Zen of Python

Вебхуки в Python: почему обработка прямо в эндпоинте это ловушка Начинающие разработчики часто пишут обработку вебхуков в лоб: получили запрос -> обновили базу -> отправили письмо -> вернули ответ. На локальной машине всё работает, но в реальности такой подход приводит к таймаутам (внешний сервис ждёт ответа секунды), потере данных (падение во время обработки) и дублям. В статье делятся практическим опытом перехода от «просто эндпоинта» к надёжной архитектуре с очередью задач. Ключевое решение: FastAPI принимает вебхук, проверяет подпись, кладёт задачу в Redis и мгновенно отвечает. Отдельный воркер забирает задачи из очереди и спокойно выполняет бизнес-логику. Так API не тормозит, задачи не теряются, а при необходимости можно запустить несколько воркеров для горизонтального масштабирования. Подробнее о реализации: https://habr.com/ru/articles/1016206/

Django получил новый REST-фреймворк: быстрее, строже и без привязки к моделям Для Django долгое время было два основных пути: DRF с его сериализаторами, привязанными к моделям, и django-ninja, который пытался повторить FastAPI, но в итоге принёс свои ограничения. Ни один из них не давал полной типизации, гибкости в выборе моделей данных и внятной OpenAPI-спеки из коробки. Новый фреймворк, созданный core-разработчиком CPython, предлагает альтернативу. Его ключевые особенности: — производительность на уровне FastAPI (всего на 30% медленнее без учёта БД); — полная типизация, но без навязывания; — поддержка любых моделей: pydantic, msgspec, dataclasses, TypedDict и даже собственных сериализаторов; — строгая валидация ответов в dev-режиме — OpenAPI-спека всегда соответствует реальности; — нативная работа с sync и async; — стриминг (SSE, JsonLines) на ASGI; — расширяемые контроллеры-классы, которые наследуют обычные Django View. Проект уже содержит удобные инструменты для тестирования (polyfactory, schemathesis, tracecov) и позиционируется как AI-first: есть скилы для миграции с django-ninja, llms-full.txt и интеграции с агентами. Подробности, примеры кода и философия разработки в статье: https://habr.com/ru/articles/1017036/

Автокомплит Python в VSCode работает не всегда логично. Например, при вводе os. редактор первой строкой предлагает редкий метод os.abort вместо нужного os.path или os.remove. И вот одному разработчику это надоело и он написал своё решение. Внимание, без ИИ. Просто по сути пересортировал по частоте использования. Алгоритм интегрирован через форк LSP для изменения порядка подсказок Главное преимущество в скорости. Обычный поиск по таблице работает намного быстрее автокомплитов на базе ИИ и совершенно не грузит процессор. Алгоритм может хуже справляться с неизвестным кодом, но для стандартных библиотек как будто маст хэв, минусов не вижу. Детальный разбор в блоге: https://matan-h.com/better-python-autocomplete Исходный код проекта: https://github.com/matan-h/pyhash-complete @zen_of_python @zen_of_python (теперь в VK и Max)

Частая ошибка начинающих в анализе данных — перебирать строки таблиц через обычные циклы for. На больших объемах такой скрипт может зависнуть надолго, потому что чистый Python просто не рассчитан на тяжелые математические расчёты. В этом кроется главная ценность библиотек Pandas и NumPy: они не просто сокращают код, но ещё используют векторизацию — вычисления передаются на уровень оптимизированного низкоуровневого кода. В результате то, что на чистом Python занимает 50 строк и считается 10 минут, в Pandas делается одним методом и отрабатывает за секунды. Если вы уже пишете на Python, но хотите уверенно работать с данными и перестать писать медленные «велосипеды», обратите внимание на курс «Python для анализа данных» от Яндекс Практикума PRO. За 3 месяца вы освоите: — Продвинутый Pandas и NumPy: векторизация, фильтрация аномалий, сводные таблицы и очистка «грязных» датасетов. ​ — Визуализацию: построение понятных графиков через Plotly, Matplotlib и Seaborn. ​ — Математическую базу: теория вероятностей, статистические тесты и грамотное проведение A/B-тестирований (чтобы не путать случайность с закономерностью). ​ — Основы ML: базовые модели машинного обучения для предсказаний на основе табличных данных. ​ Курс рассчитан на специалистов, которые хотят расширить свой стек или плавно перекатиться в Data Science. На бесплатной вводной части можно оценить, подходит ли вам курс: https://tprg.ru/bLs0 Реклама. Рекламодатель: АНО ДПО «Образовательные технологии Яндекса» ИНН 7704282033, erid: 2W5zFGYwtqw

Один из мейнтейнеров фреймворка Pydantic AI (это популярный Python-инструмент для создания ИИ-агентов, который гарантирует строгую типизацию и валидацию данных при общении с нейросетями) написал большой пост о наболевшей проблеме. За последние 15 дней команда получила 136 пулл-реквестов. Из них приняли только 39, а 97 пришлось закрыть. Причина — это низкокачественный, сгенерированный нейросетями код, который авторы даже не пытались проверить. ​ Доходит до абсурда: как только в репозитории появляется новый репорт о баге, уже через несколько минут прилетают сразу несколько бессмысленных PR с «исправлениями», которые просто скопированы из ответа Claude или ChatGPT. Это отнимает у разработчиков кучу времени на ревью и мешает развивать проект. ​ Как они планируют с этим бороться: — Автоматически закрывать любые PR, если они не привязаны к существующему Issue и не обсуждались заранее с командой (исключение — только мелкие опечатки). ​ — Мгновенно отклонять PR, если автор проигнорировал прямые указания мейнтейнера в ветке обсуждения. Авторы подчёркивают, что всё ещё любят open-source и ждут новых контрибьюторов, но просят прекратить бездумно прогонять их комментарии через ИИ-ассистентов.

Создайте своего бота-голосового помощника под управлением ИИ на онлайн-курсе: «Диалоговые боты и голосовые помощники» Записывайтесь на открытый вебинар — познакомьтесь с программой обучения и преподавателями! Вебинар: «Телеграм-бот с искусственным интеллектом на Python» 13 апреля в 20:00 мск На открытом уроке вы узнаете: 🔘как зарегистрировать бота через BotFather и получить Телеграм-токен; 🔘что такое LLM-API (на примере бесплатных аналогов) и как его подключить; 🔘структуру простого Python-проекта: библиотека aiogram + openai; 🔘код: обработчик сообщений, который передаёт текст в LLM и возвращает ответ пользователю; 🔘запуск бота локально. Записывайтесь ➡️ OTUS.RU Реклама. ООО «Отус онлайн-образование», ОГРН 1177746618576

22 апреля в Москве пройдет конференция по искусственному интеллекту «MLечный путь» Это мероприятие от облачного провайдера Selectel для тех, кто не просто следит за хайпом вокруг ИИ, а внедряет модели в продакшн или управляет этим процессом. Программа разделена на два трека: для бизнеса и для технических специалистов. В техническом блоке доклады про: — Выбор серверного железа под разные типы ИИ-нагрузок. — Особенности SDLC для вероятностных систем. — Безопасность при использовании генеративных технологий в рабочих процессах. — Как сочетать инференс классических моделей и LLM на одной платформе. В бизнес-треке — темы про окупаемость, риски и дорожные карты внедрения. Участие бесплатное, но количество мест ограничено.Подробная программа и регистрация — на сайте мероприятия. Это #партнёрский пост

Оказывается, есть отдельная команда Faster CPython — отдельные люди, которые целенаправленно занимаются ускорением эталонного интерпретатора языка. В прошлом году они лишились главного спонсора, а первые версии JIT в Python 3.13 и 3.14 работали медленнее обычного интерпретатора. В тот момент казалось, что они чем-то странным занимаются. Но сейчас разработка JIT для Python 3.15 неплохо продвинулась: на macOS AArch64 альфа-версия работает на 11-12% быстрее, а на x86_64 Linux прирост составляет 5-6%. В статье есть подробности за счёт чего получается: https://fidget-spinner.github.io/posts/jit-on-track.html @zen_of_python (теперь в VK и Max)

PyTogether — браузерная IDE для совместного написания кода на Python. Проект создавался с прицелом на новичков, репетиторов и проведение технических интервью, где главное — это простота и фокус на общении, а не настройка окружения. ​ Главные фишки платформы: — Client-side выполнение: код выполняется прямо в браузере через Pyodide (WebAssembly), что делает платформу безопасной (песочница) и позволяет моментально использовать тяжелые библиотеки вроде NumPy и Matplotlib. ​ — Инструменты для общения: можно не только вместе писать код (через движок Y.js), но и рисовать прямо поверх редактора, а также общаться во встроенном голосовом и текстовом чате. ​ — Embed-виджеты: любой сниппет кода можно встроить к себе на сайт через iframe (отличная замена закрывающемуся сервису trinket.io). ​ — Никакого ИИ: автор принципиально не встраивал ИИ-помощников и Copilot, так как многие преподаватели просят чистую среду для обучения. ​ Проект написан на React + Django, использует Redis и Celery для умного автосохранения. Исходный код полностью открыт на GitHub, так что при желании платформу можно развернуть на своём сервере через Docker: https://github.com/SJRiz/pytogether ​ Попробовать в песочнице без регистрации: https://pytogether.org/playground На видео демо совместной работы в стиле Google Docs. @zen_of_python

Несколько топовых Python-модулей, про которые не все знают​ 1. Tenacity (и обертка Stamina) Мощная библиотека для настройки retry-логики. Вместо того чтобы писать самописные циклы с time.sleep(), вы просто вешаете один декоратор над функцией. Он позволяет из коробки настроить экспоненциальную задержку (exponential backoff), лимит попыток и срабатывание только на определенные типы исключений. ​ 2. Shelve Недооцененный модуль из стандартной библиотеки Python. Это персистентный словарь, который автоматически сохраняет свои данные в локальный файл. Идеально подходит для кэширования или сохранения стейта в простеньких CLI-скриптах, когда разворачивать даже SQLite — это оверкилл. Вы просто открываете его как обычный dict, пишете данные и закрываете. ​ 3. Polars Сверхбыстрая альтернатива Pandas, написанная на Rust. Скорость загрузки просто космос, быстрая обработка гигантских CSV-файлов, с которыми классический Pandas начинает тормозить. 4. Marimo Современная замена Jupyter Notebooks. Это реактивные ноутбуки для Python, которые гарантируют воспроизводимость (нет проблемы скрытого состояния ячеек). В комментариях советуют использовать Marimo в связке с тем же Polars и DuckDB для максимально комфортного анализа данных. @zen_of_python (теперь в VK и Max)