10 GitHub-репозиториев, которые стоит посмотреть AI-инженеру

1. Hands-On AI Engineering

Подборка AI-приложений и агентных систем с практическими кейсами использования LLM.

👉 github.com/Sumanth077/Hands-On-AI-Engineering

2. Hands-On Large Language Models

Полный код из книги Hands-On Large Language Models: от основ до файнтюнинга.

👉 github.com/HandsOnLLM/Hands-On-Large-Language-Models

3. AI Agents for Beginners

Бесплатный курс от Microsoft из 11 уроков по созданию AI-агентов.

👉 github.com/microsoft/ai-agents-for-beginners

4. GenAI Agents

Большая коллекция туториалов и реализаций агентных систем.

👉 github.com/NirDiamant/GenAI_Agents

5. Made With ML

Про разработку, деплой и поддержку production-ready ML-систем.

👉 github.com/GokuMohandas/Made-With-ML

6. Learn Harness Engineering

Практический курс по Harness Engineering для AI-агентов.

👉 github.com/walkinglabs/learn-harness-engineering

7. AutoResearch

Автономные циклы ML-экспериментов от Andrej Karpathy.

👉 github.com/karpathy/autoresearch

8. Designing Machine Learning Systems

Конспекты и материалы по книге Chip Huyen.

👉 github.com/chiphuyen/dmls-book

9. Awesome LLM Inference

Подборка материалов по инференсу LLM: Flash Attention, KV Cache, квантование и другое.

👉 github.com/xlite-dev/Awesome-LLM-Inference

10. LLM Course

Практический курс по LLM с roadmap и Colab-ноутбуками.

👉 github.com/mlabonne/llm-course

👉 @PythonPortal

Artificial Analysis открыла исходный код Stirrup — фреймворка для Python-разработчиков, создающих AI-агентов.

Самая болезненная часть обычно начинается не с первого вызова модели.

Проблемы появляются вокруг инструментов, файлов, контекста, клиентов провайдеров и выполнения кода.
Stirrup старается решить именно эту часть, оставаясь лёгкой основой без навязывания жёсткого пайплайна или архитектуры.

Из интересного:

агентный цикл с finish-tools
сессии для управления жизненным циклом инструментов и файлов
локальное выполнение кода и веб-инструменты из коробки
поддержка выполнения кода через Docker и E2B
MCP, skills, мультимодальный ввод и интеграция с LiteLLM

Проект распространяется по лицензии MIT, а в метаданных пакета пока отмечен как Beta.
Любопытно, что именно у каждого разработчика всё равно приходится переписывать поверх агентных фреймворков. Обычно это память, управление контекстом, оркестрация инструментов или механизмы восстановления после ошибок.

https://github.com/ArtificialAnalysis/Stirrup

👉 @PythonPortal

Если хочешь серьёзно прокачать DSA (структуры данных и алгоритмы), посмотри этот цикл лекций

В нём около 90 часов материала по всем ключевым темам спортивного программирования, причём всё объясняется очень доступно и понятно.

Мне очень понравилось, как он преподаёт.

Ссылка : https://www.youtube.com/playlist?list=PLrS21S1jm43igE57Ye_edwds_iL7ZOAG4

👉 @PythonPortal

На Reddit кто-то собрал все ресурсы, которые использовал для подготовки к собеседованиям по алгоритмам, System Design и Machine Coding. В итоге дошёл до интервью в Google.

1. Алгоритмы и паттерны

Перед тем как гриндить задачи, стоит разобраться с паттернами.

• All LeetCode Articles on Coding Patterns Summarized
https://leetcode.com/discuss/interview-question/5366542/all-leetcode-articles-on-coding-patterns-summarized-in-one-page

• Solved All Two Pointers Problems in 100 Days
https://leetcode.com/discuss/study-guide/1688903/Solved-all-two-pointers-problems-in-100-days

• Tree Question Pattern 2023 — Tree Study Guide
https://leetcode.com/discuss/study-guide/2879240/tree-question-pattern-2023-tree-study-guide

• Important and Useful Links from All Over LeetCode
https://leetcode.com/discuss/general-discussion/665604/Important-and-Useful-links-from-all-over-the-LeetCode

• Coding Interview Preparation Problems for Beginners
https://leetcode.com/discuss/interview-question/448284/Coding-Interview-preparation-problems-for-beginners

2. Подготовка под компании

• Google, Meta, Apple, Amazon Senior SDE Preparation
https://prachub.com/?sort=hot&company=Meta%2CGoogle%2CTikTok%2CAmazon

• A Study Guide for Passing the Google Interview
https://prachub.com/interview-guide

Автор также сделал небольшой трекер для подготовки:

• задачи по компаниям
• статусы Todo / Solved / Revision
• автоматическое планирование повторений
• AI-помощник с подсказками вместо готовых решений

https://prachub.com/questions

3. System Design (HLD)

Вместо случайных статей — структурированные подборки:

• Arch 25 — самые частые системы и паттерны
• Arch 50 — инфраструктура, данные и отказоустойчивость
• Arch 75 — более сложные сценарии и специализация под компании
• Arch All — полный банк из 103 HLD-задач
• Core Concepts — 33 разбора распределённых систем

4. Machine Coding / LLD

Эту часть многие недооценивают до первого провала на интервью.

• MaCo 30 — самые частые задачи
• MaCo 60 — расширенная подборка
• MaCo All — полный набор из 103 задач
• Design Patterns — 31 паттерн проектирования

Если готовишься на SDE2/Senior, то одного LeetCode обычно уже недостаточно. System Design и LLD начинают влиять на результат не меньше, чем алгоритмы.

👉 @PythonPortal

Как создать декоратор с аргументами через класс в Python 🐍

👉 @PythonPortal

Сколько сервисов вы используете для работы с нейросетями?

Один — для текста, второй — для изображений, третий — для кода. Плюс отдельные подписки, разные оплаты и десятки вкладок.

Polza.ai объединяет всё это в одном месте.

Это агрегатор нейросетей, где собраны сотни ИИ-моделей и провайдеров — как зарубежных, так и российских. Тексты, код, изображения, видео и аудио доступны через единый кабинет.

Работать можно через API или в удобной Нейростудии — без сложной настройки и лишней технической рутины.

Внутри платформы есть прозрачная аналитика: видно все запросы, используемые модели, расходы и стоимость каждого действия. Можно сравнивать провайдеров, выбирать оптимальные решения под свои задачи и полностью контролировать бюджет.

Оплата в рублях, единый баланс, автопополнение и полная история списаний избавляют от лишней бухгалтерии. А для команд предусмотрены роли, управление доступами, счета и закрывающие документы.

🔶Polza.ai — один кабинет для всей работы с ИИ. Без хаоса из сервисов, подписок и оплат.

Не в ресурсе чутка

👉 @PythonPortal

Пособие Path to Senior Engineer Handbook собрало ресурсы для разработчиков, которые хотят вырасти до уровня Senior Engineer.

Внутри:

Более 50 рассылок по профессиональному росту, системному дизайну, лидерству и веб-разработке.
Подборка книг по коммуникации, техническому письму и построению рабочих отношений.
Отобранные YouTube-каналы, подкасты и профессиональные сообщества.
Курсы, научные статьи и образовательные платформы для более глубокого изучения тем.

Хорошая отправная точка для тех, кто хочет прокачивать не только технические навыки, но и архитектурное мышление, коммуникацию и лидерские компетенции.

👉 @PythonPortal

NVIDIA выпустила модель распознавания речи всего с 0.6 млрд параметров.

Она называется Nemotron-3.5-ASR.

- Поддерживает более 40 языков.
- Выдаёт результат в режиме реального времени через потоковый вывод.
- Может работать полностью на CPU, без GPU.
- Работает в 2.5 раза быстрее официального рантайма NeMo, при этом качество распознавания остаётся идентичным.
- Подходит для полностью офлайн-сценариев.
- Легко встраивается в пайплайны ИИ-агентов.

https://huggingface.co/nvidia/nemotron-3.5-asr-streaming-0.6b

👉 @PythonPortal

LiteParse v2.1 — самый быстрый PDF → Markdown парсер в мире

И при этом он точнее любого другого open-source парсера без использования моделей (pymupdf4llm, opendataloader, pdf-inspector, markitdown) по результатам трёх стандартизированных бенчмарков: olmOCR0-bench, opendataloader-bench и ParseBench.

Представляем LiteParse v2.1. Базовая версия LiteParse v2 уже была самым быстрым парсером документов в текст на рынке, а в этом релизе появилась поддержка Markdown.

Проект полностью открыт (лицензия Apache 2.0) и бесплатен. Доступен через CLI, Rust, Node.js, Python и WASM, а также устанавливается как агентный навык в один клик.

Подробнее: https://llamaindex.ai/blog/markdown-comes-to-liteparse
Репозиторий LiteParse: https://github.com/run-llama/liteparse

👉 @PythonPortal

Китайский разработчик tw93 устал от того, что Electron-приложения съедают сотни мегабайт памяти и дискового пространства.

Вместо очередного приложения на Electron он создал Pake на Rust + Tauri, который использует нативный WebView операционной системы.

Результат:

• Slack — 8 МБ вместо 524 МБ
• Discord — 9 МБ вместо 265 МБ
• ChatGPT — 9 МБ вместо 260 МБ

Спустя четыре года проект набрал более 51 000 звёзд на GitHub.

https://github.com/tw93/pake

Сейчас Pake позволяет одной командой превратить практически любой сайт в лёгкое нативное десктопное приложение. Для ChatGPT, Grok, Gemini, Discord, YouTube, Twitter и других сервисов уже доступны готовые сборки весом менее 10 МБ.

👉 @PythonPortal

Разработчик представил Flashtype — Markdown-редактор для Claude и Codex.

Инструмент позволяет редактировать Markdown через ИИ, отслеживать каждое изменение и просматривать diff между версиями.

Проект полностью открыт и уже доступен всем желающим.

В комментариях проект уже сравнивают с Obsidian. Автор называет главными отличиями встроенный контроль версий и нативную интеграцию с Claude/Codex.

Среди первых пожеланий сообщества — поддержка HTML-превью для диаграмм и визуализаций, а также исправление багов на ранних версиях.

👉 @PythonPortal

История SQLite началась в 2000 году, когда разработчик Д. Ричард Хипп создавал ПО для эсминца ВМС США.

Военным нужна была база данных, способная работать где угодно:

• без сервера
• без интернета
• без администратора
• без настройки

Так появился SQLite.

В отличие от MySQL, PostgreSQL и Oracle, SQLite не запускает отдельный серверный процесс. Вся база данных хранится в одном файле, а приложение работает с ним напрямую.

Никакой установки, конфигурации или сетевых подключений.

Сегодня SQLite используется в миллиардах устройств и приложений:

→ iPhone
→ Android
→ Google Chrome
→ продукты Adobe
→ встраиваемые и авиационные системы

С высокой вероятностью вы уже использовали SQLite сегодня:

- Instagram
- Spotify
- WhatsApp

Самое удивительное — проект по-прежнему поддерживает его создатель, Ричард Хипп.

Без венчурных инвестиций, IPO и продажи компании.

SQLite остаётся одним из самых распространённых программных продуктов в мире, хотя большинство пользователей даже не знают его названия.

👉 @PythonPortal

Похоже, у Adobe Acrobat появился серьёзный конкурент.

Open-source проект Stirling-PDF предлагает полноценный набор инструментов для работы с PDF и запускается полностью локально — без загрузки документов на сторонние серверы.

Сервис включает более 50 функций для работы с PDF:

• объединение и разделение файлов
• сжатие и конвертацию документов
• OCR для распознавания текста на сканах
• добавление паролей, подписей и водяных знаков
• редактирование и скрытие конфиденциальных данных
• REST API для автоматизации

Проект можно развернуть через Docker на собственном сервере или ПК.

По словам разработчиков, все операции выполняются локально, а файлы не покидают устройство пользователя.

На фоне стоимости Adobe Acrobat Pro в $239 в год Stirling-PDF распространяется бесплатно и с открытым исходным кодом.

На данный момент проект собрал более 81 тыс. звёзд на GitHub и свыше 25 млн загрузок.

👉 @PythonPortal

При применении нескольких фильтров к серии в Pandas лучше разбивать условие на несколько строк:

s = pd.Series([10, 15, 20, 25, 30])

s.loc[
    (s > 20) &
    (s % 2 == 1)
]

Такой код проще читать, писать и поддерживать.
В результате будет выбрано значение:

25

поскольку оно одновременно больше 20 и является нечётным числом.

👉 @PythonPortal

Multi-agent RL красиво именно в тот момент, когда оно начинает сходиться.

👉 @PythonPortal

🔍Тестовое собеседование на Middle Python с разработчиком из Авито завтра вечером

Уже завтра вечером в 19:00 по мск приходи онлайн на открытое собеседование, чтобы посмотреть на настоящее интервью на Middle Python-разработчика.

Как это будет:
📂 Даня, старший разработчик в Авито, будет задавать реальные вопросы и задачи разработчику-добровольцу
📂 Даня будет комментировать каждый ответ респондента, чтобы дать понять чего от вас ожидает собеседующий на интервью
📂 В конце можно будет задать любой вопрос Дане

Это бесплатно. Эфир проходит в рамках менторской программы от ШОРТКАТ для Python-разработчиков, которые хотят повысить свой грейд, ЗП и прокачать скиллы.

Переходи в нашего бота, чтобы получить ссылку на эфир → @shortcut_py_bot

Реклама.
О рекламодателе.

Мой любимый способ работать с несколькими фильтрами в pandas.Series — не цепочка .loc, а один маск.
Цепочка выглядит аккуратно, но ломается на реальных данных и легко даёт неожиданные результаты:

s = pd.Series([10, 15, 20, 25, 30])

s
.loc[s > 20]
.loc[s % 2 == 1]

Проблема в том, что второй .loc снова смотрит на исходный s, а не на уже отфильтрованный результат. Логика разъезжается.
Надёжнее собрать всё в одно выражение:

s = pd.Series([10, 15, 20, 25, 30])

mask = (s > 20) & (s % 2 == 1)
result = s.loc[mask]

Одна маска = одна точка истины.
Проще дебажить. Меньше сюрпризов при росте кода.

👉 @PythonPortal

Что, если «Следствие вели…» снимали бы в офисном сеттинге в IT-компании? Мы могли бы об этом только фантазировать, если бы… Авито взял и не снял свой выпуск с Леонидом Каневским 🔥

Мы ещё не успели посмотреть: планируем оставить на вечер. Говорят, легенда тру-крайма там расследует внезапный рост ошибок 404 на endpoint аватарок (реальный кейс команды AvitoTech, кстати!).

Смотрим, чтобы услышать будущие легендарные цитаты... ну и чтобы в вашей команде такого не случилось!

📱 YouTube
📱 Rutube
📱 VK Видео

Разрабы, будьте осторожны

👉 @PythonPortal