Python

🚀 50+ команд Claude Code, которые реально ускоряют разработку Если ты используешь Claude Code как обычный чат - ты теряешь 80% его мощности. Это не просто AI. Это полноценная система разработки внутри терминала. Вот как его правильно использовать: База, без которой никуда: - /init - создаёт CLAUDE.md и память проекта - /memory - открывает контекст проекта - /add-dir - подключает новые директории - /compact - чистит контекст и экономит токены Работа с кодом: - /diff - показывает изменения - /review - ревью кода - /simplify - 3 агента анализируют код - /debug - системный дебаг Контроль процесса: - /plan - сначала думает, потом пишет код - /permissions - контроль действий - --dangerously-skip-permissions - полный автопилот Продвинутые фичи: - /agents - параллельные агенты - /loop - повтор задач - /bash - выполнение команд - /remote-control - управление через браузер Модели и режимы: - /model - переключение моделей - /effort - глубина мышления - /fast - быстрый режим Что важно знать: - Claude Code = не чат, а инженер внутри проекта - память (CLAUDE.md) решает больше, чем промпты - агенты дают x2-x5 ускорение на сложных задачах

🚀 Автономные исследования на Apple Silicon Порт Karpathy's autoresearch для Apple Silicon, использующий MLX. Проект реализует автономные исследовательские циклы с фиксированным временем и управлением через program.md. Основные файлы включают train.py для обучения и prepare.py для подготовки данных. 🚀 Основные моменты: - Нативная поддержка Apple Silicon без PyTorch/CUDA - Фиксированный 5-минутный бюджет на обучение - Логирование результатов в results.tsv - Простая структура для автономного эксперимента - Оптимизация моделей для повышения эффективности 📌 GitHub: https://github.com/trevin-creator/autoresearch-mlx #python

Когда я прошу Клода провести проверку кода

🔍Тестовое собеседование на Middle Python с разработчиком из Авито завтра вечером Уже завтра вечером в 19:00 по мск приходи онлайн на открытое собеседование, чтобы посмотреть на настоящее интервью на Middle Python-разработчика. Как это будет: 📂 Даня, старший разработчик в Авито, будет задавать реальные вопросы и задачи разработчику-добровольцу 📂 Даня будет комментировать каждый ответ респондента, чтобы дать понять чего от вас ожидает собеседующий на интервью 📂 В конце можно будет задать любой вопрос Дане Это бесплатно. Эфир проходит в рамках менторской программы от ШОРТКАТ для Python-разработчиков, которые хотят повысить свой грейд, ЗП и прокачать скиллы. Переходи в нашего бота, чтобы получить ссылку на эфир → @shortcut_py_bot Реклама. О рекламодателе.

🗂️ Живая база лучших AI-инструментов - обновляется с 2023 и держит только актуальное В одном месте собрали весь стек, который реально используют сейчас: - свежие LLM и новые релизы - мультимодалка: изображения, видео, аудио - AI-агенты и автоматизация - dev-платформы и API - инфраструктура, плагины и утилиты Это не статичный список, а постоянно обновляемая карта рынка. Сохрани - пригодится. https://github.com/eudk/awesome-ai-tools

Продвинутый совет по Django: Не тащи бизнес-логику в views и serializers. Выноси её в отдельный service layer. Пока проект маленький, удобно писать всё прямо во view: получил request, дёрнул ORM, что-то посчитал, сохранил, отправил ответ. Но как только появляются повторяющиеся сценарии, несколько точек входа, celery-задачи, admin, API и тесты, код начинает расползаться. Хороший паттерн такой: view отвечает только за HTTP, serializer за валидацию, model за данные, а вся бизнес-логика живёт в services. Пример:

    
        
# services/order_service.py

from django.db import transaction
from .models import Order, OrderItem

class OrderService:
    @staticmethod
    @transaction.atomic
    def create_order(*, user, items_data):
        order = Order.objects.create(user=user, status="new")

        order_items = [
            OrderItem(
                order=order,
                product_id=item["product_id"],
                quantity=item["quantity"],
                price=item["price"],
            )
            for item in items_data
        ]
        OrderItem.objects.bulk_create(order_items)

        return order
{}
    

Во view тогда остаётся только это:

    
        
def create_order_view(request):
    serializer = OrderCreateSerializer(data=request.data)
    serializer.is_valid(raise_exception=True)

    order = OrderService.create_order(
        user=request.user,
        items_data=serializer.validated_data["items"],
    )

    return Response({"order_id": order.id})
{}
    

Что это даёт: код проще тестировать, логика не дублируется, её можно использовать в API, admin и background jobs, и становится меньше шансов сломать что-то при росте проекта. Если коротко: Django-проект становится взрослее в тот момент, когда ты перестаёшь писать всё во views. 🐍 Python полезные ресурсы @pythonl

⚡️ Qwen3.6-35B-A3B - ставка на эффективную архитектуру, а не на размер 35B параметров, ~3B активных за счёт MoE. Главное: - по agentic coding показывает уровень моделей с ~10x большим активным объёмом - превосходит Qwen3.5-27B (dense) и предыдущую Qwen3.5-35B-A3B - нативно мультимодальная архитектура (text + vision) - в VLM-бенчмарках сопоставима с Claude Sonnet 4.5, в ряде задач выше - сильные метрики в задачах spatial reasoning Практическое значение: - MoE даёт кратное снижение compute без потери качества - подходит для агентных сценариев, где важны последовательные действия и планирование - можно использовать как единый стек для code + vision задач Apache 2.0 - без ограничений для продакшена qwen.ai/blog?id=qwen3.6-35b-a3b chat.qwen.ai huggingface.co/Qwen/Qwen3.6-35B-A3B modelscope.cn/models/Qwen/Qwen3.6-35B-A3B @ai_machinelearning_big_data

🎨🚀 Генерация 3D-моделей из изображений с помощью AI Modly — это приложение для настольных ПК, позволяющее преобразовывать фотографии в 3D-модели с использованием открытых AI-моделей. Работает на Windows и Linux, с поддержкой macOS в будущем. 🚀Основные моменты: - Генерация 3D-моделей из изображений. - Поддержка внешних AI-расширений. - Открытый исходный код и работа на GPU. - Доступно для Windows и Linux. 📌 GitHub: https://github.com/lightningpixel/modly #python

🔊 В опенсорс вышел самый лёгкий и доступный генератор речи - MOSS-TTS-Nano работает локально на любом процессоре даже без видеокарты. Ультралёгкий TTS, который можно гонять хоть на тостере - MOSS-TTS. Это не «демка на поиграться», а нормальный инструмент: запускается на обычном 4-ядерном CPU, тянется даже на уровне Raspberry Pi и при этом выдаёт живую речь без ощутимой задержки. Модель крошечная - около 100 млн параметров, но звук на уровне: до 48 кГц и вполне чистая озвучка. Лучше всего справляется с английским, но русский тоже поддерживает. Умеет не только короткие фразы. Спокойно читает длинные тексты и может клонировать голос, что открывает кучу сценариев - от ботов до локальных ассистентов. Фактически это TTS, который не требует ни облака, ни GPU, ни сложной инфраструктуры. Запустил и используешь. https://github.com/OpenMOSS/MOSS-TTS-Nano Демо: https://huggingface.co/spaces/OpenMOSS-Team/MOSS-TTS-Nano