👍👍👍

👉 @PythonPortal

📱 Держите 6 хороших каналов по искусственному интеллекту и программированию для любого уровня!

Выбирай направление:

📱 Нейросети — @neuro_prompt

🤖 AI-инструменты — @ai_prompt

📱 Python — @python_prompt

🤔 InfoSec & Хакинг — @infosec_prompt

👩‍💻 IT Новости — @it_news

😄 IT Мемы — @it_memes

Промпты, обучение, шпаргалки и полезные ресурсы на каждую тему!

Мы уже упираемся в хард предел всего этого Prompt Engineering.

Если твой агент держится на системном промпте в 3000 слов, это не софт. Это карточный домик.

Меняешь тон общения и ломается логика. Добавляешь новое правило и модель забывает старые.

Я нашел фреймворк который это чинит. Называется Parlant.

Он относится к поведению агента как к коду, а не как к художественному тексту.

Чит-код для продакшен-ИИ: перестань пихать бизнес-логику в статический текстовый файл. Parlant превращает правила в управляемый alignment-слой.

Это убирает бардак продакшен-агентов:

1. Линтер для промптов (проверка когерентности)
Ты задаешь правила. Parlant до рантайма проверяет не противоречат ли они друг другу. Конфликты ловятся раньше чем их увидят пользователи.

2. Динамическая подгрузка гайдлайнов
Хватит платить за отправку всего справочника на каждом шаге. Parlant смотрит на диалог и подмешивает только те правила которые сейчас реально нужны. Меньше контекста = выше точность и ниже стоимость.

3. Разделение логики и языка
Отвязывает что делать (бизнес-логика) от как говорить (LLM). Меняешь, например, политику возвратов в одном месте, и агент сразу обновляется без переписывания всей промпт-цепочки.

Хватит писать спагетти-промпты. Пора проектировать поведение. 🤨

👉 @PythonPortal

Парень собрал крошечного durable-агента, который при этом уже можно катить в прод

10 строк Python-кода, запущенные через dapr, дают тебе:

→ HTTP endpoint /run
→ Pub/Sub промпты через 10+ брокеров
→ Durable workflow execution
→ Персистентное состояние диалога и воркфлоу
→ Memory на базе ~30 state store реализаций
→ Agent registry discovery
→ Абстракцию для LLM через 10+ провайдеров
→ Conversation API с 10+ LLM-бекендами
→ Agent identity через SPIFFE
→ Secrets из 10+ secret store-ов
→ Config из внешних config store-ов
→ Resiliency (ретраи, таймауты, circuit breakers)
→ Tracing, метрики, логи

Зацени и скажи что думаешь

👉 @PythonPortal

Это, пожалуй, самая ловкая задача, которую я видел у человекоподобного робота.

Полностью автономно, на движке Sharpa CraftNet (VTLA), с тактильной обратной связью, которая позволяет в реальном времени подстраивать взаимодействие на уровне последних миллиметров.

👉 @PythonPortal

Viber + coder = multitasking chaos.

👉 @PythonPortal

Первый по-настоящему открытый аудио-видео модельный стек.

LTX-2 это базовая модель на DiT с полноценными возможностями генерации видео в одном унифицированном варианте.

Спроектирована так, чтобы запускаться локально на потребительских GPU.

- text-to-video
- image-to-video
- и video-to-video режимы

100% open-source

👉 @PythonPortal

VS Code прокачали и завезли Agent Skills - открытый стандарт от Anthropic для расширения AI-агентов специализированными возможностями.

Работает с Claude Code и скоро будет поддержка Cursor.

👉 @PythonPortal

Эта новая графовая БД в 496 раз быстрее Neo4j!

Давайте разберем почему:

Классическая графовая БД хранит две вещи: узлы (entities) и ребра (relationships между ними).

Когда вы делаете запрос в классическую графовую БД, она делает обход через pointer chasing:

→ стартуем с узла
→ переходим по указателю к связанному узлу
→ еще один указатель
→ и так далее

Это по своей природе последовательный процесс. Один hop за раз. И по мере роста графа это становится болезненно медленным.

FalkorDB задает другой вопрос:

А что если представить весь граф как матрицу?

Как это работает:

Представьте обычную таблицу. Строки — source nodes, колонки — destination nodes.

Если Mary подписана на Bob, ставим в позицию [Mary, Bob] = 1.

Все. Весь граф теперь это матрица из 1 и 0.

Назовем ее матрицей Follows (F).

Дальше интереснее:

Хотите узнать на кого подписаны друзья Mary? В классической графовой БД вам нужно сделать два перехода: Mary → друзья → друзья друзей.

Но с матрицами вы просто умножаете матрицу Follows саму на себя: F × F = F².

Это одна операция — и готово!

А более сложный паттерн вида “A follows B, B likes C” превращается в: Follows × Likes.

То есть traversal можно выразить через математику.

Почему это важно:

- матричные операции оптимизируются уже больше 50 лет
- современное железо (CPU/GPU) заточено под матрицы
- операции выполняются параллельно (pointer chasing не может)

Плюс есть еще несколько оптимизаций (например sparse matrices, реализация на C и т.д.), и все это делает FalkorDB в 496 раз быстрее Neo4j.

График на фото это хорошо показывает.

Классические графовые БД идут через Cypher QL → Pointer-Based Traversal, а FalkorDB использует Matrix-Aware Planner, который превращает запросы в матричные операции.

FalkorDB полностью строится на этом принципе:

- нативный модуль Redis (in-memory и очень быстрый)
- использует GraphBLAS для sparse matrix вычислений
- автоматически транслирует Cypher-запросы в матрическую алгебру

Это важная тема для AI-приложений, потому что…

Современным AI-агентам и RAG-системам нужно обходить сложные связи в реальном времени. Когда агент делает reasoning через knowledge graph, связывая пользователей, действия и результаты — каждая миллисекунда задержки складывается.

Vector DBs ловят семантическую близость. Но они не держат явных связей.

Knowledge graphs закрывают эту дыру.

И когда вашему агенту нужно делать multi-hop reasoning по тысячам связанных сущностей, матричный traversal упрощает масштабирование AI-приложения без проблем с задержками.

FalkorDB полностью open-source, вы можете посмотреть реализацию на GitHub и попробовать сами.

Ссылка на GitHub-репозиторий

👉 @PythonPortal

Tailwind уволила 75% своего персонала, потому что почти никто их не поддерживает.

В отчаянной попытке избежать банкротства они выпустили свой фильм в кинотеатрах.

Честно говоря, вы бы заплатили, чтобы посмотреть его? 😆

👉 @PythonPortal

А что если обучать AI-агентов на обычном ноуте было бы так же просто, как на GPU-кластере?

Команда из UIUC U Lab под руководством проф. Jiaxuan You выложила в опенсорс OpenTinker.

Это новая система формата Reinforcement-Learning-as-a-Service (RLaaS), которая разбивает тяжелый RL-пайтлайн на простые распределенные сервисы с удобными API.

Итог — снимает большую часть инженерных болячек вокруг RL, обгоняя классические фреймворки по доступности и простоте деплоя, наконец-то делая обучение агентов реалистичным вариантом для обычных разработчиков и команд.

Project: https://open-tinker.github.io/opentinker-page/
Code: https://github.com/open-tinker/OpenTinker
U Lab: https://github.com/ulab-uiuc

👉 @PythonPortal

Научная фантастика, на которой мы выросли, становится реальностью в 2026 году 👀

👉 @PythonPortal

😆😆😆

👉 @PythonPortal

4 парадигмы обучения в машинном обучении, объяснённые визуально:

1. Transfer Learning
2. Fine-tuning
3. Multi-task Learning
4. Federated Learning

👉 @PythonPortal