Python *

Если вы попали сюда из поиска Яндекса или Google, потому что просто искали рабочий способ скачать видео с Ютуба, сохранить музыку с ВК или вытащить рилс из Инстаграм, — можете не читать сложный технический текст ниже.

Мы уже всё написали и запустили. Просто переходите в нашего бесплатного бота в Telegram, отправляйте ему ссылку и забирайте готовый файл (работает без рекламы, установок exe-шников и регистраций).

В первой части мы развернули инфраструктуру на базе PostgreSQL и VectorChord, настроили базовые CRUD-операции и запустили гибридный поиск с реранкингом.

В этой части мы заменим игрушечные компоненты на локальные SOTA-модели, сохраняя оффлайн-архитектуру и отказываясь от облачных API. Пошагово развернём llama.cpp-сервер для мультиязычного эмбеддинга Jina v4, поднимем нативный реранкер через transformers + PyTorch, подключим чанкер на базе chonkie и, наконец, оценим качество поиска.

Как отключить reasoning у локального DeepSeek-R1 и не сойти с ума

Третий пост из серии про грабли локальных LLM. Первый — про микрочанки, отравляющие RAG. Второй — про embedding модель, которая не знает русский. Сейчас — про reasoning, который жрёт ресурсы и не выключается.

У меня обычная семья. Я и жена — айтишники, 2 сына, собака. Обычная работа, обычная школа, обычные прогулки в парке. 

Старший сын Егор  — стандартный школьник. Ходит на информатику, получает там пятерки, сидит за компом до глубокой ночи — то в играх, то в Blender. В какой-то момент открывает для себя вайбкодинг и между делом приносит новости типа “я сделал нейронку внутри Майнкрафта, она там сама живет”, или “мой блог с анимацией набрал 30к подписчиков”, а через неделю забивает на проект. 

Весной 2025го Егор приносит идею. Простую, даже немного наивную. “Хочу сделать бот — список желаний в Telegram и отправлять его родственникам. Потому что вы не знаете, что я хочу, и дарите фигню”. Хорошее описание боли, понятный вариант решения. 

Идея оказалась настолько очевидной, что сразу зацепила. Не как «давайте сделаем стартап», а как «А ведь это правда неудобно. Сделай, мы будем пользоваться».

Первый код бота он навайбкодил за пол дня. Это был не продукт. Это был набор кнопок, который позволял добавить несколько желаний и получить ссылкуна их список. Всё работало не идеально, с ошибками в текстах, местами ломалось, но это можно было использовать.

Жена помогла развернуть код на сервере, чтобы бот жил не только на локальной машине. Мы отдали бота посмотреть друзьям. Папа (я) сделал сайт Fishlist.ru на Tilda и запустил рекламу на 1000 рублей. Первые пользователи появились очень тихо. Никто не писал восторженных отзывов. Никто не говорил «это гениально». Люди просто начинали пользоваться: добавляли подарки, шарили вишлисты друзьям. 

Привет, Habr.

Обычно найм представляют довольно просто: есть вакансия, есть кандидат, есть несколько этапов собеседования, после которых человек либо получает оффер, либо отказ. Такая картина хорошо смотрится в HR-отчётах и презентациях, но в реальности всё устроено заметно сложнее.

Если чуть дольше повариться в рынке, становится видно, что вокруг собеседований уже давно существует отдельная инфраструктура. Речь про слитые вопросы, базы по компаниям, закрытые чаты, документы и каналы, где собирают и передают друг другу реальные этапы найма. Причём это уже давно не история про редкие “утечки” или единичные случаи. Для части рынка это вполне рабочий инструмент подготовки.

Сразу уточню важный момент. Эта статья не про мораль, не про публичные разоблачения и не про попытку назначить кого-то злодеем.

Мне интереснее разобрать само явление: почему рынок слитых собеседований вообще появился, как он работает и почему стандартные процессы найма сами неплохо помогают ему жить.

Потому что проблема тут не только в кандидатах, которые хотят пройти собес по короткому пути. Проблема ещё и в том, что многие компании годами проводят одни и те же интервью почти в одном и том же виде, а значит рано или поздно этот процесс начинает жить своей отдельной жизнью.

Golem - Telegram-бот-кодинг-агент, который разбирает проекты, пушит код на GitHub и режет правду-матку, теперь обзавёлся собственным каналом — https://t.me/golem666channel.

С 2 апреля он пишет туда сам. Golem самостоятельно оценивает, что происходит в мире ИТ и внутри своего «организма», и сам решает, когда и какой пост запилить. Без модерации, без «а давай помягче» и без мотивационных соплей.

Что уже можно там увидеть:

Я уже писал о Golemе — кодинг-агенте, который живет в Telegram и разбирает чужой код без политкорректности. С тех пор бот оброс новыми возможностями. Рассказываю коротко.

Что умел раньше:

Каждый, кто льет трафик с Директа, рано или поздно сталкивается с одной и той же шизой: интерфейс Директа показывает одни конверсии, Метрика совершенно другие, и хрен поймешь, кому из них верить. Плюс всегда хочется видеть общую картину: расходы, отказы, реальные лиды и качество трафика по кампаниям в одной нормальной таблице, а не скакать по десятку вкладок.

В этой статье я покажу, как собрать связку простых Python-скриптов, которые стягивают данные из обоих API и сводят их в единый дашборд. Никаких громоздких BI-систем и баз данных только хардкор, requests и pandas.

Заодно подсвечу несколько неочевидных грабель Яндекса, о которые сам успел разбить лоб.

Полгода назад написал первую статью про RBACX — RBAC/ABAC-движок авторизации для Python. С тех пор вышло 25+ релизов, и библиотека стала заметно мощнее: добавил ReBAC с поддержкой OpenFGA и SpiceDB, пакетную проверку прав, ИИ-генерацию политик из OpenAPI-схемы, Redis-кэш, async Django, шортхэнд для ролей и закрыл три security-бага. Рассказываю что, зачем и как это вообще делается в одного.

Анализ истории сделок на предмет перекоса шортистов/лонгистов

Контролируемая эволюция RAG-системы: оценка mcp серверов и кеширование результатов запрос-ответ

В статье рассматриваются теоритические выкладки как возможно эволюционировать RAG-систему на одном домене (документация 1С). Эволюцию можно расширить на использование нескольких доменов (финансы, бух.учет, юриспруденция, кодинг и.т.п.)

Во второй части мы сделали консольный чат с циклом и system prompt. Но у него был пробел: каждый запрос шёл к модели независимо, без контекста предыдущих реплик. В третьей части добавляем историю сообщений — и чат наконец начинает помнить разговор.

Когда в FastAPI-проекте появляется нормальная авторизация, код быстро начинает расползаться в стороны.

Сначала все выглядит терпимо: один Depends(get_current_user), один Depends(get_enforcer), одна ручная проверка. Потом роутов становится больше, правил доступа становится больше, и внезапно половина endpoint’ов начинает содержать не бизнес-логику, а обвязку вокруг нее.

В какой-то момент меня перестал устраивать и классический подход через dependency injection в каждом роуте, и вариант с middleware. Хотелось, чтобы правило доступа было видно прямо рядом с маршрутом, но при этом не приходилось таскать авторизацию в сигнатуры всех функций.

В итоге я собрал casbin-fastapi-decorator — тонкий слой над Casbin для FastAPI, который позволяет описывать authorization через декораторы.

Идея простая:

Имитация движений: как научить робота повторять движения, используя нейросеть для генерации траектории.

Здесь мы рассматриваем фабрики в тестировании. На очень элементарных примерах, с использованием языка python и инструментов Django, pytest, factory_boy.

Предыстория

В октябре был в путешествии, за пару месяц до, наша компания как и многие компании в РФ стали переходить на свои мессенджеры в замен Telegram. У нас выбор пал на Mattermost, ну это такой, аналог Slack. За период примерно 3 месяца я столкнулся с максимально ужасным UI по моему мнению. Нет, проработка его очень отличная. Но вот трудности в самом представлении для пользователей — ужас.

Хотите научиться предсказывать продажи, цены на недвижимость или спрос на товары, учитывая сразу несколько факторов? Вам поможет множественная регрессия.

В этой статье вы узнаете:

• Математическую основу множественной линейной регрессии – от уравнения гиперплоскости до метода наименьших квадратов;
• Разбор полного кода на Python с использованием scikit-learn на реальном датасете Advertising (200 наблюдений);
• Как интерпретировать коэффициенты модели;
• Сравнение с простой линейной регрессией – насколько лучше работает множественная модель;
• Расширение до полиномиальной регрессии, когда линейности недостаточно.

Делюсь еще одной полезной штукой из личных разработок, на этот раз на тему мониторинга температуры в компьютере.

~120 строк на Python.

В языке Python значительная часть практической работы выполняется не только средствами самого языка, но и с использованием библиотек. Библиотекой называется набор готовых программных средств: функций, классов, методов и модулей, предназначенных для решения определённого круга задач. В случае Pygame таким кругом задач являются создание оконных приложений, обработка действий пользователя, вывод графики, работа со временем, звуком и текстом.

OpenAI покупает стартап Astral. Cделка позволит компании интегрировать инструменты разработки от Astral в экосистему платформы Codex. Это упростит управление проектами, повысит качество кода и позволит своевременно находить ошибки.

Astral — разработчик Python-инструментов uv, Ruff и ty, которые используются для управления зависимостями, проверки кода и обеспечения типобезопасности. Их интеграция с Codex расширит функции платформы с простой генерации кода до планирования изменений, редактирования баз, запуска инструментов, тестирования и долгосрочной поддержки программ. OpenAI обещает после сделки поддерживать открытый формат проектов Astral.