Microsoft буквально выпустили качалку для AI-агентов

Компания представила SkillOpt систему, автоматического улучшения навыков и инструкций агента. По сути AI сам переписывает свои файлы: добавляет полезные инструкции, оптимизирует рабочий процесс и убирает недостатки.

Интересно что результаты выглядят очень серьёзно. В тестах качество работы GPT-5.5 после оптимизации через SkillOpt увеличилось примерно на 23%. Причём прирост наблюдался сразу на нескольких бенчмарках.

☝️ Ссылка источник

✈️ Python Ninja

Крупнейшая коллекция реализаций алгоритмов «The-Algorithms»

Хотите изучать алгоритмы легко и интересно? Держите крупнейшую коллекцию реализаций алгоритмов на десятках языков программирования. Простой поиск, чистый код, пояснения

Сохраняем за лайк ✍️

☝️ Ссылка источник

✈️ Python Ninja

Как строить box plot'ы в Python?

На этот раз небольшая битва между pandas и seaborn.

Вариант 1. Seaborn
Когда важны красивые графики и удобная работа с категориями:

import seaborn as sns

sns.set_theme(style="whitegrid")

tips = sns.load_dataset("tips")
sns.boxplot(x="day", y="total_bill", data=tips)

Плюсы:

• приятный внешний вид из коробки
• удобно сравнивать категории
• много возможностей для кастомизации

Вариант 2. Pandas
Когда данные уже находятся в DataFrame и нужен быстрый результат:

import numpy as np
import pandas as pd

np.random.seed(1234)

df = pd.DataFrame(
    np.random.randn(10, 4),
    columns=["Col1", "Col2", "Col3", "Col4"]
)

df.boxplot(column=["Col1", "Col2", "Col3"])

Плюсы:

• минимум кода
• не нужно подключать seaborn
• удобно для быстрого анализа данных

Простое правило: Используйте pandas, если нужен быстрый box plot. Используйте seaborn, если график пойдёт в отчёт, презентацию или дашборд.

Оба инструмента строят box plot'ы отлично выбор зависит от задачи

✈ Python Ninja

Проверка вхождения подстроки в кортеже

Что выведет код ✏️

✈ Python Ninja

На GitHub завирусился плагин который даёт AI-агентам «бесконечную» память

Он сохраняет контекст всех ваших сессий, проектов и действий в единую базу, чтобы агент больше не забывал, над чем вы работали раньше.

Поддерживаются Claude Code, Cursor, Codex и десяток других популярных агентов. Это система которая сама сжимает историю в “воспоминания” и потом автоматически поднимает нужный контекст в будущих задачах.

Разрабы говорят, что таким образом можно экономить до 95% токенов, которые обычно уходят на повторное объяснение проекта

☝️ Ссылка источник

✈️ Python Ninja

Кладезь для изучения компьютерных сетей: «Сети для самых маленьких»

Это огромная бесплатная база знаний по сетям, которую многие считают уже почти легендарной

Здесь разбираются VLAN, STP, NAT, BGP, MPLS, VPN, QoS, маршрутизация, проектирование сетей и ещё куча тем, которые рано или поздно встречаются каждому сетевику

Причём объясняют всё так, что хочется читать дальше. Однозначно в закладки 🧑‍🍳

☝️ Ссылка источник

✈️ Python Ninja

Трюк в Python: Скрытый ввод пароля

Обычный способ (небезопасный):

username = input('Введите имя пользователя: ')
password = input('Введите пароль: ')

Вывод:

Введите имя пользователя: admin
Введите пароль: admin123

Когда вы используете стандартный input() для ввода пароля, введённый текст отображается в консоли. Это небезопасно, особенно если кто-то наблюдает за экраном или если вы записываете сессию терминала.

Безопасный способ:

from getpass import getpass
username = input('Введите имя пользователя: ')
password = getpass('Введите пароль: ')

Вывод:

Введите имя пользователя: admin
Введите пароль: ********

Модуль getpass входит в стандартную библиотеку Python. Он позволяет безопасно получать ввод от пользователя без отображения вводимых символов.

✈️ Python Ninja

Python срезы: уровень выше среднего

Что выведет код? 😼

✈ Python Ninja

Хорошие новости подвезли бесплатный Data Science курс

freeCodeCamp выпустили мощный бесплатный курс по работе с Pandas, NumPy и построением графиков

Много практики, понятные объяснения и никакой скучной теории — perfect для тех, кто хочет уверенно работать с данными в Python.

Если давно хотел прокачаться в анализе данных — залетай 🌪

☝️ Ссылка источник

✈ Python Ninja

Вот вам типичная «подлянка» в Python которая может съесть кучу времени

Если у вас есть метод, возвращающий либо экземпляр объекта, либо None, может возникнуть соблазн полагаться на истинность значения в условиях

Например:

thing = get_thing()
if thing:
    do_stuff_with_thing(thing)

Это работает до тех пор, пока вы не определите метод bool. Тогда вы сами создадите себе очень запутанную ошибку: вдруг иногда do_stuff_with_thing перестаёт вызываться. И если прошло какое-то время, найти причину будет непросто

Правильное решение всегда явно проверять на None:

if thing is not None:
    do_stuff_with_thing(thing)

Считайте это «наилучшей практикой». Делайте так даже если пока не видите в этом необходимости. У такого подхода нет недостатков 👍

✈️ Python Ninja

Жиза? ☺️

✈ Python Ninja

Нашёл простой способ узнать, какие LLM потянет ваш компьютер. ( и это не /llmfit)

Устанавливаете:

npm install -g llm-checker

Определяете характеристики железа:

llm-checker hw-detect

Получаете рекомендации моделей под нужную задачу:

llm-checker recommend --category coding

Утилита анализирует ваше железо и подсказывает, какие модели имеет смысл запускать локально, вместо бесконечных экспериментов в духе (а вдруг запустится).

Для тех, кто играет с локальными LLM через Ollama, LM Studio или Open WebUI, штука может сэкономить немало времени.

✈️ Python Ninja

Microsoft выкатили компактный ПК для AI-разработчиков

Компания представила Surface RTX Spark Dev Box устройство построено на новом Arm-чипе NVIDIA RTX Spark и, по заявлению компании, способно локально запускать модели размером до 120 миллиардов параметров.

Продажи стартуют позже в этом году, цену пока держат в секрете 😱

✈ Python Ninja

Google собрали целую AI-лабораторию и выложили её на GitHub

Коллекция из 30 научных скиллов, которые превращают ваших AI-агентов в команду исследователей для задач биологии, генетики и медицины.

Агенты получают доступ к AlphaFold, AlphaGenome и поиску сразу по 30 научным базам данных. После этого они могут самостоятельно изучать болезни, анализировать мутации и собирать научные обзоры 🤩

Собираем свою AI-лабораторию тут.

✈️ Python Ninja

Ловите подгон книга "Python Data Science Handbook"

Руководство по анализу данных на Python: от NumPy и pandas до визуализации и машинного обучения.

А ещё я нашёл репозиторий от Microsoft Data Formulator. Приложение которое использует большие языковые модели для преобразования данных и создания визуализаций

Вкатываемся в data science легко 📚

☝️ Ссылка источник
☝️ Ссылка источник

✈️ Python Ninja

OpenAI раздают ChatGPT Pro бесплатно

Компания запустила программу для авторов open source-проектов, в рамках которой можно получить полгода ChatGPT Pro, доступ к Codex, GPT-5.5 Pro и дополнительные API-кредиты.

Всё что нужно показать свой GitHub, рассказать про проект и объяснить, зачем вам AI для его развития.

Если у вас есть живой репозиторий со звёздами и историей коммитов, шансы вполне реальные 😮

Получить шанс на бесплатный Pro тут.

✈️ Python Ninja

GitHub не готов к нашествию AI-агентов

Если за целый 2025 год на платформе было создано около 1 млрд коммитов, то уже сегодня разработчики и агенты генерируют примерно 1,4 млрд в месяц

Такой рост впечатляет и одновременно пугает. Неудивительно, что компания уже говорит о необходимости срочно пересматривать архитектуру сервисов и расширять инфраструктуру

GitHub придётся масштабироваться теми темпами, о которых ещё пару лет назад никто даже не думал. Удачи ✋

✈ Python Ninja

Полезная находка для ML-инженеров книга «Machine Learning Systems»

Ресурс, посвящённый инженерии систем машинного обучения, где ML рассматривается как целостная система, а не набор отдельных моделей

Учебник учит проектировать, оптимизировать и развертывать ML-решения с учётом реальных ограничений, инфраструктуры и требований продакшена

Приятный бонус книга полностью открытая: её исходники доступны на GitHub и постоянно обновляются☕️

☝️ Ссылка источник

✈️ Python Ninja