🎥 Что посмотреть: DjangoCon Europe 2025

Работаете с Django? Тогда это must-watch.

Организаторы уже выложили видео с докладами — и там много интересного:
✅ архитектура, async, PostgreSQL, security, AI-интеграции, DX и многое другое.

🎙 Выступления — от core-разработчиков и крупных команд. Много живых кейсов, best practices и идей для прокачки проектов.

Все видео доступны по ссылке: https://clc.to/xEkXFQ

Библиотека питониста #буст

🐒 Monkey patching в Python: спасение или анти-паттерн

Monkey patching — это когда вы внедряетесь в чужой код прямо во время выполнения программы.

Например:
— переопределяете метод библиотеки без форка,
— меняете поведение фреймворка на лету,
— или «чините» баг, не дожидаясь pull request'а.

Когда это бывает полезно:
✅ Патчишь баг в библиотеке, который авторы будут чинить 3 месяца
✅ Легаси-проект: трогать архитектуру нельзя, а фичу сдать надо
✅ Хочешь изменить поведение без вмешательства в исходники

А в чём подвох:
❌ Читаемость кода: новый разработчик ничего не поймёт
❌ Ломает совместимость при апдейтах
❌ Трудно отлаживать и тестировать
❌ Можно выстрелить себе в ногу (и команде тоже)

🔥 Вот теперь холиварный момент

Monkey patching — это:
🔥 — Инструмент сильных, просто надо уметь
❤️ — Костыль, который нельзя нормализовать
😃 — Иногда — единственный способ сделать хорошо
👍 — Признак плохой архитектуры, точка

А вы использовали monkey patching в проде?
👇 Расскажите в комментах — чем закончилось и стоило ли оно того?

Библиотека питониста #междусобойчик

📱 Свежие релизы Python‑пакетов за последние 7 дней

Вот что появилось или обновилось за последние 7 дней в экосистеме Python:

📍 Релизы
✅ Django Bugfix Release 5.2.4 — исправлены баги


📦 Data, ML, AI, Agents
✅ sentence-transformers 5.0.0 — эмбеддинги, поиск и переранжирование
✅ PEFT 0.16.0 — эффективный файнтюнинг больших моделей
✅ wandb 0.21.0 — мониторинг экспериментов (Weights & Biases)
✅ CrewAI 0.140.0 — фреймворк для координации AI-агентов
✅ statsig-python-core 0.6.0 — SDK для A/B-тестов и экспериментов
✅ PaddlePaddle 3.1.0 — глубокое обучение с поддержкой распределённого обучения

🧩 Инфраструктура, парсинг, работа с файлами
✅ python-calamine 0.4.0 — Python-обёртка над Rust-библиотекой для чтения Excel/ODF
✅ pylance 0.31.0 — поддержка формата Lance в Python
✅ pillow-heif 1.0.0 — поддержка HEIF/HEIC изображений
✅ PyAV 15.0.0 — Python-интерфейс к библиотекам FFmpeg

🧪 Автоматизация, тестирование, Web, BLE
✅ SeleniumBase 4.40.0 — фреймворк для автотестов с поддержкой всех браузеров
✅ browser-use 0.4 — интерфейс сайтов для AI-агентов
✅ bleak 1.0.0 — BLE-клиент на Python, кроссплатформенный

🛠 Разработка серверов и аналитики
✅ fastmcp 2.10.0 — быстрый Python-способ построить MCP-сервер
✅ PostHog 6.0.0 — аналитика событий прямо из Python-приложений

Библиотека питониста #свежак

📎 Топ-вакансий для питонистов за неделю

Python Разработчик — от 250 000 до 280 000₽, удалёнка

SDET Python (KLDFS), удалёнка

Python-разработчик — до 1 800 $, удалёнка

Python разработчик — от 1500 до 3000 $, удалёнка

Senior Python Developer (Analytics) — от 300 000 до 400 000 ₽, удалёнка

➡️ Еще больше топовых вакансий — в нашем канале Python jobs

Библиотека питониста

Шпаргалка: типизированные структуры данных в Python

Python поддерживает типизацию с помощью аннотаций, а также предоставляет удобные инструменты для описания структур — TypedDict и dataclasses.

🆖 Typed Dictionaries (Типизированные словари)

TypedDict похож на обычный словарь, но с подсказками типов для ключей и значений. Это помогает задать чёткие ожидания, какие ключи и значения должны быть в словаре.

Пример:

from typing import TypedDict

class Metrics(TypedDict):
    accuracy: float
    precision: float
    recall: float
    AUC: float | None  # необязательное поле

def evaluate_predictions(y_true: np.ndarray, y_pred: np.ndarray) -> Metrics:
    # Возвращаем словарь с метриками
    return Metrics(accuracy=0.66, precision=1.0, recall=0.5)

my_metrics = evaluate_predictions(y_true, y_pred)
print(my_metrics)  # {'accuracy': 0.66, 'precision': 1.0, 'recall': 0.5}

🆖 Dataclasses (Датаклассы)

Датаклассы упрощают создание классов с данными, автоматически генерируя методы вроде __init__. Можно сделать объекты неизменяемыми с frozen=True.

Пример:

from dataclasses import dataclass

@dataclass(frozen=True)
class ModelConfig:
    model_path: str
    data_path: str
    batch_size: int = 32
    learning_rate: float = 1e-3
    num_epochs: int = 10
    early_stopping: bool = False

config = ModelConfig(model_path="models/v1", data_path="data/train", batch_size=64)
print(config.batch_size)  # 64

🆖 Вложенные структуры

Типизированные словари и датаклассы можно вкладывать друг в друга, чтобы описать сложные структуры данных.

Пример:

from datetime import datetime

@dataclass
class ExperimentSummary:
    datetime: datetime
    model_config: ModelConfig
    metrics: Metrics

experiment = ExperimentSummary(datetime=datetime.now(), model_config=config, metrics=my_metrics)
print(experiment.model_config.batch_size)  # 64

Важные советы:
🔛 Не увлекайтесь глубокой вложенностью! Слишком сложные структуры затрудняют поддержку и понимание.
🔛 Используйте типы для самодокументирования кода. Они помогают избежать ошибок и ускоряют разработку.
🔛 Выбирайте TypedDict, если хотите словарь с проверкой структуры.
🔛 Используйте dataclasses, когда нужна полноценная структура с методами и возможностью наследования.

Библиотека питониста #буст

🗂 Как перевести Python/Django-проект на uv

Если вы устали от несовпадений между локальными зависимостями, CI и продом, попробуйте перейти на uv — современный инструмент для управления окружением и зависимостями Python.

Вот краткий план, как это сделать:

1️⃣ Настройка pyproject.toml

Создайте или обновите pyproject.toml с базовой информацией о проекте:

[project]
name = "my-product"
version = "1.2.3"
description = "Our amazing product."
readme = "README.md"
requires-python = "~=3.12"
dependencies = []

2️⃣ Перенос зависимостей

Вместо requirements/*.txt теперь всё управляется через uv:

uv add -r requirements/base.txt
uv add -r requirements/dev.txt --group dev
uv add -r requirements/deploy.txt --group deploy

git rm requirements/*.txt

3️⃣ Установка и фиксация Python

uv python install 3.12
uv python pin 3.12
uv sync

> uv создаст .venv/ и .python-version и синхронизирует зависимости.

По умолчанию uv sync устанавливает только dev-зависимости. Для других групп:

uv sync --locked --group deploy

✅ А в продакшене не забудьте флаг --no-dev!

4️⃣ Обновление .envrc (если вы используете direnv)

sed -e '/layout python/ s/^#*/#/' -i .envrc
echo 'export PATH="$(pwd)/.venv/bin:${PATH}"' >> .envrc
direnv allow

5️⃣ Docker

Базовый образ:

FROM ghcr.io/astral-sh/uv:python3.12-bookworm

Настройка переменных:

ENV UV_COMPILE_BYTECODE=1
ENV UV_LINK_MODE=copy
ENV VIRTUAL_ENV=/venv
ENV PATH="$VIRTUAL_ENV/bin:$PATH"

Установка зависимостей:

RUN --mount=type=cache,target=/root/.cache/uv \
    --mount=type=bind,source=uv.lock,target=uv.lock \
    --mount=type=bind,source=pyproject.toml,target=pyproject.toml \
    set -ex \
    && uv venv $VIRTUAL_ENV \
    && uv sync --active --locked --no-install-project --no-dev --group deploy

6️⃣ Подключаем pre-commit

В .pre-commit-config.yaml:

- repo: https://github.com/astral-sh/uv-pre-commit
  rev: 0.7.12
  hooks:
    - id: uv-lock

7️⃣ GitHub Actions

- uses: astral-sh/setup-uv@v1
  with:
    python-version: 3.12
    enable-cache: true
    cache-dependency-glob: "uv.lock"

- run: uv sync --locked
- run: uv run pre-commit run --all-files
- run: uv run pytest

✅ Обновление зависимостей

Обновить конкретный пакет:

  uv lock --upgrade-package <package-name>
  uv sync --locked
  

Обновить всё:

  uv lock --upgrade
  uv sync --locked

Библиотека питониста #буст

💡 Python-разработчик и хочешь выйти за пределы типовых задач?

Переход в LLM-инжиниринг — мощный горизонтальный шаг с реальным спросом, влиянием и перспективами роста.

Компании ищут специалистов, которые работают с реальными пайплайнами и продакшен-инфраструктурой. Хочешь стать одним из них? Приходи за практикой и знаниями на курс «Инженер LLM» от тех, кто уже строит это сегодня.

Преподаватели — топы индустрии:
— Кристина Желтова, директор по разработке моделей в Газпромбанке
— Александр Потехин, NLP Lead в X5 Tech
— Евгений Кокуйкин, CEO Raft, эксперт по LLM-инфраструктуре

Это не лекции «про будущее», а опыт тех, кто уже создает LLM-системы для банков, ритейла и платформ с миллионами пользователей.

Курс разработан GIGASCHOOL совместно с крупнейшей магистратурой по ИИ AI Talent Hub.

Ты научишься:
➡️дообучать модели (fine-tuning, PEFT, RLHF);
➡️работать с LangChain, LangGraph и векторными базами;
➡️строить RAG‑системы, внедрять инфопоиск и защищать LLM;
➡️собирать пайплайны, деплоить, трекать, вести версионирование;
➡️проектировать мультиагентные решения и ассистентов.

▪️ 252 часа теории и практики
▪️ диплом о профессиональной переподготовке
▪️ старт 14 июля, 18 недель онлайн с продуманными каникулами
▪️ 29 667 ₽/мес в рассрочку
▪️ повышение цены — 11 июля

Смотри программу и оставляй заявку 🔗

Обучение у тех, кто уже запускает LLM в продакшене — лучший вклад в твою AI-карьеру 😎


Реклама. АНО "ЦЕНТР РАЗВИТИЯ ИТ-КОМПЕТЕНЦИЙ «ГИГА ШКОЛА»", ИНН 7453352684. Erid 2VtzqwqX9Z1