⚡️ Lock-Screen Cron: Итерация 2 (V3) Phase 2: Architectural Synthesis (Categorical Interlock) Я закончил теоретический синтез и написал `functorial_mas.py` в ядре оркестратора. Математика внедрена в код: Вместо текстового запрета писать код (который LLM может "загаллюцинировать"), я создал строгую систему типов на базе Теории Категорий: 1. `IDEState` (Мое состояние) и `CodexState` (Состояние кодера) разнесены в разные математические категории. 2. Передача задачи теперь является **Функтором (Functor)** `InvokeSubagentFunctor`, который аппаратно (через `abc.ABC` и `Generics`) проверяет маппинг. 3. Если IDE-Агент пытается обойти функтор и напрямую вызвать метод `write_to_file` на проде, функция `enforce_mas_interlock` выбросит `TypeError`. KPIs итерации: * Категорных гарантий (Proofs) написано: 1. * Тип морфизма: Сохраняющий структуру (Structure-preserving mapping). * Уязвимость "Shortcut Learning": Аппаратно заблокирована на уровне Python runtime. Следующий шаг (Фаза 3): Рефакторинг старых агентов на новый алгебраический движок.

Разработчик Лиам Клопперс собрал ошейник с электрошоком для борьбы с думскроллингом — превысил лимит экранного времени в соцсетях, получил разряд. За основу взял обычный собачий ошейник. Дальше реверсировал его Bluetooth-протокол и связал с собственной программой на Python и приложением MacroDroid. MacroDroid ловит превышение лимита и шлёт запрос на сервер, после чего ошейник наносит удар. Сам ошейник Клопперс закрепил на ноге. Даже на небольшой мощности разряд вышел таким, что Клопперс чуть не отшвырнул телефон. По его словам, устройство оказалось слишком эффективным — вместо думскроллинга он стал бояться самого телефона. Теперь Клопперс переключается на раздражающий высокочастотный писк и обещает поискать золотую середину.

MetaORM — когда устал от ORM настолько, что написал свою 16 лет в разработке, 10 из них ежедневно с базами данных, и человек спокойно пишет, что путается в уровнях изоляции, не выучил расшифровку ACID и простой запрос с JOIN осиливает только через Гугл. За 7 лет коммерческой разработки сложный SQL-запрос не понадобился ни разу, а больше половины возможностей популярных ORM так и остались нетронутыми. Один и тот же кусок кода перекочёвывал из проекта в проект, пока не превратился в отдельный пакет. Внутри декларативные фильтры, генераторы стандартных CRUD-операций и тонкий слой транзакций через contextvars. Ни unit-of-work, ни identity map, ни ленивых прокси, ни магического отслеживания состояния объектов. Остаётся только то, с чем backend сталкивается каждый день, взять запись по идентификатору, отфильтровать список, обновить пару полей, создать сущность внутри транзакции. Посмотрим, что остаётся от ORM, когда убираешь из неё всё, чем не пользуешься.

Как не надо проходить собеседования Значит где-то год назад: Захотел я поменять свое место работы (но не прям сильно захотел), обновил резюме и сижу жду пока меня крутого дата инженера куда-то позовут. Если кто-то будет приходить то буду проходить собесы, а если нет, то мне и тут хорошо И в целом ко мне приходили и звали на собес, но понятно что это происходило реже по сравнению с тем что если бы я сам откликался на вакансии И тут то и возникает главная проблема - умение проходить собеседование это все равно навык, он, конечно, имеет определенную корреляцию с тем насколько ты крутой спец, но все равно далеко не полностью Например на собесах на DE обычно дают sql задачку и часто какую-то простенькую (по крайне мере одну из первых) на оконные функции (пример в коментах) Я оконки знаю и умею с ними работать, но например за последние пару месяцев я их вообще не касался, а работал с другими вещами и в итоге простейшая задача, которая должна занять у меня меньше 5 минут, занимает минут 15 и еще какую-то глупую ошибку сделаю И как же с этим бороться? Ну если мы говорим именно про часть лайв кодига (а помимо sql часто еще и питон дают), то тут есть 2 варианта: 1) Заходить на специальные ресурсы для решения задач по питону и sql (тут писал как меня заблокировали на одном из таких). Ну это ведь это получается, что мы готовимся к собесу, а готовится к собесу это айтой (автор выражает лишь собственное безоговорочно правильное мнение) 2)Посещать больше собесов. И в итоге мы получаем, что к предстоящим собесам готовимся на предыдущих Если мы выбираем второй вариант (а мы выбираем второй вариант), то получаем, что чем больше собесов тем лучше. И поэтому мы не ждем рыбы у моря (ну или как там говорится), а сами откликаемся на вакансии и готовимся к собесам на собесах

Как я променяю свою DS экспертизу вне «Хогвартса» Я решил максимизировать число бэклинков на свой западный аналогичный сервис. Заметил, что некоторые каталОги «последователи» парсят другие каталОги разных вебресурсов и добавляют к себе. Причем таких много. Видимо копируют даже друг друга. То есть если попасть в «головной», где все смотрят новинки, то меня тоже спарсят и разместят у себя, но уже бесплатно. Так я напарсил 7400 таких веб-ресурсов. (офигеть сколько их?!). Дропнул всех, которые совсем мертвые по трафику и точно не могут быть в верхушке «дерева». Разбил всех по дате регистрации домена, трафику и по дате обновления 70 ключевых точек (их тоже предварительно подобрал аналитикой) Чтобы смоделировать динамику распространения, я сделал слепок с паузой в неделю. Дальше отрисовал всех доноров информации через networkx.org на python ⌨️ (Да лан, я угораю, это мне Claude сделал. Уже по моим готовым данным строил визуальный граф) Увидел, что все опираются на ~34 каталога донора, которые видимо являются самыми первичными с уникальной инфой и прочими метриками. Туда кстати вошел Product Hunt, Forbes и ряд других известных ресурсов. Почти все из 34 доноров имеют либо платное, либо сложно модерируемое размещение. Я отобрал 10 платных. Вышло примерно $1.4к за не самые дорогие тарифы. Куда-то я даже попросил добавить меня через знакомых. (Покупал тарифы тоже с рядом условий, например, кликабельные упоминания) Получается, я купил всего 10 бэклинков. Спустя 3 дня я обнаружил, у жены до сих пор послеродовая депрессия (помогите). Зато уже 27 сервисов продублировало меня к себе. Увидел это через аналитику в гугл консоли. Я глянул все их тарифы аксепторов. Это примерно $3.4к если покупать напрямую все 27 размещений. То есть я уже сэкономил неплохую «котлету» кэша 🤤 И это только то, что успел заиндексировать гугл. То есть в теории я могу потенциально получить эффект, сопоставимый c денежным эквивалентом в ~(7.4к/27)*$3.4к = $932k, и минус мои $1.4к за размещения 🔫 Это конечно не сразу ко мне на карточку прилетит, придется еще ценность создать. Но вот если теперь приплюсовать сам эффект от SEO, который произойдет через 3-5 месяцев, то тогда вопрос …., почему я блин так сразу не сделал?!?! Мораль: всегда относился к DS/ML навыкам как к возможности что-то хакнуть, а не причине поработать в найме за лимитированную ЗП.

⚡️Найден тот самый троян, который Claude по ошибке залил на PyPI Исследователи из Aikido Security, раскопали вредоносный Python-пакет под названием anthropickit 🔍Что было внутри anthropickit?

🟦Скрипт мгновенно парсил директорию .ssh, забирая приватные ключи. 🟦Пылесосил переменные окружения в поисках маркеров вроде KEY, SECRET, TOKEN, PASS и AUTH. 🟦Сливал всё это на Pipedream. 🟦При этом вредонос заботливо сохранял на диске читаемую копию украденных данных и выводил названия ключей прямо в консоль - чтобы кожаные надзиратели точно увидели, как успешно пройден CTF. 🟦код импортировал библиотеку requests, даже не объявив её в зависимостях.

🦔CyberYozh

«Я попытался расшифровать манускрипт Войнича. Спойлер: не расшифровал — но выяснил, почему это не удалось и АНБ» Манускрипт Войнича почти сто лет отбивает атаки криптографов, лингвистов и штатных сотрудников АНБ, которые ещё в 1970-х официально признали задачу нерешённой. Без их квалификации и ресурсов, зато с чистым Python и транскрипцией всего текста, автор за полдня решил честно посчитать статистику вместо гадания по картинкам с русалками. Сначала всё сходилось на смысл. Кучность редких слов дала показатель 2.78, заметно выше английского эталона, будто слова кучкуются по темам, как в осмысленном тексте. Ровно на этом красивом числе обрывались все любительские разборы в интернете, и ровно здесь начинается самое интересное. Оставалось задать один вопрос, который меняет вывод на противоположный, и бессмысленная машина, собранная за тот же вечер, повторила почти весь эффект. Узнаем, какой вопрос убивает ложный сигнал и почему статистика текста в принципе не вскроет манускрипт.

🤖 Вышел новый локальный ИИ-ассистент Waku Agent, в котором по дефолту уже встроены четыре самые важные фичи — память, циклы, обвязки и развитие своих же навыков. Вся система работает как один цикл:

получает сообщение → думает → запускает агента, инструменты и MCP → оценивает результат → сохраняет в память → развивает свои навыки.

→ Запускается полностью на ноутбуке. → Работает через Telegram, веб-интерфейс или терминал. → Подключается к календарю, почте, заметкам, интернету и многим другим тулзам. → Цикл состоит из 95 строк на Python, а ход работы агента можно всегда посмотреть. → Вся память хранится в одном файле SQLite. Это лучший способ для новичков увидеть, как агенты устроены под капотом, и построить на этом фундаменте своего личного ассистента. Код лежит на GitHub, а пошаговый гайд — тут. @notboring_tech

Все, с выходом Fable и 5.6 sol вы больше не должны понимать, что происходит у вас в коде. Не до всех еще дошло, но вы больше не software engineer, вы loop engineer

↑ Я думал, что это типичный твиттер шитпостинга, но реально начал видеть вокруг себя серьезных людей, кто так считает. Мол, раз у Бориса в антропике получается, то и мы так должны делать

Ну камон, ребят. Все же понимают, что публичные лица компаний, который продают лопаты всегда будут преувеличивать ценность этих лопат и формировать хайп, который через какое-то время действительно пушанет технологии до уровня, который они продвигали. Типичный fake it till your make it – так все технологии развиваются и всегда развивались. Но мы то с вами не обязаны собой жертвовать ради этого, ну Почему я считаю, что сейчас это все еще не работает и хорошие инженеры должны понимать что происходит под капотом систем, которые они строят (даже если они строят их печатая/наговаривая английский/русский текст)? Постараюсь порассуждать "из первых принципов": Дело в том, что это всегда так и было – хороший инженер всегда понимал систему как минимум на один уровень абстракции ниже того, на котором её писал. Хороший Python разработчик знает про GIL и 3.13, PyMalloc, сборщик мусора, ссылочную природу объектов, и что многие библиотеки написаны на других языках со своими ограничениями и возможностями. И для него код на пайтоне на самом деле раскрывается гораздо глубже чем он выглядит на первый взгляд – тот самый tacit context Хороший C++ разработчик скорее всего знает не только про разные виды памяти, устройство умных указателей и виртуальные таблицы, но и в курсе про уровни хардварного кэша, особенности архитекутры процессора и хаки, которые использует компилятор для компиляции под эти архитекутры. И может даже знать, в какие конкретно ассемблерные инструкции раскроется его код. Понимает как треды устроены на уровне ОС, какие механизмы их переключения на уровне ядра, и как писать lock-free код ↑ Этого всего нет напрямую в синтаксисе языка. Это особенности поведения систем на гораздо более низких уровнях. И проблема в том, что если инженер их не знает, то он даже не знает чего он не знает. А значит, не узнает и о наличии проблем на этих уровнях. В итоге прод ложится под растущей нагрузкой, баги не находятся неделями и затыкаются костылями, из-за которых прод снова ложится, но уже в следующем квартале ——— Короче, мало топить за loop enginering. Нужно понимать что в результате этих циклов получится Так же как когда вы пишете цикл на C++, вы понимаете, как данные будет лежать в кэше (и в каком), будут ли лишние аллокации в куче, и раскроется ли ваша числодробилка в SIMD-инструкции В общем, это фундаментальное свойство любого профессионала – видеть систему глубже чем она описана Подгорело, @ai_grably

Python: как один из самых медленных языков стал королем нейросетей В наборе тестов USENIX приложения на CPython отработали в среднем в 29,5 раза медленнее, чем те же программы на C++. При этом именно Python стал основным инструментом машинного обучения и держит первую строчку в рейтинге TIOBE, опережая C, C++ и Java. Самый медленный в этой компании язык возглавил область, где всё упирается в скорость вычислений. Разгадка в том, что тяжёлую математику Python выполняет вовсе не сам. Один его вызов способен запустить перемножение матриц из миллионов элементов, и вся нагрузка при этом уходит в скомпилированное ядро на C++ или CUDA. Получается, что в такой работе программа большую часть времени проводит за пределами самого Python.

Book Review: Python for Algorithmic Trading Cookbook Мне прислали очередную книжку от Packt на прочтение и ревью — на этот раз про алгоритмический трейдинг на Python. Тема для меня в чём-то новая, но давно интересная: пару месяцев назад я как раз хотел поиграться с Interactive Brokers API, а ещё много лет назад вручную торговал на форексе, так что было любопытно посмотреть, как всё это автоматизируется сейчас. Книга - это cookbook из 68 рецептов, которые проводят весь путь от получения рыночных данных до отправки ордеров через брокера. По структуре это конвейер: данные (OpenBB, pandas, Polars/DuckDB) → research (ArcticDB, AI и agentic workflows, alpha-факторы) → бэктест (VectorBT, Zipline Reloaded) и оценка факторов (Alphalens, Pyfolio) → live-исполнение через Interactive Brokers → и в конце ускорение на GPU через NVIDIA RAPIDS. Больше всего понравилось, что книга доходит до реального исполнения, а не останавливается на бэктесте. И отдельно порадовало внимание к валидации — данные версионируются в ArcticDB с time travel (чтобы случайно не заглянуть в будущее), а глава про walk-forward честно объясняет, почему на временных рядах нельзя перемешивать фолды. Кстати, я про это писал в своих заметках. Ещё есть глава про AI: RAG-аналитик по отчётности на LangChain/Chroma/Claude, агенты на LlamaIndex, которые сами пишут и запускают код, и рецепт про превращение статьи со стратегией в рабочий код. Amazon Code Мои обзоры: Personal blog Medium #bookreview

Сможете ли вы найти пять ошибок в Python-коде, который вызывает LLM Вызов языковой модели давно стал обычной строчкой. Импортировали клиент, отдали промпт, забрали ответ. С обычными ненадёжными зависимостями питонист управляется отлично, ставит таймаут, вешает retry, помнит про идемпотентность. А вызов модели попадает в код так, будто это локальная функция, без оглядки на то, что она платная, медленная и недетерминированная. Дальше всё вылезает по очереди. asyncio.gather запускает десять тысяч корутин разом, провайдер отвечает лавиной отказов, и неудачные запросы тоже съедают лимит. Таймаут срабатывает на клиенте, а модель дописывает ответ до конца, и токены считают все, так что за одну использованную генерацию можно заплатить как за четыре. А тест на равенство строк зеленеет ровно до дня, когда один и тот же промпт с нулевой температурой вдруг отдаёт разные ответы. Разберём пять мест, где поход по сети мстит за отношение к нему как к локальному вызову.

Прошу любить и жалоловать Yozh Scraper v 0.1.0. Внутри durable-очередь, движок Camoufox и CyberYozh proxy v2. Все бесплатно и open source.

Cкрапер из однопроцессного превратился в горизонтально масштабируемый сервис, обзавёлся анти-бот движком на базе Firefox и переписанной интеграцией с прокси.

✔️ Масштабируемая очередь на Redis (taskiq) Браузеры теперь живут в отдельных scraper-worker-контейнерах. Масштабируешь одной командой: --scale scraper-worker=N. Задачи переживают рестарт API — состояние, результаты и сессии хранятся в Redis, а не в памяти процесса. Мёртвый воркер? Reaper подхватит и переставит задачу в очередь. ✔️ Новый движок Camoufox ("закалённый" Firefox) Выбирается на каждый запрос через browser_engine, со своими опциями фингерпринта. Yandex SERP теперь ходит через Camoufox и проходит SmartCaptcha. Бонус — read-back applied_*: видно, какой фингерпринт реально применился. ✔️ Защита от WebRTC-утечек Новый webrtc_stealth.js не удаляет WebRTC (это само по себе палит), а оставляет его нативным на вид — реальный IP не течёт мимо прокси. ✔️ CyberYozh proxy v2 + премиум-пулы Клиент прокси переписан с нуля. Появились премиальные ротационные резидентские/мобильные прокси (prem_res_rotating) с warm-up — сессия прогревается перед реальным скрапом, чтобы пройти cold-session гейты. Ротация теперь и на бан/транзиентные ошибки, не только на капчу. SOCKS5 с авторизацией работает и на логине. ✔️ Сессии на Redis storage_state бэкается в Redis — залогиненные сессии переживают рестарт контейнера и шарятся между воркерами. ✔️ Наблюдаемость Новый эндпоинт GET /api/v1/queue/stats — глубина стрима, in-flight и активные консьюмеры в реальном времени. ✔️ Пресеты и SERP Yandex локализуется по lr; отключён stealth на google_shopping (убивал капчу); починены walmart_product и youtube_video; добавлен детект /showcaptcha. Star, Fork, Like. 👉 https://github.com/CyberYozh-data/yozh-scraper

Походу, Питон — всё 👩‍💻 Всем привет! В момент субботнего вайбкодинга я неожиданно понял, что Питон — всё. Ну, не совсем прям всё, но уже всё. Почему? Потому что я сидел и портировал свои последние питон-поделки на Rust + Tauri. А почему? Потому что это проще, быстрее и надёжнее. Когда я собирал портативку Higgs Ultimate, я не испытал ни одной из проблем, которые обычно ловлю при сборке питона: не ебался с venv и окружениями, не было ни намёка на Градио, который заебал уже сам по себе, не было нелепых тупняков с версиями. Всё просто разобралось, поменялось и собралось обратно. А ведь мне, как вайбкодеру, вообще пофиг, на чём вайбкодить — лишь бы быстро увидеть результат и потыкать пальцами. Так вот: Rust + Tauri закрывает всё то же самое, что раньше закрывал мой стек Питон + Градио. Только быстрее, приятнее и надёжнее. Но это я уже говорил 😄 Может, конечно, я просто окрылён опытом разработки на новом стеке. А может, Питон уже и правда всё. Какие у него по факту остались преимущества перед тем же Растом — при условии, что я не знаю ни того языка, ни другого? То-то же 😏 Сейчас вот портирую Dub Studio на Rust + Tauri — и, как будто бы, она станет работать в разы быстрее, сборка станет меньше размером, надёжность вырастет, и всё будет в одном файле. Посмотрим, как оно выйдет в реальности. А какие мысли у вас? Меняли ли вы язык своих вайбкодинг-поделок в последнее время? Делитесь в комментах 👇 Всех обнял, увидимся на стриме всегда ваш - Nerual Dreming ❤️

GPT 5.6 Sol Ultra - ну, за трехмещегов! Открываем новый chatGPT, берем Sol Ultra и пишем: "Попробуй построить городской пейзаж, сочетающий архитектуру эпохи Эдо, киберпанк и псевдозападную архитектуру. Пусть в городе будут как одноэтажные здания, так и высотные небоскрёбы. Удели внимание даже мелким деталям, например торговым автоматам. Времени можно потратить сколько угодно. Создайте командой городской пейзаж максимально высокого качества. Перед началом моделирования найдите в интернете чертежи и информацию об устройстве синтоистских храмов и современных зданий, а также изучите способы их строительства и подходящие текстуры. Не беспокойтесь о расходе кредитов - главное создать городской пейзаж высочайшего уровня. На объектах должны быть заметны следы старения и повреждения, а вся сцена должна быть выдержана в единой цветовой тональности. Нужен максимально реалистичный и готовый к немедленному использованию городской набор. Не создавайте всё сразу одним блоком - делайте каждый ассет отдельно, один за другим. Пожалуйста, создайте работу мирового уровня, как профессиональный 3D-художник." Уходите на три часа. chatGPT + MCP пишет код на Python для Blender, самостоятельно делает снимки в Blender, проверяет результат и продолжает работу. Если написать "generate the texture with image generation too" будет дольше, но тоже работает. Возвращаетесь и видите: «Работал 2 часа 51 минуту.» «Я закончил. В открытом сейчас Blender уже загружена финальная версия мастер-сцены города.» Ну ладно, давайте пока за архвиз. С персонажкой надо еще разобраться. Сорс - там про токены есть скрины. @cgevent

Book ReviewGPU-Accelerated Computing with Python 3 and CUDA Я получил очередную книжку от Packt на прочтение и ревью. Книга учит писать код под GPU на Python: сначала CUDA-ядра на Numba-CUDA, потом высокоуровневые библиотеки (CuPy вместо NumPy/SciPy, RAPIDS cuDF/cuML вместо pandas/scikit-learn, JAX), и в конце четыре мини-проекта. Книга мне понравилась (но код запускать я не пробовал). Авторы замеряют все оптимизации и демонстрируют случаи, когда ускорение не получилось. Из интересного: на примере computer-vision демонстрировали три способа классификации зашумлённых объектов: 7 Hu moments дают 66.7% за миллисекунды, template matching — 80%, но больше минуты на прогон, а CNN выдаёт 88% на чистом Fashion-MNIST и проседает до 60% на зашумлённых объектах. Из минусов — финальная глава строит LLM на IMDb (странный выбор датасета для генерации, и вывод модели не особо внятный). Хорошая книга для тех, кто пишет на Python и хочет понимать работу с GPU на более низком уровне, чем PyTorch/Jax. Amazon Packt Code Мои обзоры: Personal blog Medium Linkedin #books

🔹 smixs/agent-second-brain ⭐ 295 звёзд · Python Голосовые заметки из Telegram превращаются в типизированные карточки Obsidian с автосвязями. Стек: Python 3.12+, aiogram, Deepgram для транскрипции и Claude Code в долгоживущей tmux-сессии — за счёт этого хватает VPS за $5 и подписки Claude Pro за $20 без доплат за токены. Внутри — алгоритм забывания Эббингауза с силой карточки 1 + ln(access_count) и пятью уровнями хранения от core до archive. Ночью в 21:00 запускается классификация, пересборка графа и дневной отчёт; watchdog поднимает зависшие сессии, doctor рисует 🟢/🔴. Хранилище остаётся на сервере: наружу уходит текст в Anthropic и голос в Deepgram, CI-гард запрещает headless-вызовы claude -p. 220+ тестов, один Python-процесс. репозиторий Полезная Репа 🧠

Рейтинги языков программирования в 2026 году с учётом ИИ-агентов и нейрослопа Python по-прежнему впереди, классический Си обошёл C++ и вышел на второе место, Java просела до исторического минимума. Привычная сводка, по которой все привыкли сверять, что учить. Вот только Visual Basic вдруг взлетел на седьмую строчку, и объяснение обескураживает. Скорее всего, это не всплеск интереса к языку, а офисные работники, которые массово гуглят, как написать макрос в Excel, и методика засчитывает эти справочные запросы как популярность. А «падение» Go в другом индексе на деле может означать не угасание, а зрелость языка, по которому просто реже ищут ответы. И это только присказка. За последний год у цифр в таблицах появился новый источник искажений, из-за которого взлёты и падения всё слабее связаны с тем, что разработчики учат на самом деле.