PythonTalk

Дожили: компании начали судиться с сотрудниками за бездумный копипаст из ChatGPT 🤡 В инфополе прекрасное: российский бизнес массово потащил в суды сотрудников и подрядчиков, которые делегировали свои задачи нейронкам, наворотили делов и нанесли ущерб на миллионы. Парад победителей выглядит примерно так: Например описывается такой кейс: продакт-менеджер решил сэкономить на девопсах и полез настраивать облачный сервис строго по инструкции от чат-бота. Итог — стерты вообще все данные на серверах компании. Бизнес парализован на несколько дней, а вместо экономии пришлось отливать бюджет внешним спецам за восстановление из бэкапов. 🧑‍⚖️ Самое смешное в этой ситуации то, что бизнес эти суды... проигрывает. Логика судов железобетонная: в трудовом договоре запрета на ИИ нет? Нет. Работу (отчет/код) компания приняла? Приняла. Ну так и разбирайтесь со своими убытками сами, оценивается результат, а не инструменты. Всех не пересудишь 👃

Warp в опенсоре 🧑‍💻 Warp (сейчас такие инструменты модно называть Agentic Development Environment) выложил код клиента в открытый доступ. 5 лет разработки, тонны венчурных денег, и вот они открыли исходники клиента. Если вы думаете, что это про идеалы свободного ПО — ха-ха. В официальном [анонсе](https://www.warp.dev/blog/warp-is-now-open-source) CEO прямым текстом говорит базу: чтобы конкурировать с богатыми закрытыми комбайнами (например, Cursor), им тупо не хватает человеческих и финансовых ресурсов. Поэтому они решили хакнуть систему. Зачем нанимать сотни разработчиков, если можно превратить комьюнити в бесплатных QA-инженеров и продакт-менеджеров для нейросетей? Вот так теперь выглядит процесс развития проекта: 1️⃣ Ты находишь баг или придумываешь фичу. 2️⃣ Создаешь ишью со спекой. 3️⃣ Облачный оркестратор агентов Oz (на базе моделей OpenAI, которые и проспонсировали банкет) пишет код. 4️⃣ Ты ревьюируешь генерацию и проверяешь, что ничего не отвалилось. Ну и еще завезли поддержку зоопарка опенсорсных моделей для локальных экспериментов: Kimi, MiniMax, Qwen + автоматический роутинг между ними Кто сидит в Warpe, как оно?

ORM vs Raw SQL 🪑 Вечный холивар, в котором одни топят за «удобство», а другие за «контроль». 🪑 Стул №1: SQLAlchemy ORM ORM — это не про скорость кода, это про скорость поставки фич. Вы работаете с объектами, а не со строками. ✅ Почему это круто: — Unit of Work: Алхимия сама следит за изменениями объектов и пушит их в базу одним транзакционным паком. — Безопасность: SQL-инъекции? Забудьте. Если вы не используете .text(), вы защищены по умолчанию. — Миграции: Синхронизация схемы БД с вашими моделями — это просто магия, которая экономит часы рутины. — Domain Logic: Идеально для сложных E-commerce систем и админок, где связи между таблицами запутаннее, чем сюжет «Интерстеллара». ❌ В чем подвох: — Overhead: Маппинг объектов — дорогая операция. На больших выборках (100k+ строк) вы почувствуете, как Python-процесс начинает жрать память и CPU. — N+1 Problem: Главный киллер производительности. Один забытый .joinedload() — и ваш сервис ложится под градом мелких запросов. 🪑 Стул №2: Raw SQL / asyncpg (Выбор для Highload) Когда вы упираетесь в производительность, прослойки начинают мешать. ✅ Почему это круто: — Экстремальная скорость: Разница в 2.5 раза — это не шутка. Бинарный протокол asyncpg позволяет выжимать максимум из сетевого канала. — Полный контроль: Вы пишете именно тот SQL, который пойдет в планировщик базы. Никакой лишней магии от ORM. — Специфические фичи БД: Попробуйте эффективно использовать JSONB или специфические индексы Postgres через ORM — иногда это превращается в сизифов труд. ❌ В чем подвох: — Твоя ответственность: Забыл про экранирование параметров? Поздравляю, база слита. — Бойлерплейт: Придется руками мапить кортежи из базы в DTO/Pydantic модели. Это скучно и плодит ошибки. — Поддержка: Читать 500 строк сырого SQL в коде через полгода — сомнительное удовольствие. 💡 Вердикт: Золотой стандарт — гибридный подход Не нужно выбирать что-то одно. Современная архитектура выглядит так: 1. SQLAlchemy ORM — для 90% задач: CRUD, бизнес-логика, миграции и админка. 2. SQLAlchemy Core — когда ORM-объекты слишком тяжелые, но писать сырые строки еще не хочется. 3. Raw SQL (asyncpg) — для узких мест: аналитические отчеты, массовые инсерты и микросервисы с нагрузкой 10k+ RPS. Выбирайте стул по размеру нагрузки ☝️ А на чем пишете вы? 👨‍💻 Только ORM, жизнь слишком коротка для написания SQL руками. 👨‍💻 Только Raw SQL, не доверяю этой магии. #два_стула

К сожалению, опять появляются поводы вернуться к этим мыслям (вы там новости то читайте, чтобы грустить постоянно!) Как думаете, факт того, что в стране будет самый дорогой и ограниченный интернет, повлияет как-то на IT-отрасль? Эх, я уже почти готов констатировать, что айтишечку ничего прекрасного не ждет. Ждёт только "цифровое развитие".

Всё, что нужно знать о звёздочках в Python ⭐️ Думали * – это только умножение и возведение в степень? Как бы не так, этот символ поможет и в передаче неопределенного количества аргументов в функции, и при распаковке/упаковке составных объектов 💫 #rtfm

Запускать локальные LLM на своём железе уже давно не удел избранных с кластерами из H100. Или все же удел? 😁 🗓 1 мая в 18:00 по мск пройдет прямой эфир в «Точке Сборки». Будем разбирать установку и использование локальных моделей. О чем пойдет речь: ▪️ Как выбрать подходящую модель под ваше железо, чтобы она не сожрала всю память системы и работала с адекватным TPS (tokens per second). ▪️ Поднятие модели в режиме чата для повседневных задач. ▪️ Подключение локальной LLM к агентной IDE (в качестве примера возьмем Kilo Code). ▪️ Маршрутизация запросов к локалке через LangChain. ▪️ Оно вообще надо?

Трансляция и запись будут доступны участникам «Точки Сборки». Оформление доступа происходит через бота: https://t.me/TScompiler_bot

Шок-контент: программистам внезапно пришлось учиться 😱 Business Insider выкатил показательную статью: разработчики стонут, что им приходится тратить по 20+ часов в неделю на изучение новых AI-инструментов, чтобы не вылететь с рынка. От мидлов и сеньоров на бэкенде теперь ждут не просто CRUD, а: ▫️ Понимания Model Context Protocol (MCP) и умения писать под него серверы. ▫️ Архитектуры RAG-пайплайнов, которые выдают релевантный контекст, а не галлюцинируют от первого же кривого эмбеддинга. ▫️ Оркестрации мультиагентных систем. Голый бэкенд без интеллектуальной обвязки стремительно теряет добавленную стоимость. Цитата из статьи:

Backend engineering is now going to transition into AI engineering

Открою страшную тайну, о которой почему-то забыли: IT всегда было про бесконечное обучение. Правда платят теперь за это сравнительно уже не так много 🌚

Код ради кода денег не приносит 💸 Писать красивую архитектуру и покрывать всё тестами — это базовый гигиен-фактор. Но когда дело доходит до монетизации пет-проекта, выхода на фриланс или банального обсуждения контракта, одного Python не хватает. Начинается маркетинг, юриспруденция и составление текстов, от которых у инженера обычно начинает дергаться глаз. Вот вам специальная папка, где агрегированы каналы, закрывающие задачи в т.ч. пределами IDE. Та есть: ▫️ Ресурсы по промпт-инжинирингу. ▫️ IT-право: как читать NDA, чтобы потом не остаться без штанов, и что реально означает мелкий шрифт в договорах с заказчиком. ▫️ Продуктовая аналитика. Полезно, если вы пилите свой пет-проект или стартап, и хотите понять, как работает сегментация аудитории, чтобы им пользовался кто-то кроме вашей мамы. ▫️И много другого.

👉🏻 Забрать нужное 👈🏻

Что делает ИИ с рынком IT 🔪 Вышли два жирных репорта от Focaldata (совместно с Financial Times) и Anthropic об экономическом влиянии ИИ на рабочие места. Вот самое интересное из них 👇 Парадокс программиста: быстрее кодишь — сильнее боишься По данным Anthropic, именно разработчики (вместе с другими высокооплачиваемыми технарями) получают максимальный буст к продуктивности от использования условного Claude. Но здесь же кроется парадокс: график страха потерять работу имеет U-образную форму. Сильнее всего боятся две категории: те, кому ИИ усложнил жизнь, и те, чья работа сильно ускорилась. Программисты в топе последних. Когда ты закрываешь таску за 15 минут вместо двух часов, ты начинаешь задавать себе резонный вопрос: «А сколько еще таких, как я, нужно бизнесу?» Конец пирамиды и рождение «бриллианта» 💎 Отчет Focaldata подтверждает: ИИ выжигает джунские позиции. Исторически структура IT-компаний напоминала пирамиду: толпа дешевых джунов внизу делает рутину, над ними мидлы, на самом верху — дорогие сеньоры и лиды. Теперь рынок превращается в «бриллиант» (ромб). Низ отсекается. Задачи, которые раньше отдавали вчерашним выпускникам курсов (поиск информации, базовая генерация бойлерплейта, простые скрипты), теперь делает ИИ. Данные найма это уже подтверждают: спрос на джунов падает, а на сеньоров — растет. Бизнесу больше не нужно растить «мясо», ему нужны техлиды, способные управлять армией ИИ-агентов. Угроза не от ИИ, угроза от «не-технарей» Самый интересный инсайт про продуктивность. Прирост идет по двум осям: скорость (делать то же самое быстрее) и масштаб (делать то, чего раньше не умел). Так вот, 48% опрошенных отметили именно расширение возможностей. Цитата из отчета: «I’m a non tech guy but now I’m a full stack developer». Менеджеры, маркетологи и аналитики используют нейронки, чтобы закрывать базовые технические потребности без привлечения отдела разработки. Ну и те, кто на этом зарабатывал — ПАКА. Двухуровневая экономика Главный вывод аналитиков: мы идем к двухуровневой системе. Ежедневно ИИ в работе используют менее 20% сотрудников. Остальные либо делают это раз в месяц, либо игнорируют. Формируется колоссальный разрыв. С одной стороны — AI-native специалисты (обычно на синьорских позициях), которые капитализируют свою эффективность и требуют больше денег. С другой — AI-excluded масса (в основном джуны и линейный персонал), которая будет конкурировать за сокращающееся количество рабочих мест с нулевым ростом зарплат. Интересно, что руководители в технологическом секторе планируют увеличивать штат, а не сокращать его (в США индекс ожиданий найма в IT составил +18). Но нанимать они будут тех самых AI-native мидлов и сеньоров, чтобы те тащили еще больше проектов. В общем, успевайте там ☕️

Запускаем Claude Code без ключа от Anthropic 🏴‍☠️ Недавно появился очень любопытный проект free-claude-code. По факту это прокси-сервер на FastAPI, который подменяет собой эндпоинты Anthropic. Вы скармливаете ему запросы от оригинального Claude Code, а он роутит их куда вам выгодно: в бесплатный тир NVIDIA NIM, в OpenRouter, напрямую в DeepSeek или вообще в локальный LM Studio / llama.cpp. Что тут интересного (кроме очевидной халявы): 1️⃣ Heuristic Tool Parser Дешевые или локально запущенные квантованные модели часто тупят с вызовом тулзов в строгом формате. Автор написал собственную стейт-машину (providers/common/heuristic_tool_parser.py), которая парсит сырой текстовый выхлоп модели и прямо в стриме заворачивает его в легитимный Anthropic tool_use блок. Идеальный костыль для глупых моделей, чтобы заставить их работать с инструментами Claude. 2️⃣ Перехват служебного трафика В api/optimization_handlers.py реализован локальный перехват "мусорных" реквестов. Claude Code под капотом постоянно шлет запросы на чек квоты, генерацию тайтлов для истории, автокомплит путей к файлам и саджесты. Прокси отбивает их сам захардкоженными ответами, вообще не дергая внешнюю LLM. Экономит время, деньги и лимиты. 3️⃣ Трансляция рассуждений на лету ThinkTagParser в реальном времени выкусывает теги <think> (привет, DeepSeek-R1) или извлекает reasoning_content из ответа провайдера, мапя их в официальные thinking блоки Anthropic. Для клиента это выглядит так, будто отвечает нативный Claude. Как дикий бонус: к прокси прикручен хендлер для Telegram и Discord. Можно натравить бота на локальную папку с проектом, кидать ему войсы (транскрибируются через локальный Whisper), а агент будет писать код у вас на компе. Идеально, если хочется пофиксить прод, пока едешь в такси (пожалуйста, не надо так делать). Срочно пробовать! Отпишитесь потом, можно ли работает ли очередная спасительная халява ☕️