ARES: Open Source платформа для автоматизации Red Team и пентестов
На GitHub появился интересный проект ARES, который объединяет инструменты наступательной безопасности в единую систему с веб-интерфейсом, графами атак и автоматической отчётностью.
Вместо ручного запуска десятков отдельных утилит можно организовать полноценную кампанию проверки защищённости инфраструктуры.
Что умеет ARES:
- 66 модулей в 13 категориях, включая Active Directory, облачную безопасность, Windows, Linux и проверку защитных механизмов.
- MITRE ATT&CK для классификации техник и построения цепочек атак.
- Attack Graph для визуализации возможных путей продвижения внутри инфраструктуры.
- ScopeGuard для ограничения тестирования заранее разрешёнными системами.
- MCP Gateway для интеграции с Claude Desktop, Cursor и другими ИИ-клиентами.
- Автоматическая генерация отчётов в PDF, HTML, Markdown и JSON.
Особенно интересна система планирования: оператор задаёт цель, например проверку возможности получения прав администратора домена, а движок строит последовательность проверок и отображает результаты на графе.
Есть Python SDK для собственных модулей, зашифрованное хранилище секретов и веб-панель на React. Бэкенд использует Python и FastAPI.
Разработчики заявляют о 5074 модульных тестах и поддержке Windows, Linux и macOS.
ARES рассчитан на авторизованные Red Team-проверки и аудит корпоративной инфраструктуры. Заявленные механизмы безопасности стоит отдельно проверить перед использованием в рабочей сети.
Лицензия MIT.
GitHub: https://github.com/Mafifrizi/ARES
На GitHub появился интересный проект ARES, который объединяет инструменты наступательной безопасности в единую систему с веб-интерфейсом, графами атак и автоматической отчётностью.
Вместо ручного запуска десятков отдельных утилит можно организовать полноценную кампанию проверки защищённости инфраструктуры.
Что умеет ARES:
- 66 модулей в 13 категориях, включая Active Directory, облачную безопасность, Windows, Linux и проверку защитных механизмов.
- MITRE ATT&CK для классификации техник и построения цепочек атак.
- Attack Graph для визуализации возможных путей продвижения внутри инфраструктуры.
- ScopeGuard для ограничения тестирования заранее разрешёнными системами.
- MCP Gateway для интеграции с Claude Desktop, Cursor и другими ИИ-клиентами.
- Автоматическая генерация отчётов в PDF, HTML, Markdown и JSON.
Особенно интересна система планирования: оператор задаёт цель, например проверку возможности получения прав администратора домена, а движок строит последовательность проверок и отображает результаты на графе.
Есть Python SDK для собственных модулей, зашифрованное хранилище секретов и веб-панель на React. Бэкенд использует Python и FastAPI.
Разработчики заявляют о 5074 модульных тестах и поддержке Windows, Linux и macOS.
ARES рассчитан на авторизованные Red Team-проверки и аудит корпоративной инфраструктуры. Заявленные механизмы безопасности стоит отдельно проверить перед использованием в рабочей сети.
Лицензия MIT.
GitHub: https://github.com/Mafifrizi/ARES
❤9👍6🎉4
🔥 Python-дайджест недели: 20+ материалов, проектов и инструментов для разработчиков
Дайджест за 15 ноября. Статьи, полезные библиотеки, новые проекты и видео.
🔥 Популярные материалы
Большой гайд на русском : Свой ИИ-агент на компьютере. Без API-ключей и платных подписок
https://github.com/justxor/local-ai-agent-course-ru
1. pyinfra: автоматизация инфраструктуры на Python - деплой серверов через SSH без YAML, используя обычный Python.
https://death.andgravity.com/pyinfra
2. Internals of asyncio - как устроена асинхронность внутри Python.
https://origintracer.app/excerpt/asyncio-internals/
3. Переход на Python 3.15 - руководство по миграции.
https://mathspp.com/blog/migrating-to-python-315
4. NVIDIA Auto Ontology - семантические графы для AI-агентов и LLM.
https://github.com/NVIDIA/auto-ontology
5. Formalizing CPython - формальное описание внутреннего устройства CPython.
https://broyojo.com/python-formalization/
📖 Статьи и руководства
6. Unnecessary syntax in Python - синтаксис Python, без которого можно обойтись.
https://www.pythonmorsels.com/unnecessary-syntax/
7. Building a Gemini server in Python - создание собственного Gemini-сервера.
https://www.willmunn.xyz/gemini/python/2026/10/16/we-have-lift-off.html
8. Pymizu - параллельные и асинхронные вычисления Python и R через shared memory.
https://github.com/shikokuchuo/pymizu
9. Линейная регрессия на данных NFL Combine - практический пример со Scikit-learn.
https://my-space.io/blog/sklearn-linear-regression/
10. PyLings - изучение Python через исправление ошибок в коде.
https://github.com/thesayfulla/pylings
11. Caching at Scale in Django - масштабирование кэширования в Django.
https://johnnymetz.com/posts/caching-at-scale-in-django/
12. Tyrtulia - новый проект из подборки.
https://git.andros.dev/andros/tyrtulia
⚙️ Проекты и инструменты
13. SLayer - семантический слой для AI-агентов.
https://github.com/MotleyAI/slayer
14. Speedrunner - ускорение запуска CLI-инструментов.
https://github.com/anthonyGosme/speedrunner
15. Agentmetry - мониторинг и аудит AI-кодинг-агентов.
https://github.com/blitzcrieg1/agentmetry
16. Colloq - self-hosted платформа для обучения Python, Data Science и ML.
https://github.com/colloq-edu/colloq
17. Django Ninja Expose - инструмент для Django Ninja.
https://github.com/swarfte/django-ninja-expose
18. The State of Python Profiling in 2026 - обзор профилирования Python.
https://p403n1x87.github.io/the-state-of-python-profiling-in-2026.html
🎬 Видео
19. Build Your Own Jarvis in Python - создание собственного голосового ассистента.
https://www.youtube.com/watch?v=hhym040zsBI
20. Spark vs Hadoop vs DuckDB vs Polars - сравнение инструментов обработки данных.
https://www.youtube.com/watch?v=6_I3c1udTzo
Полный дайджест:
https://pythonhub.dev/digest/2026-11-15/
Дайджест за 15 ноября. Статьи, полезные библиотеки, новые проекты и видео.
🔥 Популярные материалы
Большой гайд на русском : Свой ИИ-агент на компьютере. Без API-ключей и платных подписок
https://github.com/justxor/local-ai-agent-course-ru
1. pyinfra: автоматизация инфраструктуры на Python - деплой серверов через SSH без YAML, используя обычный Python.
https://death.andgravity.com/pyinfra
2. Internals of asyncio - как устроена асинхронность внутри Python.
https://origintracer.app/excerpt/asyncio-internals/
3. Переход на Python 3.15 - руководство по миграции.
https://mathspp.com/blog/migrating-to-python-315
4. NVIDIA Auto Ontology - семантические графы для AI-агентов и LLM.
https://github.com/NVIDIA/auto-ontology
5. Formalizing CPython - формальное описание внутреннего устройства CPython.
https://broyojo.com/python-formalization/
📖 Статьи и руководства
6. Unnecessary syntax in Python - синтаксис Python, без которого можно обойтись.
https://www.pythonmorsels.com/unnecessary-syntax/
7. Building a Gemini server in Python - создание собственного Gemini-сервера.
https://www.willmunn.xyz/gemini/python/2026/10/16/we-have-lift-off.html
8. Pymizu - параллельные и асинхронные вычисления Python и R через shared memory.
https://github.com/shikokuchuo/pymizu
9. Линейная регрессия на данных NFL Combine - практический пример со Scikit-learn.
https://my-space.io/blog/sklearn-linear-regression/
10. PyLings - изучение Python через исправление ошибок в коде.
https://github.com/thesayfulla/pylings
11. Caching at Scale in Django - масштабирование кэширования в Django.
https://johnnymetz.com/posts/caching-at-scale-in-django/
12. Tyrtulia - новый проект из подборки.
https://git.andros.dev/andros/tyrtulia
⚙️ Проекты и инструменты
13. SLayer - семантический слой для AI-агентов.
https://github.com/MotleyAI/slayer
14. Speedrunner - ускорение запуска CLI-инструментов.
https://github.com/anthonyGosme/speedrunner
15. Agentmetry - мониторинг и аудит AI-кодинг-агентов.
https://github.com/blitzcrieg1/agentmetry
16. Colloq - self-hosted платформа для обучения Python, Data Science и ML.
https://github.com/colloq-edu/colloq
17. Django Ninja Expose - инструмент для Django Ninja.
https://github.com/swarfte/django-ninja-expose
18. The State of Python Profiling in 2026 - обзор профилирования Python.
https://p403n1x87.github.io/the-state-of-python-profiling-in-2026.html
🎬 Видео
19. Build Your Own Jarvis in Python - создание собственного голосового ассистента.
https://www.youtube.com/watch?v=hhym040zsBI
20. Spark vs Hadoop vs DuckDB vs Polars - сравнение инструментов обработки данных.
https://www.youtube.com/watch?v=6_I3c1udTzo
Полный дайджест:
https://pythonhub.dev/digest/2026-11-15/
❤6👍4🔥4😢1🎉1
RAG без векторной базы: PageIndex набрал 40 тысяч звёзд на GitHub
PageIndex предлагает другой подход к поиску информации в документах. Вместо embeddings, разбиения текста на чанки и векторного поиска используется иерархический индекс и рассуждения LLM.
Система строит дерево разделов документа, а затем модель последовательно выбирает нужные ветки и находит ответ с указанием источника.
Такой подход особенно полезен для больших PDF, финансовых отчётов, юридических документов и технической документации, где одного семантического сходства недостаточно.
Результаты разработчиков:
98,7% точности на FinanceBench.
До 97% экономии токенов при ответах на вопросы по документам с использованием Page Search API.
В 16,6 раза дешевле, чем передавать модели целый PDF на 420 страниц при каждом запросе, в одном из сравнительных тестов.
Это результаты собственных бенчмарков проекта, поэтому для конкретной RAG-системы их стоит перепроверять.
Есть Python SDK, локальная индексация PDF и интеграции с ИИ-агентами. Лицензия MIT.
PageIndex особенно интересно попробовать там, где обычный vector RAG теряет контекст между разделами длинного документа.
GitHub: https://github.com/VectifyAI/PageIndex
PageIndex предлагает другой подход к поиску информации в документах. Вместо embeddings, разбиения текста на чанки и векторного поиска используется иерархический индекс и рассуждения LLM.
Система строит дерево разделов документа, а затем модель последовательно выбирает нужные ветки и находит ответ с указанием источника.
Такой подход особенно полезен для больших PDF, финансовых отчётов, юридических документов и технической документации, где одного семантического сходства недостаточно.
Результаты разработчиков:
98,7% точности на FinanceBench.
До 97% экономии токенов при ответах на вопросы по документам с использованием Page Search API.
В 16,6 раза дешевле, чем передавать модели целый PDF на 420 страниц при каждом запросе, в одном из сравнительных тестов.
Это результаты собственных бенчмарков проекта, поэтому для конкретной RAG-системы их стоит перепроверять.
Есть Python SDK, локальная индексация PDF и интеграции с ИИ-агентами. Лицензия MIT.
pip install -U pageindex
PageIndex особенно интересно попробовать там, где обычный vector RAG теряет контекст между разделами длинного документа.
GitHub: https://github.com/VectifyAI/PageIndex
❤12👍8🔥7😢2🎉1
Обучаем собственную LLM с нуля: бесплатный гайд на русском
Как устроены языковые модели внутри? Предлагаю разобраться на практике с помощью MiniMind и PyTorch.
В репозитории собран пошаговый курс: от токенизации и архитектуры Transformer до предобучения модели, SFT, подготовки собственного датасета и локального инференса.
Можно начать с небольшого эксперимента на CPU, а затем обучить модель на 64 млн параметров на GPU.
Внутри объяснения архитектуры, примеры кода, схемы, команды для запуска и практические задания.
🔗 https://github.com/justxor/minimind-llm-from-scratch-ru/
Как устроены языковые модели внутри? Предлагаю разобраться на практике с помощью MiniMind и PyTorch.
В репозитории собран пошаговый курс: от токенизации и архитектуры Transformer до предобучения модели, SFT, подготовки собственного датасета и локального инференса.
Можно начать с небольшого эксперимента на CPU, а затем обучить модель на 64 млн параметров на GPU.
Внутри объяснения архитектуры, примеры кода, схемы, команды для запуска и практические задания.
🔗 https://github.com/justxor/minimind-llm-from-scratch-ru/
🔥8❤5👍3
Python-разработчики, есть повод выбраться на митап!
🔥 X5 Tech совместно с MoscowPython проводит Moscow Python Meetup №114 — встречаемся, чтобы обсудить инженерные практики, поспорить о технологиях и обменяться опытом с коллегами.
В программе два доклада и большая дискуссия с экспертами X5 Tech, AgentPoint и Ozon Tech.
Что обсудим:
➡️ «Свой шаблон сервиса: как перестать копировать прошлый проект и начать масштабироваться» — Даниил Попков, X5 Tech. Узнаем, как избавиться от копипасты при запуске новых сервисов и выстроить масштабируемый подход.
➡️ «Где живёт ваше намерение? Как заставить нейронку строить то, что вы хотите, а не то, что ей показалось» — Николай Каморник, AgentPoint. Разберём, как правильно передавать ИИ свои требования и добиваться нужного результата в разработке.
➡️ Дискуссия «Почему Python лучше Golang для ИИ-разработки» — Андрей Сотник (X5 Tech), Денис Тормазов (X5 Tech) и Александр Ковалёв (Ozon Tech). Обсудим аргументы за оба языка, реальные примеры и метрики.
Митап бесплатный: можно послушать доклады, поучаствовать в дискуссии и пообщаться с Python-разработчиками X5 Tech и других компаний.
📍 Встречаемся 25 ноября в 19:00 в Москве, на площадке «Баунс» (3-я улица Ямского Поля, 2, корп. 6).
Если работаете с Python на уровне middle или выше — присоединяйтесь! Участие бесплатное, но количество мест на площадке ограничено, так что лучше зарегистрироваться заранее. Приходите сами и зовите коллег!
🔥 X5 Tech совместно с MoscowPython проводит Moscow Python Meetup №114 — встречаемся, чтобы обсудить инженерные практики, поспорить о технологиях и обменяться опытом с коллегами.
В программе два доклада и большая дискуссия с экспертами X5 Tech, AgentPoint и Ozon Tech.
Что обсудим:
➡️ «Свой шаблон сервиса: как перестать копировать прошлый проект и начать масштабироваться» — Даниил Попков, X5 Tech. Узнаем, как избавиться от копипасты при запуске новых сервисов и выстроить масштабируемый подход.
➡️ «Где живёт ваше намерение? Как заставить нейронку строить то, что вы хотите, а не то, что ей показалось» — Николай Каморник, AgentPoint. Разберём, как правильно передавать ИИ свои требования и добиваться нужного результата в разработке.
➡️ Дискуссия «Почему Python лучше Golang для ИИ-разработки» — Андрей Сотник (X5 Tech), Денис Тормазов (X5 Tech) и Александр Ковалёв (Ozon Tech). Обсудим аргументы за оба языка, реальные примеры и метрики.
Митап бесплатный: можно послушать доклады, поучаствовать в дискуссии и пообщаться с Python-разработчиками X5 Tech и других компаний.
📍 Встречаемся 25 ноября в 19:00 в Москве, на площадке «Баунс» (3-я улица Ямского Поля, 2, корп. 6).
Если работаете с Python на уровне middle или выше — присоединяйтесь! Участие бесплатное, но количество мест на площадке ограничено, так что лучше зарегистрироваться заранее. Приходите сами и зовите коллег!
❤4👍3🔥2🎉1
🐍 Python: задача для Senior-разработчиков
Что выведет код в Python 3.15?
Варианты ответа:
A) 1, None, 0
B ) 1, 2, 0
C ) 1, 3, 0
D ) 1, RuntimeError
E ) 1, 2, 3
Попробуйте решить без интерпретатора и объяснить, что происходит внутри
Правильный ответ:C) 1, 3, 0.
1. next(g) запускает внешний генератор, который через yield from передаёт управление внутреннему. Получаем 1.
2. g.close() инициирует закрытие генераторов через исключение GeneratorExit. Внутренний генератор выполняет finally и возвращает 2, но это значение не передаётся в x. Внешний генератор выполняет собственный finally и возвращает 3.
3. next(g, 0) возвращает 0, поскольку генератор уже закрыт.
Подвох: начиная с Python 3.13, метод close() возвращает значение, которое генератор возвращает при закрытии. В более ранних версиях он вернул бы None.
Что выведет код в Python 3.15?
def inner():
try:
yield 1
finally:
return 2
def outer():
try:
x = yield from inner()
yield x
finally:
return 3
g = outer()
print(next(g))
print(g.close())
print(next(g, 0))
Варианты ответа:
A) 1, None, 0
B ) 1, 2, 0
C ) 1, 3, 0
D ) 1, RuntimeError
E ) 1, 2, 3
Попробуйте решить без интерпретатора и объяснить, что происходит внутри
yield from при закрытии генератора.Правильный ответ:
1. next(g) запускает внешний генератор, который через yield from передаёт управление внутреннему. Получаем 1.
2. g.close() инициирует закрытие генераторов через исключение GeneratorExit. Внутренний генератор выполняет finally и возвращает 2, но это значение не передаётся в x. Внешний генератор выполняет собственный finally и возвращает 3.
3. next(g, 0) возвращает 0, поскольку генератор уже закрыт.
Подвох: начиная с Python 3.13, метод close() возвращает значение, которое генератор возвращает при закрытии. В более ранних версиях он вернул бы None.
❤11🔥4👍2
5 проектов для создания собственного ИИ-мозга:
1. GBrain - Garry Tan
Память для ИИ-агентов с поиском, связями между знаниями и возможностью использовать общий контекст в разных агентах.
https://github.com/garrytan/gbrain
2. LLM Wiki - Andrej Karpathy
Концепция базы знаний, которую ИИ самостоятельно пополняет, структурирует и поддерживает в актуальном состоянии. Работает на Markdown.
https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f
3. AI-Memory - Akitaonrails
Долговременная память для Claude Code, Codex и других агентов. Сохраняет историю работы, решения и контекст между сессиями.
https://github.com/akitaonrails/ai-memory
4. Agent Second Brain - Smixs
Голосовой ИИ-ассистент в Telegram, который превращает сообщения в связанные заметки Obsidian и управляет личной базой знаний.
https://github.com/smixs/agent-second-brain
5. COG - Huytieu
Полноценная система второго мозга с 35 AI-навыками, 10 агентами, CRM контактов и автоматическим управлением знаниями.
https://github.com/huytieu/COG-second-brain
Сохраните подборку. Какой из проектов попробовали бы первым?
1. GBrain - Garry Tan
Память для ИИ-агентов с поиском, связями между знаниями и возможностью использовать общий контекст в разных агентах.
https://github.com/garrytan/gbrain
2. LLM Wiki - Andrej Karpathy
Концепция базы знаний, которую ИИ самостоятельно пополняет, структурирует и поддерживает в актуальном состоянии. Работает на Markdown.
https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f
3. AI-Memory - Akitaonrails
Долговременная память для Claude Code, Codex и других агентов. Сохраняет историю работы, решения и контекст между сессиями.
https://github.com/akitaonrails/ai-memory
4. Agent Second Brain - Smixs
Голосовой ИИ-ассистент в Telegram, который превращает сообщения в связанные заметки Obsidian и управляет личной базой знаний.
https://github.com/smixs/agent-second-brain
5. COG - Huytieu
Полноценная система второго мозга с 35 AI-навыками, 10 агентами, CRM контактов и автоматическим управлением знаниями.
https://github.com/huytieu/COG-second-brain
Сохраните подборку. Какой из проектов попробовали бы первым?
❤8🔥4👍2🎉2😁1🤩1