vibe

Сейчас AI-агенты всё лучше пишут код, но запускать их напрямую на локалке всегда немного тревожно.

Особенно в режиме автозапуска — страшно, что AI случайно удалит важные файлы или получит доступ к приватным данным.

Недавно на GitHub наткнулся на Vibe — open source проект для macOS, который поднимает сверхбыструю Linux-виртуалку в песочнице.

Главные плюсы: нулевая конфигурация, изоляция за <10 секунд, можно спокойно «запереть» AI в клетку.

Поддерживается точный контроль доступа к файлам: AI видит только текущий проект, а все остальные чувствительные каталоги полностью изолированы.

Написан на Rust, использует родную виртуализацию Apple, безопаснее Docker и при этом почти не грузит ресурсы.

Если часто юзаешь Claude Code и подобные кодогенераторы, но не хочешь ломать локальную среду — лёгкий и надёжный вариант.

📁 Language: #Rust 95.8%

⭐️ Stars: 518

➡️ Cсылка на GitHub

📱 @git_developer

Awesome Public Real-Time Datasets

Если обычно вы работаете с историческими статическими данными для анализа или проектов, а нужны потоки реальных данных для тестирования или обучения моделей, то ресурсов не так уж много и они разбросаны.

На GitHub есть открытый сборник , где системно собраны разные источники и API с реальными потоковыми данными.

Ресурсы разделены на бесплатные и платные, охватывают более десятка сфер: финансы и крипту, транспорт, погоду и землетрясения, IoT‑сенсоры, кибербезопасность и т.д.

Бесплатные источники: Coinbase (рыночные данные), реальное положение поездов Нью‑Йорка, поток редактирования Википедии, NOAA (погодные данные) и многое другое. Доступ через WebSocket или HTTP.

Платные: Bloomberg (финансовые потоки), FlightAware (отслеживание рейсов по всему миру), Reuters (новостные ленты) и другие профессиональные сервисы.

Если вы занимаетесь потоковой обработкой данных или хотите тестировать проекты на реальных потоках, эта подборка точно стоит иметь под рукой.

⭐️ Stars: 2.2k

➡️ Cсылка на GitHub

📱 @git_developer

Paper2Code

Наткнуться на крутую AI-статью и попытаться воспроизвести результаты на практике часто бывает той еще головной болью. Нужно не только разобраться в сложной математике, но и с нуля собрать весь проект.

На GitHub нашелся опенсорсный проект Paper2Code. Название говорит само за себя: он автоматически превращает научные статьи в готовые к запуску репозитории с кодом.

Достаточно скормить ему PDF статьи или исходники в LaTeX, и на выходе получится полноценная структура проекта со всеми нужными конфигами.

Проект использует подход с несколькими агентами, имитируя реальный процесс разработки: сначала планируется архитектура, затем разбирается ключевая логика, после чего генерируется полный код.

Есть поддержка модели o3-mini от OpenAI, при этом воспроизведение одной статьи обходится всего в несколько долларов. Также можно подключить локальные опенсорсные модели через vLLM.

Для исследователей, которым нужно быстро проверить идею, или для тех, кто хочет глубже понять, как именно реализована статья, это очень полезный инструмент.

📁 Language: #Python 95.2%

⭐️ Stars: 4.1k

➡️ Cсылка на GitHub

📱 @git_developer