50319
Всё самое интересное из мира Python Сотрудничество, реклама: @devmangx Работаем с @Spiral_Yuri РКН: https://clck.ru/3GMMF6
Название сайта говорит само за себя: F*ckSignups. 😘
Это библиотека, в которой собрано более 170 open-source инструментов, работающих прямо в браузере — без регистрации, без электронной почты и без отслеживания.
Если вас раздражает необходимость регистрироваться, чтобы просто попробовать какой-либо инструмент, этот сайт определенно стоит добавить в закладки.
👉 @PythonPortal
Такой проект вообще не должен быть бесплатным.
В открытый доступ выложили Karakeep (бывший Hoarder) — менеджер закладок с AI, который может стать полноценной заменой Pocket. Он автоматически сортирует и размечает всё, что вы сохраняете, а главное — работает на вашем сервере, а не в облаке компании, которая однажды может просто закрыть сервис.
Что умеет Karakeep:
→ хранит ссылки, заметки, изображения и PDF в одном месте вместо нескольких разных приложений;
→ автоматически создаёт AI-теги и краткие сводки для всего сохранённого — ручная сортировка по папкам больше не нужна;
→ подтягивает заголовок, описание и превью для каждой ссылки, поэтому коллекция выглядит информативно, а не как список URL;
→ поддерживает полнотекстовый поиск по содержимому сохранённых материалов, а не только по их названиям;
→ имеет расширения для Chrome и Firefox, позволяющие сохранять страницы в один клик;
→ поддерживает self-hosting на Raspberry Pi, домашнем NAS или VPS — данные остаются полностью под вашим контролем и не попадают в сторонние облачные сервисы.
Недавно Mozilla закрыла Pocket. История показывает, что сервисы «прочитать позже» регулярно исчезают вместе с пользовательскими данными. Идея Karakeep проста: не доверять свою цифровую память чужой дорожной карте развития продукта.
Проект особенно оценят те, у кого постоянно открыты десятки вкладок и есть папка с закладками, в которую никто никогда не заглядывает.
Karakeep распространяется с открытым исходным кодом по лицензии AGPL-3.0 и изначально создавался с прицелом на self-hosting.
https://github.com/karakeep-app/karakeep
👉 @PythonPortal
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
👉 @PythonPortal
Уже неделю как опытный Claude-разработчик с пятилетним опытом
👉 @PythonPortal
Знакомьтесь: Dory — бесплатная, open-source альтернатива Docker Desktop и OrbStack для Mac.
Одна общая ВМ для всех контейнеров (~в 4.7 раза меньше RAM в простое), настоящий docker-сокет, Kubernetes в один клик, полноценные Linux-машины для любой разработки. ~6 МБ, без Electron, без аккаунтов, GPL-3.0.
https://augani.github.io/dory
👉 @PythonPortal
Современная коммуникация не щадит никого
👉 @PythonPortal
Классные бесплатные приложения для разработчиков.
- http://tracedr.com — Бесплатный трекер рейтинга доменов
- http://trackdomains.com — Бесплатный мониторинг WHOIS доменов
- http://replacements.fyi — Поиск замены для npm-пакетов
- http://quarkdown.com — Open-source система вёрстки на основе Markdown
- http://animate-ui.com — Анимация UI с помощью React-компонентов
👉 @PythonPortal
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).
🐸🐸🐸
👉 @PythonPortal
Не учите ML, прыгая по случайным туториалам.
DS-ML Bootcamp — это публичный репозиторий курса по Data Science и машинному обучению для начинающих, которые хотят структурированный путь от нуля до практических проектов.
Он помогает перейти от установки и концепций к практической ML-работе, организуя уроки, задания, примеры кода, датасеты и решения вокруг основного воркфлоу машинного обучения.
Ключевые возможности:
- Сквозной воркфлоу — охватывает сбор данных, предобработку, разбиение на train/test, выбор модели, обучение, оценку и развёртывание
- Структура по урокам — начинается с инструментов/настройки, Data Science, ML, основ данных и регрессии
- Практические материалы — задания дают учащимся структурированные задачи, а не только чтение конспектов
- Код + датасеты — примеры на Python и сырые CSV-датасеты включены для упражнений
- Настройка для повторения — в README сказано, что можно клонировать репозиторий и использовать Jupyter или VS Code, параллельно просматривая уроки
Бесплатный публичный репозиторий на GitHub.
👉 @PythonPortal
Появился почти «божественный» инструмент. Думаю, после него количество доработок у людей, которые делают PowerPoint-презентации, заметно снизится.
hugohe3/ppt-master — 33 093★ на GitHub, +589 за сегодня. Хотя он работает на ИИ, он не просто генерирует «слайды с вставленными картинками» — он собирает полноценные редактируемые .pptx-файлы с нативными фигурами и анимациями. Сильная штука.
Самая больная часть генерации документов через ИИ — потом это нельзя нормально править. ppt-master умеет конвертировать любой документ в .pptx, поддерживает кастомные шаблоны и даже добавляет аудионарацию для заметок докладчика.
В веб-версии ChatGPT и Claude это уже есть, поэтому хорошо, что появился и CLI-вариант. В реальной практике обычно работает простая схема: «ИИ делает черновик, человек доводит руками». Похоже, такие пайплайны будут дальше только развиваться.
https://github.com/hugohe3/ppt-master
👉 @PythonPortal
Вышел Chunkr. Проект с открытым исходным кодом для интеллектуальной обработки документов. Он преобразует PDF, презентации PowerPoint, документы Word и изображения в структурированные блоки, готовые для RAG-систем и конвейеров на базе LLM.
Возможности:
» анализ структуры документа с OCR и координатами элементов;
» экспорт в структурированный HTML и Markdown;
» обработка с помощью визуально-языковых моделей;
» возможность развернуть локально через Docker Compose с поддержкой различных LLM-провайдеров.
👉 @PythonPortal
Вышло руководство по Loop Engineering — новый подход к работе с AI-агентами
Опубликован репозиторий loop-engineering, предлагающий сдвиг парадигмы: вместо того чтобы вручную давать промпты AI-агентам, разработчик проектирует цикл, который делает это автоматически.
Автор отмечает, что большинство до сих пор использует Claude Code, Codex, Cursor и Grok как обычный чат: промпт → ожидание → копирование → исправление → снова промпт. Loop Engineering предлагает перестать быть «нянькой» для агента и вместо этого построить систему, где агенты работают, проверяют, исправляют и эскалируют самостоятельно.
Репозиторий включает готовые циклы для ежедневного триажа, PR, CI, зависимостей, changelog и issues. В комплекте идут CLI для создания циклов, оценки токенов, аудита репозитория и безопасного запуска агентов через GitHub Actions.
«Prompt engineering был о том, как писать лучшие промпты. Loop engineering — о создании системы, где агенты продолжают работать без вашего присмотра на каждом шагу», — говорится в описании.
Репозиторий доступен на GitHub.
Репозиторий: https://github.com/cobusgreyling/loop-engineering
👉 @PythonPortal
Коротко почему ПРОГРАММИРОВАНИЕ все учат на ютубе
👉 @PythonPortal
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.
👉 @PythonPortal
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 👍
👉 @PythonPortal
Один парень вывел «эффективность охлаждения» на новый уровень.
Он использовал напечатанную на 3D-принтере настенную конструкцию и перенаправил поток от кондиционера так, чтобы один блок охлаждал сразу две комнаты. Гениальный хак с воздушным потоком через простое отверстие в стене.
👉 @PythonPortal
Перестань просто читать книги по системному дизайну и начни тестировать архитектуры на практике (с помощью Chaos Engineering) — это казалось невозможным без огромных трат на AWS.
Но эта платформа, которая уже 2 года работает в продакшене, 100% бесплатна и с открытым кодом.
Познакомьтесь с Dinamos.
Представьте, что вы симулируете инфраструктуру WhatsApp или продажу билетов на грандиозное шоу.
В Dinamos вы загружаете готовые сценарии, видите запросы, падающие на балансировщик нагрузки, и в реальном времени через «Золотые сигналы» (Golden Signals) обнаруживаете узкие места в очереди сообщений (Message Bus).
И вы можете поэкспериментировать с Chaos Engineering.
Можете намеренно добавить задержки или просто «убить» узел в своей инфраструктуре, чтобы увидеть, как система поведёт себя под нагрузкой и сможет ли она масштабироваться автоматически. На практике — без лишних сложностей.
Готовитесь к System Design интервью?
В Dinamos есть симулятор на базе фреймворка System Design Canvas. Вы рисуете схему архитектуры, записываете голосовое объяснение своего решения, а ИИ оценивает ваш ответ, подсвечивая сильные стороны и указывая, что требовало лучшего обоснования. Это бесплатный тьютор.
Проект уже 2 года развивается вместе с комьюнити. Уроки охватывают всё — от Кеширования до теорем CAP / PACELC.
И всё двуязычно (PT/EN): можете прочитать концепцию на португальском и мгновенно переключиться на английский, чтобы выучить точные термины, используемые на международном рынке.
Проект создан разработчиками для разработчиков, чтобы демократизировать доступ к высокому техническому знанию. И он будет бесплатным навсегда.
http://dinamos.net это Open Source! 💵
👉 @PythonPortal
Это довольно круто — просто замени «github» на «gitfut», и можно превратить статистику твоего GitHub-профиля в карточку игрока FIFA. Любой, кто её увидит, захочет на неё нажать
https://github.com/Younesfdj/gitfut
👉 @PythonPortal
Токены простыми словами
Представьте токен как цифровое удостоверение, которое доказывает, кто вы есть, после входа в приложение.
Когда вы вводите логин и пароль, сервер проверяет учётные данные и генерирует токен. После этого ваше приложение отправляет токен с каждым запросом вместо того, чтобы каждый раз передавать пароль.
Как работает токен:
✅ Пользователь входит в систему
✅ Сервер проверяет учётные данные
✅ Сервер создаёт токен
✅ Клиент сохраняет токен
✅ Токен отправляется с API-запросами
✅ Сервер проверяет токен и предоставляет доступ
Почему токены важны:
- Более быстрая аутентификация
- Лучшая безопасность, чем многократная отправка пароля
- Идеально подходит для веб, мобильных приложений и микросервисов
- Обеспечивает stateless-аутентификацию
- Легко масштабируется для больших систем
Основные типы токенов:
🔹 Access Token — предоставляет доступ к защищённым ресурсам
🔹 Refresh Token — создаёт новый access token после истечения старого
🔹 JWT (JSON Web Token) — широко используемый формат токена, содержащий информацию о пользователе и цифровую подпись
Структура JWT:
Header + Payload + Signature
- Header: алгоритм и тип токена
- Payload: данные пользователя и claims
- Signature: подтверждает подлинность токена
Реальный пример:
Когда вы заходите в соцсеть, вам не нужно вводить пароль каждый раз при обновлении страницы. Приложение использует токен в фоне, чтобы безопасно поддерживать сессию.
Понимание токенов — обязательный навык для каждого frontend, backend и full-stack разработчика, создающего безопасные современные приложения.
#JWT #Authentication
👉 @PythonPortal
Добавьте в свое приложение совместный редактор .docx с поддержкой многопользовательской работы: SuperDoc
✦ Полная совместимость с Microsoft Word.
✦ Совместное редактирование в реальном времени и отображение присутствия участников.
✦ Возможность оставлять предложения для других пользователей.
Доки: https://docs.superdoc.dev/getting-started/ai
исходники
🐈🐈🐈
👉 @PythonPortal
Изучайте глубокое обучение по структурированному курсу от Stanford.
Что вас ждет:
• работа с последовательностями (sequences)
• обработка текста
• задачи языкового моделирования (language modeling)
Ссылка — вот 🐸
👉 @PythonPortal
Инженер Anthropic:
«Fable — одна из тех моделей, которые запоминаются. Как когда-то Sonnet 3.5, Opus 4 и Opus 4.5.
Мы сократили системный промпт Claude Code на 80%. Новому поколению моделей нужен более компактный промпт».
HTTP/1.1 ≠ HTTP/2 ≠ HTTP/3
Все они передают веб-страницы…
Но каждое поколение решило главное узкое место производительности.
Самый простой способ их запомнить:
HTTP/1.1
→ Один запрос за раз на одно соединение. Просто, но медленнее для современных сайтов.
HTTP/2
→ Множество запросов могут использовать одно TCP-соединение благодаря мультиплексированию.
HTTP/3
→ Работает поверх QUIC (на базе UDP), снижая задержку и устраняя головную блокировку на транспортном уровне.
Быстрый приём для запоминания:
- HTTP/1.1 = Последовательно
- HTTP/2 = Мультиплексировано
- HTTP/3 = Мультиплексировано + Быстрое восстановление
Почему развивались версии?
🔹 HTTP/1.1
- Множество TCP-соединений для загрузки многих ресурсов
- Текстовый протокол
- Головная блокировка на прикладном уровне
🔹 HTTP/2
- Мультиплексирование по одному TCP-соединению
- Бинарный протокол
- Сжатие заголовков (HPACK)
- Меньше соединений, лучше производительность
🔹 HTTP/3
- Построен на QUIC вместо TCP
- Быстрое установление соединения
- Лучшая производительность на нестабильных и мобильных сетях
- Улучшенная устойчивость к потере пакетов
Частый вопрос на собеседованиях:
Если HTTP/2 уже поддерживает мультиплексирование, зачем понадобился HTTP/3?
Потому что HTTP/2 всё ещё работает поверх TCP. Если пакет потерян, TCP может задержать другие потоки на этом соединении. HTTP/3 использует QUIC поверх UDP, позволяя потокам восстанавливаться более независимо и снижая задержку на ненадёжных сетях.
Одна фраза навсегда:
HTTP/1.1 = Один за другим
HTTP/2 = Много сразу
HTTP/3 = Много сразу, даже на плохих сетях
Сохранил эту шпаргалку для всех, кто учит сети, бэкенд-разработку или готовится к собеседованиям по системному дизайну.
👉 @PythonPortal
Трансформеры становятся понятнее, когда можно «потыкать» модель напрямую.
Transformer Explainer — это интерактивный инструмент визуализации для изучения того, как работают текстогенерирующие модели на основе трансформеров, такие как GPT.
Он помогает связать архитектуру с реальным поведением, запуская живую GPT-2 прямо в браузере, позволяя вводить свой текст и показывая, как внутренние компоненты работают вместе для предсказания следующих токенов.
Ключевые возможности:
- Живая GPT-2 в браузере — экспериментируйте без настройки отдельного сервера модели
- Свой текст — пробуйте собственные промпты и смотрите, как модель их обрабатывает
- Внутренние компоненты — наблюдайте за операциями, работающими внутри трансформера
- Фокус на предсказании следующего токена — связывайте каждый визуальный шаг с предсказаниями модели
- Локальная разработка — клонируйте репозиторий, установите зависимости и запустите через npm для глубокого изучения
Это open-source (лицензия MIT).
https://github.com/poloclub/transformer-explainer
👉 @PythonPortal
Недавно наткнулся на Open Lovable — open source-проект команды Firecrawl, который уже набрал более 24 тысяч звёзд на GitHub.
Порог входа практически отсутствует: просто вставьте ссылку на сайт, который хотите «клонировать», и через несколько секунд получите очень точную React-версию. Макет, стили и взаимодействия максимально повторяют оригинал, поэтому её удобно использовать как основу для дальнейшей разработки.
GitHub: http://github.com/mendableai/open-lovable
Кратко о возможностях:
- В один клик «клонирует» любой сайт в React-приложение, справляясь даже со сложными страницами.
- Поддерживает работу с несколькими моделями, включая OpenAI, Anthropic, Gemini, Grok и другие, позволяя легко переключаться между ними.
- Построен на базе Firecrawl для извлечения структуры страниц, что делает воссоздание сайтов более стабильным и точным.
- Поддерживает локальную отладку и развёртывание, а также показывает результат в режиме реального времени во время генерации — сразу видно, что получается.
- Интегрируется с песочницей E2B для более безопасного запуска и тестирования.
Проект распространяется по лицензии MIT и полностью открыт: достаточно скачать его локально, указать необходимые API-ключи — и можно начинать работу.
👉 @PythonPortal
Китайский брат выложил в открытый доступ замену для NumPy, которая выполняет вычисления на GPU.
Называется CuPy. Во многих случаях достаточно заменить одну строку:
import numpy as np
import cupy as cp
Появился Hyper-Extract — инструмент, который превращает неструктурированные документы в полноценные базы знаний.
Вместо обычного разбиения PDF на чанки для RAG, Hyper-Extract может автоматически строить графы знаний, гиперграфы, временные и пространственные графы, типизированные модели данных, Obsidian Vault и базы знаний с поддержкой MCP.
Среди сценариев использования:
• преобразование научных статей в исследовательские графы;
• извлечение компаний, людей, метрик и рисков из финансовых отчётов;
• создание поисковых баз знаний из внутренних документов;
• локальный запуск через vLLM без отправки данных в облако;
• подключение к Claude Desktop и агентам в IDE через MCP.
В комплекте также есть более 80 YAML-шаблонов для финансов, юриспруденции, медицины и других областей.
GitHub: https://github.com/yifanfeng97/Hyper-Extract
👉 @PythonPortal
Как не дать ИИ заливать мусор в GitHub.
В репозитории git push no-mistakes предложили подход, где изменения прогоняются через локальную проверку до попадания в PR.
Идея простая. Перед пушем ветка проходит валидацию: ИИ проверяет код, дальше запускаются тесты, линтер, генерация документации и CI. Всё это работает локально через worktree, без блокировок и без остановки процесса разработки.
Если всё зелёное — открывается чистый pull request.
👉 @PythonPortal