#полезное
🥄 Airweave — будущее RAG-систем в реальном времени

Теперь можно строить агентов, которые ищут данные в любых приложениях, базах и хранилищах документов в реальном времени.

Инструмент Airweave создаёт живые, би-временные knowledge bases, чтобы агенты всегда работали с самыми свежими фактами.

Он подключается к Notion, Google Drive, SQL-базам и превращает их содержимое в индексируемое знание.
Всё это работает локально в Docker-контейнере, с возможностью экспонировать API и MCP-сервер.

Автор показал полный сетап и живое демо, а также поделился ссылкой на GitHub проекта.

👉Новости 👉База вопросов

#полезное
🛞 Кортежи используют меньше памяти, чем списки того же размера

>>> import sys
>>> sys.getsizeof(tuple(iter(range(20))))
200
>>> sys.getsizeof(list(iter(range(20))))
216

Разница небольшая, но при работе с большими объёмами данных — важна.

👉Новости 👉База вопросов

#Собес #python
🤔 Что такое мультипроцессинг?

💬 Кратко:
Мультипроцессинг - это способ выполнения нескольких процессов параллельно, каждый в своём отдельном адресном пространстве. Это полезно для задач, которые сильно зависят от процессора, таких как вычисления или обработки данных.

📌 Полный разбор + примеры использования — на платформе:
👉 Перейти к разбору

📣 Хочешь получать больше таких разборов?
Подпишись на наш главный канал

#полезное
😵‍💫 Lue - Умный терминальный ридер с TTS

Lue — это терминальный ридер электронных книг, поддерживающий множество форматов, включая EPUB и PDF. Он предлагает текст в речь с возможностью настройки скорости воспроизведения и синхронизации с выделением слов, что улучшает восприятие текста.

📝Основные моменты:
🟠 Поддержка форматов: EPUB, PDF, TXT и др.
🟠 Модульная система TTS с Edge и Kokoro.
🟠 Кроссплатформенность: macOS, Linux, Windows.
🟠 Настройка скорости воспроизведения от 1x до 3x.
🟠 Удобный интерфейс с поддержкой мыши и клавиатуры.
GitHub

👉Новости 👉База вопросов

>>> Асинхронность не ускоряет код

Асинхронность не делает операции быстрее, она просто не заставляет процесс простаивать, пока мы ждём ответ от другого сервиса по сети или, например, ответ от базы данных

⤵️ Когда асинхронность действительно помогает:

1️⃣I/O-bound задачи (ожидание внешних операций)
Запросы к API, загрузка страниц, файлов, парсеры, интеграции

2️⃣Работа с базами данных (это тоже I/O bound)
Если драйвер поддерживает асинхронность (например, asyncpg, databases, SQLAlchemy Async) — можно выполнять десятки запросов параллельно без ожидания результата от других запросов

3️⃣Веб-сервера с высокой нагрузкой
В FastAPI, aiohttp, Sanic и других асинхронных фреймворках одно приложение может обслуживать тысячи подключений без создания множества потоков


✖️ Когда не стоит использовать:

1️⃣ CPU-bound задачи
Вычисления, парсинг, обработка изображений, аналитика данных — всё, что грузит процессор

> Асинхронность здесь бесполезна, потому что event loop будет заблокирован
> Лучше использовать multiprocessing

2️⃣ Локальные вычисления
Форматирование, расчёты, сортировка, работа с коллекциями — обычный синхронный код будет проще и быстрее


>>> В итоге:
Если есть ожидания (сеть, БД, файлы) ➡️ async может помочь в этой ситуации

Нет ожидания (система в явном виде не простаивает, происходят какие-то вычисления) ➡️ оставь синхронный код


🚀 Пост Guru Python: @SergeyFilichkinTeam

❗ С чего начать? → Всё самое важное здесь

Guru Python at YeaHub | Sergey Filichkin 👩‍💻

Всем привет!

Сначала я думал, что IT — для избранных 🤦‍♂️

А потом просто начал системно действовать — без знакомств, без “таланта с детства”, только упорство и Google.

С тех пор я прошёл путь от начинающего разработчика до инженера с многолетним опытом.
Успел поработать во всевозможных компаниях — от небольших стартапов (до 100 человек) до огромных корпораций (десятки тысяч сотрудников),
работая с самыми актуальными технологиями: Python, Django, FastAPI, Flask, PostgreSQL, Docker и CI/CD.

Я — ментор по Python-разработке. Помогаю разработчикам вырасти от Junior до Middle и Senior, понимать, что действительно нужно рынку, и строить карьеру осознанно, без хаоса.

А ещё я — Guru по Python в YeaHub, где отвечаю за качество контента и развитие экосистемы Python-направления.

Потому что IT — не для избранных.
IT — для тех, кто готов действовать системно 💪

📰 Блог >>> Telegram
📺 Канал >>> YouTube
📰 > VK

А ещё подписывайтесь на другие каналы Экосистемы YeaHub

Проект YeaHub:

🚀 YeaHub | 🖥 GitHub | ✈ Telegram

🎵 TikTok | 📹 YouTube | 👥 Чат

>>> Когда стоит заняться рефакторингом (а когда лучше этого не делать)

Рефакторинг – это часть нормального процесса разработки.
В идеале под него нужно закладывать 15–20% времени спринта, т.к. код нужно улучшать постоянно, из-за постоянно меняющихся требований и архитектуры продукта

Но реальность чаще всего другая и бизнес не хочет тратить на это время. Из-за этого кодовая база постепенно ухудшается: на исправления уходит все больше времени, скорость разработки падает, а стоимость поддержки постоянно растёт

Когда стоит переписывать код?

1️⃣Когда с ним уже невозможно работать
Если чтобы внести простое изменение, приходится по несколько часов разбираться, как вообще всё устроено – это явно сигнал к рефакторингу

Но даже в таких случаях такое решение стоит аргументировать тем, что дальнейшая работа без него просто неэффективна

2️⃣Когда код писался как временное решение
Иногда приходится оставлять часть кода “на потом” –временные фиксы, костыльные решения, куски логики без тестов

Если такие места начинают мешать работе или блокируют развитие проекта, лучше не затягивать и сделать сразу. Исправить их позже будет дороже

3️⃣Когда изменились требования и архитектура
Продукт растёт, задачи меняются, сервис начинает выполнять новые функции, а старая архитектура под новые цели может не подходить. В этом случае тоже стоит выбить время на рефакторинг и адаптировать код под актуальные требования


❗️Теперь о том, когда рефакторинг не нужен.

Если код тебе просто “не нравится” или выглядит не так, как ты бы сделал, или кажется неидеальным, но при этом работает стабильно и не мешает другим, то лучше его не трогать
Такие правки не ускоряют работу команды, не снижают риски и не дают бизнес-эффекта. Это просто субъективное мнение, что "хочу/могу лучше", которое можно отложить на потом


3 простых критерия, чтобы принять решение:

©️Разработка и поддержка занимают слишком много времени

©️Есть свободный ресурс и возможность выделить время под улучшения

©️Рефакторинг реально повлияет на скорость, стабильность или развитие продукта


🚀 Пост Guru Python: @SergeyFilichkinTeam

Шпаргалка по случайным числам в Python 👩‍💻

Супер простая напоминалка, о которой многие забывают
В Python есть специальный модуль — random.

Вот 6 главных команд, которые тебе постоянно будут нужны. Сохрани их 👇

🟡random.random()

Возвращает случайное число с плавающей точкой в диапазоне от 0 до 1.

import random

value = random.random()
print(value)
# пример вывода: 0.472883602...

🟡 random.randint(a, b)

Выдаёт случайное целое число от a до b включительно.
Хорошо подходит для тестовых ID, портов, симуляций и т. д.

import random

session_id = random.randint(100000, 999999)
print(session_id)
# пример: 582347

🟡 random.choice(seq)

Возвращает один случайный элемент из списка, кортежа или строки.

import random

env = random.choice(["dev", "staging", "prod"])
print(env)
# prod

🟡 random.sample(seq, k)

Выбирает k уникальных элементов из последовательности (без повторов).

import random

servers = ["srv1", "srv2", "srv3", "srv4", "srv5"]
maintenance = random.sample(servers, 2)
print(maintenance)
# ['srv2', 'srv4']

🟡 random.shuffle(list)

Перемешивает элементы списка.

import random

endpoints = ["/login", "/register", "/logout"]
random.shuffle(endpoints)
print(endpoints)
# ['/register', '/logout', '/login']

🟡 random.seed(x)

Фиксирует результат генерации, чтобы при повторном запуске выдавался тот же набор чисел. Полезно для тестов.

import random

random.seed(123)
print(random.random())
# 0.0523635988

🚀 Пост Guru Python: @sergey_filichkin_blog