Как утки с СДВГ довели меня до опенсорса: зачем я собрал утилиту для перевода коротких видео на домашней видеокарте
https://habr.com/ru/articles/1051580/

Листал ленту тиктока и попался американский ролик про СДВГ, где всё объясняют на утках. Понравилось. И я подумал: классно было бы сделать такой же тикток, только на русском.Но я ленивый. Снимать, писать сценарии, делать всё с нуля - это скучно. А вот взять готовый ролик и перевести-переозвучить его на русский - вот это уже интересно, подумал я, а потом задумался, о том, как это автоматизировать. Это оказалось интересной инженерной задачей, которая увлекла меня на неделю времени, и привела к созданию ИИ утилиты с открытым исходным кодом.

Explicit Lazy Imports Are Coming to Python 3.15
https://blog.jetbrains.com/pycharm/2026/06/explicit-lazy-imports-are-coming-to-python-3-15/

Free-threaded Python: past, present, and future
https://lwn.net/SubscriberLink/1078367/5800cc051d01e516/

The Fastest Python Struct?
https://www.crumpledpaper.tech/2026-06-21-python-struct-profiling/

sglang-omni - High-Performance Multi-Stage Pipeline Framework for Omni Models
https://github.com/sgl-project/sglang-omni

TileRT - Tile-Based Runtime for Ultra-Low-Latency LLM Inference
https://github.com/tile-ai/TileRT

Python in a Sandbox With MicroPython and WASM
https://pycoders.com/link/16613/web

Simon’s been in search of the perfect code sandbox. This article is about his latest attempt and covers why he wants a sandbox and what tech he’s used to achieve it.

Построили рекомендательную систему для игр и поняли, почему простые решения работают, а сложные нет
https://habr.com/ru/companies/alfa/articles/1048308/

В игре человек выполняет задания ради бонусов или энергии, а для банка эти задания — реальные действия: оплата ЖКХ, заправка через приложение или заказ новой карты. Это отличный способ нативно продвигать продукты без назойливых рекламных баннеров.Если в играх мало заданий, то их можно просто показать всем. Но когда механик становится много, появляется классическая рекомендательная задача: что именно предложить конкретному клиенту, в каком порядке, и как оценить эффект?

Science‑purpose‑RAG: туда и обратно
https://habr.com/ru/articles/1052280/

Я хотел написать маленький локальный RAG для научных статей: графы, hybrid search, HyDE, reranker, всё красиво. В итоге Full Pipeline проиграл почти всем простым baseline’ам, графы начали портить контекст, HyDE вредил, а локальная LLM уверенно делала вид, что всё хорошо. Потом я разобрался, что ломалось, выкинул лишние LLM‑вызовы, починил trimming и получил систему, которая, наконец, начала выигрывать там, где должна. Где же оно сломалось?

Мой мониторинг аптайма сам нагенерил 932 фантомных падения
https://habr.com/ru/articles/1052038/

2 июня мой мониторинг аптайма разом отрапортовал, что упало почти всё: 932 инцидента за 25 минут. Сайты были живы — все до единого. Виноваты дефолтный лимит файловых дескрипторов 1024 и «оптимизация», тихо размножившаяся в 60 раз. Разбираю по приборам: /proc, ss, EMFILE и почему docker compose restart не спасает.

#python #pydigest
IT-новости про Python перед вами.

Часть материалов из выпуска Python Дайджест:

- Django-style фильтры поверх SQLAlchemy
- Как утки с СДВГ довели меня до опенсорса
- Почему RAG естественно подходит для рекомендаций
- uv в проде: скорость реальна, интеграция не бесплатна
- Science‑purpose‑RAG: туда и обратно
- Инженер попросил нейросеть помочь с кодом…
- Хватит засовывать всё в контейнеры: возвращаем комфорт в локальную разработку
- TileRT - Tile-Based Runtime for Ultra-Low-Latency LLM Inference
- numpy - 2.5.0
- Django 6.1

Заходите в гости - https://pythondigest.ru/issue/654/

Сводка pythonz 21.06.2026 — 28.06.2026
https://pythonz.net/articles/651/

А теперь о том, что происходило в последнее время на других ресурсах.

Django-style фильтры поверх SQLAlchemy: зачем я написал python пакет sqlalchemy-query-manager
https://habr.com/ru/articles/1052518/

TL;DR: я сделал sqlalchemy-query-manager — небольшой слой поверх SQLAlchemy для типовых backend-запросов. Он не заменяет SQLAlchemy, а добавляет более компактную запись для частых операций: фильтры в стиле number__gte=100, условия через Q, фильтрацию по связанным моделям, eager loading, CRUD helpers, агрегаты и просмотр итогового SQL. Идея в том, чтобы оставить SQLAlchemy в основе, но убрать повторяющийся код там, где запросы становятся слишком большими.

Интересные развлечения со змеей
https://habr.com/ru/companies/timeweb/articles/1035184/

На этот раз у нас известный язык программирования Python, c двумя стилизованными змеями на логотипе, интересные и необычные развлечения с которым были собраны в этой замечательной статье.

import-linter: пусть границы слоёв сторожит машина, а не человек
https://habr.com/ru/articles/1053430/

Обычный летний день на проекте: ruff зелёный, mypy зелёный, тесты проходят. А domain при этом тихо импортирует adapters. Слоистая архитектура, которую рисовали на старте, теперь осталась только на схеме. Линтер ловит неиспользуемый импорт и кривой отступ. Типизатор - что вместо int передали str. А то, что бизнес-логика потащила в себя SQLAlchemy или Redis, не видит никто. 

Как я устал от CVAT и в соло написал десктопный инструмент для авторазметки датасетов на PyQt5
https://habr.com/ru/articles/1053394/

Надоело разворачивать CVAT через докер и мириться с лагами браузера? Я расскажу свою историю, как от простецкого аннотатора собранного на коленке написал мощную легковесную отечественную альтернативу на PyQt5 и OpenGl, с пакетной авторазметкой и иерархией классов.

Современный MQTT-сервис на Python
https://habr.com/ru/companies/raiffeisenbank/articles/1052226/

В Python при выборе библиотеки для работы с MQTT почти всегда приходишь к paho-mqtt. Это зрелый и самый популярный клиент, но его API построен на колбэках, а современное Python-приложение живёт в asyncio: FastAPI, фоновые воркеры, асинхронные клиенты и всё это в одном общем event loop.В одном из IoT-проектов я столкнулся ровно с этим. Мне нужен был MQTT-клиент, который без сложной адаптации встраивается в асинхронное приложение и позволяет работать с подписками как с управляемыми объектами, а не через набор колбэков.

Как голосовой ИИ-агент врал клиентам, путал звонящих и подделывал собственный голос — и как это чинится
https://habr.com/ru/articles/1053502/

За три месяца наш голосовой ИИ-агент успел соврать клиенту про несуществующего администратора, принять всех звонящих за одного человека и месяц выдавать обычный синтез за "клонированный голос". Разбираю, почему это лечится структурой кода, а не промптом — на полностью российском стеке.

Как я устал писать парсер под каждый прайс и сделал из этого библиотеку
https://habr.com/ru/articles/1053956/

У нас на проекте десятки прайсингов на топливо: один вендор шлёт CSV, другой Excel, третий JSON на вебхук. Данные одни и те же, но колонка цены везде называется по-своему, даты в трёх форматах, единицы то литры, то галлоны, а половина нужных полей просто отсутствует. И под каждый источник у меня жил отдельный парсер на сотню строк if-else. Сначала их было три, потом восемь, потом я перестал считать. А по-настоящему добило другое: эти парсеры ломались молча. Вендор тихо переименовывал колонку.В третий раз за месяц копируя один и тот же парсер, я понял, что так нельзя, и вынес логику маппинга из кода в данные. Из этого выросла библиотека fidelis:

Harness Bench: как оценить агентский harness и выбрать связку с моделью
https://habr.com/ru/companies/redmadrobot/articles/1053950/

Когда мы собираем AI-агента, первым делом выбираем модель под задачу. Но в реальном приложении она не работает в одиночку, ей нужен агентский harness — программная обвязка. Поэтому выбирать приходится не просто модель, а связку «модель + harness».Чтобы делать этот выбор осознанно, мы создали Harness Bench — открытый фреймворк, который тестирует связки на реальных задачах в одинаковых условиях