Когда-то в Python файлы открывали вот так:

f_obj = open(path, 'w')
f_obj.write(some_data)
f_obj.close()

Код короткий, выглядит понятно, но есть проблема: если между open() и close() что-то упадёт, файл может остаться незакрытым.

Поэтому приходилось руками оборачивать всё в try / finally, следить за закрытием ресурса и не забывать cleanup на ошибках.

Потом в Python появился with, и этот бытовой ад стал намного чище:

with open(path, 'w') as f_obj:
f_obj.write(some_data)

Теперь файл закроется автоматически, даже если внутри блока случится исключение.

Это одна из тех фич Python, которые выглядят мелко, но сильно меняют стиль кода. with убирает ручное управление ресурсами и делает намерение очевидным: вот ресурс, вот область, где он нужен, после выхода из блока его надо корректно закрыть.

Используется не только для файлов:

- соединения с базой
- lock'и
- временные файлы
- сетевые подключения
- транзакции
- любые объекты с контекстным менеджером

Хороший Python-код часто начинается с простого правила: если ресурс надо открыть и потом закрыть, почти всегда нужен with.

#python

38 лет считалось, что для разреженных графов алгоритм Дейкстры почти упёрся в потолок.

Логика выглядела железно:

- Дейкстра упорядочивает вершины по расстоянию
- сортировка имеет нижнюю границу O(n log n)
- значит, кратчайшие пути быстрее искать нельзя

Но группа из 5 исследователей показала, что это ограничение можно обойти.

Идея в том, чтобы не просто «ускорить очередь с приоритетами», а смешать подход Дейкстры с динамическим программированием в стиле Беллмана-Форда. Алгоритм делит множество вершин, сжимает frontier и не тратит время на полную сортировку там, где она не нужна.

Результат:

O(m log^(2/3) n)

Это первое улучшение для направленных разреженных графов со времён Fibonacci heap в 1987 году.

Tsinghua, Stanford, Max Planck. 17 страниц, которые ломают старое интуитивное объяснение про «Дейкстру быстрее нельзя».

В Python есть ловушка, на которой легко ошибиться.

Смотрим код: t равен кортежу из трёх элементов: один, два и список три, четыре.

То есть внутри tuple лежит обычный список.

Дальше выполняется строка: к элементу t с индексом два прибавить список с числом пять.

Проще говоря, Python берёт третий элемент кортежа и добавляет к нему пять.

Третий элемент — это список три, четыре.

Для списка операция плюс равно меняет объект на месте. Поэтому список сразу становится: три, четыре, пять.

Но потом Python пытается записать результат обратно в t с индексом два, то есть обратно в третий элемент tuple.

А tuple неизменяемый. Его элементы нельзя перезаписывать по индексу.

Поэтому возникает TypeError.

И вот тут главный подвох: ошибка произошла, но список уже успел измениться.

Финальный результат: t равен кортежу: один, два, список три, четыре, пять.

Вывод: tuple не даёт менять свою структуру, но не делает вложенные объекты неизменяемыми.

Python Совет: как добавить watermark на график Matplotlib

В Matplotlib водяной знак можно добавить прямо через fig.text().

Пример:

import matplotlib.pyplot as plt

fig = plt.figure(figsize=(5, 8))

fig.text(
    1, 0.15,
    "Mouse vs Python",
    fontsize=45,
    color="blue",
    ha="right",
    va="bottom",
    alpha=0.4,
    rotation=25
)

plt.show()

Что здесь важно:

* fig.text() добавляет текст на всю фигуру, а не внутрь конкретной оси
* alpha=0.4 делает watermark полупрозрачным
* rotation=25 поворачивает надпись
* ha и va управляют привязкой текста по горизонтали и вертикали

Полезно для отчётов, графиков в блогах, внутренних дашбордов и картинок, которые могут разойтись без контекста.

🐍 Python Парсинг: Большой продвинутый бесплатный курс

Полное практическое руководство по веб-скрейпингу на Python — от основ HTTP до production-grade пауков, обхода антибот-защит, асинхронности и проектирования надёжных пайплайнов. Каждый раздел содержит рабочие примеры, типовые ошибки и продвинутые практики.

https://github.com/justxor/Pythonparsing-/tree/main

Разберем математику бесконечности Сатору Годжо, которая работает не как обычный щит.

Он не просто останавливает удар в последний момент. Идея в том, что пространство между атакой и Годжо как будто делится на всё более маленькие отрезки.

Сначала объект проходит половину расстояния. Потом половину оставшегося. Потом ещё половину. И так снова и снова.

Математически это похоже на бесконечную сумму: одна вторая, одна четвёртая, одна восьмая, одна шестнадцатая.

Объект всё ближе, но до контакта так и не доходит.

На практике атака как будто замедляется почти до нуля. Чем ближе она к Годжо, тем сильнее падает её эффективная скорость.

Поэтому Бесконечность — это не просто барьер. Это контроль пространства, где противник застревает в бесконечном приближении.

Один из главных мифов вокруг ИИ-кодинга: достаточно найти правильный промпт — и модель начнет писать хороший код

Но на практике два разработчика могут отправить одинаковый запрос: «создай API для пользователей» — и получить совершенно разный результат. Один получит аккуратный FastAPI-сервис с типами, тестами и обработкой ошибок. Другой — код, который придется переписывать после первого изменения.

Причина часто не в модели.

LLM (большие языковые модели) не знает, как устроен ваш проект: какие архитектурные решения приняты, какие стандарты действуют и что команда считает качественным результатом.

Поэтому стоит выстраивать вокруг ИИ тот же инженерный слой, который уже есть в обычной разработке: правила проекта, чек-листы, автоматические проверки и понятные критерии качества.

На бесплатном вебинаре karpovꓸcourses «ИИ-агенты и профессиональная разработка на Python» Алексей Жиряков покажет вживую, почему ИИ-код ломается в реальных проектах и как это исправлять.

Алексей — исполнительный директор в Сбере, занимается развитием генеративного ИИ, а до этого более 15 лет работал в backend-разработке и руководил инженерными командами.

Будет живое демо поверх готового репозитория: как настроить процесс, получить более чистый типизированный код и использовать продакшен-подход вроде связки «дешевая модель пишет — дорогая ревьюит», которая помогает снижать стоимость генерации.

Присоединяйтесь по ссылке, а после регистрации вы получите гайд «Почему ваш ИИ пишет не то: LLM против ИИ-агента»: https://clc.to/erid_2W5zFHfubtm

Реклама. ООО «КАРПОВ КУРСЫ». ИНН 7811764627. erid: 2W5zFHfubtm

Основы Git и GitHub за 30 секунд: настройка, коммиты, ветки, Pull Request

GitHub пугает новичков не сложностью, а количеством команд, в которых легко утонуть в первый же день. Эта шпаргалка собирает весь базовый путь от пустого терминала до открытого Pull Request, чтобы не держать всё в голове и не гуглить каждый шаг.
Сначала первая настройка: задаёшь имя и email, иначе коммиты уходят непонятно от кого. Дальше старт работы: клонируешь репозиторий, заходишь в папку и сразу создаёшь свою ветку под задачу. Потом ежедневный цикл, который повторяется каждый день: status, pull, add, commit, push. Проверил, обновил, добавил, закоммитил, отправил. Отдельно блок полезных команд на каждый день: log с графом, diff, stash, branch и переключение на main.

tracesage добавляет локальный tracing без инфраструктуры для LangChain/LangGraph-агентов всего в две строки.

Он записывает каждый chain, tool call и LLM call в SQLite, а затем показывает запуск в браузере как live graph и timeline.

Open source, установка через pip install, лицензия MIT.

https://github.com/kjgpta/tracesage

Шаринган разработчика: увидь, где код жрёт время, и бей туда

Оптимизация на языке Итачи. Не улучшай всё подряд, сначала увидь настоящий bottleneck. Включаешь профилировщик cProfile, собираешь статистику, сортируешь по cumtime и бьёшь в самую дорогую функцию. build_report на 78% времени это не догадка, а факт из профиля. Меньше слепых правок, больше точных ударов.

https://www.youtube.com/shorts/11O1Sadtcwc

Что выведет этот код?

funcs = []

for i in range(3):
    funcs.append(lambda: i)

print([f() for f in funcs])

Многие думают:

[0, 1, 2]

Но Python выведет:

[2, 2, 2]

Почему?

`lambda` не запоминает значение `i` в момент создания.

Она запоминает саму переменную.

Когда цикл закончился, `i` уже равно `2`.

Поэтому все функции смотрят на одно и то же последнее значение.

Правильный фикс:

```python
funcs = []

for i in range(3):
funcs.append(lambda i=i: i)

print([f() for f in funcs])
```

Теперь будет:

```python
[0, 1, 2]
```

Хитрость простая:
если создаёшь функцию в цикле — фиксируй значение через аргумент по умолчанию.

Что выведет код?

t = ([],)

try:
    t[0] += [1]
except TypeError as e:
    print("Ошибка:", type(e).__name__)

print(t)

Многие думают:

Ошибка: TypeError
([],)

Но Python выведет:

Ошибка: TypeError
([1],)

Почему?

`t` — tuple, его нельзя менять.

Но внутри tuple лежит список, а список менять можно.

Оператор `+=` сначала мутирует список:

```python
[] -> [1]
```

А потом Python пытается записать результат обратно в tuple:

```python
t[0] = ...
```

И вот тут падает `TypeError`.

Итог странный: ошибка была, но данные уже изменились.

Главный урок:

immutable-контейнер не делает вложенные объекты immutable.

Если внутри tuple лежит list, этот list всё ещё можно изменить.

В regex 1.13 появился макрос regex!.

Важно: это не compile-time regex.

Он не компилирует регулярку на этапе сборки.

Смысл другой: макрос закрывает частый паттерн, когда вы используете что-то вроде std::sync::LazyLock, чтобы регулярное выражение компилировалось примерно один раз, а не при каждом вызове.

То есть вместо ручной обёртки вокруг lazy-инициализации теперь есть более удобный встроенный способ.

PR: github.com/rust-lang/regex/pull/1371

OvisOCR2 вышел на ModelScope.

Это компактная OCR-модель на 0.8B параметров для page-level document parsing: на вход подаётся изображение страницы, на выходе получается структурированный Markdown в нормальном порядке чтения.

Формулы модель отдаёт в LaTeX, таблицы в HTML, визуальные области помечает image tags с bbox-координатами.

По заявленным результатам OvisOCR2 набрала 96.58 overall на OmniDocBench v1.6 и стала первой end-to-end моделью, которая заняла первое место в лидерборде, где раньше доминировали pipeline-системы.

На PureDocBench тоже сильный результат: 75.06 Avg3. Это важнее, чем просто победа на одном бенчмарке, потому что документный парсинг давно страдает от переобучения под популярные наборы.

Модель сделана на базе Qwen3.5-0.8B и дообучалась через SFT, RL и OPD. Для деплоя есть поддержка vLLM, лицензия Apache 2.0.

https://modelscope.ai/models/ATH-MaaS/OvisOCR2