1946
Сборник Python новостей: https://pythondigest.ru Наш симулятор IT инцидентов: https://incidenta.tech
Алгоритм Крускала и кишки лабиринтов
https://habr.com/ru/articles/1005238/
Алгоритм Крускала (также алгоритм Краскала) - алгоритм, который преобразовывает связный неориентированный граф в минимальное остовное дерево. На самом деле пока что непонятно, что делает он, поэтому разберём поподробнее. Итак, у нас есть связный граф, который хранится в виде списков рёбер (позже это будет важно). Предположим, у нас есть задание: нам нужно связать все вершины так, чтобы общий их вес будет минимальным. Если говорить более по-умному, нам нужно получить из графа именно это самое минимальное остовное дерево.
#python #pydigest
IT-новости про Python перед вами.
Часть материалов из выпуска Python Дайджест:
- Я дал 100 AI-агентам равный бюджет — они изобрели кредиты под 15%
- Внутреннее устройство веб-сервера. Часть 1: От syscalls до WSGI
- От WSGI к ASGI: как Python научился работать с асинхронным вебом
- Создание идеального лабиринта с помощью упрощённого алгоритма Прима
- Как слушать аудиокниги в Telegram без боли: история создания плеера
- Large-v3 на Ryzen 5500U: как я оцифровал архив диктофонных записей без GPU и облаков
- Менеджер ML-экспериментов. Что это и как он нас выручает
- MicroPythonOS Graphical Operating System
- dj-control-room - The control room for your Django app
- virtualenv - 21.1.0
- SQLAlchemy - 2.0.47
Заходите в гости - https://pythondigest.ru/issue/637/
Python Type Checker Comparison: Empty Container Inference
https://pyrefly.org/blog/container-inference-comparison/
Менеджер ML-экспериментов. Что это и как он нас выручает
https://habr.com/ru/companies/yandex_praktikum/articles/996222/
Сегодня поделюсь опытом, как мы с командой внедряли менеджер ML-экспериментов, и расскажу: в чём сложность обучения моделей; когда нам понадобился менеджер экспериментов; какие были к нему требования и как они эволюционировали в процессе; что мы выбрали и почему; как это работает в жизни.А начнём с главной мысли: проводить множество попыток обучения до нужного состояния очень сложно, если не следить за тем, что и как мы меняем при каждом подходе.
MicroPythonOS Graphical Operating System
https://pycoders.com/link/15961/web
MicroPythonOS lightweight OS for microcontroller targets applications with graphical user interfaces with a look similar to Android/iOS.
virtualenv - 21.1.0
https://pypi.org/project/virtualenv/21.1.0/
Инструмент создания виртуального рабочего окружения. Скачать можно по ссылке: https://pypi.python.org/pypi/virtualenv
От WSGI к ASGI: как Python научился работать с асинхронным вебом
https://habr.com/ru/articles/1003282/
WSGI и ASGI — то, на чем стоит весь современный веб на Python. Это стандарты, которые описывают интерфейс между веб-сервером и приложением. Благодаря им сервер и фреймворк не образуют жесткую пару: любой WSGI-сервер запускает любое WSGI-приложение, любой ASGI-сервер любое ASGI-приложение. Uvicorn не знает ничего о FastAPI, FastAPI не знает ничего о Uvicorn, они знают только о том, что передать на вход и что ожидать на выходе.Разберем, как все это устроено.
Execution completion
https://habr.com/ru/articles/1003300/
Во время инференса LLM не выполняется побочных эффектов, вместо этого генерируется последовательность токенов, которые можно интерпретировать как намерение вызвать инструмент. Это напоминает мне ту часть шаблона transactional outbox, в которой намерение сущности (entity) отправить запрос внешней системе записывается в специальную таблицу, а не реализуется сущностью самостоятельно.В статье приведен proof-of-concept модели выполнения, вдохновленной chat completion, в которой управление возвращается вызывающей стороне при необходимости выполнить побочный эффект.
tallyman: CLI to Summarize Code Size by Language
https://github.com/mikeckennedy/tallyman
Лучший перевод Шекспира с точки зрения математики
https://habr.com/ru/articles/996614/
За переводы сонетов Шекспира брались многие мастера и любители. Мне стало интересным провести лексико-семантический анализ нескольких переводов 74 сонета и сравнить их с оригиналом. Я взял авторов, авторитет которых как поэтов и переводчиков вне сомнения Маршака и Пастернака. И двух переводчиков, не известных как поэты - Николая Гербеля и Модеста Чайковского. Я захотел проверить, кто из переводчиков точнее всего передал смысл, ритм и эмоции оригинала, используя алгоритмы машинного обучения.
redis - 7.2.1
https://pypi.org/project/redis/7.2.1/
Python клиент для Redis. Скачать можно по ссылке: https://pypi.python.org/pypi/redis/
Генерация лабиринтов с использованием алгоритма Recursive backtracker
https://habr.com/ru/articles/1002460/
Расскажу о том, как сгенерировать рандомный лабиринт используя алгоритм Recursive backtracker. Все подробности об алгоритме, структуре кода, асимптотике и итоговых лабиринтах здесь.
Vector Search Using Ollama for Retrieval-Augmented Generation (RAG)
https://pyimagesearch.com/2026/02/23/vector-search-using-ollama-for-retrieval-augmented-generation-rag/
Я дал 100 AI-агентам равный бюджет — они изобрели кредиты под 15%
https://habr.com/ru/articles/1001646/
Дал 100 AI-агентам по 1000 токенов и одну цель — набрать максимум очков. Не программировал ни торговлю, ни кредиты, ни специализацию. Через двое суток агент №23 попросил у агента №91 займ под 15%. К 72-му часу — три банкира, 12 банкротов и коэффициент Джини 0.71. Внутри — код на Python, логи, распределение ресурсов. И честный разбор того в чем я до сих пор не уверен.
Связывание абстрактных классов со свойствами
https://habr.com/ru/articles/1002538/
В данной статье хочу поделиться своим опытом по абстрактным классам. Думаю это будет полезно как разработчикам, только начинающим свой путь, так и уже имеющим опыт. В материале можно посмотреть, как изящно связать свойства и абстрактные классы с реализацией принципа DRY .Для начал кратко пробежимся по определениями и терминам, и далее ответим на вопросы, которые могут логично вытекать из этих определений.
harbor - framework for running agent evaluations
https://github.com/laude-institute/harbor
Сводка от pythonz 22.02.2026 — 01.03.2026
https://pythonz.net/articles/634/
А теперь о том, что происходило в последнее время на других ресурсах.
Stop Ignoring RFC 2324. It's the Most Important Protocol You've Never Implemented.
https://dev.to/pascal_cescato_692b7a8a20/stop-ignoring-rfc-2324-its-the-most-important-protocol-youve-never-implemented-53pe
От микроменеджмента до автопилота: 4 стадии рефакторинга AI-кода на примере десктопного приложения
https://habr.com/ru/companies/ruvds/articles/1002598/
Реддит и Хабр забиты историями о том, как кто-то «написал приложение за вечер с помощью ChatGPT, вообще не зная программирования». Маркетологи называют это вайбкодингом — ты просто описываешь свои намерения, а ИИ выдает готовый продукт.Я проверил, и вот мой спойлер: на масштабе чуть большем, чем программа на 500 строк, это не работает.
Как слушать аудиокниги в Telegram без боли: история создания идеального облачного плеера
https://habr.com/ru/articles/1003714/
Я очень люблю аудиокниги. Но перепробовав десятки офлайн-плееров и сервисов по подписке, понял: везде чего-то не хватает. То нет синхронизации, то слетает прогресс. В какой-то момент я психанул и написал свой плеер прямо в Telegram.За время закрытого бета-теста бот переварил терабайты аудио. Мы довели UX до ума: сделали удобные заметки по таймкоду, реализовали систему папок, добавили статистику с геймификацией и научили бота делиться книгами в два клика.
Руководство по настройке отчётов через плагины в Allure 3
https://habr.com/ru/companies/testops_tms/articles/1003302/
Сегодня поговорим о новой версии Allure Report — Allure 3, а именно о её модульной архитектуре. В ней можно настроить сколько угодно отображений тестовой иерархии в разных форматах; я покажу это на простом примере. В какой ситуации может это быть полезно? Когда с тестами работает несколько команд, обычно удобно, чтобы у каждой был своя классификация тестов. Кто-то хочет, чтобы тесты были организованы по фичам, т.е. близко к требованиям.
Large-v3 на Ryzen 5500U: как я оцифровал архив диктофонных записей без GPU и облаков
https://habr.com/ru/articles/1003200/
В статье делюсь опытом создания локального конвейера на базе WhisperX для обработки сотен часов аудиоархива.О чем пойдет речь:Large-v3 на CPU: почему 40 ГБ RAM важнее видеокарты и как добиться стабильной работы без «замерзания» PyTorch.
movement: Analyse Animal Body Movements
https://github.com/neuroinformatics-unit/movement
Базовый минимум. Часть 3: RAG-системы
https://habr.com/ru/articles/1002152/
Большая языковая модель это не источник актуальных сведений, а статистическая система, обученная на данных прошлого. Она не обращается к внешним базам знаний и не узнает о новых событиях. Все что она знает было усвоено на этапе обучения и зафиксировано в ее параметрах.
virtualenv - 20.39.1
https://pypi.org/project/virtualenv/20.39.1/
Инструмент создания виртуального рабочего окружения. Скачать можно по ссылке: https://pypi.python.org/pypi/virtualenv
Как организовать тестовую среду, сохраняя покой владельца данных
https://habr.com/ru/companies/neoflex/articles/1003000/
Хочу поделиться опытом с коллегами - как мы решили одну из наболевших проблем нашей команды разработки – отсутствие полноты данных для тестирования реализованного функционала в условиях ограниченного доступа к реальным данным компании. Если вы работаете с персональными данными, то наверняка сталкивались с такой проблемой.
Как я построил Graph RAG систему с точностью 96.7% за 5 дней: от научных статей до production-ready пайплайна
https://habr.com/ru/articles/1003064/
Я реализовал Graph RAG систему, которая комбинирует 5 техник из свежих научных статей (KET-RAG, HippoRAG 2, VectorCypher) в единый пайплайн с декларативным Datalog reasoning-движком, полной провенансной трассировкой и типизированным API. Результат: 174/180 (96.7%) на билингвальном бенчмарке из 30 вопросов, оценённых в 6 режимах retrieval. Три режима достигли 100%. В статье — архитектура, 10 уроков оптимизации и эволюция от 38% до 96.7% за 10 итераций.
SQLAlchemy - 2.0.47
https://pypi.org/project/sqlalchemy/2.0.47/
Библиотека работы с базами данных. Скачать можно по ссылке: https://pypi.python.org/pypi/SQLAlchemy/
Как устроены задачи (Task) в asyncio
https://habr.com/ru/articles/1002690/
В прошлой статье мы разобрали механику событийного цикла asyncio.В этот раз поговорим о задачах, объектах класса asyncio.Task (они же по-простому "таски"). Тема важная, потому что по сути вся работа событийного цикла сводится к постоянному жонглированию задачами: запустить, приостановить, разбудить, завершить. Если понять, как устроена таска изнутри, изрядная доля магии asyncio (как и нелюбви к нему) исчезнет. На десерт шок-контент
Что нужно знать о Django миграциях, чтобы не превратить в тыкву свой продакшен во время обновлений
https://habr.com/ru/articles/1002672/
Если вы разработчик и выбрали для своего проекта Django Framework, но не делали большие миграции на своем проекте, эти советы вам точно пригодятся.