This media is not supported in your browser
VIEW IN TELEGRAM
Автоматизируем праздничные открытки одним Python-скриптом: вытаскиваем адрес из таблицы, валидируем и приводим к формату по данным USPS, генерим SVG-конверт и отправляем на плоттер.
👉 @PythonPortal
Please open Telegram to view this post
VIEW IN TELEGRAM
👀28👍6❤5
Карта Python
PyAtlas это опенсорсный проект, который строит интерактивную 2D-карту примерно 10 000 самых популярных пакетов PyPI.
Пакеты размещаются рядом, если у них похожие описания (через эмбеддинги и кластеризацию), так проще находить аналоги и смежные библиотеки. По сути это визуализация экосистемы Python с веб-интерфейсом😁
👉 @PythonPortal
PyAtlas это опенсорсный проект, который строит интерактивную 2D-карту примерно 10 000 самых популярных пакетов PyPI.
Пакеты размещаются рядом, если у них похожие описания (через эмбеддинги и кластеризацию), так проще находить аналоги и смежные библиотеки. По сути это визуализация экосистемы Python с веб-интерфейсом
Please open Telegram to view this post
VIEW IN TELEGRAM
❤18🔥10
This media is not supported in your browser
VIEW IN TELEGRAM
А что если бы GitHub перед запросом ревью заставлял пройти короткий квиз по твоему PR, чтобы убедиться, что ты вообще понимаешь, что в нём есть? А если не понимаешь…
👉 @PythonPortal
Please open Telegram to view this post
VIEW IN TELEGRAM
❤20😁13
Please open Telegram to view this post
VIEW IN TELEGRAM
😁51👀3
Astral анонсировала Beta-релиз ty - новый type чекер и языковой сервер для Python, написанный на Rust. Инструмент уже полностью используется внутри компании и теперь рекомендован для продвинутых и мотивированных пользователей.
По заявлению команды, ty в 10–100 раз быстрее существующих Python-type чекеров и LSP. Ключевая причина » архитектура, изначально спроектированная под инкрементальные обновления и работу в редакторе или долгоживущих процессах.
На практике это выглядит так: при редактировании критичного файла в крупном проекте вроде PyTorch ty способен пересчитать диагностику для всего проекта за несколько миллисекунд, а не только для изменённого файла.
Цель ty » не просто скорость. Проект нацелен на создание более качественного type чекера, который сочетает строгую корректность с фокусом на пользовательский опыт. Для этого ty развивает Python type checking дальше текущего состояния экосистемы и уже поддерживает:
- типы пересечений первого класса (intersection types),
- продвинутое сужение типов,
- анализ достижимости кода.
Отдельное внимание уделено диагностике. Система сообщений об ошибках вдохновлена компилятором Rust: одна диагностика ty может использовать контекст сразу из нескольких файлов и объяснять не только саму ошибку, но и её причину и возможный способ исправления.
ty разрабатывается основной командой Astral и десятками контрибьюторов под лицензией MIT. Инструмент доступен везде, где пишут Python, включая редакторы с LSP. Установка:
Также доступно расширение для VS Code, Cursor и совместимых редакторов.
Следующая цель » Stable-релиз в 2026 году. Переход от Beta к Stable будет сосредоточен на:
- стабильности и исправлении багов
- полной реализации Python typing spec
- поддержке популярных сторонних библиотек
В долгосрочной перспективе ty станет фундаментом для семантических возможностей всего Astral набора инструментов: удаления мёртвого кода, поиска неиспользуемых зависимостей, контроля SemVer-совместимых апдейтов, анализа достижимости CVE, type-aware линтинга и других функций.
Astral заявляет цель сделать Python самой продуктивной средой разработки и подчёркивает, что, как и в проектах Ruff и uv, ty будет активно улучшаться еженедельно в тесном взаимодействии с сообществом.
Проект называют самым технически сложным в истории команды. В разработке участвовали контрибьюторы, сообщество Python typing, а также команды Salsa и Elixir, чьи идеи повлияли на реализацию gradual types и intersection types.
Источник: astral.sh/blog/ty
👉 @PythonPortal
По заявлению команды, ty в 10–100 раз быстрее существующих Python-type чекеров и LSP. Ключевая причина » архитектура, изначально спроектированная под инкрементальные обновления и работу в редакторе или долгоживущих процессах.
На практике это выглядит так: при редактировании критичного файла в крупном проекте вроде PyTorch ty способен пересчитать диагностику для всего проекта за несколько миллисекунд, а не только для изменённого файла.
Цель ty » не просто скорость. Проект нацелен на создание более качественного type чекера, который сочетает строгую корректность с фокусом на пользовательский опыт. Для этого ty развивает Python type checking дальше текущего состояния экосистемы и уже поддерживает:
- типы пересечений первого класса (intersection types),
- продвинутое сужение типов,
- анализ достижимости кода.
Отдельное внимание уделено диагностике. Система сообщений об ошибках вдохновлена компилятором Rust: одна диагностика ty может использовать контекст сразу из нескольких файлов и объяснять не только саму ошибку, но и её причину и возможный способ исправления.
ty разрабатывается основной командой Astral и десятками контрибьюторов под лицензией MIT. Инструмент доступен везде, где пишут Python, включая редакторы с LSP. Установка:
uv tool install ty@latest
Также доступно расширение для VS Code, Cursor и совместимых редакторов.
Следующая цель » Stable-релиз в 2026 году. Переход от Beta к Stable будет сосредоточен на:
- стабильности и исправлении багов
- полной реализации Python typing spec
- поддержке популярных сторонних библиотек
В долгосрочной перспективе ty станет фундаментом для семантических возможностей всего Astral набора инструментов: удаления мёртвого кода, поиска неиспользуемых зависимостей, контроля SemVer-совместимых апдейтов, анализа достижимости CVE, type-aware линтинга и других функций.
Astral заявляет цель сделать Python самой продуктивной средой разработки и подчёркивает, что, как и в проектах Ruff и uv, ty будет активно улучшаться еженедельно в тесном взаимодействии с сообществом.
Проект называют самым технически сложным в истории команды. В разработке участвовали контрибьюторы, сообщество Python typing, а также команды Salsa и Elixir, чьи идеи повлияли на реализацию gradual types и intersection types.
Источник: astral.sh/blog/ty
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
👍16❤5
С радостью объявляю: freeCodeCamp запустили новую сертификацию по Python 🐍
» Изучение баз программирования
» Разработка проектов
» Финальный экзамен
» Получение сертификата
Всё проходит прямо в браузере, без установки. Это один из шести сертификатов в версии 10 учебной программы Full Stack Developer.
Полный анонс с подробным FAQ о сертификате, курсе и экзаменах
👉 @PythonPortal
» Изучение баз программирования
» Разработка проектов
» Финальный экзамен
» Получение сертификата
Всё проходит прямо в браузере, без установки. Это один из шести сертификатов в версии 10 учебной программы Full Stack Developer.
Полный анонс с подробным FAQ о сертификате, курсе и экзаменах
Please open Telegram to view this post
VIEW IN TELEGRAM
❤18👍4
Please open Telegram to view this post
VIEW IN TELEGRAM
😁30🤣14❤1
This media is not supported in your browser
VIEW IN TELEGRAM
AWS снова отличились.
Недавно они представили новый подход, который по-настоящему меняет то, как разработчики строят агентные пайплайны.
Проблема в том, что большинство агентных фреймворков до сих пор заставляют захардкоживать workflow, деревья решений и сценарии отказов.
Это работает ровно до тех пор, пока агент не сталкивается с ситуацией, которую ты не предусмотрел.
Strands Agents от AWS идут другим путём.
Вместо переусложнённой оркестрации они опираются на способности современных моделей к рассуждению и позволяют модели самой вести workflow.
Ты:
- задаёшь цель,
- предоставляешь инструменты,
- и позволяешь агенту самому понять, как к этой цели прийти.
С точки зрения реализации всё максимально просто » нужно определить всего три вещи:
1. LLM,
2. инструменты,
3. задачу.
И всё. Дальше агентный цикл берёт управление на себя.
При запуске модель сама решает:
- нужен ли инструмент,
- какой именно,
- как сформировать входные данные,
- и когда остановиться.
Вся логика » model-driven.
То есть вместо правил вида «если математика — зови калькулятор» или «если API упал — делай retry», модель динамически планирует шаги и выполняет их сама.
Workflow формируется во время выполнения, исходя из цели и доступных инструментов.
Выше в видео показано конкретный, прикладной пример.
Это агент на базе MCP, который умеет создавать видео в стиле 3Blue1Brown по одному простому промпту.
Сетап был минимальный:
- MCP-сервер с инструментом для запуска Manim-скриптов,
- затем описал агента с этими инструментами. Без системных промптов и без правил workflow.
Дальше модель сама:
- спланировала шаги,
- сгенерировала сцену Manim,
- и автономно вызвала нужный инструмент.
Даже минимальная конфигурация уже даёт удивительно высокий уровень возможностей. А по мере добавления лучших инструментов или моделей агент становится сильнее сам по себе - без переписывания workflow.
Фреймворк полностью open source и работает с любым локальным сетапом.📖
👉 @PythonPortal
Недавно они представили новый подход, который по-настоящему меняет то, как разработчики строят агентные пайплайны.
Проблема в том, что большинство агентных фреймворков до сих пор заставляют захардкоживать workflow, деревья решений и сценарии отказов.
Это работает ровно до тех пор, пока агент не сталкивается с ситуацией, которую ты не предусмотрел.
Strands Agents от AWS идут другим путём.
Вместо переусложнённой оркестрации они опираются на способности современных моделей к рассуждению и позволяют модели самой вести workflow.
Ты:
- задаёшь цель,
- предоставляешь инструменты,
- и позволяешь агенту самому понять, как к этой цели прийти.
С точки зрения реализации всё максимально просто » нужно определить всего три вещи:
1. LLM,
2. инструменты,
3. задачу.
И всё. Дальше агентный цикл берёт управление на себя.
При запуске модель сама решает:
- нужен ли инструмент,
- какой именно,
- как сформировать входные данные,
- и когда остановиться.
Вся логика » model-driven.
То есть вместо правил вида «если математика — зови калькулятор» или «если API упал — делай retry», модель динамически планирует шаги и выполняет их сама.
Workflow формируется во время выполнения, исходя из цели и доступных инструментов.
Выше в видео показано конкретный, прикладной пример.
Это агент на базе MCP, который умеет создавать видео в стиле 3Blue1Brown по одному простому промпту.
Сетап был минимальный:
- MCP-сервер с инструментом для запуска Manim-скриптов,
- затем описал агента с этими инструментами. Без системных промптов и без правил workflow.
Дальше модель сама:
- спланировала шаги,
- сгенерировала сцену Manim,
- и автономно вызвала нужный инструмент.
Даже минимальная конфигурация уже даёт удивительно высокий уровень возможностей. А по мере добавления лучших инструментов или моделей агент становится сильнее сам по себе - без переписывания workflow.
Фреймворк полностью open source и работает с любым локальным сетапом.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤9👍4🤯1