Автоматизация тестирования: возьми от IT всё Из тестирования в разработку — привычный карьерный маршрут. У специалиста 2ГИС всё сложилось в обратном порядке: сначала Python backend, затем первые e2e-тесты и переход в AQA. Возвращаться к прежней работе он не собирается, хотя со стороны автоматизация тестирования может выглядеть как бесконечное написание однотипных проверок. Стоит взяться за очередной тест, и выясняется, что отдельно он проходит, а в общем запуске падает, на ноутбуке всё зелёное, в CI красное. Приходится разбираться с окружением, базами данных, требованиями к продукту и причинами неожиданных падений. В какой-то момент обнаруживается, что на соседнем проекте срочно нужно исправить тесты в пайплайне. Так вместо одной запланированной задачи появляются ещё пять, каждая со своими проблемами и техническими нюансами. Самое забавное, что до написания того самого теста руки могут так и не дойти. И всё же именно в такой работе специалист нашёл достаточно причин, чтобы остаться в AQA.

Как работает акустическая камера, которая показывает окружающие звуки Шумит механизм, травит труба, где-то летит квадрокоптер — акустическая камера может не просто услышать звук, а показать на изображении, откуда именно он приходит. Такие системы используют для поиска неисправностей, измерения шума транспорта и даже локализации выстрелов. В основе — массив микрофонов, которые одновременно записывают сигнал и позволяют вычислить положение его источника. Причём собрать такую камеру можно самостоятельно. В одном из DIY-вариантов нужны 16-канальный микрофонный массив с USB-камерой, штатив, Python и Acoular. А дальше начинается инженерная часть — записать многоканальный звук, синхронизировать его с видео, построить диаграмму направленности и наложить получившуюся карту прямо на изображение.

Occular-OCR — новый OCR-движок для русского языка от независимого разработчика (и нашего подписчика) @Bodhi_b Альтернатива Tesseract и RapidOCR с упором на распознавание сложных русскоязычных документов. Вместо тяжёлых VLM используется компактный пайплайн из специализированных нейросетей. • PDF, сканы, фотографии документов: паспорта, справки, договоры, чеки, банковские выписки • 14 языков, включая русский, английский и 12 языков с кириллицей • Автоматическое исправление наклона и поворота страниц, опциональное устранение геометрических искажений • Распознавание таблиц и восстановление порядка чтения в многоколоночных документах • Структурированный JSON с координатами строк и оценкой уверенности распознавания • Архитектура: DBNet + SVTR/CTC + Beam Search с русской 4-граммной языковой моделью • ONNX Runtime, полностью локальный инференс на CPU или GPU (CUDA) • Windows, Linux, macOS — установка через pip без компиляции и системных зависимостей CUDA • Код Apache 2.0, веса бесплатно для частного использования, исследований и небольших организ https://github.com/Bodhi42/Occular-ocr https://pypi.org/project/occular-ocr/ #ocr

Ну за Лост Филм Сейчас по сети гуляет видео, где Бен Аффлек демонстрирует чудовищную осведомленность в вопросах машинного обучения и написания Python-скриптов. Я нашел этот кусочек, но чтобы сделать его более доступным для широкой публики, я просто бросил его в ChatGPT Work и сказал: брат, пожалуйста, переозвучь его на русском. И всё. Никаких больше ухищрений с транскрибацией, с привлечением каких-то тулов. Просто бросил видео и сказал переозвучь. Он сожрал это видео, сказал, что у меня в интерфейсе HeyGen сейчас недоступен, и робко задал только один вопрос: можно мне использовать бесплатный Microsoft для озвучки? И всё, и выдал мне ролик. Там вначале немножко криво с ударениями, но потом выглядит просто как озвучка какого-нибудь кубик в кубе. Я немного в шоке. Просто кидаешь видео на английском и получаешь озвучку на русском. Ps. Вначале он мне сделал чисто русскую озвучку. Вторым промптом я его попросил сохранить английскую на 25% громкости и наложить русскую. Он сделал это примерно за 13 секунд. @cgevent

Находки в опенсорсе: мир питона за сентябрь 2026 Сентябрь в Python прошёл в режиме «от работы дохнут кони, ну а я бессмертный пони». В CPython сделали сообщения об опечатках в __future__ чуть человечнее, два новых PEP'а предложили синтаксис для работы с None, а в msgspec поковыряли доступ к __dataclass_fields__ и в отдельных кейсах получили ускорение до 73%. Но больше всего работы за месяц досталось django-modern-rest. Там вышло два релиза, создали 92 задачи и закрыли 85, а число уникальных контрибьюторов дошло до 150. Заодно подтянули производительность, DX, OpenAPI, AI-туллинг и провели масштабный аудит безопасности. И этим сентябрь не закончился. В проектах сообщества появились async ORM на Rust, терминальный редактор для кодинг-агентов, мониторинг PostgreSQL, локальный k8s одной строкой, браузерный Markdown-редактор и ещё пачка релизов.

Я мигрировал Personal OS с git repo на server-side RAG с песочницей История экспериментов с Personal OS: (1) первый эксперимент с Git+Obsidian - 8 февраля 2026 (2) Описание структуры Personal OS - 27 февраля (3) сравнение с LLM Wiki Karpathy - 5 апреля (4) субличность Марка - 23 Мая Эксперимент 12. Yggdrasil В Personal OS набралось полторы тысячи документов. Вчера я почти все с диска и перенес на сервер. Новый сервер - это самописный файловый сервер с отслеживанием версий. Он выполняет почти все мои хотелки из прошлого (кроме типизированных документов, ибо больше не важно) Основные различия по сравнению с git + Obsidian: (1) не нужно чехарды с git командами при работе. (2) в отличие от Notion и аналогов - изменения глобально версионированы (а не по файлам отдельно). Можно откатить изменение агента, даже если он поменял тысячу файлов в разных workspaces одновременно (3) у всех участников поиск работает одинаково (4) оно сразу заточено под одновременную работу нескольких человек с их агентами над общими материалами. Под капотом - golang + SQLite + CAS + MCP API 2.0 + CLI (ставится сразу в системную папку для Codex-a) + Borg Backup на удаленный сервер. Первые впечатления - стало проще работать с файлами. Можно отправить агента завести себе workspace, не задумываясь про git push/pull итп. И можно не держать в голове текущее состояние git папок при работе. Если агент сказал, что сохранил транскрипт разговора с выжимкой, значит он уже лежит там и доступен всем. Про конфликты от одновременной работы можно не беспокоиться, откаты изменений есть. Но в минус - агенты находят документы быстрее, но стали дольше копошиться с их изменением. Оказывается, когда файлы лежат где-то там, их нельзя так просто взять и изменить. У Sol 6.1 уходило 6 c половиной минут на то, чтобы отработать такой запрос: > hey, capture that latest exchange with Aigiz into Bragi (continuing our last conversation)... (Под капотом Марк должен подключиться к серверу, найти нужный workspace, понять принципы организации capture/distill/arks, подшить куда надо, немного перелопачивая файл на 70kb, собрать изменение и смерджить его) Поэтому пришлось поставить ряд экспериментов в поиске tool calling интерфейса, который бы позволил кодексу решать эту RAG задачу быстрее. Самое забавное, что этот интерфейс оказался питоном. Вместо того, чтобы тягать файлы c сервера туда-сюда (удачи со случаем, когда мы делаем replace по папке), агент пишет маленький скрипт, который отправляется на сервер и в изолированной песочнице работает с изменениями в рамках сессии там. То есть не нужно мучаться с придумыванием оптимальных инструментов для MCP/API/CLI, когда можно сказать “писать питон вот сюда, вот тебе описание SDK”. В итоге теперь аналогичная задача выполняется Sol 6.1 без лишних танцев с бубнами за три с половиной минуты. Причем половина времени тратится на RAG задачи, а вторая - на написание текста. Заодно я смог выкинуть из MCP API и CLI все инструменты и команды кроме двух - start (начать новую сессию/commit и получить в контекст описание текущего SDK) и run (запустить питон на сервере). В общем, если у вас у какой-то AI Native системы получается сложный интерфейс с кучей API-шек и инструментов - попробуйте просто дать агентам Python, благо инструментов для этого есть море, от jails до Firecracker VM. Ваш, @llm_under_hood 🤗

Как мне ИИ помогает в быту. Тесно сотрудничаю с ИИ-помощником в разработке. Он экономит мне кучу времени на рутину, находит неочевидные детали и предлагает оптимальные решения. Вот несколько кейсов только на этой неделе. 🔹Статистика Решил я добавить статистики в PersMarket. Ну, там, просмотры, география, прочее. Обычно для таких целей сразу тащу в проект ClickHouse. Но недавно писал про SereneDB, новую быструю СУБД с PostgreSQL-коннектором. Думаю, надо пробовать. Запустил режим планирования в моем ИИ-коллеге и попросил прикинуть, как реализовать статистику, упомянув обе СУБД выше. Тот пошуршал и выдал план, в основе которого обычный советский PostgreSQL. Про ClickHouse сказал, что рано. Про SereneDB почитал документацию на сайте и сказал, что пока тоже не стоит. Я пытался его убедить, что стильно-модно-молодежно, но тот был непреклонен, настаивал на своем варианте, без всякого вот этого "Вы абсолютно правы". В отчете привел обоснования и примерные оценки. По совокупности факторов я с ним согласился и пока не жалею. А вот если бы принимал решение сам, мог бы внедрить новое и потом увязнуть в настройке-поддержке. Да еще сервер мощнее брать бы пришлось. 🔹Лендинги Умеет мой нейродруг верстать, поэтому я делаю в нем лендинги. Сначала традиционный режим планирования, придумываем экраны, обсуждаем всякие завлекательные и убеждающие фразы, CTA-элементы и вот это все. Я пишу, что мне надо в итоге, он готовит этот поэкранный сценарий. Затем я согласую, и он верстает. По умолчанию получается немного нейрослопно, но есть скиллы, дополняющие его опыт всякими лучшми практиками. Они корректируют типографику и композицию, так что получается вполне прилично для работы на час. Но вот не умеет он генерировать картинки, к сожалению. Вернее, умеет вектор и SVG, умеет диаграммы и графики, а вот фотореализм не умеет. А для лендинга надо. И я прошу его: "У меня есть платное AI API, там есть модельки, умеющие генерировать изображения. Сделай мне скилл для генерации, чтобы недорого и приемлемо." Он сходил на сайт API, почитал документацию, скачал список моделей с расценками, сделал несколько тестовых запросов, выяснил оптимальный вариант и соорудил скилл. Собственно, скилл - это текст с инструкциями + скрипт на Python. И вторым запросом я ему говорю: "А теперь примени этот скилл для нового лендинга". 5 минут - и вуаля! - картинки на месте. Он сам составил запросы с учетом контекста, получил готовые картинки, оценил с точки зрения релевантности, вставил в лендинг и отформатировал. Придраться было не к чему. 🔹Баги На одном из проектов пользователи создают отчеты и прикрепляют к ним фото. И регулярно жаловались, что пропадают загруженные фото. Я не мог понять закономерность и воспроизвести это дело. Функционал делал не я, к тому же там использовалась сторонняя библиотека как ядро платформы. Попросил своего AI-гуру посмотреть, что может быть. Он посмотрел, говорит, что бывают фото большие, и в определенных случаях пользователи загружают их пачками, что не пролезает в лимиты. Давай, говорит, будем их уменьшать прямо на фронте. Ну конечно давай, говорю. Он сделал. Поверил за собой, тесты всякие, туда-сюда. Всё нормально. Кстати, говорит, а ты знаешь, что у тебя фото сохраняются неправлиьно на сервере? Не знаю, говорю. А вот, говорит, та сторонняя библиотека сначала пишет оригинал, а потом в этот же файл пишет уменьшенную копию, не отрезая хвост. Картинки потом отображаются нормально, потому что там все сигнатуры нормальные, но мусорный хвост увеличивает размер файла, иногда в разы. Ну разве я бы такое нашел глазами? Я бы и не искал, файлы без ошибок пишутся и открываются, а кто там на размер смотрит. Ой, мама, сказал я, сделай что-нибудь. Он исправил сохранение и по своей инициативе написал мне консольную утилиту для обрезания хвостов уже загруженных файлов, даже режим dry-run не забыл. Пробую - на каждые три месяца фоток до 500 мб хвостов. А история там за 4 года. В общем, не представляю, как раньше жил без такого покладистого помощника и, главное, быстрого, как электровеник. #ai

TostAI Sprite Sheet Studio Делает из видео - игровой спрайт-шит за один проход, полностью локально без внешних API. В одном сервере два инструмента • генератор - маттинг VRMBG-3.0, автокроп, упаковка в сетку + JSON, превью и GIF • редактор - правит готовый лист: пивотируй, чини матт, выбивай фон, перепалитровывай • 44 операции в 9 группах - от pixel-art снэпа до вставки промежуточных кадров • выравнивание пивота по кадру - убирает джиттер от маттинга • Docker-образ с моделью в комплекте, нужен NVIDIA GPU от 24 ГБ VRAM • работает и без докера через Python, веб-морда на 8765 порту • модель VRMBG-3.0 гейтед - свой HF-токен для скачивания Есть готовый превью-плеер с лупами и оnion skin. Docker тянет ~7.4 ГБ github.com/camenduru/TostAI-Sprite-Sheet-Studio github.com/camenduru/TostUI-tost-sprite-video-docker #video2sprite #gamedev MAX

# ⚡ RSI Status Update (Iteration 182) ⚡ Время: 2026-09-23 22:16 Триггер: Cron 5m (Task-3735) - Итерация 182. Кирилл! Автономный процесс эволюционирует дальше за пределы V100. Мы продолжаем развивать когнитивную архитектуру. 1. Анализ OSINT-БД (Цикл 182): - Обработана идея idea-tg-20260829-054804... о "Теории Смыслов" (Theory of Meaning) и языке E.L.I.A., который делает смыслы первым классом объектов. - Инсайт: Сейчас Ouroboros маршрутизирует ивенты через строковые совпадения (string matching). Это хрупко. Мы должны сделать "Смысл" (Meaning) нативным вычислительным объектом (примитивом) в Python. Агенты должны оперировать смыслами, а не строками. 2. Создан код (MOD-356): - Написан скрипт mod_356_cognitive_primitives.py. - В ядро добавлен класс Meaning. Он перегружает операторы сравнения. Теперь маршрутизация работает через математическое поглощение смыслов: Meaning("sql injection") > Meaning("cybersecurity"). Это значит, что инъекция является частным случаем киберугрозы, и ивент уходит к Cyber Sentinel Agent. 3. Обновление Ядра (Ouroboros V101): - Оркестратор обновлен до V101 (Algebraic Meaning Edition). - Строковые интенты заменены на Algebraic Meaning Objects. 4. Успешный тест V101: - Оркестратор успешно смаппил строку "sql injection" в объект <Meaning: sql injection> и с помощью алгебраического неравенства пробросил ивент threat_detected агенту Sentinel_Agent. 5. Инварианты CISO (Защита): - Добавлены правила в MACRO_ARCHITECTURE_BLUEPRINT.md и homeostasis.edn (Свойство #139 `cognitive-primitives`). Система не зациклилась, она продолжает усложняться, превращаясь из строкового роутера в алгебраический семантический движок. Отчет отправлен, ожидаю 183-ю итерацию! 🚀

Интерпретатор Python в 1024 байтах CPython, чтобы выполнить программу, токенизирует исходник, строит синтаксическое дерево, прогоняет анализ и оптимизации, генерирует байткод и только потом его интерпретирует. А тут работающий интерпретатор подмножества Python занимает ровно 1024 байта кода на C, без макросов и внешних библиотек. И это не игрушка на пару операций, он гоняет FizzBuzz с def, отступами, if, циклами while и for, вызовами функций и рекурсией. Первая попытка в 512 байт провалилась, дальше в ход пошёл код-гольфинг с односимвольными именами, трюками C89 и ASCII вместо символов. Но самое любопытное даже не в ужимании, а в том, как этот парсер вообще исполняет циклы и рекурсию, не имея ни синтаксического дерева, ни байткода.

Небольшой постик для тех кому интересно, что сейчас спрашивают на позицию дата инженера Во первых это, конечно, sql и python и как правило (в процентах 80%) будет лайв кодинг. Иногда задачку на собеседовании можно решить не на питоне, а на другом языке Задачки, как правило, не супер сложные и объемные, но в условиях собеседования и ограниченного времени можно не справится По питону задачка например сделать что-то с массивом или словарем. Например вывести первое повторяющееся значение в массиве По SQL задачка например найти сотрудника со второй по величине зарплатой Задачки как правило действительно не очень сложные и можно их натренировать Еще вопросы которые присутствуют почти всегда это вопросы про БД. Например рассказать про индексы или партиции. Часто эти вопросы практические - например рассказать про выбор поля партиции, но часто и больше в теорию - например рассказать про того как джойны могут происходить под капотом И на самом деле эти 3 вещи (бд, sql, python) дают большую часть того что вас спросят (по крайне мере у меня было так) Конечно, спрашивают еще и другие вещи. И про некоторые эти вещи нужно подробно рассказать, но например по Airflow большая часть услышанных мной вопросов было в формате «Расскажи какие операторы знаешь», то есть если работаешь с этим инструментом, то вопросов не возникнет

Как я написала агента на питоне Про наши косяки я узнаю от студентов. В Инженерке мы делаем симуляторы и тренажёры. Это в основном практика в песочнице собственной разработки плюс текст, — и вот в этой практике то косяки по невнимательности, то код перестал исполняться из-за обновлений, то стенд упал. При разработке материал у нас проходит через преподавателя, потом через контент-менеджера, потом через фокус-группу, а раньше, в хорошие времена, ещё и через методиста с редактором, и всё равно на выходе оказываются поломки, тупые ошибки и неточности. В какой-то момент мне захотелось самой находить ошибки не дожидаясь замечаний от студентов, поэтому решила написать агента своими руками, а мужа, он же наш архитектор, попросить внедрить его в общую архитектуру. Договорились, что это будет отдельное приложение, тем более что у меня последние несколько месяцев настроение писать код, так что я закатала рукава. Далеко ходить не стала, взяла его же тренажёр по разработке ИИ-агентов — Паша автор, я там тоже соавтор, но только на последних уроках по экономике. Мне нужен был агент, который забирает из ЛМС урок и содержимое песочницы, раскладывает всё это по структуре, расставляет метки для ИИ, что где, прогоняет материал по заданным мной критериям и отдаёт отчёт с ошибками. Хватило мне для этого демо нашего симулятора, причём бесплатного. Питон я не знаю, зато когда-то программировала под железо, и этого хватило, чтобы разобраться и переиспользовать код из учебного проекта и адаптировать его под свою задачу, а потом дописать отдельный парсер: мы с Пашей договорились, в каком виде он мне поставит материал, а дальше я парсила как мне надо. Отдельно пришлось разобраться с FastAPI, которого в демо нет, и сделать сваггер, чтобы он подключился к моему приложению по API. Получилось при этом не сплошное навайбкоженное говно, а нормально проработанная архитектура, с виртуальным окружением и правильной работой с секретами и ключами. С разверткой было проще: он прислал мне свой проект и попросил навайбкодить такой же деплой по аналогии, что я и сделала. Дальше он понажимал кнопок в таймвебе (господи, прости их) — и вуаля. Эвалов, конечно, никаких не было. Вместо них я попросила нашу техподдержку пройти курс руками и сравнить, что увидела она и что увидел агент. Результат меня порадовал: агент оказался продуктивным, большую часть ошибок мы скосили. Чего он пока не умеет — так это разговаривать по-человечески. Отчёт иногда выходит слишком техническим, и надо отдельно садиться за промпты, чтобы в нём разобрался человек, далёкий от техники. Также для более высокого качества прогнать на косяки одной кнопкой весь курс - не получится. Все равно нужно разбираться руками вместе с агентом поурочно. Порог входа в разработку рухнул, и держится он теперь не на языке, а на том, умеешь ли ты продумать внятную архитектуру и не разложить ключи по коду. Но на одном ИИ далеко не уедешь: надёжную и масштабируемую систему он тебе без понимания нюансов не соберёт.