50319
Всё самое интересное из мира Python Сотрудничество, реклама: @devmangx Работаем с @Spiral_Yuri РКН: https://clck.ru/3GMMF6
Python-библиотека для получения цен и расписания рейсов из Google Flights.
https://github.com/AWeirdDev/flights
👉 @PythonPortal
Сохрани этот ресурс, если работаешь с SQL.
Это playground без установки, где можно:
- создавать таблицы, выполнять запросы и делиться результатами;
- работать с MySQL, PostgreSQL и SQL Server.
Бесплатно и без установки:
→ http://runsql.com/r
👉 @PythonPortal
В Python обычный zip() может незаметно «съесть» часть данных, если списки разной длины. 🐍
Например:
x = [1, 2, 3, 4, 5]
y = ['a', 'b', 'c']
list(zip(x, y))
# [(1, 'a'), (2, 'b'), (3, 'c')]
zip()itertools.zip_longest():import itertools
list(itertools.zip_longest(x, y))
# [(1, 'a'), (2, 'b'), (3, 'c'), (4, None), (5, None)]
None.
Упростить логирование в Python можно с помощью Loguru 🪵
Стандартный модуль logging умеет почти всё, но даже базовая настройка часто требует handlers, format strings и дополнительного конфигурационного кода.
Loguru делает логирование по ощущениям почти таким же простым, как print(), при этом поддерживает:
timestamps;
уровни логов;
запись в файлы;
rotation;
retention;
подробный вывод исключений.
В статье сравниваются оба подхода и показывается, как Loguru позволяет сделать типичные задачи логирования короче и читабельнее.
Полная статья: https://bit.ly/4aEOjJo
#Python #Debugging
👉 @PythonPortal
8-летний Лакш собрал на микроконтроллере за $8 полностью автономного ИИ-рассказчика.
Он работает без Wi-Fi, облака и API.
В основе — ESP32-S3, микрофон INMP441, I2S-динамик и усилитель MAX98357A. Устройство умеет генерировать истории, создавать анимации, озвучивать текст и понимать голосовые команды вроде play, pause, resume и next story.
Проект построен на форке open-source TinyStories LLM для ESP32. В исходной версии была генерация текста, а Лакш добавил голосовое управление, интерактивность, анимации и контролы.
GitHub: https://github.com/slvDev/esp32-ai
Пока слабое место — английский TTS на ESP32 звучит не очень хорошо. Именно его теперь планируют улучшать.
👉 @PythonPortal
Ещё не все языки программирования выучил, ещё один — и тогда пойдёшь искать работу?
А там: пройдите стажировку за печеньки 3 месяца, и только потом статус джуна с оплатой до 100 000 ₽. Сомнительный план.
Сережа так и делал.
Самоучка, 4 месяца откликов, ноль ответов. Каждое утро — открыть сайт, отправить 10 резюме, закрыть ноутбук и ждать письмо "вы нам не подходите".
Проблема была не в знаниях, а в устаревшем стеке и понимании как дойди до живого HR.
После проработки по системе:
оффер AQA-инженера на 265 000 ₽ через 149 дней, без коммерческого опыта.
Зачем терять полгода на статусе джуна и терять в деньгах, когда можно потратить то же время на мидла — конкуренция меньше, оплата больше.
Но чтобы вписаться сразу на мидла, нужна опробованная система.
Подробно о ней — по ссылке.
Гайд как пройти испытательный срок внутри.
Еще реферальные ссылки сразу на живых hr компании
доступ сразу. без регистрации → /channel/find_it_mentor_bot?start=utm_tg_ad_l1
ссылка сгорит через 24 часа
Через VS Code теперь можно расшарить localhost без сторонних инструментов. 🤯
Во встроенной вкладке Ports можно открыть локальный сервер для доступа из интернета.
Как это сделать:
1. Открыть вкладку Ports в панели терминала
2. Нажать Forward a Port
3. Указать локальный порт — например, 5173, 3000 или 3001
4. VS Code сгенерирует ссылку
5. Для публичного доступа нужно нажать по ней правой кнопкой и выбрать Make Public
6. После этого ссылку можно отправить другому человеку
Удобно для демо, тестирования на других устройствах и быстрого показа проекта клиентам или команде.
👉 @PythonPortal
Лаборатория Университета Цинхуа выложила на GitHub проект, который заменяет стойку с H100 стоимостью $400 000 одной видеокартой с 24 ГБ памяти.
Он называется ktransformers, а идея почти до смешного проста: эксперты, которые реально используются, остаются на GPU, а остальные находятся на CPU до тех пор, пока не понадобятся.
/ DeepSeek-V3 и R1 с контекстом 139K на 24 ГБ VRAM
/ ускорение до 28 раз по сравнению со стандартной конфигурацией
/ дообучение DeepSeek-V3 на четырёх RTX 4090 вместо дата-центра
/ проект создан лабораторией MADSys Университета Цинхуа, а не стартапом с лендингом
Лицензия Apache 2.0, а на GitHub уже больше 17 000 звёзд.
→ http://github.com/kvcache-ai/ktransformers
👉 @PythonPortal
Codex Router добавляет Kimi K3 и DeepSeek прямо в селектор моделей Codex, не затрагивая вход через ChatGPT и встроенные GPT-модели.
После установки рядом с нативными моделями появляются дополнительные варианты:
• Kimi K3 через OAuth или API
• DeepSeek V4 Flash и Pro через API
Инструмент не перезаписывает конфигурацию Codex, автоматически создаёт резервную копию и поддерживает безопасный откат. Также предусмотрена миграция со старых версий роутера.
Проект полностью бесплатный и опенсорсный.
👉 @PythonPortal
Этот vault добавляет AI-агентам долгосрочную память.
Добавляет persistent memory, семантический поиск и автоматическое отслеживание рабочих задач для Claude Code, Codex и Gemini. Автоматически сохраняет решения, результаты работы и материалы ревью внутри Obsidian vault.
Репозиторий:
https://github.com/breferrari/obsidian-mind
👉 @PythonPortal
Чтобы превратить вызовы LLM в понятные и компонуемые workflows, не нужен огромный фреймворк.
PocketFlow — минималистичный Python-фреймворк для разработчиков, которые создают агентов, RAG-пайплайны и другие LLM-приложения.
Он позволяет проектировать логику приложения в виде графа, соединяя небольшие узлы, которые используют общее состояние и направляют выполнение через именованные действия.
Ключевые возможности:
• Графовые flows — можно объединять узлы в цепочки, создавать ветвления по действиям, циклы и вложенные flows.
• Узлы из трёх этапов — подготовка, выполнение и постобработка разделены и работают с общим состоянием.
• Настройка повторных попыток — можно задать количество ретраев, задержки между ними и fallback-поведение при ошибках выполнения.
• Batch- и async-режимы — обработка списков элементов, повторный запуск flows с параметрами и параллельное выполнение асинхронных batch-задач.
• Практический cookbook — примеры агентов, RAG, workflows, стриминга и приложений с human-in-the-loop.
Проект с открытым исходным кодом и распространяется по лицензии MIT.
👉 @PythonPortal
Японские исследователи создали систему, которая моделирует целый город, генерируя до 1 миллиона виртуальных жителей, чьё поведение с помощью LLM имитирует человеческое.
И она с пугающей точностью предсказала реальные события.
Они разработали городской симулятор под названием CitySim, который заселяет цифровой двойник Токио автономными AI-агентами — их может быть до 1 миллиона.
Каждый виртуальный житель работает на базе LLM и обладает:
• личными воспоминаниями;
• долгосрочными целями;
• желаниями, похожими на человеческие: голод, усталость, потребность в социальном взаимодействии;
• пространственным восприятием и способностью ориентироваться.
Большинство городских симуляций основаны на правилах, заданных вручную: если происходит A, за ним следует B.
CitySim устроен иначе. Он работает на основе ценностей. У агентов есть собственная субъектность. Они самостоятельно составляют расписание, исходя из личных привычек, текущих потребностей и изменений окружающей среды.
Когда исследователи запустили симуляцию для Токио, результаты оказались пугающе точными.
Сценарии поездок на работу по будням, досуга по выходным и покупательского поведения почти идеально совпали со статистическими данными правительства Японии.
Система даже смогла предсказать распределение толпы в Сибуе и определить, какие магазины действительно станут популярными, за несколько месяцев до появления соответствующих данных из реального мира.
Для городского планирования это открывает огромные возможности.
Теперь можно безопасно и с меньшими затратами тестировать готовность к стихийным бедствиям, выбирать места для коммерческих объектов и оценивать модернизацию общественной инфраструктуры, не перемещая ни одного живого человека.
Но дело не только в планировании.
Исследователи уже рассматривают возможность добавить агентам более высокоуровневые человеческие стремления, например «самоактуализацию», чтобы посмотреть, как они будут развиваться.
Статья была опубликована на arXiv в июне 2025 года, но за пределами сообщества специалистов по вычислительным социальным наукам её почти никто не прочитал.
👉 @PythonPortal
57 лет назад в этот день люди впервые высадились на Луне. Исходный код, который помог им туда добраться, теперь доступен на GitHub.
Маргарет Гамильтон руководила командой MIT, отвечавшей за бортовое программное обеспечение миссии Apollo. В итоге код для Apollo Guidance Computer вырос примерно до 145 000 строк.
Изучить оригинальное навигационное ПО Apollo 11 для командного и лунного модулей можно здесь:
https://github.com/chrislgarry/apollo-11
👉 @PythonPortal
Unlimited-OCR — это модель на 3 млрд параметров, которая может распарсить целый PDF на 100 страниц за один проход — без разбиения по страницам и без потери контекста.
* контекстное окно 32K, читает весь документ за один проход
+ 93% на стандартных бенчмарках парсинга, на 6 пунктов выше baseline
* уровень ошибок ниже 0,11 после 40-й страницы — там, где все остальные OCR-инструменты начинают разваливаться
* мультиязычность из коробки, локальный запуск через Transformers, Ollama, llama.cpp или Docker
* Textract, Google Vision и Azure Document Intelligence берут от $1,50 до $15 за 1 000 страниц
1,9 млн скачиваний на Hugging Face, и при этом большинство людей о ней даже не слышали.
Она работает прямо на вашем компьютере. Бесплатно. Навсегда.
Ссылка на модель: http://huggingface.co/baidu/Unlimited-OCR
👉 @PythonPortal
Гении воссоздали интерфейсы Claude Code, Codex и Grok в виде переиспользуемых компонентов ShadCN. 🤯
Эта open-source-библиотека позволяет просто добавить красиво воссозданные компоненты AI-интерфейсов прямо в свои приложения или CLI-проекты.
Внутри есть компоненты для:
→ промптов и сообщений чата
→ вызовов инструментов
→ diff’ов кода
→ диалогов запроса разрешений
→ списков задач
→ slash-команд
→ и многого другого...
Отлично подойдёт тем, кто разрабатывает AI-приложения, терминальные интерфейсы (TUI) или CLI-инструменты для разработчиков и не хочет собирать всё с нуля :)
github.com/theswerd/brainless
👉 @PythonPortal
Лучшие инженеры не изучают распределённые системы по поверхностным пересказам. Они сразу обращаются к фундаментальным научным статьям. Чтение таких работ помогает понять, почему системы спроектированы именно так, а не просто научиться ими пользоваться.
Вот пять классических статей всех времён, которые должен прочитать каждый разработчик.
1. The Google File System (2003)
Почему стоит прочитать: статья изменила подход всей индустрии, предложив считать отказ компонентов нормой, а не исключением. В ней описано, как построить масштабную отказоустойчивую распределённую систему хранения данных на базе недорогого массового оборудования, оптимизировав её под интенсивную последовательную дозапись вместо произвольной записи.
Ссылка: https://static.googleusercontent.com/media/research.google.com/en//archive/gfs-sosp2003.pdf
2. Dynamo: Amazon’s Highly Available Key-Value Store (2007)
Почему стоит прочитать: исчерпывающий разбор того, как пожертвовать согласованностью ради высокой доступности — AP в теореме CAP. В статье изложены ключевые паттерны, лежащие в основе масштабируемых NoSQL-хранилищ: консистентное хеширование, векторные часы, gossip-протоколы и настраиваемый кворум для операций чтения и записи.
Ссылка: https://allthingsdistributed.com/files/amazon-dynamo-sosp2007.pdf
3. In Search of an Understandable Consensus Algorithm (Raft) (2014)
Почему стоит прочитать: Paxos печально известен тем, насколько сложно его понять и корректно реализовать, тогда как Raft делает концепцию реплицируемых конечных автоматов более доступной. Алгоритм разбивает задачу консенсуса на отдельные подзадачи, которые легко анализировать: выбор лидера, репликацию журнала и обеспечение безопасности.
Ссылка: https://raft.github.io/raft.pdf
4. Spanner: Google’s Globally-Distributed Database (2012)
Почему стоит прочитать: статья показывает, как добиться строгой сериализуемости и внешней согласованности между дата-центрами по всему миру. Секрет — API Google TrueTime, ограничивающий неопределённость времени с помощью синхронизированных GPS-приёмников и атомных часов.
Ссылка: https://static.googleusercontent.com/media/research.google.com/en//archive/spanner-osdi2012.pdf
5. Time, Clocks, and the Ordering of Events in a Distributed System
Почему стоит прочитать: на физическое время нельзя полагаться при работе с независимыми узлами. Лэмпорт вводит логические часы и фундаментальное отношение «произошло до» (happened-before), лежащее в основе упорядочивания событий в современных распределённых сетях.
Ссылка: https://amturing.acm.org/p558-lamport.pdf
👉 @PythonPortal
Wan2GP — бесплатная опенсорсная альтернатива облачным сервисам для генерации AI-видео вроде Higgsfield.
Всё запускается локально и, по заявлению разработчиков, работает даже с 6 ГБ VRAM, старыми RTX 10-й серии и ноутбуками с 8 ГБ памяти.
Внутри:
— генерация видео из текста и изображений
— Wan 2.2, LTX-2, Hunyuan Video и Flux
— браузерный интерфейс с очередью генераций
— поддержка LoRA
— редактор масок
— улучшение промптов
Пятисекундный ролик на среднем игровом ПК можно сгенерировать за несколько минут.
Без подписки, облака, лимитов и водяных знаков. Всё бесплатно.
https://github.com/deepbeepmeep/Wan2GP
Ну, если считать видеокарту и электричество бесплатными. 🥲
👉 @PythonPortal
Facebook настолько не устраивал Git, что в итоге компания создала ему сразу три замены.
Начиналось всё как у многих: один огромный monorepo, в котором лежал код всех команд.
По мере роста кодовой базы Git начал сдавать. Обычный git fetch мог занимать до 30 минут. Инженеры тратили больше времени на ожидание Git, чем на написание кода.
Facebook обратился к мейнтейнерам Git с вопросом, как масштабировать такую систему.
Ответ был простой: разбить репозиторий на несколько поменьше.
Для Facebook это не подходило. Весь смысл был именно в monorepo.
Тогда инженеры обратили внимание на менее популярный Mercurial. Его было проще расширять, а сообщество охотнее принимало изменения. Facebook перенёс туда всю кодовую базу и помог превратить Mercurial в один из лучших вариантов для огромных monorepo.
Но со временем и Mercurial упёрся в ограничения.
Тогда Facebook написал собственную систему контроля версий с нуля — Sapling.
А когда кодовая база выросла настолько, что один инженер уже физически не мог скачать её целиком на ноутбук, появился EdenFS — виртуальная файловая система, которая подгружает файл только в тот момент, когда разработчик реально его открывает.
Три замены. Одна компания. И всё потому, что кодовая база росла быстрее, чем успевали масштабироваться существующие системы контроля версий.
Большинство компаний подстраивают рабочие процессы под доступные инструменты.
Facebook просто создаёт новые инструменты, когда старые перестают справляться.
👉 @PythonPortal
Вот мой точный сетап, с которым я экономлю примерно 50% недельных лимитов Claude Code.
Устанавливаю плагин OpenAI Codex внутри Claude Code.
Разделяю работу по тому, в чём каждая модель сильнее:
Fable 5 high — планирование
Codex 5.6 xhigh — реализация и выполнение задач через подписку Codex, без API
Fable 5 max — ревью
Google AI Studio даёт бесплатный API-доступ к production-ready моделям Gemini без привязки банковской карты и без запуска временного trial-периода.
Что доступно:
→ Бесплатный доступ — можно создавать API-ключи для Gemini 2.5 Flash, Pro и 3.6 Flash без добавления платёжных данных
→ Щедрые лимиты для разработчиков — дневные ограничения (например, около 15 RPM / 1M TPM / 1500 RPD) позволяют полноценно тестировать приложения и запускать небольшие production-сценарии
→ Быстрый старт с Python — достаточно установить google-generativeai и выполнить первые API-вызовы менее чем за две минуты
→ Поддержка универсальных SDK — интеграция с multi-model proxy-роутерами вроде LiteLLM позволяет использовать бесплатные endpoint’ы в разных приложениях
👉 @PythonPortal
Подборка ресурсов по MLOps для тех, кто хочет разобраться, как ML-системы доводят до production.
https://github.com/visenger/awesome-mlops
👉 @PythonPortal
🚨 Весь стек AI-ассистента переписали на Zig.
Проект называется NullClaw. Размер бинарника — 678 КБ, потребление памяти — около 1 МБ, запуск занимает меньше 2 мс.
Без runtime, VM, фреймворков и garbage collector — только Zig.
Почему это важно:
OpenClaw требует Mac Mini за $599 и больше 1 ГБ RAM
NanoBot — больше 100 МБ RAM и Python
PicoClaw — 10 МБ RAM и Go
22+ AI-провайдера, включая OpenAI, Anthropic, Ollama, DeepSeek и Groq
13 каналов связи: Telegram, Discord, Slack, WhatsApp, iMessage, IRC и другие
18+ встроенных инструментов
гибридный поиск по памяти: vector + keyword
многоуровневая sandbox-изоляция через Landlock, Firejail и Docker
поддержка Arduino, Raspberry Pi и STM32
MCP, subagents, streaming, voice и остальной стек
Kimi снова это сделали!
В Kimi K3 они разработали новый подход к работе с residual connections (остаточными связями) в Transformer-архитектурах — механизмом, который практически не менялся со времён ResNet в 2015 году.
В стандартном Transformer каждый слой добавляет свой выход обратно к входу с фиксированным весом 1.
То есть каждый слой получает одинаковую важность независимо от того, что именно нужно конкретному токену.
При глубине в 40, 60, 80+ слоёв скрытое состояние превращается в сумму всех предыдущих представлений с одинаковыми весами.
Более глубоким слоям приходится создавать всё более крупные выходные значения, чтобы хоть как-то влиять на итоговое представление. При масштабировании моделей это делает обучение менее стабильным.
Attention Residuals решают эту проблему, заменяя фиксированное сложение на softmax attention по глубине сети.
Теперь каждый слой сам учится определять, сколько информации брать из каждого предыдущего слоя — в зависимости от входа. Благодаря этому разные токены могут извлекать разные представления из разных слоёв, ориентируясь на то, что действительно полезно.
Идея повторяет то, что оригинальный Transformer сделал с последовательностями.
RNN сжимали всю предыдущую информацию о токенах в одно состояние, которое передавалось по времени. Transformer заменил это механизмом attention. Attention Residuals применяют ту же идею, но уже к глубине модели.
Когда Kimi впервые проверили этот подход на своей модели Kimi Linear 48B в марте, Block AttnRes показал такую же производительность, как базовая модель, обученная с в 1,25 раза большим количеством вычислений, при этом добавив менее 2% задержки на инференсе.
Kimi K3 стала первой моделью, где этот подход применяется в масштабе фронтирной модели: 2,8 трлн параметров, вместе с Kimi Delta Attention, который обеспечивает до 6,3× более быстрое декодирование при работе с контекстом размером в миллион токенов.
👉 @PythonPortal
Modly — это бесплатное опенсорсное десктопное приложение, которое превращает обычные изображения в 3D-модели прямо на вашем компьютере.
Вся генерация выполняется локально на GPU, без облака и подписки. Приложение работает на Windows, Linux и macOS с Apple Silicon.
В Modly есть визуальный workflow: загрузили изображение, сгенерировали mesh и добавили его в сцену. Импортированные модели можно сразу сглаживать и упрощать, а внешние расширения позволяют подключать разные модели и стили генерации.
https://github.com/lightningpixel/modly
👉 @PythonPortal
Этот проект представляет собой полный курс по Python — от нулевого уровня до backend-разработки, который создавался в прямом эфире на Twitch.
Покрывает основы Python, продвинутые темы и разработку backend-приложений.
Включает создание REST API с аутентификацией и интеграцией с базой данных.
Весь код организован по директориям: Basic, Intermediate и Backend.
Видео-уроки содержат таймкоды для каждой темы.
👉 @PythonPortal
На этой неделе я нашёл, пожалуй, лучший оркестратор для ИИ-агентов. Он называется Herdr и по сути представляет собой tmux, который понимает, что делают агенты. 👍
Вы запускаете Claude Code, Codex или OpenCode в отдельных панелях, а боковая панель в реальном времени показывает, какой агент сейчас работает, какой уже закончил и какой заблокирован в ожидании вашего ввода.
Кроме того, терминал можно закрыть, а агенты продолжат работать. То есть поддерживается detach-режим.
Затем можно подключиться обратно по SSH откуда угодно, даже с телефона.
Всё это упаковано в один бинарник на Rust: быстрый, лёгкий, кроссплатформенный и с открытым исходным кодом. Работает в любом терминале, поддерживает настройку и плагины для расширения возможностей
https://herdr.dev/
👉 @PythonPortal
Foundations of Applied Mathematics — это бесплатная серия из четырёх учебников, созданная для программы по прикладной и вычислительной математике в Университете Бригама Янга.
В неё входят четыре тома:
Математический анализ
Алгоритмы, аппроксимация и оптимизация
Неопределённость и данные
Динамика и управление
Серия подходит студентам старших курсов бакалавриата и начальных курсов магистратуры. К ней также прилагаются лабораторные работы на Python и практические задания, поэтому математическая теория связана с численными вычислениями, алгоритмами, анализом данных и научными приложениями.
Особенно мне нравится, что это не только теоретические учебники. Сопутствующие материалы на Python помогают увидеть, как эти концепции применяются к реальным вычислительным задачам.
https://foundations-of-applied-mathematics.github.io
👉 @PythonPortal
Function calling и MCP для LLM — простое и понятное объяснение:
До появления MCP доступ к инструментам полностью строился на function calling, а каждую интеграцию приходилось настраивать вручную.
MCP стандартизировал этот интеграционный слой, но на нижнем уровне модель по-прежнему формирует тот же tool call.
На схеме ниже показано, как работает каждый из подходов.
При использовании function calling модель никогда ничего не выполняет самостоятельно:
> Модель получает промпт и определения доступных функций.
> Она определяет, какой инструмент подходит, и формирует в своём ответе запрос на вызов инструмента.
> Процедура на нашей стороне разбирает этот запрос и подготавливает фактический вызов функции.
> Бэкенд-сервис запускает инструмент и возвращает результат модели.
Всё это находится внутри нашего собственного стека.
> Мы хостим инструмент.
> Мы пишем логику, которая сопоставляет запрос на вызов инструмента с конкретной функцией и её параметрами.
> И мы выполняем этот вызов.
Таким образом, function calling только определяет, что именно нужно запустить, а вся интеграция вокруг этого полностью остаётся на инженере.
MCP стандартизирует эту интеграцию.
Вместо того чтобы вручную подключать каждый инструмент, MCP:
> Определяет единый протокол для объявления, хостинга и предоставления инструментов.
> Делает инструменты доступными для обнаружения вместе со схемами, которые клиент может читать напрямую.
> Требует подтверждения перед запуском инструмента.
> Разделяет сторону, которая реализует инструмент, и сторону, которая его использует.
После интеграции MCP-сервера для подключения его инструментов не требуется писать ни одной строки Python-кода.
Сервер добавляется один раз, а всё, что происходит дальше, следует протоколу, который обрабатывают MCP-клиент и модель.
> Они определяют нужный MCP-инструмент.
> Подготавливают входные аргументы.
> Вызывают инструмент через сервер.
> Используют возвращённый результат для генерации ответа.
Function calling и MCP — это не конкурирующие подходы, а два этапа одного и того же вызова инструмента.
> Function calling отвечает за выбор инструмента моделью.
> MCP отвечает за всё, что происходит после выбора: поиск инструмента, проверку его схемы, получение подтверждения и запуск.
Когда агент с помощью function calling решает: «Мне нужно выполнить поиск в интернете», это решение проходит через MCP, который выбирает подходящий инструмент среди зарегистрированных инструментов веб-поиска, вызывает его и возвращает результат.
Разумеется, за такое удобство приходится платить.
При интеграции MCP-сервера определения всех его инструментов загружаются в контекст. Тяжёлый сервер может занять большую часть контекстного окна схемами инструментов ещё до того, как агент выполнит хотя бы один вызов.
Мы подготовили подробное руководство с кодом о том, как решить именно эту проблему: ограничить загрузку инструментов только реально используемыми группами, выбирать отдельные инструменты вместо подключения всего сервера и сократить использование контекста на 80–90% в рабочей конфигурации.
👉 @PythonPortal
Илон Маск предупреждает: времени остаётся всё меньше.
Максимум через три года ещё можно будет зарабатывать, продавая свой труд. После этого ИИ автоматизирует большинство задач, и платить человеку за его время больше не будет смысла.
Модель последних 200 лет — «я плачу тебе зарплату в обмен на твоё время» — подходит к концу.
Это приведёт к крупнейшему перераспределению богатства в современной истории. Те, кто уже перестраивается, это понимают. Те, кто ждёт, пока об этом начнут говорить в новостях, опоздают.
В ближайшие три года самый разумный шаг — превратить своё время в активы, которые искусственный интеллект не сможет заменить или бесконечно масштабировать: биткоин и другие дефицитные цифровые активы, землю и энергоресурсы, инфраструктуру, сети контактов и способность самостоятельно производить то, что вам действительно нужно.
В конечном счёте важно не то, сколько вы работаете, а то, чем вы владеете. Те, кто сделает этот переход сейчас, в 2035–2036 годах будут оглядываться назад и говорить: «Я знал, что так будет».
👉 @PythonPortal
Гениальный сетап: парень из Китая зарабатывает на жизнь, путешествуя по криптоконференциям с Mac Mini в рюкзаке.
На Mac Mini запущен OpenClaw, а питание обеспечивает компактный аккумулятор CUKTECH 10 Mini. Пока другие авторы ждут возвращения в отель, чтобы разобрать записи, обработать материал и подготовить пост, он делает всё прямо на месте.
Его портативный ИИ записывает выступления, выделяет ключевые мысли и помогает публиковать контент ещё до окончания конференции — пока остальные всё ещё сидят в зале.
В мире, где инсайды устаревают за часы, скорость становится главным преимуществом. 👽
👉 @PythonPortal