-сервера.

Появился CLI-инструмент, который позволяет автоматизировать создание блокнотов, управлять источниками и генерировать подкасты. MCP-сервер дает возможность подключить NotebookLM к Claude, Gemini, Cursor и другим ИИ-агентам, а взаимодействовать с ним можно с помощью команд на естественном языке. Например: «создай блокнот по квантовым вычислениям и сгенерируй подкаст».

Для популярных инструментов предусмотрена настройка одной командой — nlm setup add.

100% опенсорс 💪

✈️ Python Ninja

Лямбда-функции редко используют сами по себе

Но они очень удобны при использовании встроенной функции sorted()

С помощью их можно создавать продвинутые варианты сортировки за пару строк 🥥

✈️ Python Ninja

Крупнейшая коллекция практических заданий для специалистов DevOps

Огромная коллекция из более чем 2600 упражнений и вопросов по DevOps и SRE: от Kubernetes и Terraform до Docker и облачных платформ — всё для прокачки навыков

А если хочешь практиковаться с телефона — есть ещё три полезные Android‑приложения от CodingShell: KubePrep для Kubernetes, Linux Master для вопросов по Linux и System Design Hero для архитектуры систем

Короче ставь лайк за такую базу и погнали учиться❤️

☝️ Ссылка источник

✈️ Python Ninja

Microsoft выкатили крутую штуку для ИИ-агентов

Называется Flint и это язык описания визуализаций, который позволяет агентам создавать графики на основе простых, редактируемых человеком спецификаций.

100% опенсорс

✈️ Python Ninja

Как работает регистр в Python

Что выведет код? ✍️

✈️ Python Ninja

Пробовали когда-нибудь поделиться Python-скриптом с человеком, у которого не установлен Python? В итоге приходится объяснять, как работает pip install, что такое виртуальные окружения и почему именно Python 3.9. Сплошная головная боль.

PyApp решает эту проблему. Он упаковывает Python-приложение в единый исполняемый файл, который при запуске самостоятельно разворачивает необходимое окружение — пользователю не нужно устанавливать Python на свою машину. 💵

✈️ Python Ninja

Погружаемся с головой в Deep Learning, Reinforcement Learning, Machine Learning, Computer Vision и NLP

Лекции:

https://github.com/kmario23/deep-learning-drizzle

✈️ Python Ninja

В этом репозитории собрана коллекция лучших материалов по PyTorch: https://github.com/ritchieng/the-incredible-pytorch

✈️ Python Ninja

Создавай Python-пакеты за пару секунд с uv init --package

Python-пакеты позволяют вынести код в переиспользуемые модули и шарить их между проектами.

Обычно это возня с setuptools, настройка билд-системы и разбор всей этой кухни с дистрибуцией.

UV, быстрый установщик и резолвер зависимостей для Python, упрощает всё до двух команд:
• uv init --package сразу поднимает структуру пакета
• uv build и uv publish собирают и отправляют пакет на PyPI

Полная статья: https://bit.ly/3Jyqtok

✈️ Python Ninja

Чувак заменил Datadog одним бинарником и за одну ночь сократил расходы на инфраструктуру на 98%.

Он называется OpenObserve. Логи, метрики, трейсы и мониторинг фронтенда в одном инструменте с самостоятельным развертыванием. Он создан специально для того, чтобы остановить рост счетов при добавлении каждого нового хоста, пользователя или пользовательской метрики.

→ Один бинарник, запуск менее чем за 2 минуты. Никакого кластера и отдельных компонентов для логов, метрик и трейсов

→ Написан на Rust и использует движок запросов DataFusion, поэтому сохраняет высокую производительность даже при работе с петабайтами данных

→ Использует колоночный формат Parquet и S3-совместимое объектное хранилище вместо проприетарного формата — именно это и обеспечивает основную экономию

→ Запросы выполняются через SQL или PromQL, а не через проприетарный синтаксис вендора, поэтому вашей команде не придётся изучать новый язык запросов только ради просмотра дашбордов

→ Полная совместимость с OpenTelemetry: для подключения уже существующей инструментации не требуются проприетарные агенты

→ Библиотека дашбордов от сообщества на GitHub для Kubernetes, Docker, Postgres, AWS и наблюдаемости LLM — можно сразу подключить вместо того, чтобы создавать всё с нуля

Согласно опубликованному самим OpenObserve бенчмарку, одна и та же нагрузка из 16 сервисов обходилась в $174 в день в Datadog и в $3 в день при самостоятельном развертывании — сокращение на 98%, ещё до учёта платы за каждый хост или пользовательскую лицензию.

Более 18 000 звёзд на GitHub. Один бинарник. Самостоятельное развертывание без платы за каждый хост или пользователя.

Снижение затрат на 98% — серьёзная цифра. Её нужно чем-то подтвердить. 🚬

✈️ Python Ninja