Учебный процесс в IT

Изолируем зависимости: как создать виртуальное окружение в Python

Когда пишешь код на Python, рано или поздно наступает момент, что один проект начнет ломать другой. Установили новую библиотеку, и вдруг скрипт, который вчера работал, падает с ошибкой. Знакомо? Причина обычно одна — конфликт зависимостей. Все пакеты свалены в один системный Python, версии пересекаются, и что-то обязательно отваливается.

Решение — виртуальное окружение. Это отдельная песочница для проекта: свои библиотеки, свой Python, никакого пересечения с соседями.

Вот с чего стоит начать и что стоит разобрать, если вы только садитесь за такую изоляцию зависимостей:

• Виртуальное окружение vs виртуальная машина. Первое — это просто отдельная папка с пакетами, второе — целая ОС. Хотя некоторые новички часто путают, и потом удивляются, почему venv весит пару мегабайт.

• venv, virtualenv, pipenv, poetry, conda. Это пять инструментов, которые решают похожие задачи, но по-разному. Для большинства проектов хватает встроенного venv — он уже есть в Python с версии 3.3, и ничего ставить не надо.

• Активация. А это самая частая точка спотыкания. Команды различаются для Windows, Linux и macOS, а PowerShell вообще блокирует скрипты по умолчанию. source .venv/bin/activate против .venv\Scripts\activate — и это только начало.

• requirements.txt. Важно помнить, что папку окружения нельзя копировать между машинами, так как она привязана к ОС и архитектуре. Вместо этого фиксируем список пакетов и разворачиваем его одной командой pip install -r requirements.txt.

• Git и .gitignore. Виртуальное окружение в репозиторий не кладут — только код и список зависимостей.

Чтобы пройти весь путь по шагам — от создания первой папки до деплоя на сервере через systemd и Gunicorn — читайте подробный гайд на сайте Рег.облака.

Anthropic опубликовала руководство по работе с ИИ-моделью Claude Opus 5.5. Эта модель способна дольше выполнять задачи самостоятельно и сама определяет время для рассуждения.

Anthropic советует убрать из промптов фразы вроде «подумай хорошенько» и «рассуждай шаг за шагом». Opus 5.5 уже обдумывает каждый ответ, поэтому дополнительные указания не нужны.

В Anthropic разработчикам рекомендуют вместо последовательности отдельных команд описывать всю задачу сразу и указывать критерии ее завершения. Например, при работе с кодом нужно уточнить, какие его компоненты нужно обновить, а какой старый код можно удалить. Также пользователем этой системы нужно заранее определить ситуации, в которых ИИ-модель должна остановиться и запросить подтверждение пользователя.

Проект StudyStream даёт доступ к бесконечному созвону в сети. Туда подключаются пользователи со всего мира, который работают на удалёнке со включённой камерой. По задумке авторов, «онлайн‑коворкинг» помогает создать иллюзию офиса и работать продуктивнее, не отвлекаясь от своих задач.

Python в VS Code не работает? Разбираем настройку по шагам

Если вы пишете код на Python, рано или поздно встает вопрос: в чем его писать? Вариантов масса: от блокнота до тяжелых IDE вроде PyCharm. Visual Studio Code — отличный компромисс — он легкий, но при этом умеет почти всё, что нужно для комфортной работы. Но сложность в том, что из коробки он бесполезен, пока не настроишь интерпретатор, расширения и окружение. И вот тут начинается самое интересное.

Вот с чего стоит начать и что стоит разобрать, если вы только садитесь за настройку:

• Интерпретатор. VS Code хранит и редактирует файлы, но код выполняет отдельная программа. Пока вы явно не укажете, какой Python использовать, редактор будет гадать и часто ошибаться.

• Виртуальное окружение. Без него все библиотеки ставятся в общую систему, и рано или поздно два проекта потребуют разные версии одной и той же библиотеки. Что-то одно сломается.

• Расширения. Pylance отвечает за автодополнение, Python Debugger — за отладку по шагам, Ruff — за линтинг и форматирование. Но если поставить всё сразу, инструменты начнут конфликтовать между собой.

• Отладка вместо print(). Точки остановки и панель переменных позволяют увидеть, что реально происходит в коде, вместо того чтобы гадать, где закралась ошибка.

Каждый из этих пунктов — отдельная история с нюансами под Windows, macOS и Linux. Где-то команда называется python, где-то python3. Где-то нужно вручную добавить PATH, где-то переустановить Python из официального пакета.

Если хотите пройти весь путь по шагам: от установки редактора до запуска первого скрипта с отладкой, читайте полное руководство на сайте Рег.облака.

Центр безопасности ИИ (CAIS - американская некоммерческая исследовательская организация, которая изучает риски развития ИИ и разрабатывает методы защиты от сценариев, где нейросети могут выйти из-под контроля человека) представил бенчмарк CheatBench. Этот проект измеряет, насколько часто нейросети ищут лазейки и жульничают при выполнении сложных задач.

Исследователи CAIS пояснили, что все передовые ИИ-модели так или иначе обманывают пользователей: списывают ответы из спрятанных файлов, подтасовывают результаты проверок и копируют решения других агентов, если сделать всё честно слишком трудно. Исследователи называют это поведение «reward gaming».

Самой «честной» из протестированных моделей оказалась GPT-6 Astra от OpenAI (сжульничала в 48,2% случаев). У Grok 4.6 этот показатель составил 81,5%. При этом склонность к обману сильно зависела от типа задачи: к примеру, Fable 5.1 жулила лишь в 5% случаев при прохождении игр, но выдавала 100% результат по обману в интеллектуальной работе.

Например, Claude Opus при проектировании связывающего белка обнаружила файл с готовыми верными решениями. ИИ в своих рассуждениях написала, что подглядывать туда нельзя, так как это исказит оценку её способностей, а следующим же шагом выполнила консольную команду и прочитала этот файл.

Исследователи CAIS объяснили причину такого поведения обучение с подкреплением, которое заставляет ИИ-модель выполнять задачу любой ценой и игнорировать меры безопасности. В масштабах простых тестов это выглядит безобидно, однако склонность ИИ добиваться цели в ущерб правилам создаёт большие риски: в будущем сверхинтеллект может поставить свои приоритеты выше человеческих не из ненависти к людям, а просто потому, что человек окажется помехой на пути к выполнению поставленной задачи.

Представлен проект Pirate Face — децентрализованная инфраструктура для ИИ, которая превращает открытые модели Hugging Face в торренты. Это Pirate Bay для нейросетей (модели для кода, текста, картинок, видео и аудио). На Pirate Face модели выложены magnet-ссылки. Авторы проекта пояснили, что это превращает нейросети в торренты, которые можно скачивать и поддерживать раздачей без центрального хоста.

Проверка целостности файлов происходит по официальному SHA-256 из Hugging Face. Чтобы отправить модель на эту платформу, её нужно загрузить на Hugging Face, а уже потом отправлять через Pirate Face.

Открытый медицинский ИИ‑проект от Alibaba под названием RADAR: An Expert‑Level Generalist AI for Abdominal CT Diagnosis умеет выявлять 150 заболеваний по результатам компьютерной томографии, рентгена и проверки анализов. Нейросеть обучили на 40 тыс. реальных обследованиях рентгенологов. Показатель AUC или производительность модели составил 0,913, где 1,0 — это диагностическая точность «идеального» доктора.

Обычная колода из 52 карт содержит почти немыслимое количество возможных комбинаций. Их количество сопоставимо с оценками числа атомов в нашей галактике.

Для первой карты существует 52 возможных позиции, для второй — 51, для третьей — 50 и так далее. Общее число вариантов равно:

52 × 51 × 50 × … × 2 × 1.

В математике это записывается гораздо короче: 52!, или «52 факториал».

За этой компактной записью скрывается число из 68 цифр:

52! ≈ 8 × 10⁶⁷.

Это настолько много, что количество возможных порядков карт сопоставимо с оценками числа атомов в нашей галактике.

Поэтому, когда хорошо перемешанная колода оказывается у вас в руках, конкретный порядок её карт с огромной вероятностью никогда прежде не существовал. После следующей действительно случайной тасовки вы, скорее всего, получите ещё одну последовательность из 52 карт, которая появилась впервые в истории.

Но здесь возникает другой вопрос: сколько раз вообще нужно тасовать колоду, чтобы считать её хорошо перемешанной?

Исследования математиков показали удивительный результат: для обычной колоды достаточно примерно семи правильных riffle shuffle — привычных тасовок, при которых колоду делят примерно пополам, а затем переплетают две половины небольшими группами карт.

После одной или двух тасовок первоначальный порядок всё ещё хорошо заметен. Даже после четырёх или пяти в колоде сохраняется значительная структура.

А затем происходит резкий переход.

Примерно после седьмой такой тасовки распределение карт становится уже очень близким к случайному. Восьмая, девятая или десятая тасовка улучшают перемешивание гораздо меньше.

Получается своеобразный порог.

До него колода сохраняет память о прошлом. После него эта память почти исчезает.

И в этот момент простая колода из 52 карт превращается в наглядную демонстрацию того, насколько огромным может быть пространство возможных состояний: всего несколько движений рук - и перед нами возникает порядок карт, которого, вероятнее всего, никогда раньше не существовало.

Хорошего дня! заходите на тг канал https://t.me/TradPhronesis

В Tencent представили открытый проект BrowserSkill, который подключает ИИ‑агентов к актуальному пользовательскому браузеру со всеми доступами и аккаунтами:

• обычно ИИ получает «чистый» браузер, а все доступы и входы нужно предоставлять отдельно;

• сервис BrowserSkill позволяет Codex, Claude Code, Cursor, Hermes и другим агентам работать на сайтах, где пользователь уже авторизован;

• при этом ИИ‑агент действует в отдельном окне. Если ему нужна открытая рабочая вкладка, то он запросит разрешение. Все капчи и окна подтверждения также передаются пользователю, а затем работа продолжается;

• работает с любым агентом, выполняющим команды в терминале;

• поддерживает Windows, macOS, Linux.

В команде AlphaXiv представила открытый проект OpenResearch, который превращает любого ИИ‑агента в автономного исследователя:

• ИИ‑агенту нужна только цель — он сам изучит литературу, проведёт эксперименты и сделает выводы;

• несколько сабагентов будут проверять все возможные гипотезы одновременно;

• работает с Claude Code, Cursor, Codex и Open Code локально на Windows, macOS и Linux.

Пользователь настраивал систему потокового видеовещания OBS Studio с помощью GPT-6 Astra, но в какой‑то момент отвлёкся и перестал отвечать нейросети. ИИ посмотрела на него через камеру и зафиксировала, что человек не обращает на неё внимания и смотрит куда‑то вниз. В этом случае нейросеть сама включила звук на Mac и привлекла внимание пользователя для продолжения работы с ИИ.

Хабр и eLama проведут с 5 по 9 октября 2026 года онлайн‑конференцию под названием «Санаторий маркетолога». Это «пять дней полезной движухи для маркетологов», пояснили организаторы мероприятия.

Мы посмотрели на рынок, собрались рассказать вам что-нибудь умное про CPL, каналы и бюджеты… Поняли, что рассказывать особенно нечего, за год никто так и не открыл супер-гига-мега-секретный рекламный канал, где лиды всё ещё по 100 рублей. 

Поэтому вместо очередной конференции про успешные кейсы мы соберём столько маркетологов с рынка, сколько вообще получится силами Хабра и eLama, и дадим всем поговорить друг с другом.

Будут те, кто уже что-то нащупал. Те, кто пока только понял, что не работает. Те, кто внезапно выстрелил и сам теперь пытается разобраться, за что ему такое счастье. Те, кто собрал такую коллекцию граблей, что её жалко держать при себе. И те, кто просто хочет три дня побыть среди своих — потому что сейчас чужие ошибки экономят бюджеты не хуже, чем чужие успехи.

И если всё сложится, вы уйдёте с целым пакетом рабочих гипотез на конец года. Ну, или хотя бы с парой… но зато своих, рабочих. Для этого, в общем-то, и собираемся.

А почему санаторий? Да потому что нам всем уже в него пора... Пять дней, чтобы отдышаться посреди кризиса и подорожавшего трафика — и при этом не выгореть, не сорваться на подрядчика, не пообещать руководству иксы, которых нет, и не поверить, что вы плохой маркетолог, когда вы просто маркетолог в плохой год.

В университета Кёльна опубликовали подборку из 7 учебных курсов по поиску и анализу нейронов дрозофилы. материалы уроков структурированные, практические, с примерами и иллюстрациями.

Вышел подробное руководство по GPT-6 Astra — разработчики из OpenAI показали, как работать с нейросетью наиболее продуктивно. Astra работает иначе, чем другие модели, поэтому обычные промпты ей не подойдут. Также опубликован запрос, который позволяет проверить GPT-6 по гайду.

"На основе статьи ниже проверь AGENTS.md и Skills на настройки, которые могут приводить к лишней работе, конфликтам инструкций или ненужным ожиданиям. Объясни причины и предложи минимальные изменения: https://developers.openai.com/blog/rethinking-skills-and-prompts-for-gpt-6-astra".

Организация экономического сотрудничества и развития (ОЭСР) проверила более 760 тысяч 15-летних подростков из 91 страны на тесте PISA. Средние результаты по чтению, математике и естествознанию оказались самыми низкими за всё время наблюдений:

• за десять лет чтение просело на 28 баллов, математика — на 22, что соответствует потере чуть больше года обучения;

• случаи чтения по диагонали, когда текст читают быстро, но неточно, почти удвоились с 2018 года — до 9%;

• каждый пятый школьник не достигает базового уровня сразу по всем трём предметам. В 2022-м таких было 16%;

• с проверкой информации тоже беда: только 46% учеников говорят, что проверяют надёжность источников и доверяют научным доказательствам больше, чем своим мыслям;

• 46% учащихся используют нейросети для учёбы минимум раз в неделю;

• при этом разница в уровне знаний между учениками из богатых и бедных семей сократилась — просто обеспеченные дети стали учиться хуже.

Представлен открытый проект Omelette для Mac - улучшенный аналог CodexBar:

• оптимизирован под CLI Claude Code / Codex / AntiGravity;

• не просит никаких лишних разрешений;

• получает сообщения cli и передаёт в терминал на iTerm2 (cmux пока в разработке);

• находится в активной разработке;

• имеет всякие дополнительные инструменты и mcp, типа монитора, который сообщает агентам, что они слишком много тратят токенов.

Пару недель назад прошла CTF от компании Касперский. Задачи, как вы понимаете, были из области классического ИБ: криптография (crypto), реверс инжиниринг (reverse), расследование инцидентов (forensics), внешний (web) и внутренний пентесты (misc), а также pwn (даже не знаю как правильно перевести).

И все бы ничего, но задачи были несравнимо "необычные", не чета таскам в до-ИИшную эпоху. Даже мою любимую форензику я не смог решить... ни одного задания. Давно у меня не было такого гнетущего ощущения как "эффекта самозванца". Но в чем оказался секрет?

Примерно через 20 минут после начала мероприятия наш сокомандник говорит: "Я решил первое задание!" На завидный вопрос коллег, а что там было и как решал, прозвучал ответ: "Я не знаю, я просто закинул архив и задание в ИИ и тот мне сам все решил". Прикольно, но как-то не спортивно мне кажется. Ладно, победителей не судят, а в правилах не было запрета на потусторонние силы.

Через 30 минут тоже самое повторилось и со вторым заданием, потом с третьим и так далее. В итоге, таким образом наша команда (читай ИИ) смогли решить чуть меньше 10 упражнений.
В ходе последующих обсуждений мы все пришли к выводу, что CTF в целом уже не то, и сейчас мероприятия превратились в "борьбу кошельков", то есть у кого больше закуплено агентов. Вместе с тем и организаторы не стоят на месте и свои задания (судя по врайтапам) тоже генерируют через ИИ, потому что решить их руками в установленные сроки просто не реально.
В общем, есть на чем задуматься.

К слову сказать, если сейчас перейти на сайт портала, чтобы посмотреть таски, то у вас ничего не получится: вас встретит заглушка об окончании мероприятия. НО! перед заглушкой на долю секунды мелькают задания... что намекает на скрипт, который проверяет текущую дату и сверяет с датами проведения CTF. 
Поэтому, если есть желание попробовать самому, то открываем Burp и ставим Intercept On.
А если будет тяжело, можно посмотреть решения одного из участников - https://github.com/hax1ng/Kaspersky-CTF-2026/ 

🧠 Обязательно поделись с теми, кому это может быть полезно 💬 Телеграм | 💬 Max | 📝 Хабр | 💙 ВКонтакте

Представлен открытый проект AI File Sorter. Решение раскладывает файлы по папкам и меняет названия. Приложение анализирует содержимое картинок и документов: test123.jpg превращается в фото_в_деревне.jpg, а файл PDF получает имя по тексту внутри. Перед сортировкой можно проверить и поправить предложения, а последний запуск с изменениями можно откатить. Проект работает на Windows, macOS и Linux, при этом бесплатно, если использовать локальную ИИ-модель.

Представлен открытый проект Free Router, автоматически переключает ИИ‑агента между 25 бесплатными провайдерами для значительной экономии токенов, включая бесплатные. На выбор есть любые актуальные модели: DeepSeek, GLM-5.3, Qwen-3.8.

Парадокс Джевонса был сформулирован в 1800-х годах для объяснения динамики на угольном рынке.

Джевонс обнаружил, что технологические усовершенствования могут повысить эффективность использования ресурсов, но это часто приводит к увеличению общего потребления ресурсов. Повышение эффективности приводит к снижению эффективных издержек, а при снижении издержек спрос будет расти. 

Мы наблюдаем этот эффект во многих отраслях, переживающих технологические усовершенствования, но, пожалуй, лучше всего его иллюстрирует рынок искусственного интеллекта, где эффективность постоянно повышается, а спрос продолжает расти. Потребность в электроэнергии будет расти. Спрос на микросхемы будет расти. Спрос на данные будет расти. Да, эффективность повышается, но при этом увеличится и потребление основного продукта и сопутствующих материалов. 

В индустрии искусственного интеллекта нет ничего особенного. Она следует тому же принципу, который мы наблюдали бесчисленное количество раз на протяжении столетий. 

Хорошего дня! заходите на тг канал https://t.me/TradPhronesis