Python Community

В Python пытаются принести настоящие goroutines. runloom — экспериментальный runtime для free-threaded Python 3.13t+, где можно писать обычный блокирующий код, но запускать его как лёгкие fibers: runloom.fiber(fn) Без async def, без await, без переписывания всего приложения под asyncio. Под капотом там не магия, а довольно жёсткая инженерия: hand-written asm context switch, C work-stealing scheduler, netpoll, Go-style channels и monkey.patch(), который делает blocking stdlib cooperative. То есть urlopen(), socket, time, threading могут выглядеть как обычный синхронный код, но runtime будет парковать fiber, а не весь OS thread. По бенчмаркам автора, Runloom уже близко к Go по scheduler throughput: около 2.29M spawn/s на C-entry, parity на conn/s и почти parity на keep-alive echo с Python handler. Но важный нюанс: мультикорный выигрыш требует free-threaded CPython с выключенным GIL. На обычной GIL-сборке модель останется скорее удобной альтернативой asyncio, а не способом выжать все ядра. Ещё честный минус - память. Пустой parked fiber весит больше Go-горутины примерно в 3.3 раза, потому что за ним тянется CPython eval frame. pip install runloom https://github.com/robertsdotpm/runloom @Python_Community_ru

Все уже пользуются AI coding agents. Но почти никто не понимает, как они реально работают. learn-claude-code разбирает Claude Code-style agent harness с нуля. Авторская формула простая: Bash is all you need. Вместо магии и маркетинга там показывают базовый цикл агента: модель отвечает, просит вызвать tool, код выполняет действие, результат возвращается обратно в контекст, и цикл продолжается. Дальше на этот скелет постепенно навешиваются реальные части агентной системы: * tool use * permissions * hooks * memory * context compaction * subagents * background tasks * MCP * worktree isolation 71.1K звёзд у tutorial repo — хороший сигнал. Люди устали от “AI agents за 5 минут” и хотят наконец понять, что там внутри. https://github.com/shareAI-lab/learn-claude-code #AI #OpenSource @Python_Community_ru

Кто-то разобрал Claude Code почти до винтика learn-coding-agent - репозиторий для тех, кто хочет понять, как устроены современные coding agents не на уровне промо-страниц, а на уровне архитектуры. Автор собрал разбор Claude Code по публичным источникам: цикл агента, систему инструментов, разрешения, работу с контекстом, сессии, подпроцессы, MCP, удалённые настройки, телеметрию и скрытые флаги. Получился не “гайд по использованию”, а карта внутренней логики CLI-агента: как он принимает решение, когда просит разрешение, как вызывает инструменты, как хранит историю и как расширяется через внешние интеграции. https://github.com/justxor/Claudecourse/ @Python_Community_ru

🔍 OmniParser (https://github.com/microsoft/OmniParser?tab=readme-ov-file) — это инструмент от Microsoft, предназначенный для разбора и анализа интерфейсов приложений на основе скриншотов 🌟 OmniParser позволяет распознавать и структурировать элементы интерфейса, обеспечивая, чтобы визуальные агенты на основе GPT могли ориентироваться и взаимодействовать с различными GUI-компонентами. OmniParser поддерживает модель для обнаружения интерактивных областей и описания иконок, делая возможным создание агентов, ориентированных на визуальное восприятие 🔐 Лицензия: CC-BY-4.0 🖥 Github (https://github.com/microsoft/OmniParser?tab=readme-ov-file) @Python_Community_ru

⚡️ OpenChronicle - локальная память для AI-агентов Одна из главных проблем AI-агентов: они быстро теряют контекст. Сегодня вы обсуждали проект, архитектуру, людей, решения и инструменты. Завтра агент снова спрашивает: «А что мы делаем?» OpenChronicle пытается закрыть эту дыру. Он запускается на Mac, смотрит на рабочий контекст и превращает его в постоянную Markdown-память: * проекты * решения * инструменты * людей * последние действия * важные рабочие детали Память хранится локально, её можно открыть и прочитать руками. Под капотом - Markdown на диске и SQLite. https://github.com/Einsia/OpenChronicle @Python_Community_ru

Агенты прокачивают друг друга UCSB-AI выложили GEA, фреймворк для open-ended self-improvement агентов через обмен опытом. Идея простая, но мощная: улучшать не одного агента в вакууме, а целую группу агентов как одну эволюционирующую систему. Один агент нашёл удачный паттерн, другой переиспользовал его, третий доработал, группа стала сильнее. Это похоже на переход от «один AI сам себя улучшает» к «популяция агентов накапливает коллективный опыт». В репозитории есть код для запуска GEA, интеграция с SWE-bench и Polyglot, Docker-окружение, промпты и инструменты для foundation-моделей. Проект распространяется под Apache-2.0. https://github.com/UCSB-AI/GEA @Python_Community_ru

GPT-5.6 Terra выглядит слабым выбором по соотношению интеллект / цена. Судя по графику, Terra проигрывает почти на всей кривой эффективности. То есть его трудно оправдать и по стоимости, и по производительности. Luna и Sol стабильно выглядят сильнее: * за те же деньги дают больше intelligence * или дают похожий уровень intelligence дешевле * на разных reasoning-режимах обходят Terra Особенно выделяется Luna. Она даёт конкурентный уровень качества за заметно меньшую цену, поэтому выглядит лучшим вариантом для задач, где важна эффективность. Вывод простой: если нужен разумный default по цене и качеству, Luna сейчас выглядит сильнее Terra. https://x.com/Machinelearrn/status/2075969904826605891 @Python_Community_ru

Хорошая памятка по Python-скриптам, которые не стыдно запускать не только у себя на ноутбуке. Что советуют: * зависимости можно указывать прямо в файле через inline metadata и запускать через uv run * секреты не хардкодить, а брать из env, getpass или системного keyring * print() оставить для пользователя, logging — для отладки * env-переменные документировать в --help * результат отдавать в stdout, ошибки и логи — в stderr * поддерживать pipe через stdin * завершаться нормальными exit code * явно задавать приоритет конфигурации: CLI > env > config > default Маленький скрипт тоже может быть удобным, безопасным и предсказуемым. Особенно когда его через месяц запускает уже не автор, а кто-то другой. https://www.bitecode.dev/p/scripting-good-practices-in-python @Python_Community_ru

✔️ DeepSeek-V4 теперь можно запускать локально через GGUF от Unsloth. DeepSeek-V4-Flash в lossless-версии запускается на 168 ГБ RAM. 3-битная версия работает на Mac и сетапах с RAM/VRAM примерно от 110 ГБ. Unsloth также улучшили chat template, чтобы модель корректнее работала в диалоговом формате. Запускать можно через Unsloth Studio или llama.cpp. Гайд: unsloth.ai/docs/models/deepseek-v4 GGUF: huggingface.co/unsloth/DeepSeek-V4-Flash-GGUF @Python_Community_ru

‍✔️ Data-Juicer: пайплайн для подготовки данных под foundation models Alibaba и сообщество Data-Juicer развивают open-source систему для обработки датасетов перед обучением, дообучением и RAG. Data-Juicer помогает чистить, фильтровать, дедуплицировать, синтезировать и анализировать данные. Работает не только с текстом, но и с мультимодальными датасетами: изображениями, аудио и видео. В версии 2.0 заявлено больше 100 операторов для разных модальностей. Практический сценарий понятный: есть сырой корпус из разных источников, где много дублей, мусора, слабых примеров и перекоса по доменам. Data-Juicer позволяет собрать воспроизводимый data recipe, прогнать его на локальной машине или в распределённом режиме и потом оценить, как изменения в данных влияют на модель. Проект смотрит на данные как на отдельный слой оптимизации. Позволяет настроить качество, смесь, фильтры и пайплайн обработки. В ранней работе авторы показывали прирост до 7.45% по среднему score на 16 LLM-бенчмарках и 17.5% win rate в GPT-4 pairwise evaluation за счёт data recipes. https://github.com/datajuicer/data-juicer @Python_Community_ru