🦾 Почему ваши AI-продукты на базе LLM ломаются (и как это чинить)?

Выкатили ИИ-фичу в прод, а она галлюцинирует, падает или выдает мусор? Приглашаем на открытый вебинар, где разберем реальную боль внедрения LLM-агентов и научимся делать так, чтобы «всё работало».

🗓️ Когда: 7 мая в 19:00 МСК
⏱️ Формат: 60 минут мяса + 30 минут ответов на ваши вопросы

🧑🏻‍💻 Кто вещает: Эмиль Сатаев — Backend Platform Developer (8+ лет в разработке). Человек, который своими руками внедряет LLM и агентные системы в реальные коммерческие сервисы.

🎁 Главный бонус для онлайна:
Только участникам прямого эфира подарим уникальный промокод на скидку 10.000 ₽ на большой курс AgentOps.

👉 Занять место на вебинаре

Читать полностью…

🔍 Алгоритмы Джеффа Эриксона: одна из лучших книг по алгоритмам

Иллюстрации делают сложные концепции удивительно лёгкими для понимания.

Настоятельно рекомендуем.

🔗 Ссылка на книгу

📍 Навигация: Вакансии • Задачи • Собесы

Библиотека питониста

#буст

Читать полностью…

📚Напоминаем про наш полный курс «Самоучитель по Python для начинающих»

Мы написали и собрали для вас в одну подборку все 25 глав и 230 практических заданий!

🐍 Часть 1: Особенности, сферы применения, установка, онлайн IDE
🐍 Часть 2: Все, что нужно для изучения Python с нуля – книги, сайты, каналы и курсы
🐍 Часть 3: Типы данных: преобразование и базовые операции
🐍 Часть 4: Методы работы со строками
🐍 Часть 5: Методы работы со списками и списковыми включениями
🐍 Часть 6: Методы работы со словарями и генераторами словарей
🐍 Часть 7: Методы работы с кортежами
🐍 Часть 8: Методы работы со множествами
🐍 Часть 9: Особенности цикла for
🐍 Часть 10: Условный цикл while
🐍 Часть 11: Функции с позиционными и именованными аргументами
🐍 Часть 12: Анонимные функции
🐍 Часть 13: Рекурсивные функции
🐍 Часть 14: Функции высшего порядка, замыкания и декораторы
🐍 Часть 15: Методы работы с файлами и файловой системой
🐍 Часть 16: Регулярные выражения
🐍 Часть 17: Основы скрапинга и парсинга
🐍 Часть 18: Основы ООП – инкапсуляция и наследование
🐍 Часть 19: Основы ООП – абстракция и полиморфизм
🐍 Часть 20: Графический интерфейс на Tkinter
🐍 Часть 21: Основы разработки игр на Pygame
🐍 Часть 22: Основы работы с SQLite
🐍 Часть 23: Основы веб-разработки на Flask
🐍 Часть 24: Основы работы с NumPy
🐍 Часть 25: Основы анализа данных с Pandas

Читать полностью…

⚠️ Supply chain атака в AI/ML: PyTorch Lightning с бэкдором

Если вы используете PyTorch Lightning — проверьте версии прямо сейчас.

👉 Версии 2.6.2 и 2.6.3 оказались скомпрометированы
👉 Безопасная версия: 2.6.1

Атака сработала максимально незаметно:
— вредоносный код запускался прямо при import lightning
— создавался фоновый поток
— подтягивался payload (~11MB через Bun runtime)
— начинался сбор чувствительных данных

Экфильтрация шла сразу по нескольким каналам:
— SSH-ключи
— cloud credentials (AWS, GCP и т.д.)
— GitHub / npm токены
— shell history
— криптокошельки

И всё это — тихо, через HTTPS (порт 443)

Если находился npm-токен:
→ вредоносный код внедрялся в пакеты
→ версия повышалась
→ пакеты публиковались заново

📌 То есть атака сама распространялась дальше

🔗 Ссылка на новость

📍 Навигация: Вакансии • Задачи • Собесы

Библиотека питониста

#буст

Читать полностью…

🔥 Быстрый sanity-check для любого Python-проекта

Речь про vibescore — утилиту, которая за 10 секунд оценивает проект и ставит ему оценку как в школе.

Запуск — одна команда:

vibescore .

И ты получаешь что-то вроде:

Code Quality     F
Security         A+
Dependencies     A+
Testing          A+
Overall          B+

Что проверяет:
✔️ Код: сложность функций, длина, аннотации типов
✔️ Безопасность: секреты, SQL-инъекции, eval и т.д.
✔️ Зависимости: версии, lock-файлы
✔️ Тесты: есть ли они вообще и насколько их хватает

Кейс

в CI:

vibescore . --min-score 70

JSON-отчёт:

vibescore . --format json

как библиотека:

from vibescore import scan
report = scan(".")

Как считается итог:
✳️ Security — 30%
✳️ Code Quality — 25%
✳️ Testing — 25%
✳️ Dependencies — 20%

📍 Навигация: Вакансии • Задачи • Собесы

Библиотека питониста

#буст

Читать полностью…

🐍 Django: 20 лет на арене. Почему мы всё еще верим в мифы о «старичке»?

Django исполнилось 20 лет — для технологий это солидный возраст.

Из-за того, что сайт и официальный туториал фреймворка почти не менялись последние 10 лет, в сообществе закрепилось мнение, что проект стагнирует.

Вот некоторые мифы:

1. «Django находится в режиме поддержки (maintenance mode)»

Многие думают, что в Django только исправляют баги.
Реальность: Новая фича вливается в проект в среднем каждые 5,5 дней, а релизы с новыми функциями выходят каждые 8 месяцев.
Почему возник миф: Из-за политики строгой стабильности и обратной совместимости старый код продолжает работать годами, что создает иллюзию отсутствия изменений.

2. «Django — это медленно»

Сравнения с Fast API в бенчмарках часто показывают Django не в лучшем свете.
Реальность: Бенчмарки часто сравнивают «яблоки с апельсинами». Django по умолчанию включает в себя промежуточное ПО (middleware) для безопасности и удобства, в то время как в микрофреймворках это нужно добавлять вручную.
Инсайт: В реальных приложениях узким местом почти всегда является база данных, а не сам фреймворк. При правильной настройке индексов и запросов Django показывает отличную производительность.

3. «Django не подходит для API»

На официальном сайте всё еще нет документации по созданию API, а туториалы учат рендерить HTML-шаблоны.
Реальность: Более 50% сообщества используют Django именно для создания API, применяя Django Rest Framework (DRF) или Django Ninja.
Экосистема: Вокруг фреймворка существует живая и растущая среда библиотек для работы с API, просто об этом мало говорят на официальных ресурсах.

📍 Навигация: Вакансии • Задачи • Собесы

Библиотека питониста

#буст

Читать полностью…

Логирование в Python в 2026: что реально использовать

Если вы всё ещё думаете, что логирование — это просто print(), пора обновить картину.

Сегодня в Python есть три основных подхода, и каждый решает свою задачу:

1. Стандартный `logging`
База всей экосистемы. Через него логируют Django, FastAPI и почти все библиотеки.
Подходит, если вам нужна стабильность, интеграции и контроль.
Минус — многословная настройка и «олдскульный» API.

2. structlog
Лучший выбор для продакшена и микросервисов.
Логи — это словари → легко превращаются в JSON → удобно для аналитики и observability.
Плюс: нормальная работа с контекстом (request_id, user_id) через contextvars.

3. Loguru
Когда хочется просто и быстро.
Импортировали logger — и уже логируете.
Отлично подходит для небольших сервисов, скриптов и MVP.

🔗 Полный обзор: https://clc.to/fxbIEA

📍 Навигация: Вакансии • Задачи • Собесы

Библиотека питониста

#буст

Читать полностью…

🔥 4 привычки кодеров

Вот сколько общаюсь с разработчиками, постоянно слышу убеждение, что есть какой-то правильный способ писать софт. Все ищут секретную архитектуру, вылизывают паттерны, чтобы хоба и тимлид заплакал от счастья от твоего идеального кода.

но, я собрал 4 привычки адептов «чистого кода», (которые обычно все практикуют) 🤡

• Бесконечный рефакторинг рабочего кода.
Кажется, что так ты делаешь продукт лучше. Итог: жестко падаешь в перфекционизм. Переписываешь функцию по три раза, а бизнес ждет релиз. Закрываешь вкладку и в голове абсолютная пустота, время потрачено, а новых фичей ноль.

• Упарывание в сложную архитектуру
Сеньоры на ютубе обещают золотые горы, если внедрить микросервисы куда угодно. Итог: получаешь красивый overengineering-проект для мамы и 0 запущенных продуктов в срок, пока конкуренты клепают MVP на коленке.

• Душные споры на ревью
Неплохо, но как итог: ты пишешь полотна текста и тратишь часы на поиск глупой придирки к стилю, потому что банально фокус сместился с реальной задачи на эго.

• Ручная микро-оптимизация
Классика для тех, кто любит алгоритмы из универа. Итог: убиваешь дни жизни и выжимаешь миллисекунды, хотя бизнесу нужен был просто грязный, но рабочий скрипт еще вчера.

Проблема в том, что ни один из этих путей не дает самого главного - скорости и проверки гипотез. Реальному рынку плевать на твой идеальный код за 3 дня. Бизнес предпочтет код от ИИ-агента за 5 минут, который уже завтра начнет приносить деньги.

Хочешь обкатанный на нас лично и 100х учениках метод, как перестать кодить руками и начать делегировать задачи автономным системам?

👉 Заходи сюда, но у нас осталось всего 4 места, набор идет до завтрашнего дня.

P. S. Если интересно еще что-нибудь почитать от меня, то заходите в «Азбуку Айтишника», там я рассказываю об айти-базе, также у меня там есть бесплатный гайд на 15 глав по ии-агентам

Читать полностью…

🐍 В Python 3.15 появятся sentinel values (PEP 661)

После ~5 лет обсуждений в Python добавляют простую, но очень полезную вещь — sentinel-значения.

Иногда важно отличать:
— аргумент вообще не передали
— передали None
— передали конкретное значение

Раньше это делали через костыли (типа `object()`), теперь — нативно.

👉 Пример:

MISSING = sentinel("MISSING")

class Logger:
    def __init__(self, level: MISSING | None | str = MISSING):
        if level is MISSING:
            self.level = get_global_default_level()
        elif level is None:
            self.level = None  # отключить логирование
        else:
            self.level = level

Что это даёт:
— можно чётко понять: аргумент не передан или передан None
— чище API
— меньше неочевидных багов

По сути, теперь у функции есть 3 состояния:
1. не передали → взять дефолт
2. передали None → особая логика
3. передали значение → использовать его

⚡️ Это мелкое изменение, но оно сильно упрощает дизайн функций и библиотек.

Использовали ли вы подобные паттерны раньше или обходились None?

📍 Навигация: Вакансии • Задачи • Собесы

Библиотека питониста

#буст

Читать полностью…

🐍 Python tip: как писать чище — `enumerate()` + распаковка

Иногда в цикле вам нужно сразу две вещи:
номер элемента и значения внутри него.

Вместо лишнего кода это можно сделать в одну строку:

for index, (service, status) in enumerate(services, start=1):

Что здесь происходит:
enumerate() даёт вам индекс,
а (service, status) сразу распаковывает кортеж.

Код получается заметно чище:
не нужно заводить отдельный счётчик,
не нужно писать item[0], item[1],
и в целом легче читать, что происходит.

Особенно полезно, если работаете с:
— API-ответами
— списками кортежей
— логами / мониторингом

📌 По сути, это маленький приём, который сильно улучшает читаемость.

А вы как обычно пишете такие циклы — через распаковку или по индексам?

📍 Навигация: Вакансии • Задачи • Собесы

Библиотека питониста

#буст

Читать полностью…

🚀 Современный паттерн «Состояние» в Python: прощай, наследование

Традиционная реализация паттерна State через классы и наследование часто превращается в кошмар: куча мелких классов, дублирование методов и разбросанная логика переходов. В Python есть более элегантный способ.

В чем проблема классики?
В обычном ООП-подходе каждое состояние — это отдельный класс. Это приводит к тому, что вы пишете много одинаковых методов raise RuntimeError, если действие недоступно в текущем состоянии. В итоге сложно увидеть всю картину переходов целиком.

Pythonic-подход: Дженерики и Декораторы
Вместо иерархии классов можно создать универсальный движок State Machine, который работает как явная таблица соответствий:
(Текущее состояние + Событие) -> (Следующее состояние + Действие).

Основные фишки такого дизайна:
1️⃣ Генерики (`Generic`): Движок типизируется через состояния, события и контекст (например, данные о платеже).

2️⃣ Декораторы @transition: Позволяют описывать логику переходов прямо над функциями действий. Это превращает ваш код в читаемую спецификацию: сразу видно, какие события переводят систему из одного статуса в другой.

3️⃣ Принцип открытости/закрытости: Чтобы добавить новый переход, вам не нужно менять существующие классы — достаточно написать новую функцию с декоратором.

4️⃣ Гибкость: Одно действие (например, «ошибка») можно легко привязать сразу к нескольким начальным состояниям через итерируемые объекты в декораторе.

Этот подход идеален для систем с четкими потоками данных: платежи, обработка заказов, логистика или парсеры. Классические классы стоит оставить только в случаях, когда каждое состояние имеет крайне сложную внутреннюю логику и специфичные только для него данные.

📍 Навигация: Вакансии • Задачи • Собесы

Библиотека питониста

#буст

Читать полностью…

🔥 Как сейчас обстоят дела с Python type-checker’ами

🚀 Если коротко, рынок заметно сдвинулся: Pyrefly и Ty уже не просто «альтернатива», а реальные лидеры по скорости. И это видно не только в тестах, а на реальных проектах.

⏱️ На практике это выглядит так:
— маленькие проекты: разница почти незаметна (доли секунды)
— средние и большие: разрыв становится драматичным
— где Pyright/Mypy → десятки секунд или минуты
— Pyrefly/Ty → обычно укладываются в секунды

В CI или при активной разработке это напрямую превращается в экономию времени и более быстрый фидбек.

🧠 Отдельно про память — и тут тоже есть разница:
— Pyrefly часто потребляет меньше RAM
— особенно заметно на больших проектах
— пример с numpy:
• Pyright → ~70 сек и >3 ГБ
• Pyrefly → ~4.8 сек и ~1 ГБ

⚖️ Поэтому выбор всё ещё зависит от приоритетов:
— нужна стабильность → смотри в сторону Mypy/Pyright
— важна скорость → Pyrefly/Ty уже впереди

🔛 Полный обзор

📍 Навигация: Вакансии • Задачи • Собесы

Библиотека питониста

#буст

Читать полностью…

Библиотека питониста

#развлекалово

Читать полностью…

🔥 Кого реально стоит читать питонисту в 2026

Давайте соберём «карту внимания» 👇

Кого вы реально читаете / смотрите из мира Python и IT? Кого-то из русскоязычной тусовки?

Не просто «знаю имя», а за кем следите регулярно — блоги, Twitter/X, YouTube, Telegram, GitHub.

👉 Формат простой

Кидайте в комменты:
— ник / имя
— где читаете (YouTube, TG, X и т.д.)
— за что именно (разборы, код, мысли, карьера и т.п.)

Я начну:
— Guido van Rossum — иногда пишет, но это база
— Armin Ronacher — мысли про Python и backend
— Andrej Karpathy — топ про AI и код

📍 Навигация: Вакансии • Задачи • Собесы

Библиотека питониста

#буст

Читать полностью…

🌳 Деревья в алгоритмах — быстрый гайд по иерархическим структурам

Деревья — одна из самых частых тем на собеседованиях и в реальных системах.
Если понять базу, закрывается огромный пласт задач.

👉 Что такое дерево:

Это структура данных, где элементы связаны иерархически: есть корень → ветки → листья.

Примеры из жизни:
— файловая система
— DOM в браузере
— организационные структуры

Базовые типы деревьев:
— Бинарное дерево — у каждого узла максимум 2 потомка
— Бинарное дерево поиска (BST) — слева меньше, справа больше
— Сбалансированные деревья (AVL, Red-Black) — держат высоту под контролем
— Trie — для строк и префиксов

📍 Навигация: Вакансии • Задачи • Собесы

Библиотека питониста

#буст

Читать полностью…

Библиотека питониста

#развлекалово

Читать полностью…

👨‍💻 PyPy снова ускорился — и уже догоняет CPython в неожиданных местах

Вышел свежий релиз PyPy 7.3.22

Что поправили:
— пофиксили старый баг в JIT
— подтянули совместимость с CPython
— меньше странных расхождений в stdlib

Самое интересное — ускорения

pickle:
раньше PyPy был ≈ в 5.7 раза медленнее
теперь ≈ в 1.6 раза

json:
было медленнее CPython
стало быстрее (~0.7x от CPython)

PyPy всегда был «быстрый, но не везде». Сейчас постепенно закрываются именно те узкие места, где раньше приходилось откатываться на CPython

Когда вообще стоит смотреть на PyPy:
— много Python-кода без C-расширений
— CPU-bound задачи
— долгоживущие процессы (где JIT успевает разогнаться)

🔗 Ссылка на новость

📍 Навигация: Вакансии • Задачи • Собесы

Библиотека питониста

#буст

Читать полностью…

PyWry — нормальный способ делать UI на Python без боли

Нашли интересный проект — PyWry. Суть простая: пишешь один Python-код — запускаешь где угодно (десктоп, браузер, ноутбук)

Что по факту умеет:
— UI собирается декларативно (через модели, без верстки-адa)
— под капотом нативные webview через PyTauri, не Electron
— работает в Jupyter, можно сразу прототипить
— из коробки FastAPI + WebSocket для веба
— есть мост Python ↔ JS (графики, таблицы и т.д.)

Интересный момент: можно начать в ноутбуке → потом без переписывания выкатить в веб → потом собрать в десктоп-приложение

Подходит, если:
— надо быстро сделать интерфейс к ML/данным
— не хочется городить фронтенд отдельно
— нужен lightweight вариант без тяжёлых рантаймов

🔗 Ссылка на проект

📍 Навигация: Вакансии • Задачи • Собесы

Библиотека питониста

#буст

Читать полностью…

🐍 Где практиковать Python в 2026 году

Знать теорию — хорошо, но без практики код писать не научишься. Собрали для вас подборку лучших платформ для оттачивания навыков Python, разделенную по целям:

1️⃣ Изучение основ
✳️ Python Tutor — визуализация выполнения кода.
✳️ W3Schools — уроки и редактор для начинающих.
✳️ SoloLearn — интерактив и задачи в дорогу.

2️⃣ Практика и улучшение
✳️ CodeSignal — подготовка к интервью.
✳️ Codewars — решение задач (ката) разной сложности.
✳️ Exercism — менторство и открытый исходный код.

3️⃣ Подготовка к интервью
✳️ LeetCode — классика кодинг-интервью с решениями.
✳️ StrataScratch — фокус на SQL + Python и кейсы ведущих компаний.
✳️ HackerRank — сертификация и задачи от работодателей.

4️⃣ Геймификация
✳️ CheckiO — игровые задачи для увлекательного обучения.
✳️ CodingBat — быстрые задачи с мгновенной проверкой.

Какую платформу выберете сегодня? Сохраняйте себе, чтобы не потерять! 📌

📍 Навигация: Вакансии • Задачи • Собесы

Библиотека питониста

#буст

Читать полностью…

🧠 Почему потоки в Python не всегда ускоряют код

Частая мысль:

«Добавлю threading → станет быстрее»

На практике — не факт.

В чём причина

В классическом Python есть GIL — он не даёт нескольким потокам выполнять код одновременно.

Поэтому:
✔️ I/O (API, файлы) → быстрее
✔️ CPU (вычисления) → почти нет

С появлением PEP 703 Python постепенно уходит от GIL. Теперь потоки могут работать параллельно.

Где всё ломается:

counter += 1

На деле это: read → compute → write

В потоках это приводит к race condition:

import threading

counter = 0

def worker():
    global counter
    for _ in range(1_000_000):
        counter += 1

threads = [threading.Thread(target=worker) for _ in range(8)]

for t in threads: t.start()
for t in threads: t.join()

print(counter)  # ≠ 8_000_000

«Фикс», который замедляет:

lock = threading.Lock()

with lock:
    counter += 1

Работает правильно, но: потоки стоят в очереди → параллельности нет

Как правильно:

from concurrent.futures import ThreadPoolExecutor

def worker():
    local = 0
    for _ in range(1_000_000):
        local += 1
    return local

with ThreadPoolExecutor(max_workers=8) as ex:
    result = sum(ex.map(lambda _: worker(), range(8)))

print(result)  # 8_000_000

💡 Главное правило

Потоки не должны делить данные во время работы: делят → медленно, независимы → быстро

📍 Навигация: Вакансии • Задачи • Собесы

Библиотека питониста

#буст

Читать полностью…

🚀 pip 26.1: lock-файлы и “cooldown” зависимостей

Вышел pip 26.1, и это один из самых интересных апдейтов за последнее время.

Главное изменение — pip начинает двигаться в сторону детерминированных зависимостей и безопасности.

Теперь pip экспериментально поддерживает lock-файлы:

pip install -r pylock.toml

Это означает:
— фиксированные версии зависимостей
— воспроизводимые окружения
— меньше сюрпризов при деплое

По сути, pip догоняет то, что уже давно есть в poetry, uv и других инструментах.

🧊 Dependency cooldowns

Очень интересная идея:

--uploaded-prior-to P7D

Позволяет не устанавливать свежие пакеты, загруженные, например, за последние 7 дней.

Зачем это нужно:
— защита от supply chain атак
— время на обнаружение вредоносных пакетов
— снижение риска “нулевого дня”

Фактически — простой способ добавить слой безопасности без сложной инфраструктуры.

Что ещё улучшили:
— лучшее разрешение зависимостей (быстрее и стабильнее)
— улучшена работа с hash’ами и constraints
— оптимизация памяти
— фиксы багов и security issues

🔗 Ссылка на блог-пост

📍 Навигация: Вакансии • Задачи • Собесы

Библиотека питониста

#буст

Читать полностью…

Вот компактная и полезная версия поста, которую можно сразу публиковать:

---

## Логирование в Python в 2026: что реально использовать

Если вы всё ещё думаете, что логирование — это просто print(), пора обновить картину.

Сегодня в Python есть три основных подхода, и каждый решает свою задачу:

1. Стандартный `logging`
База всей экосистемы. Через него логируют Django, FastAPI и почти все библиотеки.
Подходит, если вам нужна стабильность, интеграции и контроль.
Минус — многословная настройка и «олдскульный» API.

2. structlog
Лучший выбор для продакшена и микросервисов.
Логи — это словари → легко превращаются в JSON → удобно для аналитики и observability.
Плюс: нормальная работа с контекстом (request_id, user_id) через contextvars.

3. Loguru
Когда хочется просто и быстро.
Импортировали logger — и уже логируете.
Отлично подходит для небольших сервисов, скриптов и MVP.

---

### Что важно на практике

Не так важно, какую библиотеку вы выберете.
Важно, *как* вы логируете:

— структурированные логи (JSON вместо строк)
— единый формат полей
— контекст (request_id, user_id, trace_id)
— адекватные уровни (INFO / ERROR / DEBUG)

Без этого даже самый «модный» логгер превращается в шум.

---

### Быстрый ориентир

Если коротко:

— хотите максимум контроля и совместимости → logging
— строите серьёзный прод → structlog
— нужно быстро и без боли → Loguru

---

Логирование — это не про вывод текста.
Это про наблюдаемость системы.

А у вас сейчас что в проекте: классический logging или уже перешли на что-то современнее? 👇

Читать полностью…

Библиотека питониста

#развлекалово

Читать полностью…

🗓️ Уже через пару часов стартует вебинар!

Тема:

Как эффективно управлять контекстным окном LLM в мультиагентных системах и не сливать бюджет на токены

Ждем вас сегодня в 19:00 по московскому времени. Не пропустите начало, будет много практики!

👉 Успей занять место

Читать полностью…

📚 В Read the Docs теперь нативно поддерживается uv Python package manager

Небольшая, но очень приятная новость для тех, кто собирает документацию.

Теперь uv можно использовать прямо в .readthedocs.yaml — без костылей и кастомных шагов установки.

💡 Что это даёт
— быстрее установка зависимостей
— чище конфигурация
— нормальная поддержка pyproject.toml и uv.lock

Если используете современный стек:

python:
  install:
    - method: uv
      command: sync
      groups:
        - docs

Если остались на requirements.txt:

python:
  install:
    - method: uv
      command: pip
      requirements: docs/requirements.txt

💬 Если у вас документация ещё на pip — возможно, это тот самый момент попробовать перейти.

📍 Навигация: Вакансии • Задачи • Собесы

Библиотека питониста

#буст

Читать полностью…

🖥 Как настроить логирование в Textual (файл + живая консоль)

Если вы разрабатываете TUI на Textual, у вас уже есть удобный инструмент для логирования «из коробки» — без дополнительных библиотек.

В Textual есть встроенный TextualHandler, который полностью совместим со стандартным модулем Python logging module.

Это позволяет одновременно:
— сохранять логи в файл
— видеть их в реальном времени в консоли
— использовать привычный logging без изменений

👉 Минимальная настройка

import logging
from textual.logging import TextualHandler

logger = logging.getLogger("app")
logger.setLevel(logging.INFO)

# запись в файл
file_handler = logging.FileHandler("app.log")
logger.addHandler(file_handler)

# вывод в Textual
textual_handler = TextualHandler()
logger.addHandler(textual_handler)

Теперь все logger.info(...) будут записываться и в файл, и в интерфейс.

⚡️ Как смотреть логи в реальном времени

1. Установите devtools:

pip install textual-dev

2. В отдельном терминале запустите:

textual console

3. Приложение запускайте в dev-режиме:

textual run --dev app.py

👉 После этого вы будете видеть все события и логи в отдельной консоли.

Почему это удобно:
— не нужно переключаться между интерфейсом и терминалом
— проще отслеживать действия пользователя
— удобно дебажить поведение приложения

📍 Навигация: Вакансии • Задачи • Собесы

Библиотека питониста

#буст

Читать полностью…

🔥 База по ИИ-агентам от научного сотрудника Сколтеха и НИУ ВШЭ

Знакомьтесь, Екатерина Трофимова. Кандидат компьютерных наук, ресерчер в Центре ИИ Сколтеха и лаборатории LAMBDA. Она объединяет глубокую академическую экспертизу и практику: знает, как ИИ-системы устроены «под капотом» и как встроить их в реальные сервисы (в т.ч. для Сбера).

Мы попросили Екатерину собрать список мастхев материалов для тех, кто хочет проектировать агентов в проде. Сохраняйте список.

🛠 Стек и фреймворки:

DSPy — алгоритмическая оптимизация промптов (вместо ручного подбора слов).

Semantic Kernel и LangMem — инструменты для управления сессионной и долгосрочной памятью.

MCP (Model Context Protocol) — новый стандарт от Anthropic для подключения агентов к вашим БД и локальным файлам.

📖 Документация, которую нужно знать:

Anthropic Prompt Caching — как кэшировать контекст и радикально резать косты на API.

OpenAI Agents SDK / Cookbook — лучшие практики работы с памятью.

Augment — платформа для оптимизации работы ИИ-агентов и контроля токенов.

🔬 Хардкорные статьи и препринты (на выходные):

Lost in the Middle — почему LLM «слепнут» на длинных текстах и забывают середину контекста.

How Do Coding Agents Spend Your Money? — куда улетает бюджет при работе автономных кодинг-агентов.

MemGPT — архитектура операционной системы для LLM с иллюзией бесконечной памяти.

InjecAgent / AgentSentry — всё о безопасности и защите агентов от инъекций в промпты.

Екатерина Трофимова — один из ключевых экспертов нашего курса AgentOps. На своих лекциях она детально разбирает, как проектировать инструменты для агентов, как агент принимает решения о вызове инструментов и какие ограничения возникают в реальном проде

🎁 Акция в честь старта продаж!

Прямо сейчас при покупке Инженерного трека вы получаете полный доступ к материалам курса «Разработка ИИ-агентов» в подарок.

👉 Забрать 2 курса по цене 1 и начать обучение

Читать полностью…

📌 Шпаргалка по Python для новичков: краткий справочник

🔢 Переменные и типы данных
Python — язык с динамической типизацией (вам не нужно указывать тип данных вручную).

🔢 Коллекции данных
— List (Списки): Изменяемые, упорядоченные (`[1, 2, 3]`).
— Tuple (Кортежи): Неизменяемые (`(1, 2, 3)`).
— Set (Множества): Только уникальные элементы, без порядка (`{1, 2, 3}`).
— Dict (Словари): Пары "ключ: значение" (`{"name": "Siree"}`).

🔢 Условные операторы
Используются для логических развилок:
if — если условие верно.
elif — если предыдущее не подошло, проверяем это.
else — если ничего не подошло.

🔢 Циклы
for — для перебора элементов (например, в диапазоне `range`).
while — выполняется, пока условие истинно.

🔢 Функции
Объявляются через ключевое слово def. Позволяют группировать код для повторного использования.

🔢 List Comprehension (Генераторы списков)
Крутая фишка Python, позволяющая создавать новые списки в одну строку. Например:
squares = [x**2 for x in nums] — возводит каждое число из списка в квадрат.

🔢 Обработка исключений
Блок try...except нужен, чтобы программа не "падала" при возникновении ошибки (например, при попытке превратить буквы в число).

🔢 Работа с файлами
Всегда рекомендуется использовать конструкцию with open(...), так как она автоматически закрывает файл после работы с ним.

🔢 ООП (Классы и Объекты)
Классы позволяют создавать свои структуры данных с методами (функциями) и атрибутами (переменными).
__init__ — конструктор, который срабатывает при создании объекта.

📍 Навигация: Вакансии • Задачи • Собесы

Библиотека питониста

#буст

Читать полностью…

🚀 Polars 1.40.0: свежий апдейт

Polars явно движется в сторону out-of-core обработки.

🔥 Что реально важно

— Streaming join_asof (с группировками)
Если вы работаете с таймсериями — это закрывает давнюю боль.
Теперь можно джойнить огромные таблицы по времени без MemoryError.

👉 Новый менеджер памяти (spill-to-disk)
Если раньше всё упиралось в RAM — теперь Polars может аккуратно сбрасывать часть данных на диск.

Половина обновления — это перенос операций в streaming:
— cov, corr, skew, kurtosis → теперь можно считать на больших данных
— strptime → тоже стримится
— оптимизация sort → меньше лишних операций

Если вы используете:

.lazy().collect(streaming=True)

— профит стал заметно выше.

Другие мелочи, которые экономят время:
— .unnest() теперь работает без аргументов
— merge_sorted для уже отсортированных данных
— более аккуратные дефолты при чтении файлов

На что обратить внимание:
— убирают dataframe interchange → если Вы связывали разные библиотеки, проверьте пайплайн
— исправили кучу багов (pivot, CSV, parquet-статистика и др.)

pip install -U polars

🔗 Ссылка на релиз

📍 Навигация: Вакансии • Задачи • Собесы

Библиотека питониста

#свежак

Читать полностью…

🐍 Python-чек-лист — всё, что нужно под рукой

Если вы работаете с Python — удобно иметь один список, который закрывает основные задачи: от базового кода до продакшена.

📍 Навигация: Вакансии • Задачи • Собесы

Библиотека питониста

#буст

Читать полностью…