Python/ django

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

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 — универсальный ключ от многих ИТ-дверей: от веб-разработки до машинного обучения Освоить язык с нуля или углубить имеющиеся навыки можно на расширенном курсе Нетологии «Python-разработчик». Простого пути не обещают, но обещают комфортный темп, много практики и поддержку опытных разработчиков. А ещё — помощь с трудоустройством. За время обучения вы: 🔸 научитесь упаковывать опыт в резюме; 🔸 пройдёте тестовые технические интервью; 🔸 посетите встречи с экспертами Сбера, Яндекса и Т-Банка; 🔸 сможете попасть на стажировку; 🔸 получите год карьерной поддержки после выпуска. Сейчас на курс действует скидка 50%, а с промокодом IT10JULY цена станет ещё на 10% ниже. Плюсом подарим курс о развитии карьеры при покупке до 31 июля Узнать подробнее и записаться → ссылка P. S. Ребята помогут оформить налоговый вычет, а это ещё –13% от стоимости. Реклама. ООО “Нетология” ОГРН 1207700135884 Erid: 2VSb5wgRqrz

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/

NAITION AI: Спрос на разработку с ИИ-агентами вырос в сотни раз за год. Свежий Stanford AI Index 2026 показал, что навык AI Agents стал №1 среди самых востребованных инженерных скиллов. • Упоминания «Agentic systems» в вакансиях за год выросли на 10854% (!) — это не опечатка. • «AI agents» — +2113%. • Вывод простой: компаниям массово нужны не «написатели кода», а архитекторы мультиагентных систем.Главный скилл в 2026 году — строить долгоживущие автономные процессы, управлять контекстом и верифицировать работу десятков агентов. Рынок можно догнать! Naition запускает новый, обновленный в июле поток буткемпа по AI-driven разработке уже 21 июля. Максимум пользы получат middle+ разработчики и команды, нацеленные на апгрейд производительности инженерного процесса. IT-специалисты других профессий тоже могут себя попробовать. За 12 недель вы встроите ИИ во все процессы: • Соберёте своё ядро — MCP под задачи, RAG, мультиагентную систему с сабагентами и оркестрацией. • Внедрите агентов в кодовые базы на 100К+ строк — автоматизируете индексацию кода, рефакторинг и изменение архитектуры. • Научитесь масштабировать AI-практики на всю команду. Ведут практики с 15-20 годами опыта: ex-Yandex Cloud, staff-инженер Google, CEO Symbioway (центр по найму разработчиков) — люди из эпицентра трансформации рынка. Формат: 17 уроков, 5 модулей, живые вечерние эфиры + практика между ними. Минимум теории, максимум разборов кейсов и групповой практики прямо на вебинаре. 👉 Забронировать место — naition.ai А по промокоду PYTHON для подписчиков — скидка 20% до 17 июля. Что ещё стоит знать: • Приведёте друга или коллегу — вы вместе получите доп. скидку 10% сверху (в сумме 30%). • Можно оплатить частями, а начать даже с одного модуля. • Если вы бизнес, можно прокачать всю команду разом.

🔍 OmniParser — 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

⚡️ 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

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

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

Hy3 уже упаковали под Apple Silicon, но это не обычный GGUF. JANGQ-AI выложили Hy3-JANG_2K-MTP — квантованную версию Tencent Hy3 для MLX / JANG-рантаймов. Что внутри: • 295B параметров всего, около 21B активных на токен • MoE-архитектура с 192 routed experts и top-8 маршрутизацией • контекст до 262K токенов • размер бандла около 98 GiB • routed experts в среднем 2.33-bit • сохранён MTP-head для speculative decoding Главная фишка — это не просто «ужали модель». В бандле оставили native Multi-Token Prediction слой, чтобы совместимый рантайм мог использовать speculative decoding. Но есть важный нюанс: stock mlx-lm и обычный transformers это напрямую не поднимут. Нужен Hy3-aware MLX/JANG runtime, который понимает JANG mixed-affine layout, GQA KV cache, MoE-роутинг, <think> reasoning stream и Hunyuan-style tool calls. По ограничениям тоже честно: бенчмарков качества именно для этого пака пока нет, а ускорение от MTP не обещается как фиксированная цифра — оно зависит от acceptance rate и режима сэмплинга. Короче, это интересный пак для тех, кто хочет гонять большой MoE на Apple Silicon и экспериментировать с MTP, но пока скорее для энтузиастов рантаймов, а не «скачал и запустил в любом UI». HF: https://huggingface.co/JANGQ-AI/Hy3-JANG_2K-MTP