🐍 Django-разработчикам: `DEBUG=True` в проде опаснее, чем кажется.

Это не просто красивые страницы ошибок. При включённом DEBUG приложение может раскрывать stack trace, настройки, пути файлов, middleware, URL-паттерны и другие детали окружения.

Главная рекомендация - fail closed:


DEBUG = False


То есть по умолчанию DEBUG всегда выключен, а включается только локально.

Даже staging, QA и preview-среды, доступные из интернета, лучше запускать с DEBUG=False.

Отдельная ловушка - переменные окружения:


DEBUG = os.environ.get("DEBUG", "False") != "False"


Здесь DEBUG=false или DEBUG=0 могут неожиданно превратиться в True.

Лучше явно парсить boolean или использовать django-environ.

Мелкая настройка, которая однажды может спасти production от очень неприятной утечки.

https://lincolnloop.com/blog/setting-djangos-debug-safely/

#Python #Django #Backend #Security #DevOps

@Python_Community_ru

🔥 Stepik Курс: «Python современный AI для разработчика и автоматизации задач» ровно про второе. (https://stepik.org/a/295921/pay?promo=fffd8f81e6cea704)

63 урока, 382 шага, ноль вдохновляющих рассуждений. В каждом уроке разбор темы с рабочим кодом, короткие вопросы и задача с автопроверкой, которая решается на чистом Python без ключей и без интернета.

Внутри то, о чём молчат туториалы: структурированный вывод по схеме, RAG, который не выдумывает, агенты с tool calling, evals и ловля регрессий, кэш, лимиты и очереди, инъекции промптов, локальный запуск через Ollama и vLLM, text-to-SQL с правами только на чтение, pgvector с HNSW, MCP и песочница для кода агента.

Плюс то, что окупается в первый же день: разбор входящей почты, отчёты без выдуманных чисел, вебхуки, боты, сценарии в браузере.
Для тех, кто уже пишет на Python и устал от демок.

72 часа скидка 55% процентов, начать учиться - https://stepik.org/a/295921 (https://stepik.org/a/295921/pay?promo=fffd8f81e6cea704)

@Python_Community_ru

🤖 Agency Agents - готовая команда специализированных AI-агентов для разработки, маркетинга, дизайна и бизнеса

Вместо одного универсального «сделай всё» агента проект предлагает десятки узких специалистов: Backend Architect, AI Engineer, DevOps Automator, Code Reviewer, Database Optimizer, SRE, Prompt Engineer, RAG Engineer и многих других.

Каждый агент - это не просто короткий prompt. Внутри описаны:

* роль и стиль общения;
* рабочий процесс;
* ожидаемые deliverables;
* технические примеры;
* критерии успешного результата.

Установить агентов можно в Claude Code, Cursor, Codex, Gemini CLI, OpenCode, Aider, Windsurf и другие инструменты. Есть и отдельное приложение для macOS, Linux и Windows.

Например, можно поставить только engineering-команду:


./scripts/install.sh \
--tool claude-code \
--division engineering


Или конкретных агентов:


./scripts/install.sh \
--tool cursor \
--agent frontend-developer,ui-designer


По сути, Agency Agents превращает папку с промптами в готовый каталог AI-ролей, которые можно подключать к привычному coding agent без создания каждого system prompt с нуля.

Проект распространяется по лицензии MIT.

GitHub:
https://github.com/msitarzewski/agency-agents

@Python_Community_ru

🔥 Kimi K3 на 2,78 ТРИЛЛИОНА параметров запустили на CPU с 8 ГБ RAM. Без GPU, BLAS и фреймворков

Проект kimi-k3-in-c реализует inference Kimi K3 практически с нуля на portable C99. Чекпоинт модели занимает 1,56 ТБ, но пик RAM при запуске составил всего 8,24 ГБ.

Фокус в MoE и стриминге весов. Из 896 экспертов на токен выбираются только 16, а остальные веса не обязаны постоянно лежать в оперативной памяти. Огромная часть модели читается прямо с диска, поверх этого работает LRU-кэш экспертов.

Цена такого трюка очевидна: скорость. При 8 ГБ RAM автор получил около 26,5 секунды на токен, при 64 ГБ уже 19,8 секунды, а на машине с 128+ ГБ, где нужные данные помещаются в память, около 5,6 секунды.

Получается любопытная смена ограничения: гигантскую MoE уже можно заставить работать без серверной фермы. Вопрос теперь скорее в том, сколько диска и времени на токен вы готовы отдать за такой inference.

github.com/FareedKhan-dev/kimi-k3-in-c

#AI #Kimi #LLM #C #LocalAI

@Python_Community_ru

🐍 Опытный Python-разработчик рассказал, для каких проектов в 2026 году он уже не выбирает Python первым.

Автор десятилетиями использовал Python практически для всего, но со временем пришёл к простой мысли: хороший универсальный язык не обязан быть лучшим инструментом для каждой задачи.

В презентации разбирается, где ограничения Python начинают перевешивать его удобство и почему для некоторых проектов сегодня разумнее посмотреть на другие языки и экосистемы.

При этом это не очередное «Python умер».

Наоборот, автор по-прежнему активно использует Python и отдельно показывает области, где язык остаётся одним из лучших вариантов.

Получился полезный взгляд без фанатизма: выбирать язык не по привычке, а под конкретную задачу.

#/

#Python #Programming #SoftwareEngineering #Development

@Python_Community_ru

https://menno.io/presentations/not-python-2026/index.html

‍🐍 Python-разработчики часто тестируют код с зависимостью от времени. Но обычный mock для дат — это намного сложнее, чем кажется.

Библиотека time-machine решает эту проблему: она позволяет буквально «перемещать время» внутри тестов.

Например:


import datetime as dt
import time_machine

@time_machine.travel("2030-01-01")
def test_future():
assert dt.date.today() == dt.date(2030, 1, 1)


В отличие от популярных подходов вроде freezegun, библиотека не ищет и не заменяет все импорты в проекте.

Она работает на уровне C API CPython, перехватывая функции даты и времени напрямую. Поэтому скорость не зависит от количества загруженных модулей. В бенчмарках time-machine оказался более чем в 100 раз быстрее freezegun на простых сценариях.

Полезно для тестирования:

• подписок и платежей
• истечения токенов
• календарных функций
• планировщиков задач
• логики с дедлайнами

Проект:
https://github.com/adamchainz/time-machine

https://adamj.eu/tech/2026/08/03/python-time-machine-o1-freezegun-on/

@Python_Community_ru

Полный инженерный курс по AI-агентам на русском: от tool calling до production

Курс инженерный, а не обзорный. Здесь почти нет рассуждений о том, «изменит ли ИИ мир», зато есть: минимальные работающие реализации каждого механизма, лабораторные с критериями приёмки, шаблоны для копирования, чек-листы перед релизом, каталог антипаттернов и набор бенчмарков, по которым можно честно сравнить две версии своего агента.

Качество агента почти никогда не упирается в модель. Оно упирается в инженерию вокруг модели: как описаны инструменты, что попадает в контекст, где стоят проверки, что происходит при третьей подряд ошибке и сколько это стоит за тысячу запусков. Модель - двигатель. Курс -про всё остальное в автомобиле.

https://github.com/justxor/Aiagentsfullcourse

@Python_Community_ru

‍🔥 DeepSeek Harness - пример того, почему сегодня важна не только модель, но и всё окружение вокруг неё

Harness - это слой между LLM и реальной работой: инструменты, terminal, permissions, память, tool loop и правила обработки ответов.

У deepseek-harness есть Python-библиотека, CLI dsh, MCP-сервер и интеграция в формате Anthropic Skill. Проект документирует особенности протокола DeepSeek V4-Pro/V4-Flash и автоматически обрабатывает проблемные места вроде reasoning_content, parallel tool calls, streaming и context limits.

Например:


pip install deepseek-harness-cli


Ключевая идея очень актуальна для agent engineering:

одна и та же модель с разным harness может вести себя как совершенно другой агент.

Модель отвечает за интеллект.
Harness - за то, сможет ли этот интеллект стабильно работать с инструментами и длинными workflow.

Вот полезный гайд, (https://helmcode.com/deepseek-harness) где собрали большой разбор проекта: 23 секции, от запуска за минуту до архитектуры и теории Cordis.

Что особенно интересно:

архитектура максимально модульная - компоненты можно заменять плагинами;
проект model-agnostic и работает с OpenAI-compatible API;
под harness лежит Cordis - отдельная формальная модель безопасного самоизменения программ;
можно менять не только tools, но даже логику, которая решает, что агент должен делать дальше;
проект пока developer preview, поэтому breaking changes ожидаемы


Разбор: https://helmcode.com/deepseek-harness

@Python_Community_ru

Разница между C++ и Python

@Python_Community_ru

🖥 Для Python появился Interlock - современный circuit breaker без зоопарка отдельных решений для sync и async.

Один CircuitBreaker умеет работать и с обычными функциями, и с async, считать процент ошибок по скользящему окну и отдельно реагировать на слишком медленные вызовы.

Можно собрать полноценный pipeline отказоустойчивости:


pipeline = (
Pipeline.builder()
.fallback(...)
.retry(attempts=4)
.circuit_breaker(breaker)
.bulkhead(8)
.timeout(2.0)
.build()
)


То есть timeout, retry, ограничение параллелизма, circuit breaker и fallback складываются в одну явную цепочку.

Есть интеграции с httpx, aiohttp, requests, FastAPI, Redis и OpenTelemetry. Через Redis состояние breaker можно шарить между несколькими процессами или инстансами приложения.

Ещё полезная штука - METRICS_ONLY: сначала можно просто посмотреть реальные проценты ошибок и медленных запросов в проде, ничего не блокируя, а уже потом включить breaker.


https://github.com/bagowix/interlock

@Python_Community_ru

‍25 августа встречаемся на Agentic Coding Meetup (https://developers.sber.ru/portal/sreda/agentic-coding-meetup?utm_source=telegram&utm_medium=fix&utm_campaign=agentic_meetup_august_2026_post&utm_content=&utm_term=pythonl&erid=2VtzqwpQLgT) в Сбер.Среде и в онлайне⚡️

AI-агенты уже умеют писать код. Но самое интересное начинается дальше — когда вместе с инструментами меняются роли инженеров, команды и сам процесс разработки.

🔥 Поговорим о том, как agentic coding выглядит на практике: новые инженерные роли и модели команд, SDD и трансформация процессов, coding-агенты и инструменты, подходы к постановке задач и управлению контекстом, а также опыт внедрения AI в разработку больших технологических компаний.

⏳ Начало в 17:00, встреча очных гостей — в 16:00.

Количество очных мест ограничено — успейте зарегистрироваться (https://developers.sber.ru/portal/sreda/agentic-coding-meetup?utm_source=telegram&utm_medium=fix&utm_campaign=agentic_meetup_august_2026_post&utm_content=&utm_term=pythonl&erid=2VtzqwpQLgT)!

@Python_Community_ru

Для тех, кто работает с ACP-агентами из терминала, появился простой REPL

acp-repl запускает любой stdio-сервер с поддержкой Agent Client Protocol и позволяет общаться с агентом прямо из терминала: отправлять промпты, создавать сессии, переключать модель и режим, обрабатывать permission-запросы и смотреть debug-логи.

Работает не с одним конкретным агентом. В README есть примеры для OpenCode, Codex, Claude Code и Pi, плюс можно подключить любой другой ACP-совместимый executable.

Удобная штука для быстрой проверки агента до того, как встраивать его в свой runtime или приложение. Можно сравнить поведение разных моделей и режимов, проверить permissions или просто понять, нормально ли стартует конкретный ACP-провайдер.

Запуск через npm:


npm install -g @normahq/acp-repl@latest

acp-repl -- opencode acp


Репозиторий:
https://github.com/normahq/acp-repl

@Python_Community_ru

Python Game Server: простой сервер для пошаговых мультиплеерных игр

python-game-server — лёгкий open source-фреймворк на Python для создания пошаговых мультиплеерных игр.

Он даёт готовую серверную основу, чтобы не писать с нуля комнаты, игровые сессии и сетевое взаимодействие.

Из коробки есть:

— единый API для разных игр
— несколько параллельных игровых сессий
— подключение к конкретной комнате
— автоматический вход в ближайшую свободную сессию
— возможность относительно легко добавлять новые игры

Проект рассчитан в первую очередь на настольные, карточные и другие turn-based игры. Для написания клиентов и новых игровых механик, по словам автора, достаточно базового знания Python.

В репозитории уже больше 600 коммитов, отдельно лежат клиентская и серверная части.

GitHub: https://github.com/feberts/python-game-server

@Python_Community_ru

🖥 pyhctsa - Python-инструмент для highly comparative time-series analysis: он автоматически считает большой набор характеристик временного ряда и превращает сигнал в таблицу признаков.

Базовый сценарий выглядит так:


from pyhctsa.calculator import FeatureCalculator

calc = FeatureCalculator()
features = calc.extract(data)


На выходе — DataFrame, где каждая временная серия превращается в набор feature'ов. Причём серии могут быть разной длины.

Есть:

— полный набор операций из коробки
— собственные YAML-конфиги для подмножеств признаков
— вызов отдельных feature-функций
— параллельная обработка на нескольких CPU
— инструменты для nonlinear analysis, HRV и других специализированных задач


GitHub: https://github.com/DynamicsAndNeuralSystems/pyhctsa

@Python_Community_ru

Лицо C++-разработчика, когда он написал 6000 строк кода, чтобы обогнать твои 4 строки на Python на 0,000438 секунды.

@Python_Community_ru

‍10 открытых GitHub-репозиториев для изучения Python

1. 30 Days of Python - курс от основ до более продвинутых тем за 30 дней.
https://github.com/Asabeneh/30-Days-Of-Python

2. Learn Python - компактный учебник с примерами: типы, функции, ООП, декораторы, генераторы и многое другое.
https://github.com/trekhleb/learn-python

3. The Algorithms — Python - сотни алгоритмов и структур данных с реализациями на Python.
https://github.com/TheAlgorithms/Python

4. Python Mini Projects — много небольших проектов, на которых удобно набивать руку.
https://github.com/Python-World/python-mini-projects

5. Interactive Coding Challenges - задачи по алгоритмам, структурам данных и программированию с решениями.
https://github.com/donnemartin/interactive-coding-challenges

6. Python Patterns - паттерны проектирования и идиоматичный Python на реальных примерах.
https://github.com/faif/python-patterns

7. Learn Python 3 - хороший набор примеров и упражнений от базового синтаксиса до продвинутых возможностей языка.
https://github.com/jerry-git/learn-python3

8. Real Python Materials - исходники и примеры к большому количеству обучающих материалов Real Python.
https://github.com/realpython/materials

9. 100+ Python Challenging Programming Exercises - большая коллекция задач с постепенным ростом сложности.
https://github.com/zhiwehu/Python-programming-exercises

10. Awesome Python - огромный каталог библиотек, фреймворков и инструментов Python. Полезен, когда базу уже прошёл и хочется понять экосистему.
https://github.com/vinta/awesome-python

Если идти по порядку, я бы начал с 30 Days of Python → Learn Python → Mini Projects → The Algorithms → Python Patterns. Так получится путь от синтаксиса до алгоритмов и нормального продакшен-кода.

@Python_Community_ru

Python, который мы заслужили!

@Python_Community_ru

‍50 сайтов, на которых можно зависнуть на несколько часов

1. https://zoom.earth — Земля со спутника почти в реальном времени.
2. https://flightradar24.com — все самолёты в небе прямо сейчас.
3. https://marinetraffic.com — отслеживание кораблей по всему миру.
4. https://windy.com — ветры, осадки и штормы на живой карте.
5. https://lightningmaps.org — молнии по всему миру в реальном времени.
6. https://earthquake.usgs.gov — последние землетрясения.
7. https://submarinecablemap.com — карта подводных интернет-кабелей.
8. https://globalforestwatch.org — состояние лесов со спутников.
9. https://worldometers.info — мировая статистика в реальном времени.
10. https://internetlivestats.com — что происходит в интернете прямо сейчас.
11. https://thetruesize.com — реальные размеры стран.
12. https://oldmapsonline.org — старинные карты мира.
13. https://davidrumsey.com — огромный архив исторических карт.
14. https://openstreetmap.org — карта мира от сообщества.
15. https://window-swap.com — случайный вид из чужого окна.
16. https://virtualvacation.us — виртуальные прогулки по городам.
17. https://mapcrunch.com — случайная точка мира в Street View.
18. https://atlasobscura.com — самые необычные места планеты.
19. https://neal.fun — залипательные интерактивные эксперименты.
20. https://htwins.net/scale2 — от атома до Вселенной.
21. https://eyes.nasa.gov — 3D-модель Солнечной системы.
22. https://stellarium-web.org — карта звёздного неба.
23. https://apod.nasa.gov — астрономическое фото дня.
24. https://images.nasa.gov — фото- и видеоархив NASA.
25. https://pudding.cool — интерактивные истории на данных.
26. https://ourworldindata.org — данные о том, как меняется мир.
27. https://gapminder.org — проверка популярных заблуждений о мире.
28. https://informationisbeautiful.net — красивые визуализации данных.
29. https://data.worldbank.org — открытая статистика Всемирного банка.
30. https://data.tuik.gov.tr — официальная статистика Турции.
31. https://archive.org — книги, фильмы, сайты, игры и старое ПО.
32. https://gutenberg.org — десятки тысяч бесплатных книг.
33. https://openlibrary.org — огромный каталог книг.
34. https://loc.gov — цифровой архив Библиотеки Конгресса.
35. https://europeana.eu — культурное наследие Европы онлайн.
36. https://dp.la — цифровые коллекции библиотек США.
37. https://artsandculture.google.com — музеи и искусство онлайн.
38. https://rijksmuseum.nl — искусство в высоком разрешении.
39. https://wikiart.org — огромный архив живописи.
40. https://publicdomainreview.org — забытые материалы из истории.
41. https://openculture.com — бесплатные книги, фильмы и курсы.
42. https://metmuseum.org — онлайн-коллекция Метрополитен-музея.
43. https://musicmap.info — история музыкальных жанров.
44. https://radiooooo.com — музыка по странам и десятилетиям.
45. https://listen.hatnote.com — правки Википедии, превращённые в звуки.
46. https://wikipedia.org/wiki/Special:Random — случайная статья Википедии.
47. https://timeanddate.com — время, восходы, затмения и астрономия.
48. https://sciencedaily.com — свежие научные новости.
49. https://arxiv.org — бесплатные научные препринты.
50. https://observablehq.com — интерактивные данные и визуализации.

Интернет гораздо больше, чем несколько сайтов, которые мы открываем каждый день.

@Python_Community_ru

⚡️ Claude Code и Codex можно запускать БЕСПЛАТНО

Появился open-source инструмент, который проксирует запросы coding-агентов через десятки бесплатных AI-провайдеров.

Что умеет:

- до 1,5 млрд бесплатных токенов в месяц
- автоматическое переключение между моделями при сбоях
- оптимизация расхода токенов - заявлена экономия до 90%
- поддержка Claude Code, Codex и Hermes Agent
- работа из терминала, IDE и desktop-приложений
- голосовой ввод промптов
- поддержка tools, skills, изображений и других возможностей агентов

Можно собрать единый бесплатный роутер и не зависеть от одного провайдера.

https://github.com/Alishahryar1/free-claude-code

@Python_Community_ru

🔥 Face Anything - восстановление 4D-лица из любой последовательности изображений

На ECCV 2026 представили Face Anything - unified feed-forward модель для высокоточного 4D face reconstruction и плотного трекинга лица.

Ключевая идея - canonical facial point prediction: каждому пикселю назначается нормализованная координата лица в общем каноническом пространстве.

Это позволяет объединить dense tracking и динамическую реконструкцию в одну задачу и получать:

* стабильную геометрию между кадрами
* точные соответствия facial points
* 4D-реконструкцию из произвольной последовательности изображений

Код:
https://github.com/kocasariumut/FaceAnything

@Python_Community_ru

🐍 PyAdventure - бесплатная игра для изучения Python через практику

Вместо обычных уроков здесь 10 игровых миров, каждый посвящён отдельной теме Python, а в конце ждёт битва с боссом.

Игра сделана на Pygame и рассчитана на обучение основам программирования через прохождение уровней и выполнение задач.

Сейчас доступна бесплатная версия для Windows.

https://khalidmfy.itch.io/pyadventure

@Python_Community_ru