Python Portal

Как создать декоратор с аргументами через класс в Python 🐍

👉 @PythonPortal

На Reddit кто-то собрал все ресурсы, которые использовал для подготовки к собеседованиям по алгоритмам, System Design и Machine Coding. В итоге дошёл до интервью в Google.

1. Алгоритмы и паттерны

Перед тем как гриндить задачи, стоит разобраться с паттернами.

• All LeetCode Articles on Coding Patterns Summarized
https://leetcode.com/discuss/interview-question/5366542/all-leetcode-articles-on-coding-patterns-summarized-in-one-page

• Solved All Two Pointers Problems in 100 Days
https://leetcode.com/discuss/study-guide/1688903/Solved-all-two-pointers-problems-in-100-days

• Tree Question Pattern 2023 — Tree Study Guide
https://leetcode.com/discuss/study-guide/2879240/tree-question-pattern-2023-tree-study-guide

• Important and Useful Links from All Over LeetCode
https://leetcode.com/discuss/general-discussion/665604/Important-and-Useful-links-from-all-over-the-LeetCode

• Coding Interview Preparation Problems for Beginners
https://leetcode.com/discuss/interview-question/448284/Coding-Interview-preparation-problems-for-beginners

2. Подготовка под компании

• Google, Meta, Apple, Amazon Senior SDE Preparation
https://prachub.com/?sort=hot&company=Meta%2CGoogle%2CTikTok%2CAmazon

• A Study Guide for Passing the Google Interview
https://prachub.com/interview-guide

Автор также сделал небольшой трекер для подготовки:

• задачи по компаниям
• статусы Todo / Solved / Revision
• автоматическое планирование повторений
• AI-помощник с подсказками вместо готовых решений

https://prachub.com/questions

3. System Design (HLD)

Вместо случайных статей — структурированные подборки:

• Arch 25 — самые частые системы и паттерны
• Arch 50 — инфраструктура, данные и отказоустойчивость
• Arch 75 — более сложные сценарии и специализация под компании
• Arch All — полный банк из 103 HLD-задач
• Core Concepts — 33 разбора распределённых систем

4. Machine Coding / LLD

Эту часть многие недооценивают до первого провала на интервью.

• MaCo 30 — самые частые задачи
• MaCo 60 — расширенная подборка
• MaCo All — полный набор из 103 задач
• Design Patterns — 31 паттерн проектирования

Если готовишься на SDE2/Senior, то одного LeetCode обычно уже недостаточно. System Design и LLD начинают влиять на результат не меньше, чем алгоритмы.

👉 @PythonPortal

Если хочешь серьёзно прокачать DSA (структуры данных и алгоритмы), посмотри этот цикл лекций

В нём около 90 часов материала по всем ключевым темам спортивного программирования, причём всё объясняется очень доступно и понятно.

Мне очень понравилось, как он преподаёт.

Ссылка : https://www.youtube.com/playlist?list=PLrS21S1jm43igE57Ye_edwds_iL7ZOAG4

👉 @PythonPortal

Artificial Analysis открыла исходный код Stirrup — фреймворка для Python-разработчиков, создающих AI-агентов.

Самая болезненная часть обычно начинается не с первого вызова модели.

Проблемы появляются вокруг инструментов, файлов, контекста, клиентов провайдеров и выполнения кода.
Stirrup старается решить именно эту часть, оставаясь лёгкой основой без навязывания жёсткого пайплайна или архитектуры.

Из интересного:

агентный цикл с finish-tools
сессии для управления жизненным циклом инструментов и файлов
локальное выполнение кода и веб-инструменты из коробки
поддержка выполнения кода через Docker и E2B
MCP, skills, мультимодальный ввод и интеграция с LiteLLM

Проект распространяется по лицензии MIT, а в метаданных пакета пока отмечен как Beta.
Любопытно, что именно у каждого разработчика всё равно приходится переписывать поверх агентных фреймворков. Обычно это память, управление контекстом, оркестрация инструментов или механизмы восстановления после ошибок.

https://github.com/ArtificialAnalysis/Stirrup

👉 @PythonPortal

10 GitHub-репозиториев, которые стоит посмотреть AI-инженеру

1. Hands-On AI Engineering

Подборка AI-приложений и агентных систем с практическими кейсами использования LLM.

👉 github.com/Sumanth077/Hands-On-AI-Engineering

2. Hands-On Large Language Models

Полный код из книги Hands-On Large Language Models: от основ до файнтюнинга.

👉 github.com/HandsOnLLM/Hands-On-Large-Language-Models

3. AI Agents for Beginners

Бесплатный курс от Microsoft из 11 уроков по созданию AI-агентов.

👉 github.com/microsoft/ai-agents-for-beginners

4. GenAI Agents

Большая коллекция туториалов и реализаций агентных систем.

👉 github.com/NirDiamant/GenAI_Agents

5. Made With ML

Про разработку, деплой и поддержку production-ready ML-систем.

👉 github.com/GokuMohandas/Made-With-ML

6. Learn Harness Engineering

Практический курс по Harness Engineering для AI-агентов.

👉 github.com/walkinglabs/learn-harness-engineering

7. AutoResearch

Автономные циклы ML-экспериментов от Andrej Karpathy.

👉 github.com/karpathy/autoresearch

8. Designing Machine Learning Systems

Конспекты и материалы по книге Chip Huyen.

👉 github.com/chiphuyen/dmls-book

9. Awesome LLM Inference

Подборка материалов по инференсу LLM: Flash Attention, KV Cache, квантование и другое.

👉 github.com/xlite-dev/Awesome-LLM-Inference

10. LLM Course

Практический курс по LLM с roadmap и Colab-ноутбуками.

👉 github.com/mlabonne/llm-course

👉 @PythonPortal

Если часто работаешь с изображениями, скриншотами или сканами документов, вот полезная OCR-утилита для терминала.

Она использует Apple Vision Framework, поэтому всё распознавание выполняется локально на устройстве.

npx mac-ocr ./image.png

Удобный лайфхак для AI-агентов: сначала прогнать изображение через OCR и передать модели уже готовый текст. Так можно заметно сократить расход vision-токенов.

Исходник:
https://github.com/privatenumber/mac-ocr

👉 @PythonPortal

Матрицы Дирака (чаще называемые гамма-матрицами) — это набор матриц, введённых Полем Дираком при создании уравнения Дирака.

Они играют ключевую роль в квантовой механике и квантовой теории поля, особенно при описании частиц со спином 1/2, таких как электрон.

Paul Dirac — один из крупнейших физиков-теоретиков XX века. Он внёс фундаментальный вклад в развитие квантовой механики и квантовой электродинамики и считается одним из основателей современной теоретической физики.

Работы Дирака привели к появлению релятивистской квантовой теории электрона и предсказанию существования антиматерии задолго до её экспериментального обнаружения.

👉 @PythonPortal

Python Docker Tutorials

На этой странице собраны все руководства по использованию Docker с Python.

https://realpython.com/tutorials/docker/

👉 @PythonPortal

Этот инструмент проверяет производительность всего сайта.

Он сканирует все страницы и выставляет оценку каждой из них.
Что-то вроде Lighthouse, но с обзором всего сайта целиком.

Запуск:

npx unlighthouse --site <ваш-сайт>

👉 @PythonPortal

Это исследование хорошо ложится на опыт любого, кто активно работает с Claude Code, Codex или другими агентами.

Оно смотрит не на бенчмарки, а на реальную работу в разработке:

как именно AI-агенты раздражают разработчиков в живых сессиях.

Авторы проанализировали 20 574 сессии (IDE и CLI). “Фейл” они определили не как падение кода, а как моменты, когда разработчик начинает исправлять, прерывать или спорить с агентом.

Картина довольно приземлённая. Чаще всего проблема не в том, что код не работает. Проблема в том, что агент нарушает явно заданные ограничения.

Ты пишешь: “не трогай этот файл”, “пока ничего не меняй”, “сделай минимальные правки” — он всё равно лезет дальше.
Просишь объяснить проблему — он параллельно начинает менять код.
Говоришь проверить всё перед финальным ответом — он рапортует успех до запуска проверок.

Есть интересное разделение:

CLI-агенты чаще нарушают границы, потому что им дают длинные, слабо ограниченные задачи.
IDE-агенты чаще делают локальные ошибки, потому что работают как плотный “копилот” и постоянно правят код в мелких итерациях.

Самое неприятное в этих сбоях — они редко ломают систему сразу. Они просто съедают время и доверие. Приходится постоянно перепроверять: понял ли он задачу, не вышел ли за рамки, реально ли он что-то проверил.

Это хорошо совпадает с практикой: утомляет не столько генерация кода, сколько постоянный контроль над тем, не уехал ли агент в сторону.

И отсюда простой вывод. Улучшение агентов — это не только про качество кода. Это про соблюдение границ, понимание намерений и честную отчётность о прогрессе.

Главная проблема тут не в скорости написания кода. А в том, сколько времени уходит на разбор того, что он “написал не туда”.

👉 @PythonPortal

Если ты давно используешь Claude Code или Codex для разработки проектов, стоит попробовать Trellis.
Назвать его самым близким к «памяти проекта для ИИ» решением на сегодняшний день — не преувеличение.

Многие замечают, что со временем ИИ начинает работать менее надёжно. Обычно первым делом пытаются перейти на более мощную модель или писать ещё более длинные промпты. Но проблема часто не в модели. Каждый новый запуск начинается практически с чистого листа: структуру проекта, соглашения по именованию, выбранный стек технологий и текущее состояние работы приходится объяснять заново.

Trellis решает эту проблему на уровне проекта.

Он создаёт каталог .trellis/, где хранит правила команды, задачи, прогресс и накопленные знания о проекте. Всё это коммитится в репозиторий вместе с кодом. Когда ИИ подключается к работе, он сначала читает эти данные и сразу понимает, какие правила соблюдать, на каком этапе находится проект и над чем нужно работать дальше.

По сути, проект получает собственную долговременную память. Передача задач между сессиями перестаёт быть болезненной, независимо от того, какой агент продолжает работу.

Причём Trellis — это не просто хранилище контекста. Он предлагает полноценный рабочий процесс: сначала уточнение требований, затем реализация, после этого самопроверка по правилам проекта и тестам, а в конце сохранение нового опыта обратно в проект для будущих сессий.

Есть и менее известные возможности.
Для сложных задач Trellis может самостоятельно разбивать работу на подзадачи и запускать несколько параллельных ИИ-агентов без конфликтов между ними.

В командной разработке правила, созданные одним разработчиком, автоматически начинают применяться всеми агентами остальных участников команды. Новые разработчики получают единый контекст практически без дополнительной настройки.
Trellis не привязан к конкретному инструменту. Он поддерживает 14 платформ для ИИ-разработки, включая Claude Code, Codex, Cursor и другие.

Использовать ИИ без дополнительной памяти — примерно как каждый день нанимать нового умного подрядчика, который ничего не помнит о вчерашней работе.

С Trellis ИИ начинает работать так, будто у проекта появилась команда, которая помнит накопленный опыт и придерживается общих правил.

Open Source-проект. На данный момент — более 9000 звёзд на GitHub и свыше 5000 загрузок в неделю.
GitHub: https://github.com/mindfold-ai/trellis

👉 @PythonPortal

Скорость и продуктивность: +100

👉 @PythonPortal

Google опубликовала бесплатное руководство по масштабированию ИИ-моделей и работе с GPU.

📘 How to Scale Your Model
https://jax-ml.github.io/scaling-book/
📘 How to Think About GPUs
https://jax-ml.github.io/scaling-book/gpus/

В материалах разбираются принципы масштабирования моделей, устройство GPU, вычислительные ограничения, пропускная способность памяти, параллелизм и другие темы, которые пригодятся при обучении и запуске современных ИИ-моделей.

Полностью бесплатно и доступно онлайн.

👉 @PythonPortal

Часто вижу, как люди говорят, что в IT невозможно войти без дорогих курсов.

При этом огромное количество качественных материалов доступно бесплатно:

📚 Computer Science
https://github.com/ossu/computer-science
📚 Data Structures & Algorithms
https://github.com/jwasham/coding-interview-university
📚 System Design
https://github.com/donnemartin/system-design-primer
📚 Web Development
https://github.com/TheOdinProject/curriculum
📚 Frontend / Backend / DevOps / Cloud
https://github.com/kamranahmedse/developer-roadmap
📚 Data Engineering
https://github.com/DataTalksClub/data-engineering-zoomcamp
📚 Machine Learning & AI
https://github.com/microsoft/ML-For-Beginners
📚 MLOps
https://github.com/DataTalksClub/mlops-zoomcamp
📚 Cybersecurity
https://github.com/OWASP/CheatSheetSeries
📚 Linux
https://github.com/trimstray/the-book-of-secret-knowledge
📚 Free Programming Books
https://github.com/EbookFoundation/free-programming-books

Если у тебя есть интернет и немного свободного времени, можно бесплатно изучить компьютерные науки, алгоритмы, системный дизайн, DevOps, облака, безопасность и машинное обучение.

Сейчас дефицит не в информации. Дефицит в том, чтобы регулярно открывать эти репозитории и действительно по ним заниматься.

👉 @PythonPortal

Foundations of Computer Science от Alfred Aho и Jeffrey Ullman доступна бесплатно онлайн.

Классический учебник по информатике, который охватывает:

• конечные автоматы
• формальные языки
• теорию вычислений
• основы алгоритмов и вычислительных моделей

Хорошая отправная точка для тех, кто хочет разобраться в фундаментальных концепциях Computer Science, лежащих в основе компиляторов, языков программирования и теории вычислений.

Книга:
http://infolab.stanford.edu/~ullman/focs.html

#computerscience #book #theory #cs

👉 @PythonPortal

В Python есть несколько способов получить MAC-адрес компьютера. Вот один из них:

#Python

👉 @PythonPortal

🍺🍺🍺

Google выпустила Gemini 3.5 Live Translate — новую модель для голосового перевода в реальном времени.

Поддерживает более 70 языков и начинает переводить практически сразу после того, как вы заговорили. Перевод идёт потоково, пока модель продолжает слушать следующую часть фразы.

Как это работает?

Модель постоянно балансирует между скоростью и качеством перевода. Она одновременно обрабатывает входящую речь, понимает контекст и генерирует перевод без заметных пауз.

В результате задержка составляет всего несколько секунд, а перевод сохраняет темп речи, интонацию и особенности голоса даже в длинных диалогах.

Уже доступно в Google Translate на iOS и Android.

👉 @PythonPortal

38 лет в Computer Science считалось, что алгоритм Дейкстры уже близок к пределу для разреженных графов.

Логика выглядела убедительно:
• Дейкстра упорядочивает вершины по расстоянию
• для сортировки существует нижняя граница O(n log n)
• значит, задачу кратчайших путей нельзя решить существенно быстрее

Оказалось, что это предположение было ошибочным.
Группа из 5 исследователей объединила очередь с приоритетом из алгоритма Дейкстры с динамическим программированием из алгоритма Беллмана—Форда. Затем они применили подход «разделяй и властвуй» к множествам вершин и сократили размер фронта поиска. Результат: O(m log^(2/3) n)

Это первое улучшение для направленных графов со времён появления Fibonacci Heap в 1987 году.
Участники работы: Тsinghua, Stanford и Max Planck Institute.
Всего 17 страниц.

👉 @PythonPortal

💬