Python *

У фирмы «1С» есть открытый список 1С-франчайзи: страница, где можно выбрать регион и увидеть всех, кто внедряет «1С:Предприятие» в вашем городе. Это, пожалуй, самая большая франчайзинговая сеть в российском IT, и нечастый случай, когда франчайзер сам выкладывает всю сеть одной страницей. Я хотел простого: собрать этот список целиком, посчитать, как сеть разложена по карте, и привязать каждую строку к юрлицу в ЕГРЮЛ.

Простого не вышло. Ниже - как устроен источник, что в нём сломано и сколько строк в итоге удаётся честно связать с реестром. Код на Python, короткими кусками, всё снято 12 октября 2026 года.

Остановил Python сервис с моделью машинного обучения, .NET API продолжил работать и вернул HTTP 503. После восстановления Python запрос снова завершился с HTTP 200, без перезапуска основного приложения.

Зачем разделять .NET и Python, как организовать взаимодействие между ними и что нужно предусмотреть, чтобы отказ ИИ оставался проблемой отдельной функции, а не всей платформы.

В статье рассматривается концепция траектории образования школьников при переходе от блочных визуальных конструкторов к Python. Описывается идея преодоления «синтаксического барьера» с использованием виртуализированного хаба LEGO EV3, расширения физических возможностей робота через смартфон (компьютерное зрение, экран мимики) и логического перехода к симуляции беспилотного городского транспорта.

Сохраняю в Telegram всё подряд, а Claude Sonnet раз в сутки пишет по каждому материалу разбор для блога. Почти половина сохранёнок для блога лишняя, и на каждую уходит полный разбор. Рассказываю, как поставил перед Sonnet дешёвую модель Jev, которая отвечает вероятностью, почему формулировка вопроса оказалась важнее модели (AUC 0,46 против 0,95), какие предохранители стоят в коде и что показал журнал за две недели.

V-GEN — локальный сервис с веб-интерфейсом, который собирает новостные ролики сам «под ключ»: от живого поиска инфоповодов до готового Full HD файла с русским именем для эфирного плейлиста.

Менеджеры считают, что ИИ-агенты ускорят разработку в десять раз. Математика говорит, что ускорится только написание. Проверять смысл по-прежнему будут люди, с конечной скоростью, и очередь выстроится к самым опытным. PostgreSQL 19 не вышел в срок. Не потому, что ИИ нашёл много багов, а потому что ИИ научился генерировать правдоподобные отчёты быстрее, чем люди успевают их читать. В статье разбираю, почему так, где настоящий предел и что меняется.

Экстремальное событие почти никогда не возникает на ровном месте. Эпилептический приступ, отказ авиадвигателя, обвал рынка — всё это финал процесса, который сначала зародился в одном месте системы: в одной области мозга, в одном модуле двигателя, в одном секторе рынка. Потом процесс распространился по связям и стал заметен везде.

Классическая статистика экстремумов хорошо отвечает на вопрос «насколько это редко?». Но для врача, инженера или аналитика важнее другое: когда начал развиваться процесс, который привёл к экстремальному событию, и где он зародился. Существующие методы отвечают на эти вопросы по отдельности и разными инструментами, а вопрос «какой узел был источником?» часто остаётся открытым.

Мне стало интересно, как применить вот такие подходы:

— теория экстремальных значений отвечает, когда система вышла за рамки своего обычного поведения;
— граф связей между каналами показывает, куда процесс мог распространяться;
— графовая нейросеть и несколько независимых линий доказательств указывают, где он начался.

Шагов много, и на каждом легко ошибиться. Поэтому весь путь я доверил простому агенту. Он даёт один воспроизводимый конвейер «когда → куда → где» вместо набора разрозненных методов;

Дальше расскажу, на чём это всё держится и что получилось на практике. И у меня там ещё небольшой обзор истории развития почти за сто лет теории экстремальных событий.

Один из вопросов, который я довольно часто слышу от начинающих разработчиков, звучит примерно так:

«А зачем мне вообще нужны алгоритмы?»

Зачем разбираться с битовыми операциями? Зачем думать об алгоритмической сложности? Зачем на собеседованиях дают все эти странные задачи, если в реальной работе я буду писать API, перекладывать JSON из одного сервиса в другой и подключать очередную библиотеку?

Вопрос, надо сказать, вполне справедливый, особенно когда в очередной раз сидишь перед задачей, в которой предлагается что-нибудь сдвинуть на три бита вправо, наложить маску 0xFE, а потом почему-то ещё радоваться полученному результату.

Вместо абстрактных рассуждений о том, насколько алгоритмы развивают мышление, предлагаю посмотреть на совершенно обычную картинку.

Раньше раз в неделю я открывал три вкладки: Яндекс.Метрику, Яндекс.Вебмастер и папку с черновиками блога, и в каждой что-нибудь считал в уме. К третьей вкладке я обычно забывал, что искал в первой. В итоге я написал один скрипт без зависимостей, он собирает всё это в одно текстовое сообщение и присылает в Телеграм и на почту. В статье покажу, как он устроен, какие запросы к API делает и что в нём пришлось обходить. Код ниже взят из рабочего скрипта, домен и идентификаторы заменены на заглавные константы и example.com.

Я собрал конвейер «ТЗ → канонизация → тест‑дизайн → прогон» из 58 специализированных блоков с гейтами доверия: каждый критерий приёмки заземляется цитатой из исходника, серые зоны превращаются в вопросы, а не в угаданную конкретику, повторы бесплатны за счёт кэша. Проверил на синтетическом ТЗ с заложенными болезнями: 9 ловушек из 10 поймал автомат, десятую — человек с вопросником от машины; 26 вопросов стейкхолдерам за 90 секунд, 20 серых зон, 37 BDD‑сценариев за 26 минут. Где платформа врёт и что не доработано — тоже в тексте.

Привет, Хабр! (И тебе, IT‑шник, который хочет разобраться, что в 2026 вообще здесь происходит? Сейчас разберёмся, но легче тебе от этого не станет).

Говорят, вакансию надо уметь читать между строк. Я решил проверить это буквально: взял 155 тысяч вакансий и прочитал их все. Не заголовки, а сами тексты, со всеми «дружными семьями», «молодыми коллективами» и «опытом от 3 лет». А потом посчитал, сколько каждая такая фраза стоит в рублях. И научил этому алгоритм... Спойлер: некоторые стоят вам реальных денег.

В этой статье будет всё, зарплаты, ред флаги, лайфхаки, декодер вакансий. Будет интересно…

Как вернуть LAN-режим в Neverwinter Nights 2 на прошитой Switch: без аккаунта Nintendo, без подписки, по локальной сети между двумя консолями. Разбор ARM64-кода, отладка GDB прямо на консоли и готовый патч для Atmosphere.

В 2026/27 учебном году школы переходят на единые учебники по обществознанию, а ответ на уроке оценивают «по учебнику», а не «по здравому смыслу». Я собрал прототип чат-бота, который ищет ответы в текстах учебников 9 и 10 классов и указывает страницу: pymupdf4llm, FAISS, multilingual-e5-large и Qwen2.5-3B на бесплатной видеокарте T4.

У меня было несколько ботов на python-telegram-bot: команды, inline-кнопки, состояния, работа с базой и внешними сервисами. Затем понадобился веб-интерфейс с тем же поведением.

Переносить обработчики в отдельный HTTP API означало бы поддерживать две реализации одного сценария. Встраивать Telegram Web App тоже не подходило: пользователь должен был работать в обычном браузере, без Telegram.

Я пошёл другим путём: браузер притворяется Telegram на входе, а локальный transport-слой — Telegram Bot API на выходе. Исходные обработчики получают настоящие объекты Update и вызываются через штатный Application.process_update(). В этой статье покажу, как устроен прототип, на каких границах он держится и что сломалось после первых перезапусков.

После переезда я искал булочную на Яндекс Картах и наткнулся на отзыв, начинающийся с фразы «да вот хороший вариант ответа».

Из этого вырос ReviewScope, инструмент для поиска аномалий, повторяющихся текстов и необычных закономерностей в отзывах.

Расскажу, как устроены embeddings, графы совпадений и взвешенный рейтинг, какие ошибки пришлось исправлять и что показала проверка на 21 тысяче настоящих отзывов.

Сделай разработку ботов на aiogram проще тремя инструментами: Dependency Injection в стиле FastAPI, RateLimit для ограничения частоты вызовов хендлеров и LongCallbackData для callback_data длиннее 64 байт.

Бюджет на квартал согласован и бюджет на квартал не согласован. Для эмбеддингов это почти одна фраза: слова те же, частица не в векторе весит мало. Для встречи это значит, что решили обратное.

Вот из-за таких пар в Чароите живёт NLI-модель. Ниже — где она работает третий месяц, где я её снял и почему, и во что это обошлось.

Что решает, дорогое и долгое дообучение узкой модели или хорошая обвязка вокруг обычной облачной?

На первый взгляд модель вендора с неограниченным и привилегированным доступом к материалам 1С не оставляет шанса конкурентам. Есть ли преимущество на практике?

Собрали интерактивного помощника на open-source стеке и сравнили его с 1С-Напарником на семи вопросах из повседневной работы пользователей и разработчиков.

В первой части Лягушка научилась смотреть на человека, говорить и поворачивать голову. Теперь добавляю знакомые лица, память о разговорах, вопросы по фотографии, объяснения на экране и помощь со стихами. По дороге робот пропускает собственные команды, узнаёт своего «Создателя» и отправляет рисунок в принтер. А ещё выяснилось, что сильнее всего тормозило Лягушку…

Хотел проверить, как далеко можно зайти, если учить скрытый слой нейросети вообще без backprop, только локальными хеббовскими правилами. Спойлер: правило в итоге свелось к обычному k‑means, а backprop оно не обогнало ни по точности, ни при малом числе меток, ни по забыванию. Рассказываю, как сеть убивала собственные нейроны, как эволюция правил обманывала саму себя и где ошибался я сам.