⚙️ Новый интерпретатор в Python 3.14 — +30 % скорости без магии 🚀

import time

def compute(n: int) -> int:
    return sum(i * i for i in range(n))

def benchmark():
    start = time.perf_counter()
    for _ in range(10):
        compute(2_000_000)
    return time.perf_counter() - start

if __name__ == "__main__":
    t = benchmark()
    print(f"⏱ Выполнено за: {t:.3f} сек")

📌 Что происходит:
Этот простой код идеально показывает ускорение от нового интерпретатора в Python 3.14.
Теперь for, sum и арифметика выполняются через новую таблицу компактных C-функций,
вместо огромного `switch`-цикла внутри байткода.

💡 Результат:
— +10-30 % прироста скорости на CPU-интенсивных задачах без изменения исходников.
— Улучшено управление кадрами, кеш инструкций и прогноз ветвлений.

🛠 Просто установи Python 3.14+ — никаких зависимостей или изменений кода.

Подпишись 👉🏻 @KodduuPython 🤖

Clusteroid для автокластеризации документов в RAG

В RAG часто бывает набор различных документов из разных департаментов компании. Нужно либо использовать разделение на кластеры по департаментам, что часто бывает неточным (например, в HR хранится много разных по типу и содержанию документов), либо сортировать их самостоятельно. Либо же сложить всё вместе в одну кучу.

Третий вариант — самый плохой, так как получится много схожей семантики, и процесс retrieve будет работать плохо (будет попадать много нерелевантных чанков). Первый вариант обычно приемлем, но по сути сводится ко второму: нужен человек, который вручную качественно сортировал бы документы по секциям и пересортировывал при изменениях и добавлениях.

Существуют библиотеки, например, SpaCy, которые могут делать разметку (NER), но без качественной настройки под конкретную тему они работают плохо.

Поэтому мы разработали собственный кластеризатор Clusteroid, который выложили в open source. Он умеет кластеризовать с помощью K-Means или HDBSCAN.

Подпишись 👉🏻 @aigentto 🤖

🧩 Python 3.14: Отложенная оценка аннотаций (PEP 649)

class User:
    name: "str"
    age: "int"

def greet(u: "User") -> "str":
    return f"Hi, {u.name}! You’re {u.age}."

print(greet.__annotations__)

📌 Что изменилось:
Раньше Python выполнял аннотации при загрузке модуля,
и если типы были объявлены позже (например, класс `User`),
возникала ошибка NameError.

В Python 3.14 аннотации хранятся в ленивом виде —
они не вычисляются, пока реально не понадобятся.
Теперь можно писать аннотации даже на ещё не объявленные типы
или динамически создавать их без from __future__ import annotations.

✅ Плюсы:

* Больше не нужно импортировать всё ради аннотаций.
* Быстрее стартует программа (аннотации не тратят CPU).
* IDE и типизаторы работают точнее — аннотации доступны при необходимости.

🛠 Работает из коробки в Python 3.14+, без флагов и дополнительных библиотек.

Подпишись 👉🏻 @KodduuPython 🤖

🔥 Python 3.14: экспериментальный JIT-компилятор для “горячего кода”

import time

def hot_func(n: int) -> int:
    s = 0
    for i in range(n):
        s += (i * 3) % 7
    return s

def bench():
    start = time.perf_counter()
    for _ in range(50):
        hot_func(5_000_000)
    print(f"⏱ {time.perf_counter()-start:.3f} сек")

if __name__ == "__main__":
    bench()

📌 Что нового:
В Python 3.14 появился экспериментальный JIT —
он отслеживает *“горячие участки”* кода (часто исполняемые функции)
и компилирует их в нативный машинный код во время выполнения.

💡 Что это даёт:

* Ускорение CPU-интенсивных циклов на 20–50 %
* Прирост без внешних библиотек (PyPy, Numba и т.п.)
* Автоматически активируется для «горячих» функций (в будущем через флаг `PYTHONJIT=1`)

🧠 Пока режим JIT экспериментальный, но уже доступен в сборках 3.14+ как часть проекта cpython-jit prototype.

🛠 Для теста — установить Python 3.14 (free-threaded build) и запустить с переменной окружения:

PYTHONJIT=1 python your_script.py

Подпишись 👉🏻 @KodduuPython 🤖

🚀 Надёжный HTTP POST с идемпотентностью и экспоненциальным бэкоффом

import requests, time, uuid, logging
logging.basicConfig(level=logging.INFO)

def post_json(url, data, headers=None, retries=5, backoff=0.5, timeout=10, idempotency_key=None):
    h = dict(headers or {})
    if idempotency_key: h.setdefault("Idempotency-Key", idempotency_key)
    else: h.setdefault("Idempotency-Key", str(uuid.uuid4()))
    for attempt in range(1, retries+1):
        try:
            r = requests.post(url, json=data, headers=h, timeout=timeout)
            if r.status_code < 400:
                return r
            if r.status_code < 500 and r.status_code != 429:
                r.raise_for_status()  # client error — don't retry
            # server error or 429 -> retry
            logging.warning("POST %s -> %s (attempt %d)", url, r.status_code, attempt)
        except (requests.Timeout, requests.ConnectionError) as e:
            logging.warning("Request error: %s (attempt %d)", e, attempt)
        sleep = backoff * (2 ** (attempt - 1)) * (0.5 + random.random()/1.0)
        time.sleep(sleep)
    raise RuntimeError(f"POST failed after {retries} attempts: {url}")

📌 Коротко: универсальная, готовая к использованию функция для надёжных HTTP POST-запросов. Поддерживает:

* идемпотентность через Idempotency-Key,
* экспоненциальный бэкофф с джиттером,
* различение клиентских (4xx) и серверных (5xx/429) ошибок.

🛠 pip install requests

Подпишись 👉🏻 @KodduuPython 🤖

⚡️ Кеширование HTTP-запросов с автоочисткой и TTL

import requests, time
from functools import lru_cache

@lru_cache(maxsize=128)
def _cached_get(url, ttl):
    t = time.time()
    r = requests.get(url, timeout=5)
    return {"data": r.json(), "t": t}

def get_with_cache(url, ttl=60):
    r = _cached_get(url, ttl)
    if time.time() - r["t"] > ttl:
        _cached_get.cache_clear()
        return get_with_cache(url, ttl)
    return r["data"]

📌 Простая обёртка для запросов, которая:

* кеширует ответы на ttl секунд,
* автоматически сбрасывает устаревшие данные,
* уменьшает нагрузку на API и ускоряет ответы.

🛠 pip install requests

Подпишись 👉🏻 @KodduuPython 🤖

🧩 Безопасное шифрование конфигураций (.env → .env.enc)

from cryptography.fernet import Fernet
import os

def encrypt_env(src=".env", dst=".env.enc", key_file="key.txt"):
    key = Fernet.generate_key()
    with open(key_file, "wb") as f: f.write(key)
    fernet = Fernet(key)
    with open(src, "rb") as f: data = f.read()
    with open(dst, "wb") as f: f.write(fernet.encrypt(data))

def decrypt_env(dst=".env", src=".env.enc", key_file="key.txt"):
    key = open(key_file,"rb").read()
    fernet = Fernet(key)
    with open(src,"rb") as f: data=f.read()
    with open(dst,"wb") as f: f.write(fernet.decrypt(data))

📌 Храни конфиги и API-ключи безопасно:
encrypt_env() — зашифровывает .env,
decrypt_env() — расшифровывает перед запуском.
Ключ лежит отдельно и не коммитится в git.

🛠 pip install cryptography

Подпишись 👉🏻 @KodduuPython 🤖

📦 Автоматическое сжатие и архивирование логов

import gzip, shutil, os, glob, datetime

def rotate_logs(path="logs/*.log", keep_days=7):
    now = datetime.datetime.now()
    for file in glob.glob(path):
        mtime = datetime.datetime.fromtimestamp(os.path.getmtime(file))
        if (now - mtime).days > 0:
            gz = f"{file}.{mtime:%Y%m%d}.gz"
            with open(file, "rb") as f_in, gzip.open(gz, "wb") as f_out:
                shutil.copyfileobj(f_in, f_out)
            open(file, "w").close()  # truncate log
    for gz in glob.glob("logs/*.gz"):
        mtime = datetime.datetime.fromtimestamp(os.path.getmtime(gz))
        if (now - mtime).days > keep_days:
            os.remove(gz)

📌 Автоматическая ротация логов:

* старые .log → архивируются в .gz;
* старше keep_days удаляются;
* экономит место и сохраняет историю.

🛠 всё на стандартной библиотеке — ничего ставить не нужно

Подпишись 👉🏻 @KodduuPython 🤖

Почему n8n вам не подойдет?

n8n или Нэйтон и прочие low-code/no-code фреймворки хороши в теории, но когда дело доходит до практики, нужно начинать писать свой код и вставлять его в блоки workflow no-code тулов. Например, чтобы сделать это в Yandex Workflow, у Yandex-разработчика ушло 2 дня 😀 Это не шутка — это правда.

Потом понимаешь, что UI/UX таких тулов очень убогий, а за то время, пока ты выясняешь, почему оно не работает, уже можно было написать много кода (тем более сейчас, когда есть LLM IDE).

И самое главное — все хотят кастомных штук: одному нужны стриминг, другому — чтобы внутри бота был task manager для support, третьему — особая красивая кодировка букв. Всё это нельзя сделать в любых no-code/low-code тулах без кода.

Мне кажется, эра no-code тулов, начавшаяся ещё в 00-х и так и не снискавшая успеха, скоро окончательно закончится, потому что писать код благодаря LLM стало просто и дешево. Но всякие консультанты упорно продают no-code: "зачем вам разработчики, сделай всё сам перетаскиванием кубиков" 😀

Подпишись 👉🏻 @aigentto 🤖

🔐 Безопасное хранение токенов в системном keyring

import keyring, os

def save_token(service, token):
    user = os.getlogin()
    keyring.set_password(service, user, token)

def get_token(service):
    user = os.getlogin()
    return keyring.get_password(service, user)

def delete_token(service):
    user = os.getlogin()
    keyring.delete_password(service, user)

📌 Мини-хранилище API-токенов в системном keychain
(использует встроенную безопасную ОС-хранилку — macOS Keychain, Windows Credential Manager, Linux Secret Service).

🛠 pip install keyring

Подпишись 👉🏻 @KodduuPython 🤖

🔍 Улучшаем код с помощью списковых включений

def transform_data(data):
    try:
        # Пример спискового включения для преобразования
        transformed = 
        return transformed
    except Exception as e:
        print(f"Ошибка при преобразовании данных: {e}")
        return []

# Пример использования
raw_data = ["  Apple  ", " Banana", "Cherry  ", 42, None]
cleaned_data = transform_data(raw_data)
print(cleaned_data)  # Вывод: ['apple', 'banana', 'cherry']

📌 Этот код демонстрирует использование списковых включений для очистки и преобразования списка строк. Он удаляет пробелы и
переводит строки в нижний регистр, игнорируя нестроковые элементы. Это полезно для обработки данных, таких как очистка
пользовательского ввода или подготовки текстовых данных для анализа.

Подпишись 👉🏻 @KodduuPython 🤖

⚡️ Эффективная обработка данных с помощью генераторов Python

def read_large_file(file_path: str):
    """Генератор для построчного чтения большого файла."""
    try:
        with open(file_path, 'r', encoding='utf-8') as file:
            for line in file:
                yield line.strip()
    except FileNotFoundError:
        print(f"Файл {file_path} не найден.")
    except IOError as e:
        print(f"Ошибка при чтении файла: {e}")

# Пример использования
if __name__ == "__main__":
    file_path = "large_data.txt"
    for line in read_large_file(file_path):
        print(line)  # Обработка строки

📌 Этот код демонстрирует, как использовать генераторы для построчного чтения большого файла. Генераторы позволяют эффективно
обрабатывать данные, так как считывают файл по частям, а не загружают его целиком в память. Это особенно полезно для работы с
большими файлами или потоками данных.

Подпишись 👉🏻 @KodduuPython 🤖

🌐 Обработка нескольких запросов одновременно с asyncio

import asyncio
import aiohttp
from typing import List

async def fetch_url(session: aiohttp.ClientSession, url: str) -> str:
    """Fetch the content of a URL asynchronously and handle potential errors."""
    try:
        async with session.get(url) as response:
            response.raise_for_status()  # Ensure the request was successful
            return await response.text()  # Return the text content of the response
    except aiohttp.ClientError as e:
        return f"Request to {url} failed: {str(e)}"  # Return error message if request fails

async def fetch_all(urls: List) -> List:
    """Fetch multiple URLs concurrently and return their content."""
    async with aiohttp.ClientSession() as session:
        tasks =   # Create tasks for each URL
        return await asyncio.gather(*tasks)  # Gather results from all tasks

# Пример использования
urls = [
    "https://jsonplaceholder.typicode.com/posts/1",
    "https://jsonplaceholder.typicode.com/posts/2",
    "https://jsonplaceholder.typicode.com/posts/3"
]

# Запуск асинхронной задачи
result = asyncio.run(fetch_all(urls))  # Use asyncio.run to execute the main coroutine
for content in result:
    print(content)  # Print each result from the fetched URLs

📌 Этот код демонстрирует, как использовать библиотеку asyncio и aiohttp для одновременной обработки нескольких HTTP-запросов.
Вместо последовательного выполнения запросов, что может занять много времени, мы отправляем их параллельно, что значительно
ускоряет выполнение программы. Этот подход полезен при работе с множеством API или веб-ресурсов, когда нужно быстро получить
данные.

🛠 Установка aiohttp: pip install aiohttp

Подпишись 👉🏻 @KodduuPython 🤖

🌐 Простой веб-скрапер на Python

import requests
from bs4 import BeautifulSoup
from requests.exceptions import RequestException

def fetch_html(url: str) -> str:
    """Получает HTML-код страницы по указанному URL."""
    try:
        response = requests.get(url)
        response.raise_for_status()
        return response.text
    except RequestException as e:
        print(f"Ошибка при запросе {url}: {e}")
        return ""

def parse_article_titles(html: str) -> list:
    """Парсит HTML и извлекает заголовки статей."""
    soup = BeautifulSoup(html, 'html.parser')
    return 

def main():
    """Основная функция для запуска скрапера."""
    url = "https://example.com/news"
    html = fetch_html(url)
    if html:
        titles = parse_article_titles(html)
        for idx, title in enumerate(titles, start=1):
            print(f"{idx}. {title}")

if __name__ == "__main__":
    main()

📌 Этот код представляет собой простой веб-скрапер, который извлекает заголовки статей с указанного веб-сайта. Он делает
HTTP-запрос, получает HTML-код страницы и использует BeautifulSoup для парсинга и извлечения заголовков. Такой скрапер полезен для
сбора данных с новостных сайтов или блогов.

🛠 Установка библиотек: pip install requests beautifulsoup4

Подпишись 👉🏻 @KodduuPython 🤖