📌 5 стратегий кэширования

Постоянно вижу, как разрабы втыкают Redis куда попало, надеясь, что всё само "полетит". Все ищут секретную настройку, чтобы база не тормозила.

• Cache Aside
Приложение само бегает в кэш и базу. Кажется, что это контроль. Итог: при наплыве юзеров база ложится от сотен запросов, пока кэш пустой.

• Read Through
Приложение видит только кэш. Удобно? Да. Итог: ты полностью зависишь от провайдера кэша. Если он затупит, то встанет весь проект.

• Write Around
Пишем сразу в базу. Типа экономим место в памяти. Итог: каждое первое чтение будет медленным, потому что в кэше пусто.

• Write Back
Пишем в кэш, а в базу когда-нибудь потом. Итог: сервер моргнул, данные удалились. Ты только что потерял заказы клиентов за 10 минут.

• Write Through
Пишем везде одновременно. Надежно, но итог: запись становится медленной, как на старой флешке, потому что ждем и кэш, и диск.

Проблема в том, что сухая теория из картинок не дает системы. Нужно понимать, где можно рискнуть данными, а где важна скорость.

🔹 Курс «Основы IT для непрограммистов»
🔹 Получить консультацию менеджера
🔹 Сайт Академии 🔹 Сайт Proglib

🏃‍♀️ Азбука айтишника

#ликбез

Давайте честно: этот мем жесткое преувеличение 🤡

Многие боятся идти в бэкенд, потому что думают, что там «черная работа», бесконечная математика и никакого творчества. А фронтенд считают «легкой прогулкой».

Реальность в 2026 году другая:

➡️ Фронтенд давно перестал быть просто версткой. Сейчас это сложнейшие фреймворки, работа с состоянием и оптимизация, от которой пухнет голова.

➡️ Бэкенд стал в разы приятнее благодаря Python и нейросетям, которые берут на себя всю рутину и «грязную» работу в трюме.

А вы на чьей стороне? «Палуба» или «трюм»? Пишите в комментариях 👇
🌚 — трюм
❤️ — палуба

🔹 Курс «Программирование на языке Python»
🔹 Получить консультацию менеджера
🔹 Сайт Академии 🔹 Сайт Proglib

🏃‍♀️ Азбука айтишника

#небагафича

Как внутри вложенной функции изменить переменную из внешней (но не глобальной) области?

👾 — global x
👍 — nonlocal x
🥰 — Просто x = ... — изменит замыкание автоматически
⚡️ — locals()['x'] = ...

🔹 Курс «Программирование на языке Python»
🔹 Получить консультацию менеджера
🔹 Сайт Академии 🔹 Сайт Proglib

🏃‍♀️ Азбука айтишника

#режимразраба

🚬 Зачем тебе Redis на самом деле?

Постоянно вижу, как новички втыкают Redis в проект просто потому, что "в туториалах так делали". Все ищут секретный способ ускорить бэкенд, надеясь, что одна база решит все проблемы.

На схеме основные кейсы:

• Strings (Строки)
База основ. Сессии юзеров, обычный кэш или распределенные блокировки (Distributed Lock). Итог: если не следить за TTL (временем жизни), твой сервер упадет от нехватки памяти быстрее, чем ты скажешь "деплой".

• Int (Числа)
Счетчики лайков, лимиты запросов (Rate Limiter) или генерация глобальных ID. Итог: всё летает, но если не настроить сброс на диск, после перезагрузки твои миллионы лайков обнулятся.

• Hash (Хеши)
Идеально для объектов, например, корзины покупок. Итог: удобно хранить поля "ключ-значение" внутри одного ключа, не раздувая базу.

• Bitmap (Битмапы)
Специфичная штука для аналитики, например, User Retention. Итог: экономишь память в десятки раз, но нужно реально понимать двоичную логику, иначе код превратится в нечитаемую кашу.

• List (Списки) и ZSet (Сортированные сеты)
Очереди сообщений или живые лидерборды в играх. Итог: данные всегда отсортированы и готовы к выдаче за микросекунды

Уже пользовались Redis?

❤️ — да
🔥 — нет

🔹 Курс «Программирование на языке Python»
🔹 Получить консультацию менеджера
🔹 Сайт Академии 🔹 Сайт Proglib

🏃‍♀️ Азбука айтишника

#ликбез

📌 Что значит стек и переполненный стек

На самом деле, стек - это просто структура данных, работающая по принципу LIFO (Last In, First Out). Последним пришел и первым ушел. Представь стопку тарелок: ты не можешь достать нижнюю, не сняв все верхние.

В программировании это работает так:

• Стек вызовов (Call Stack)
Когда ты вызываешь функцию, она кладется в стек. Когда функция завершается, она из него вылетает. Итог: если код логичный и короткий, всё работает как часы.

• Локальные переменные
Они тоже живут в стеке. Выполнилась задача, память очистилась. Это быстро и эффективно. Итог: тебе не нужно вручную чистить память, система делает это за тебя.

• Stack Overflow (Переполнение стека)
Самая известная ошибка. Память под стек не бесконечна. Итог: если ты запустил бесконечную рекурсию (функция вызывает саму себя до бесконечности), стопка тарелок вырастает до потолка и всё падает.

Уже ловили Stack Overflow в своих проектах?
❤️ — да, классика
🔥 — пока бог миловал

🔹 Курс «Основы IT для непрограммистов»
🔹 Получить консультацию менеджера
🔹 Сайт Академии 🔹 Сайт Proglib

🏃‍♀️ Азбука айтишника

#ликбез

🦾 Надоело чинить «упавших» ИИ-агентов после каждого микросбоя внешних сервисов?

Анонсируем старт продаж большого курса по AgentOps. Мы собрали опыт десятков разработчиков и сделали программу, которая учит выводить ИИ в стабильный прод.

🗓 Ждем вас 28 апреля в 19:00 МСК на эфире: «Как эффективно управлять контекстным окном LLM в мультиагентных системах и не сливать бюджет на токены».

👉 Кто вещает и в чем польза?

Спикер Кирилл Кухарев (Senior AI Engineer в Raft, спикер AI Conf и Highload++). Он реализовал более 50 коммерческих проектов в GenAI и на вебинаре покажет, как взять под контроль работу нескольких агентов, чтобы они не перекидывали друг другу лишний контекст и не сжигали ваши деньги.

В прямом эфире разберем:
• Как формируется контекст в LLM при маршрутизации между агентами;
• Куда утекают лишние токены и возникает перерасход;
• Практические методы: как сжимать историю, грамотно делить задачи, лимитировать передачу контекста и собирать промпты прямо в процессе запроса пользователя.

🔥 Два способа получить максимум:

1. Приходите на вебинар 28 апреля. Дарим участникам промокод на 5.000 ₽ (работает 3 дня после эфира - это шанс забрать курс по самому низу рынка).

2. Выбирайте Инженерный трек. В подарок к нему идет полный доступ к записям и автопроверкам завершенного курса «Разработка ИИ-агентов».

👉 Занять место на вебинаре и стать профи в AgentOps

💀 3 строки и оно работает

🔹 Курс «Математика для разработки AI-моделей»
🔹 Получить консультацию менеджера
🔹 Сайт Академии 🔹 Сайт Proglib

🏃‍♀️ Азбука айтишника

#развлекалово

🫳 Типичная микросервисная архитектура 🫳

Постоянно слышу, что монолит - это прошлое, а микросервисы, типа единственный путь к успеху. Все ищут ту самую структуру, которая позволит масштабироваться до бесконечности.

На схеме классический скелет современной системы. Выглядит разумно, но без четкого понимания каждый блок может стать точкой отказа:

• API Gateway
Единая точка входа для всех клиентов. Итог: если гейтвей "прилег" или перегружен, твои крутые микросервисы внизу превращаются в бесполезный набор кода, до которого никто не может достучаться.

• Load Balancer
Раскидывает трафик, чтобы один сервер не закипел. Итог: всё работает плавно, пока балансировщик правильно настроен. Ошибка в конфиге и весь трафик летит в один сервис, убивая его за секунды.

• Service Registry & Discovery
Сервисы должны как-то находить друг друга. Итог: если эта штука заглючит, сервис А просто не узнает, где искать сервис Б. Система развалится на куски, которые не умеют общаться.

• Разделение по доменам (Domain A / Domain B)
У каждого сервиса своя база. Итог: ты получаешь независимость, но платишь за это адом при попытке собрать общую аналитику или сделать сложный транзакционный запрос между доменами.

Уже переезжали на микросервисы?
❤️ — да, это было больно, но оно того стоило
🔥 — сидим на монолите и в ус не дуем

🔹 Практический интенсив «Архитектуры и шаблоны проектирования»
🔹 Получить консультацию менеджера
🔹 Сайт Академии 🔹 Сайт Proglib

🏃‍♀️ Азбука айтишника

#ликбез

🦾 ML-модели текстом: пробуем роль архитектора

Нашел инструмент, который делает из тебя ML-лида за пару команд. По факту это просто грамотная агентская система:

— Текстовое описание
Описываешь задачу словами, например: «предсказать цену квартиры». Итог: система сама планирует архитектуру и пишет код. Тебе не нужно вспоминать синтаксис библиотек.

— Команда ИИ-агентов
Под капотом не одна нейронка, а целая группа. Один планирует, второй кодит, третий фиксит баги. Итог: на выходе получаешь не «галлюцинации», а рабочее решение.

— Генерация данных
Если твой датасет пустой, агент сам наклепает синтетические данные для тестов. Итог: можно проверить гипотезу, даже если данных пока кот наплакал.

— Масштабируемость и гибкость
Поддерживает Ray для параллельных вычислений и подключается к любой LLM (от Claude до локальной Llama). Итог: ты не привязан к одному вендору и можешь раскатать нагрузку на весь кластер.

👉 Ссылка

🔹 Практический интенсив «Архитектуры и шаблоны проектирования»
🔹 Получить консультацию менеджера
🔹 Сайт Академии 🔹 Сайт Proglib

🏃‍♀️ Азбука айтишника

#магиякода

Что это?

👍 — база

🔹 Курс «Математика для разработки AI-моделей»
🔹 Получить консультацию менеджера
🔹 Сайт Академии 🔹 Сайт Proglib

🏃‍♀️ Азбука айтишника

#развлекалово

⚡️ Мы рады представить команду экспертов курса AgentOps!

— Дмитрий Антипов расскажет, как грамотно проверить работу AI-моделей
— Курилл Кухарев поделится, почему компаниям выгодно использовать локальные модели и как их развернуть
— Андрей Носов расскажет, как работать с данными и знаниями в AI-системах: построение RAG, выбор подходов к поиску и организация хранения данных
— Антон Будняк разберет, как обеспечить устойчивость сервиса, в котором используется ИИ
— Александр Ошурков расскажет, как оценивать качество работы LLM в backend-сервисах
— Екатерина Трофимов разберет, как проектировать инструменты для AI-агентов и выстраивать взаимодействие с внешними сервисами

Курс для backend-разработчиков, тимлидов и LLM инженеров о том, как внедрять AI-логику в бэкенд IT-продуктов и сохранять стабильность сервиса.

К концу обучения вы получите:

• Структурированный подход к архитектуре и деплою AI-агентов
• Навыки настройки мониторинга, тестирования и контроля расходов на токены
• Разбор сложных инженерных кейсов из реальной практики

🎁 Доступ к материалам курса «Разработка ИИ-агентов» в подарок при покупке Инженерного трека

👉 Все подробности и программа обучения.

💬 Опыт подписчика: как потратить часы на очистку данных после парсинга

Один из наших подписчиков поделился своим опытом очистки грязных данных после веб-скрейпинга. Делимся его историей — вдруг вы узнаете в ней себя.

Думал, самое сложное — спарсить данные. А оказалось — привести их в порядок.

На выходных я собрал датасет для своего сайд-проекта. Парсинг прошёл без особых проблем — за пару часов всё было готово. А вот дальше началось настоящее веселье.

С чем я столкнулся:
— Пропуски в случайных местах
— Дубли из-за повторных запусков
— Даты в абсолютно разном формате
— Цены, записанные как строки, иногда даже словами ("twenty")

Потратив несколько часов на эксперименты (и выпив больше кофе, чем хотел бы признать), я кое-как вычистил всё с помощью Pandas. Делюсь, что сработало:

1️⃣ Работа с пропущенными значениями

Удалять всё подряд не хотелось, поэтому подход был аккуратным:

# Удаляю строки, где вообще нет данных
df_clean = df.dropna(how='all')

# Остальное заполняю заглушками
df_filled = df.fillna("N/A")

2️⃣ Удаление дублей

Повторные запуски скрипта дали одинаковые строки. Решается в одну строку:

df_unique = df.drop_duplicates()

3️⃣ Приведение к нужным форматам

Это спасло меня от последующих багов:

# Привожу названия товаров к нижнему регистру
df['product_name'] = df['product_name'].str.lower()

# Преобразую даты (если ошибка — получаю NaT)
df['date'] = pd.to_datetime(df['date'], errors='coerce')

# Преобразую цену в числовой формат
df['price'] = pd.to_numeric(df['price'], errors='coerce')

4️⃣ Очистка шума

Избавился от ненужного мусора:

# Удаляю колонку, если она вообще есть
df = df.drop(columns=['unnecessary_column'], errors='ignore')

# Оставляю товары только с ценой > 10
df_filtered = df[df['price'] > 10]

5️⃣ Первые инсайты

Когда всё стало чисто, можно было наконец-то что-то анализировать:

# Средняя цена по категориям
avg_price = df_filtered.groupby('category')['price'].mean()
print(avg_price)

# Гистограмма распределения цен
df_filtered['price'].plot(kind='hist', bins=20, title='Price Distribution')
plt.xlabel("Price")
plt.show()

Что я понял:
🟣 Парсинг — это только начало. Основная боль начинается после.
🟣 Pandas — суперсила. С его помощью можно разгрести 80% хаоса.
🟣 errors='coerce' — спасение. Преобразования не падают, если формат неожиданный.
🟣 В следующий раз сначала изучу практики очистки данных, а потом буду парсить.

Сейчас ищу хорошие подходы к:
🟣 Распознаванию цен, написанных словами ("forty-two" и т.п.)
🟣 Объединению разных форматов дат (особенно с названиями месяцев в разных языках)

💬 Если у вас есть свои фишки по чистке «грязных» парсинг-данных — расскажите в комментариях.

🔹 Курс разработка AI-агентов
🔹 Получить консультацию менеджера
🔹 Сайт Академии 🔹 Сайт Proglib

🏃‍♀️ Азбука айтишника

#режимразраба

👀 Портфолио на максималках: как продать себя в IT

Многие ребята до сих пор шлют резюме с фразами про «стрессоустойчивость» и «командный дух». Все ищут секретное слово, которое заставит HR перезвонить. Но в реальности всем плевать на твои прилагательные, если за ними нет кода.

➡️ Как сделать портфолио, которое принесёт оффер

🔹 Проекты с реальной ценностью
В сети полно калькуляторов и списков дел. Итог: удаляй это сразу. HR и техлиды видели это тысячу раз. Твой проект должен решать проблему: автоматизировать рутину, парсить данные или связывать сервисы через API. Чем больше пользы, тем выше шансы.

🔹 Гитхаб: твоя визитка
Код в один файл без описания. Итог: никто даже не станет его запускать. Оформи README как презентацию: что это, зачем нужно и как запустить. Чистая структура и документация показывают, что ты умеешь работать в команде, а не просто пишешь скрипты «для себя».

🔹 Формат подачи: продавай себя как профи
Просто скинуть ссылку на репозиторий. Итог: тебя проигнорируют. Используй связку: Задача → Решение → Стек. Показывай это там, где есть люди: LinkedIn, профильные чаты или Dev.to. Фидбек от сообщества работает лучше любой рекламы.

Проблема в том, что можно быть отличным кодером, но сидеть без работы, потому что ты не упаковал свои навыки в понятный результат для бизнеса.

А как вы составляете свои портфолио?
❤️ — есть пара сильных проектов на GitHub
🔥 — пока только учебные задачи и пет-проекты из туториалов

🔹 Курс разработка AI-агентов
🔹 Получить консультацию менеджера
🔹 Сайт Академии 🔹 Сайт Proglib

🏃‍♀️ Азбука айтишника

#карьерныйкоммит

👀 9 правил микросервисной архитектуры

На схеме 9 "золотых" правил. А вот про некоторые:

Separate data store
— У каждого сервиса своя база. Итог: независимость, но ад при попытке сделать общую аналитику.

Single responsibility
— Один сервис, одна задача. Итог: чистая логика, но если переборщить, получишь сотни мелких скриптов, которые невозможно отследить.

Treat servers as stateless
— Сервер не должен ничего помнить о прошлых запросах. Итог: легкое масштабирование, но всю логику сессий приходится выносить во внешние хранилища.

Domain-driven design (DDD)
— Строим архитектуру вокруг бизнес-задач. Итог: код понятен бизнесу, но проектирование занимает в разы больше времени.

Orchestrating microservices
— Используем Kubernetes для управления. Итог: автоматизация деплоя, но порог входа в инфраструктуру улетает в космос.

Проблема в том, что красивые чек-листы не учат дебажить распределенные системы. Нужно понимать, когда стоит внедрять эти правила, а когда они просто сожрут твой бюджет.

Соблюдаете все 9 правил в своих проектах?
❤️ — стараемся следовать базе
🔥 — пилим как быстрее, а не "по книжке"

🔹 Практический интенсив «Архитектуры и шаблоны проектирования»
🔹 Получить консультацию менеджера
🔹 Сайт Академии 🔹 Сайт Proglib

🏃‍♀️ Азбука айтишника

#ликбез

Что произошло?

🔥 — никто не знает

🔹 Курс разработка AI-агентов
🔹 Получить консультацию менеджера
🔹 Сайт Академии 🔹 Сайт Proglib

🏃‍♀️ Азбука айтишника

#небагафича

Что выведет код?

👾 — 9
👍 — [9, 1, 3]
🥰 — [3, 6]
⚡️ — Error

🔹 Курс разработка AI-агентов
🔹 Получить консультацию менеджера
🔹 Сайт Академии 🔹 Сайт Proglib

🏃‍♀️ Азбука айтишника

#режимразраба

Типичный стек микросервисов

Кажется, что микросервисы — это просто много маленьких программок вместо одной большой.

Разберем схему, что там реально происходит:

➡️ Pre-Production:

Здесь создается фундамент:

- API First: Сначала описываем контракты (OpenAPI/Postman), и только потом пишем код.
- Разделение труда: Пока фронты пилят UI на React, бэкенд упаковывает логику в микросервисы на Java/Node.js.
- CI/CD: Тесты (JUnit), упаковка в Docker и автоматический деплой через Jenkins в Kubernetes. Итог: если этот процесс не настроен, ты будешь деплоить один баг вручную по полдня.

➡️ Production:

В реальной работе система обрастает «мясом», без которого всё упадет через 5 минут:

- Входная группа: Load Balancer (Nginx) и CDN распределяют трафик, чтобы сервер не закипел.
- API Gateway: Твой диспетчер (Spring Boot/Eureka), который рулит запросами.
- Инфраструктура: Кэш (Redis), поиск (Elasticsearch) и брокеры сообщений (Kafka). Это база, которая спасает основную БД от перегруза.
- Хранение: Забудь про одну БД. В микросервисах у тебя и классика (Postgres), и облака (S3), и тяжелая артиллерия для данных (Cassandra).

Уже собрали свой идеальный стек или пока только присматриваетесь к Docker?
❤️ — вовсю юзаем Kafka и Kubernetes
🔥 — пока держимся на одном сервере и старом добром SQL

🔹 Курс «Основы IT для непрограммистов»
🔹 Получить консультацию менеджера
🔹 Сайт Академии 🔹 Сайт Proglib

🏃‍♀️ Азбука айтишника

#ликбез