Python вопросы с собеседований

🔥 Google DeepMind представили новую open-source библиотеку на Python для сборки асинхронных AI‑пайплайнов в реальном времени! Новая библиотека позволяет собирать AI-процессы из компонентов — как LEGO для ИИ-агентов. 🔧 Особенности: - Построение асинхронных, компонуемых пайплайнов - Поддержка Gemini и Gemini Live API - Основана на asyncio - Обрабатывает мультимодальные данные: текст, изображения, аудио - Внутри готовые агенты: real-time агент, исследователь, live-комментатор 💡 Подходит для: - Разработки ИИ-агентов - Генеративных моделей, работающих в реальном времени - Быстрой сборки MVP с мультимодальными возможностями Установка:

    
        
pip install genai-processors
{}
    

Открытый код, готовые компоненты и интеграция с API. • Repo: https://github.com/google-gemini/genai-processors • Blog: https://developers.googleblog.com/en/genai-processors/ @ai_machinelearning_big_data #DeepMind #ai #ml

🐍 Совет дня для опытных Python-разработчиков 📌 Используй декораторы с параметрами — мощный приём для логирования, контроля, кэширования и кастомных проверок. Пример: логгер, у которого можно задать уровень логирования через аргумент:

    
        
import functools
import logging

def log(level=logging.INFO):
    def decorator(func):
        @functools.wraps(func)
        def wrapper(*args, **kwargs):
            logging.log(level, f"Вызов {func.__name__} с args={args}, kwargs={kwargs}")
            return func(*args, **kwargs)
        return wrapper
    return decorator

@log(logging.DEBUG)
def compute(x, y):
    return x + y
{}
    

✅ Зачем это нужно: Декоратор гибко настраивается; Подходит для трассировки в проде и отладки в деве; Сохраняет сигнатуру и docstring благодаря @functools.wraps. ⚠️ Совет: избегай вложенности >2 уровней и всегда пиши тесты на поведение декоратора. Python даёт инструменты, которые выглядят магией, но работают стабильно — если знаешь, как ими пользоваться.

👾 GREMLLM — теперь у ваших багов есть сознание GREMLLM — это необычный Python-класс, в котором все методы и свойства создаются динамически с помощью LLM. Вы описываете, *что за объект вы хотите*, и дальше GREMLLM сам решает, что должно происходить при вызове методов или обращении к полям. 📦 Установка:

    
        
pip install gremllm
{}
    

🔧 Пример:

    
        

from gremllm import Gremllm

counter = Gremllm('counter')
counter.value = 5
counter.increment()
print(counter.value)               # → 6?
print(counter.to_roman_numerals())  # → VI?
{}
    

🧩 Возможности: – Динамическое поведение: всё определяется "на лету" с помощью LLM – Поддержка OpenAI, Claude, Gemini, и локальных моделей – Wet Mode: можно строить цепочки вызовов (методы возвращают объекты) – Verbose Mode: выводит, какой код был сгенерирован – Умная обработка ошибок и настройка через наследование ⚠️ Это экспериментальный инструмент. Не для продакшена. Но очень интересен для изучения LLM-интеграций в Python-код. 🔗 Репозиторий: https://github.com/ur-whitelab/gremllm @pythonl

🧠 Ускорь import в Python-проектах с помощью lazy loading — без изменения логики Если у тебя проект с тяжёлыми модулями (`pandas`, torch, tensorflow`), но они не всегда нужны — не загружай их зря. Python позволяет **отложить импорт до первого использования**, через встроённый `importlib. Вот как это выглядит на практике:

    
        

import importlib

# Обёртка для ленивого импорта
def lazy_import(name):
    return importlib.util.LazyLoader(importlib.import_module(name))

# Использование
np = lazy_import('numpy')
# numpy ещё не загружен

# Теперь загрузится:
print(np.array([1, 2, 3])){}
    

🧠 Хитрая задача по Python — *ловушка с изменяемыми значениями по умолчанию* Вопрос: Что выведет следующий код?

    
        
def append_to_list(value, my_list=[]):
    my_list.append(value)
    return my_list

print(append_to_list(1))
print(append_to_list(2))
print(append_to_list(3))
{}
    

Ваш ответ? 🤔 Многие ожидают:

    
        
[1]
[2]
[3]
{}
    

Но фактически вывод будет:

    
        python 
[1]
[1, 2]
[1, 2, 3]
{}
    

🔍 Почему так происходит? Параметр my_list=[] создаётся один раз — при определении функции. И он сохраняется между вызовами. То есть все вызовы функции используют один и тот же список по умолчанию. Это одна из самых частых ошибок в продакшене. ✅ Правильный способ — использовать None как значение по умолчанию:

    
        

def append_to_list(value, my_list=None):
    if my_list is None:
        my_list = []
    my_list.append(value)
    return my_list
{}
    

Теперь:

    
        
[1]
[2]
[3]
{}
    

Каждый вызов получает новый список. ⚠️ Если вы работаете с функциями, которые принимают списки или словари — всегда проверяйте, не мутируется ли значение между вызовами.

🚀 Как оптимизировать Python‑код уже на старте — советы для новичков Не нужно быть профи, чтобы писать быстрый и аккуратный код. Вот 7 простых приёмов, которые реально помогают: 1. Используй профайлеры (cProfile, Py‑Spy) Перед оптимизацией — измерь время. Часто больше всего тормозят совсем неожиданные места. 2. Перестрой алгоритмы и структуры данных Выбор между списком, множеством или словарём может кардинально изменить сложность: O(1) вместо O(n) при поиске. 3. Выбирай встроенные функции map, max, join — всё это написано на C и работает быстрее ручных циклов. 4. Пиши list/dict comprehensions и используй zip, enumerate Это компактнее, читабельнее и часто быстрее классических for-циклов. 5. Генераторы вместо списков, где не нужен весь набор сразу Снижают потребление памяти и ускоряют обработку. 6. Переход на PyPy или JIT‑ускорители PyPy, Numba и Cython могут дать прирост производительности в 2–100 раз для тяжёлых вычислений. 7. Избегай преждевременной оптимизации Оптимизируй только то, что реально тормозит. Профайлер покажет, где именно. 🧩 Быстрый чек-лист: • Измерил ли я время выполнения? • Подходящие ли структуры данных? • Используются ли встроенные функции? • Применены ли comprehensions и генераторы? • Рассматривал ли я PyPy или JIT? • Код по-прежнему читаемый? ✅ Вывод: даже новичок может писать быстрый и понятный Python-код. Главное — думать, замерять и улучшать без фанатизма. ▶️ Подробности с кодом

📦 Pydantic Extra Types — коллекция дополнительных типов данных для Pydantic, которые не вошли в основную библиотеку. Проект расширяет возможности валидации данных, предлагая специфические форматы и проверки. Типы подключаются как опциональные зависимости, позволяя выбирать только нужные компоненты. Например, можно добавить поддержку pendulum для работы с временными зонами. 🤖 GitHub @python_job_interview