Python

🤖 Python библиотеки для AI-агентов — что изучать Если вы хотите разрабатывать AI-агентов на Python, важно понимать порядок изучения библиотек. Начните с LangChain, CrewAI или SmolAgents — они позволяют быстро собрать простых агентов, подключить инструменты и протестировать идеи. Следующий уровень — LangGraph, LlamaIndex и Semantic Kernel. Эти инструменты уже используются для production-систем: RAG, orchestration и сложные workflow. Самый сложный уровень — AutoGen, DSPy и A2A. Они нужны для автономных мультиагентных систем и оптимизации LLM-пайплайнов. LangChain — простые агенты, инструменты и память github.com/langchain-ai/langchain CrewAI — мультиагентные системы с ролями github.com/joaomdmoura/crewAI SmolAgents — лёгкие агенты для быстрых экспериментов github.com/huggingface/smolagents LangGraph — orchestration и stateful workflow github.com/langchain-ai/langgraph LlamaIndex — RAG и knowledge-агенты github.com/run-llama/llama_index Semantic Kernel — AI workflow и плагины github.com/microsoft/semantic-kernel AutoGen — автономные мультиагентные системы github.com/microsoft/autogen DSPy — оптимизация LLM-пайплайнов github.com/stanfordnlp/dspy A2A — протокол взаимодействия между агентами github.com/a2aproject/A2A 🐍 Python полезные ресурсы 🚀Max @pythonl

Нужны твои навыки в работе с ИИ на МТС True Tech Hack 2026! Тебе сюда, если ты инженер данных, разработчик или системный аналитик. 1 500 000 рублей — общий призовой фонд ИТ-соревнования. Формат: командное онлайн-соревнование с финалом в Москве. Если нет команды — поможем найти на платформе мероприятия. Тебя ждут три задачи на выбор — каждая с уникальной технической фишкой. Для всех финалистов — приглашение на закрытую вечеринку, а лучших участников позовут на стажировку. Успей зарегистрироваться до 9 апреля

🖥 ByteDance только что выпустили в открытый доступ - OpenViking, и этот проект показывает, что именно не так с тем, как сегодня строят память для AI-агентов. Вот где большинство агент-фреймворков ошибаются: Память хранится в одном месте. Ресурсы — в другом. Навыки разбросаны по системе. Когда агенту нужен контекст, обычно делают плоский векторный поиск и просто надеются на лучший результат. Именно это и проблема. OpenViking решает её одной идеей: рассматривать контекст агента как файловую систему. Всё работает через единый протокол: viking:// Память, ресурсы и навыки организованы как директории с уникальными URI. Агент может ls, find и навигировать по контексту, как разработчик в терминале. Главный прорыв — многоуровневая загрузка контекста: - L0 — одно предложение для быстрого поиска - L1 — обзор ~2000 токенов для принятия решений - L2 — полные детали, загружаются только когда действительно нужны Большинство агентов просто загружает всё в контекст и надеется на лучшее. OpenViking загружает только нужные данные и только в нужный момент. Результат: - меньше расходов на токены - выше точность - быстрее работа агентов Retrieval теперь тоже работает логичнее. Вместо одного плоского семантического поиска: 1. сначала происходит позиционирование на уровне директорий 2. затем рекурсивный поиск внутри наиболее релевантных директорий Можно буквально видеть траекторию поиска — это больше не чёрный ящик. Есть и механизм самоэволюции агента. В конце каждой сессии система автоматически: - извлекает новые знания - обновляет память агента - обновляет память пользователя То есть агент становится умнее с каждым использованием. Проект уже имеет: - 9K звёзд на GitHub - 13 контрибьюторов Разработан командой ByteDance Viking, которая строит инфраструктуру векторного поиска с 2019 года. Проект полностью open-source под лицензией Apache 2.0. https://github.com/volcengine/OpenViking 🐍 Python полезные ресурсы 🚀Max @pythonl

🐍 Почему ошибки валидации в Python иногда так сложно найти Чем глубже вложена структура данных, тем сложнее понять, где именно произошла ошибка. Если использовать обычные dataclass, вы чаще всего увидите только значение, которое не прошло проверку — но не путь к полю, где возникла проблема. В сложных вложенных структурах это превращает отладку в настоящую боль. Pydantic решает эту проблему. Он показывает полный путь до поля, которое вызвало ошибку — от корневой модели до конкретного атрибута. В результате сразу понятно, где искать проблему. Пример: from pydantic import BaseModel, Field class Address(BaseModel): zip_code: str = Field(pattern=r"^\d{5}$") class Customer(BaseModel): name: str address: Address customer = Customer( name="Alice", address={"zip_code": "9ABC1"} ) Ошибка будет выглядеть так: ValidationError: address.zip_code String should match pattern '^\d{5}$' То есть Pydantic сразу показывает: address.zip_code А не просто сообщает, что «где-то внутри данных ошибка». Для сложных JSON, API-ответов и вложенных моделей это сильно упрощает дебаг. #Python #Pydantic #Backend #DataValidation 🐍 Python полезные ресурсы 🚀Max @pythonl

🐍 Python полезные ресурсы 🚀Max @pythonl

⚡️ Языки программирования и время, которое потребовалось для выпуска первой версии. Многие думают, что язык программирования можно сделать быстро. Но на практике на это уходят годы. Rust разрабатывали девять лет, Kotlin и C++ около шести, Go и Java примерно пять. Даже Python готовили два года перед первым релизом. Есть знаменитое исключение - JavaScript. Его написали всего за десять дней в 1995 году, и многие странности языка до сих пор связаны именно с такой скоростью разработки. Это хороший пример того, что создание фундаментального инструмента требует времени и большого количества экспериментов. 🦀 Rust - 9 лет (2006 → 2015) 🤖 Kotlin - 6 лет (2010 → 2016) ⚙️ C++ - 6 лет (1979 → 1985) ☕ Java - 5 лет (1991 → 1996) 🐹 Go - 5 лет (2007 → 2012) 🍎 Swift - 4 года (2010 → 2014) 🔧 C - 3 года (1969 → 1972) 🧬 Scala - 3 года (2001 → 2004) 📊 Julia - 3 года (2009 → 2012) 🐍 Python - 2 года (1989 → 1991) 🌐 JavaScript - 10 дней (1995) 💎 Ruby - 2 года (1993 → 1995) 🐘 PHP - 1 год (1994 → 1995) 🔷 C# - 2 года (1998 → 2000) 🎯 TypeScript - 2 года (2010 → 2012) 🎯 Dart - 2 года (2009 → 2011) ⚡ Elixir - 2 года (2011 → 2013) 🧠 Haskell - 3 года (1987 → 1990) 🧩 Objective-C - 1 год (1983 → 1984) 🐍 Python полезные ресурсы 🚀Max @pythonl

🎙 TADA (Text Audio Dual Alignment) - речевая AI-система нового типа. Она генерирует текст и аудио одновременно в одном синхронизированном потоке. Это позволяет снизить галлюцинации на уровне токенов и значительно уменьшить задержку. Что показали тесты: → 0 галлюцинаций контента на 1000+ тестовых примеров → в 5 раз быстрее, чем похожие LLM-решения для TTS → намного длиннее аудио: 2048 токенов покрывают ~700 секунд речи (в обычных системах около 70 секунд) → транскрипт генерируется сразу вместе с аудио без дополнительной задержки По сути, модель думает текстом и голосом одновременно, что делает генерацию речи быстрее и точнее. https://huggingface.co/collections/HumeAI/tada 🐍 Python полезные ресурсы 🚀Max @pythonl

Можно, а зачем? 🐍 Python полезные ресурсы 🚀Max @pythonl

🔍Тестовое собеседование на Middle Python с разработчиком из Авито сегодня вечером Уже сегодня 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.

🔥 Андрей Карпати выложил в open-source проект autoresearch. Идея проста, но мощная: агент может запускать до 100 ML-экспериментов за ночь на одном GPU. Он сам пишет код, запускает обучение, анализирует результат, улучшает архитектуру и сохраняет только то, что работает. Роль человека в этой системе минимальна. Всё, что нужно поддерживать — один файл `program.md`, в котором описана стратегия исследования: что исследовать, какие идеи приоритетнее, какие компромиссы важны. Агент читает этот файл, рассуждает над ним и сам решает, какой эксперимент запускать следующим. Как работает система: - автономный git-цикл — агент коммитит каждое улучшение - каждый эксперимент длится ровно 5 минут, чтобы сравнение было честным - оптимизируются архитектура, гиперпараметры и оптимизатор - человек редактирует стратегию - агент редактирует код - всё работает на одном GPU Главная мысль проекта: узкое место в AI-исследованиях - уже не вычисления, а идея эксперимента. В autoresearch этим bottleneck становится всего один файл - program.md. github.com/karpathy/autoresearch 🐍 Python полезные ресурсы 🚀Max @pythonl