豌豆花下猫

① 重写一个有 20 年历史的 Python 库

② 努力让 Python 变懒

③ 使用 Bitset 将 Pydantic 的内存占用减少 55%

④ Mojo 还不完全是 Python

⑤ 为什么我分叉了 httpx ？

⑥ MkDocs 的缓慢崩溃

⑦ 修复 Python 的自动补全

⑧ PyPI 上 litellm 1.82.8 的供应链攻击

⑨ 从 Pyre 项目中学到的经验教训

⑩ Python asyncio 中的即发即弃（或永远不发）

⑪ 在 R 和 Python 中提取图表：两种架构的故事

⑫ SQLAlchemy 2 实战：数据库表

⑬ 关于 OpenAI 收购 Astral 及 uv/ruff/ty 的思考

① last30days-skill：跨平台话题研究与总结 AI 智能体技能

② open-wearables：统一可穿戴健康数据的 AI 就绪 API 平台

③ sirchmunk：无向量数据库的实时智能检索系统

④ honcho：开发有状态 AI 智能体的记忆库

⑤ codex-skills：AI 智能体技能集合

⑥ mtga：绕过 IDE 模型限制的本地代理

⑦ skylos：多语言静态分析与 AI 代码审查工具

⑧ gh-space-shooter：将 GitHub 贡献图转为太空射击游戏

⑨ InvenTree：开源库存管理系统

⑩ no-magic：无依赖的单文件现代 AI 算法实现

⑪ qmd：本地文档微型命令行搜索引擎

⑫ openclaw：跨平台的私人 AI 智能体助手

周刊实行付费订阅制，年费 148 元，平均每天 4 毛钱，为你精准筛选高质量技术内容。在信息洪流中为你淘金，助力技术视野拓展和职业发展，欢迎订阅：https://xiaobot.net/p/python_weekly

订阅后，可免费查看第 144 期周刊的全文：https://xiaobot.net/post/988cfcf2-a6fd-45df-b6ac-db7b63af6e6d

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🌈关联阅读

上一期：Python 潮流周刊#143：重造 Python 的 AsyncIO

Python 潮流周刊#143：重造 Python 的 AsyncIO

豌豆花下猫 — Sat, 21 Mar 2026 00:00:00 GMT

温馨提示： 在微信关注 Python猫，发送数字“9”，即可领取 9 折优惠码，订阅专栏可享 15 元优惠。

去专栏阅读全文：全文链接

分享了 13 篇文章，12 个开源项目

以下是本期标题摘要：

① 重造 Python 的 AsyncIO

② Python 3.15 的 JIT 现已重回正轨

③ Python Unplugged on PyTV 回顾

④ 圆周率到底有多少位？

⑤ 自由线程 Python 社区支持之路已过半

⑥ OpenAI 收购 Astral

⑦ 用 DSPy 优化 Dropbox Dash 相关性评判器

⑧ SQLAlchemy 2 实战（第一章：数据库设置）

⑨ Python 文档字符串的局部性问题

⑩ Python 延迟导入的故事：为何历经三年两次尝试才成功

⑪ 让国王退位的操作符：Python 海象操作符的故事

⑫ 缓存 Asyncio 函数的简单方法

⑬ YAML？那是挪威问题

① webnovel-writer：长篇网文辅助创作系统

② apm：AI 智能体包管理器

③ gpt-oss：OpenAI 开源权重语言模型

④ ouroboros：需求规约驱动的 AI 开发系统

⑤ hindsight：具备学习能力的 AI 智能体记忆系统

⑥ open-swe：开源异步编码 AI 智能体

⑦ antigravity-awesome-skills：AI 编码助手的技能库

⑧ claude-code-telegram：通过 Telegram 远程访问 Claude Code

⑨ AutoResearchClaw：全自动研究生成框架

⑩ open-terminal：专为 AI 智能体设计的轻量级终端

⑪ turboAPI：兼容 FastAPI 的高性能 Python 框架

⑫ dbslice：生产数据库子集提取工具

订阅后，可免费查看第 143 期周刊的全文：https://xiaobot.net/post/d83b497c-3cb5-489a-83bc-47bd2ddd2757

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🎺关联阅读

上一期：Python 潮流周刊#142：Python 性能优化的进阶之路下一期：Python 潮流周刊#144：重写一个有 20 年历史的 Python 库

Python 潮流周刊#142：Python 性能优化的进阶之路

豌豆花下猫 — Sat, 14 Mar 2026 00:00:00 GMT

温馨提示： 在微信关注 Python猫，发送数字“9”，即可领取 9 折优惠码，订阅专栏可享 15 元优惠。

去专栏阅读全文：全文链接

分享了 12 篇文章，12 个开源项目

以下是本期标题摘要：

① 如果 Python 代码能像 Rust 一样运行会怎样？

② 解锁 Python 的核心：移除 GIL 对硬件使用和能源影响的研究

③ 多代码库摘要生成指南

④ Anthropic 性能团队入职测试指南

⑤ PEP 828：支持异步生成器中的 yield from

⑥ Python 类型检查器对比：空容器推断

⑦ Python 日志记录深度指南

⑧ 优化阶梯：Python 性能优化的进阶之路

⑨ 弃用像 os.path.commonprefix() 这样令人困惑的 API

⑩ 彻底弃用 pickle 吧，它是安全毒药

⑪ Madblog：基于 Markdown 的联邦化博客引擎

⑫ 交互式图解 MicroGPT：手把手教你理解 LLM

① notebooklm-py：Google NotebookLM 非官方接口与智能体 skill

② claude-scientific-skills：科研与工程领域的 AI 智能体技能库

③ agentscope：生产级多智能体应用开发框架

④ hermes-agent：具备自我进化能力的 AI 智能体

⑤ ReMe：AI 智能体记忆管理套件

⑥ seomachine：Claude Code 驱动的 SEO 内容创作

⑦ daily_stock_analysis：LLM 驱动的股票智能分析系统

⑧ claude-code-security-review：AI 驱动的代码安全审查工具

⑨ python-apple-fm-sdk：Apple Intelligence 端侧模型 Python SDK

⑩ city2graph：地理空间数据图神经网络构建工具

⑪ openrag：基于 Langflow 的企业级 RAG 平台

⑫ CorridorKey：物理级绿幕抠像与反混色工具

订阅后，可免费查看第 142 期周刊的全文：https://xiaobot.net/post/b19cd95b-a39f-46c9-a5f0-d175eca5dc6d

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🍎关联阅读

上一期：Python 潮流周刊#141：Python 早期贡献者口述历史下一期：Python 潮流周刊#143：重造 Python 的 AsyncIO

Python 潮流周刊#141：Python 早期贡献者口述历史

豌豆花下猫 — Sat, 07 Mar 2026 00:00:00 GMT

温馨提示： 在微信关注 Python猫，发送数字“9”，即可领取 9 折优惠码，订阅专栏可享 15 元优惠。

去专栏阅读全文：全文链接

分享了 12 篇文章，12 个开源项目

以下是本期标题摘要：

① Guido 访谈 Thomas Wouters：Python 核心开发者的往事与未来

② Python Insider 博客迁移新地址

③ Webmentions 库让静态网站拥有去中心化评论功能

④ 用 Python 实时渲染 18,000 个视频

⑤ Django ORM 独立运行指南：使用 inspectdb 查询现有数据库

⑥ 软件 3.1 构想：AI 函数

⑦ Python 函数重载签名使用指南

⑧ icu4py：现代化的 Unicode ICU 库 Python 绑定

⑨ 利用 Gemini URL 上下文与 Python 生成 Reddit 摘要

⑩ AI 修复 bug 的悖论：为何 AI 智能体总是破坏正常代码？

⑪ 使用 django-simple-nav 构建灵活可复用的导航栏

⑫ CPython 源码中出现 AI 署名提交

① OpenViking：AI 智能体上下文数据库

② Auto-Claude：自主多会话 AI 编程框架

③ DoodleCloud：Instagram 无限云存储

④ movement：动物运动轨迹分析工具箱

⑤ ai-functions：AI 智能体驱动的可靠函数库

⑥ ai-dev-kit：Databricks AI 编程助手工具包

⑦ PersonaLive：用于直播的表情丰富人像动画生成

⑧ Intercept：基于 Web 的信号情报平台

⑨ Agent-Skills-for-Context-Engineering：AI 智能体语境工程技能库

⑩ OpenSandbox：AI 应用通用沙箱平台

⑪ user-scanner：用户名与邮箱双模 OSINT 工具

⑫ django-orbit：现代 Django 可观测性与调试工具

订阅后，可免费查看第 141 期周刊的全文：https://xiaobot.net/post/15e9d5a8-fb94-4875-8683-97c5669e6db7

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🌸关联阅读

上一期：Python 潮流周刊#140：开发自己的 OpenClaw 下一期：Python 潮流周刊#142：Python 性能优化的进阶之路

Python 潮流周刊#140：开发自己的 OpenClaw

豌豆花下猫 — Sat, 28 Feb 2026 00:00:00 GMT

温馨提示： 在微信关注 Python猫，发送数字“9”，即可领取 9 折优惠码，订阅专栏可享 15 元优惠。

去专栏阅读全文：全文链接

分享了 12 篇文章，13个开源项目

以下是本期标题摘要：

① 你也可以发明出一个 OpenClaw

② Python 3.12 vs 3.13 vs 3.14：特性、性能、该选哪个？

③ 用 Python 3.14 的 zstd 模块实现文本分类

④ Pydantic 力荐的 inline-snapshot 让 Python 测试焕然一新

⑤ Python 链式赋值的隐藏陷阱：从字节码层面深度解析

⑥ cysqlite：Peewee 作者打造的全新 SQLite 驱动

⑦ Python 循环导入谜题：从实际案例看模块导入的隐藏陷阱

⑧ 借助 LLM 重写 pycparser：从 YACC 到手写递归下降解析器

⑨ PEP 813：Python 美化打印协议

⑩ 性能单元测试：用 CPU 指令数捕捉代码速度变化

⑪ Python CLI 子命令的延迟导入技巧

⑫ 软件性能工程的核心思想

① sift-kg：提取文档构建知识图谱

② httpie：现代化的命令行 HTTP 客户端

③ baserow：开源无代码数据库与应用构建平台

④ cinderX：Meta 开源的高性能 Python 运行时扩展

⑤ Hugging Face Skills：AI 代理的标准化技能库

⑥ google_workspace_mcp：用 AI 操控谷歌全家桶

⑦ astrBot：全能型即时通讯 AI 助手

⑧ autoglm-gui：AI 驱动的 Android 自动化助手

⑨ context-engineering-intro：AI 编程助手的上下文工程指南

⑩ monty：专为 AI 打造的 Rust 版 Python 解释器

⑪ synapse：基于 Python 和 Rust 的 Matrix 参考服务器

⑫ wifi-densepose：基于 WiFi 信号的穿墙人体姿态估计

⑬ production-agentic-rag-course：构建生产级 AI 研究助手

订阅后，可免费查看第 140 期周刊的全文：https://xiaobot.net/post/000dc6cd-3502-4a84-aef1-d6b9573d0c39

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🐝关联阅读

上一期：Python 潮流周刊#139：为什么人们总想取代数据分析师？下一期：Python 潮流周刊#141：Python 早期贡献者口述历史

Python 潮流周刊#139：为什么人们总想取代数据分析师？

豌豆花下猫 — Sat, 07 Feb 2026 00:00:00 GMT

温馨提示： 在微信关注 Python猫，发送数字“9”，即可领取 9 折优惠码，订阅专栏可享 15 元优惠。

去专栏阅读全文：全文链接

分享了 14 篇文章，14 个开源项目

以下是本期标题摘要：

① Python 是用什么参数调用的？

② 使用 Memray 分析项目内存使用情况

③ Django 视图与 Python 之禅的冲突

④ PEP 821：支持在 Callable 类型提示中解包 TypedDict

⑤ 像 Python 函数一样调用 Lean 函数

⑥ 从优秀代码到可靠软件：Python 包生产级指南

⑦ Django 安全团队近期的工作趋势

⑧ 通过 PyPI 分发 Go 二进制文件

⑨ Multi-Paxos：分布式数据库的共识机制

⑩ Python 函数的解剖学

⑪ 软删除的挑战与反思

⑫ 我读博士两年学到的 8 个教训

⑬ 用 Python 和本地 LLM 开发聊天机器人

⑭ 为何过去五十年人们总想取代数据分析师？

① oban-py：基于 PostgreSQL 的 Python 任务编排框架

② knowledge-work-plugins：Claude 知识工作者插件库

③ review-prompts：AI 辅助代码审查提示词

④ Stable-Video-Infinity：无限时长视频生成模型

⑤ MiroFish：简洁通用的 AI 群体智能预测引擎

⑥ Pixelle-Video：AI 全自动短视频引擎

⑦ Grok2API：Grok 2 接口适配服务

⑧ PentestAgent：自动化渗透测试 AI 智能体框架

⑨ Django Orbit：Django 卫星式观测与调试工具

⑩ La Suite Drive：协作式文件共享与管理平台

⑪ django-hawkeye：轻量级 PostgreSQL 全文搜索库

⑫ cmd-chat：终端点对点加密聊天工具

⑬ copier-astral：现代 Python 项目模板

⑭ Paper2Any：论文多模态内容转换工具

订阅后，可免费查看第 139 期周刊的全文：https://xiaobot.net/post/412a70da-8cef-4623-9dca-3c94dec5866d

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🏆关联阅读

上一期：Python 潮流周刊#138：Python 正在被渐进式改进扼杀？下一期：Python 潮流周刊#140：开发自己的 OpenClaw

Python 潮流周刊#138：Python 正在被渐进式改进扼杀？

豌豆花下猫 — Sat, 31 Jan 2026 00:00:00 GMT

温馨提示： 在微信关注 Python猫，发送数字“9”，即可领取 9 折优惠码，订阅专栏可享 15 元优惠。

去专栏阅读全文：全文链接

分享了 12 篇文章，12 个开源项目

以下是本期标题摘要：

① Python 正在被渐进式改进扼杀？

② 加速 Pillow 的打开与保存

③ Asyncio 既不快也不慢

④ Pandas 3 新特性一览

⑤ 从 NaN 到 None 再到 null：Pydantic 的序列化陷阱

⑥ 初学 Django 的一些笔记

⑦ 从 Python 3.3 到今天：终结 15 年的子进程轮询

⑧ NumPy 性能加速：并行化与 Numba

⑨ 用 Python 开发一个实时推荐系统原型

⑩ 关于测试的两点思考：异常与缓存

⑪ Python 中的一切迭代皆平等

⑫ 包管理中的“C 形黑洞”

① kimi-cli：下一代命令行 AI 智能体

② earth2studio：NVIDIA 开源 AI 气象气候框架

③ ai-data-science-team：AI 驱动的数据科学团队

④ UltraRAG：基于 MCP 的低代码 RAG 框架

⑤ wifi-densepose：革命性的 WiFi 穿墙人体姿态估计

⑥ dirsearch：高级 Web 路径扫描工具

⑦ cultivation-world-simulator：AI 驱动的修仙世界模拟器

⑧ x-algorithm：X 平台推荐算法源码

⑨ reaktiv：Python 响应式状态管理库

⑩ keep：开源 AIOps 告警管理平台

⑪ webrockets：基于 Rust 的高性能 Python WebSocket 服务器

⑫ cua：开源计算机操作智能体基础设施

订阅后，可免费查看第 138 期周刊的全文：https://xiaobot.net/post/83629c8d-da14-43b9-b3ed-afc4fbb1ffc0

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🎨关联阅读

上一期：Python 潮流周刊#137：Pandas 3.0 发布了下一期：Python 潮流周刊#139：为什么人们总想取代数据分析师？

Python 潮流周刊#137：Pandas 3.0 发布了

豌豆花下猫 — Sat, 24 Jan 2026 00:00:00 GMT

温馨提示： 在微信关注 Python猫，发送数字“9”，即可领取 9 折优惠码，订阅专栏可享 15 元优惠。

去专栏阅读全文：全文链接

分享了 12 篇文章，12 个开源项目

以下是本期标题摘要：

① Pandas 3.0 新特性：表达式、写时复制与更快的字符串

② 我为 Django 开发了一个游戏引擎？

③ Peewee 终于支持 Asyncio 啦！

④ LLM 能将 Polars 代码转译为 SQL 吗？

⑤ Python 中的 Use-after-free 漏洞

⑥ Django 6.0 Tasks：没有 Worker 的任务框架

⑦ DynamoDB 速成课：第一部分 - 核心理念

⑧ Python 实现编译器优化：Toy Optimizer 中的加载与存储转发

⑨ 巴黎奥运会的关键基础设施：用 htmx 开发网络自动化系统

⑩ 程序员的提示工程实战指南

⑪ 来自 Google 的性能优化指南

⑫ 不使用智能体就会被淘汰？

① maptoposter：城市地图海报生成器

② webctl：命令行浏览器自动化工具

③ nanochat：100美元打造的最佳ChatGPT

④ freemocap：免费开源动作捕捉系统

⑤ Skill_Seekers：AI技能自动生成器

⑥ automem：AI持久化记忆系统

⑦ pyinfra：Python版Ansible

⑧ violit：高性能Python Web框架

⑨ sharepoint-to-text：纯Python文档内容提取库

⑩ moka-py：Rust 编写的高性能 Python 缓存库

⑪ shot-scraper：网站自动化截图命令行工具

⑫ sqlite-utils：SQLite 数据库操作实用工具

订阅后，可免费查看第 137 期周刊的全文：https://xiaobot.net/post/4e360f7a-f273-40e7-a8d9-2b75aaca03e1

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🍌关联阅读

上一期：Python 潮流周刊#136：Anthropic 向 PSF 资助 150 万美元下一期：Python 潮流周刊#138：Python 正在被渐进式改进扼杀？

Python 潮流周刊#136：Anthropic 向 PSF 资助 150 万美元

豌豆花下猫 — Sat, 17 Jan 2026 00:00:00 GMT

温馨提示： 在微信关注 Python猫，发送数字“9”，即可领取 9 折优惠码，订阅专栏可享 15 元优惠。

去专栏阅读全文：全文链接

分享了 12 篇文章，12 个开源项目

以下是本期标题摘要：

① Anthropic 向 PSF 资助 150 万美元

② Reddit 如何将评论功能从 Python 迁移至 Go？

③ 我们如何将 Python 打包库 packaging 提速 3 倍的？

④ PEP 797：共享对象代理

⑤ 如何测试代码的性能？第一部分：Big-O 扩展性

⑥ 面向复杂业务场景的 Python Web 开发方法论

⑦ 一个测试用例如何揭示 Django 6.0 的 Bug？

⑧ Python 3.14 中最酷的特性

⑨ PEP 819：JSON 格式的包元数据

⑩ tprof：Python 定向性能分析器

⑪ 皇帝的新衣：200 行 Python 代码复刻 Claude Code

⑫ EktuPy：助力 Scratch 时代过渡到 Python 编程

① open-webui：用户友好的自托管 AI 平台

② ai-knowledge-graph：AI 驱动的知识图谱生成器

③ compound-engineering-plugin：实现研发效能复利的 Claude Code 插件

④ ComfyUI：强大且模块化的 Stable Diffusion 界面

⑤ modern-software-dev-assignments：斯坦福 CS146S 现代软件开发课程作业

⑥ learn-claude-code：从零开发 AI 编程智能体教程

⑦ icloud_photos_downloader：iCloud 照片命令行下载工具

⑧ music-assistant-server：开源媒体库管理系统核心

⑨ ralph-orchestrator：自主 AI 智能体编排工具

⑩ fastscheduler：Python 装饰器优先的任务调度器

⑪ pyauto-desktop：跨分辨率的 Python 桌面自动化库

⑫ jetbase：轻量级 Python 数据库迁移工具

订阅后，可免费查看第 136 期周刊的全文：https://xiaobot.net/post/9ce0a54b-82f0-4105-8a67-d7971cb23911

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🍍关联阅读

上一期：Python 潮流周刊#135：Python 3.6-3.14 多平台性能评测下一期：Python 潮流周刊#137：Pandas 3.0 发布了

Python 潮流周刊#135：Python 3.6-3.14 多平台性能评测

豌豆花下猫 — Sat, 10 Jan 2026 00:00:00 GMT

温馨提示： 在微信关注 Python猫，发送数字“9”，即可领取 9 折优惠码，订阅专栏可享 15 元优惠。

去专栏阅读全文：全文链接

分享了 12 篇文章，12 个开源项目

以下是本期标题摘要：

① 异步对 Python Web 应用到底意味着什么？

② 开发 Python API 客户端的新思路

③ Python 3.6-3.14 多平台性能评测

④ Python 静态协议：超越继承的行为定义

⑤ 如何沙盒化不可信的 Python 代码？

⑥ 从 Celery 迁移到 Django Tasks 指南

⑦ Python 引用计数的近期优化

⑧ WebAssembly：Python 扩展开发新思路

⑨ 2025 NumPy 资助计划回顾：重塑静态类型

⑩ Mypy 趣味实验：将运行时关系具体化为类型证据

⑪ PEP 822：去缩进的多行字符串（d-string）

⑫ PEP 818：将 Pyodide FFI 核心引入 Python

① MiroFlow：开源深度研究智能体框架

② MiroThinker：开源搜索智能体模型

③ Auto_job_applier_linkedIn：LinkedIn 自动求职助手

④ Qwen-Image：强大的图像生成基础模型

⑤ memU：面向未来的 AI 智能体记忆系统

⑥ owl：优化劳动力学习的通用多智能体协作框架

⑦ docling：让文档为生成式 AI 做好准备

⑧ TrustGraph：AI 上下文图工厂

⑨ PennyLane：跨平台量子计算编程框架

⑩ Beancount：基于文本文件的复式记账工具

⑪ AlpaSim：模块化轻量级自动驾驶研究模拟器

⑫ promptic：轻量级 LLM 应用开发框架

订阅后，可免费查看第 135 期周刊的全文：https://xiaobot.net/post/b83de2e3-4dae-433a-a500-1cc3ea82369d

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🎉关联阅读

上一期：Python 潮流周刊#134：uv 为什么这么快？下一期：Python 潮流周刊#136：Anthropic 向 PSF 资助 150 万美元

Python 潮流周刊#134：uv 为什么这么快？

豌豆花下猫 — Sat, 03 Jan 2026 00:00:00 GMT

温馨提示： 在微信关注 Python猫，发送数字“9”，即可领取 9 折优惠码，订阅专栏可享 15 元优惠。

去专栏阅读全文：全文链接

分享了 12 篇文章，12 个开源项目

以下是本期标题摘要：

① Python 常用操作的延迟与内存开销一览

② 我如何用 AI 智能体写出 JustHTML？

③ 告别 six，移除 dateutil

④ uv 为什么这么快？

⑤ PyPI 2025 年度回顾

⑥ 在 Python/Wasm 环境中“启用”C 线程

⑦ Python 3.15 新特性：统计分析器

⑧ 回顾 Python Pescara 的 2025 年

⑨ Flask 的 2025 年回顾

⑩ 友好的 Python：从其他语言移植

⑪ 2025 年顶级 Python 库盘点

⑫ 2025：大模型之年

① SongGeneration：腾讯 AI Lab 高质量歌曲生成模型

② VideoRAG：与你的视频对话

③ TradingAgents：多智能体 LLM 金融交易框架

④ VoxCPM：无 Tokenizer 的上下文感知语音生成模型

⑤ sloppylint：检测 AI 生成的“垃圾代码”

⑥ pyreqwest：基于 Rust 的高速 HTTP 客户端

⑦ svc-infra：生产级后端基础设施 SDK

⑧ pg-aiguide：PostgreSQL AI 编码助手

⑨ vllm-omni：全模态模型高效推理框架

⑩ ragas：增强 LLM 应用评估

⑪ GraphQLite：SQLite 图数据库扩展

⑫ PyPDFForm：Python PDF 表单自动化处理库

订阅后，可免费查看第 134 期周刊的全文：https://xiaobot.net/post/65fa61c3-bc06-45fe-b5c7-4d71546e3045

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🍊关联阅读

上一期：Python 潮流周刊#133：为什么要多读技术博客？下一期：Python 潮流周刊#135：Python 3.6-3.14 多平台性能评测

Python 潮流周刊#133：为什么要多读技术博客？

豌豆花下猫 — Sat, 27 Dec 2025 00:00:00 GMT

温馨提示： 在微信关注 Python猫，发送数字“9”，即可领取 9 折优惠码，订阅专栏可享 15 元优惠。

去专栏阅读全文：全文链接

分享了 12 篇文章，12 个开源项目

以下是本期标题摘要：

① Cloudflare Python Workers 升级：极速冷启动与 uv 工作流

② Python 3.15 解释器在 Windows 上有望提速 15%

③ 2025 年 AoC 编程挑战的 AI 战报

④ 2025 年 AoC 编程挑战人类战报

⑤ 从 Mypy 迁移到 Ty：Litecli 的实战经验

⑥ 再次探讨 Python 更新

⑦ Swanky Python：像 Lisp 一样交互式开发 Python

⑧ 优雅的 __repr__：让你的 Python 对象会说话

⑨ 现在来点完全不同的东西

⑩ 为什么要多读技术博客

⑪ Reddit 评论后端的现代化改造实战

⑫ Google 14 年经验总结：21 条工程心得

① DataFlow: 基于 LLM 的数据准备与处理系统

② Yuxi-Know: 融合知识图谱的 AI 智能体开发平台

③ Bloom: 自动化 LLM 行为评估工具

④ LangBot: 生产级多平台 IM 机器人开发框架

⑤ justhtml: 零依赖的纯 Python HTML5 解析器

⑥ GLM-4.5: 智谱开源的 AI 智能体、推理与代码基础模型

⑦ DeepAudit: 首个开源的代码漏洞挖掘多智能体系统

⑧ skills: Anthropic 开源的 Claude 智能体技能库

⑨ executorch: PyTorch 的端侧 AI 推理解决方案

⑩ gmail-cleaner: 隐私优先的 Gmail 批量清理工具

⑪ PasteMD: 完美粘贴 Markdown/AI 对话到 Office 的效率工具

⑫ banana-slides: 基于nano banana pro的原生AI PPT生成应用

订阅后，可免费查看第 133 期周刊的全文：https://xiaobot.net/post/8e756495-f22d-4fc1-81ac-61cb6fadde5c

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🎁关联阅读

上一期：Python 潮流周刊#132：30 年 Python 自由职业经验下一期：Python 潮流周刊#134：uv 为什么这么快？

Python 潮流周刊#132：30 年 Python 自由职业经验

豌豆花下猫 — Sat, 20 Dec 2025 00:00:00 GMT

温馨提示： 在微信关注 Python猫，发送数字“9”，即可领取 9 折优惠码，订阅专栏可享 15 元优惠。

去专栏阅读全文：全文链接

分享了 12 篇文章，12 个开源项目

以下是本期标题摘要：

① 不必担心 Python 子进程和 Go 代码生成

② 打造最快的 Python CI

③ 我的 Python 开发配置（2025.12 版）

④ 常被忽视的高级 Python 类型提示

⑤ 30 年 Python 自由职业教会我的 30 件事

⑥ Python 的“冻结”字典

⑦ 具备动态上下文和持续学习能力的 Text2Sql 智能体

⑧ 一个 Python 的测试难题

⑨ 善用 Python 的空白字符

⑩ 利用 Django QuerySets 提升查询性能

⑪ 依赖组与 uv run

⑫ 2025 年终总结

① xianyu-auto-reply：闲鱼自动回复管理系统

② rendercv：基于 Typst 的简历生成器

③ pdf-document-layout-analysis：PDF 文档布局分析工具

④ mash-playbook：自托管服务的终极 Ansible 剧本

⑤ CosyVoice：多语言大模型语音生成系统

⑥ sam3：Meta 最新万物分割模型 SAM 3

⑦ robin：AI 驱动的暗网 OSINT 工具

⑧ sqlit：像 Lazygit 一样好用的 SQL 数据库终端工具

⑨ Awesome-ML-SYS-Tutorial：机器学习系统学习笔记

⑩ MHR：Meta 开源的高保真 3D 人体模型

⑪ chanx：功能完备的 WebSocket 框架

⑫ VideoDataset：高性能视频解码与加载库

订阅后，可免费查看第 132 期周刊的全文：https://xiaobot.net/post/2f1f3b0d-239a-469f-a58e-7959f8570d1d

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🦄关联阅读

上一期：Python 潮流周刊#131：从零开始构建智能体下一期：Python 潮流周刊#133：为什么要多读技术博客？

Python 潮流周刊#131：从零开始构建智能体

豌豆花下猫 — Sat, 13 Dec 2025 00:00:00 GMT

温馨提示： 在微信关注 Python猫，发送数字“9”，即可领取 9 折优惠码，订阅专栏可享 15 元优惠。

去专栏阅读全文：全文链接

分享了 12 篇文章，12 个开源项目

以下是本期标题摘要：

① 警告式弃用对 Python 库不起作用

② PEP 816：CPython 对 WASI 的支持规范

③ 2025 年 PyTorch 硬件加速现状报告

④ 30 分钟开发基于 Django 和 MongoDB 的 RAG 应用

⑤ 正则表达式高尔夫解题实录

⑥ Django RAPID 架构指南

⑦ Python 应用日志指南：可观测性秘籍

⑧ 日语语料库语言学方向的 Python 入门指北

⑨ 开发单文件 HTML 工具的实用模式

⑩ 利用生成式 AI 开发 Pandas Dataframe AI 智能体

⑪ AI 智能体记忆机制全解析

⑫ Bloom 过滤器：让 API 提速 16 倍的小众技巧

① Lada：视频马赛克消除与修复工具

② Hello-Agents：从零开始开发智能体教程

③ TotalSegmentator：CT/MR 图像解剖结构分割工具

④ pal-mcp-server：多模型协作的智能体编排服务器

⑤ MemMachine：AI 智能体通用记忆层

⑥ Flask-Pydantic：Flask 的 Pydantic 集成扩展

⑦ TEN-Framework：实时多模态 AI 智能体框架

⑧ GLM-V：智谱 AI 开源的视觉语言模型系列

⑨ cuTile-Python：英伟达 GPU 并行计算编程语言

⑩ tau2-bench：客户服务智能体评估基准

⑪ Metacode：机器可读代码注释的通用标准

⑫ Syd：离线网络安全 AI 助手

订阅后，可免费查看第 131 期周刊的全文：https://xiaobot.net/post/c5c77fc3-e8ba-45ab-87d3-abfc9e68a5ae

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🐡关联阅读

上一期：Python 潮流周刊#130：Django 6.0 发布了下一期：Python 潮流周刊#132：30 年 Python 自由职业经验

Python 潮流周刊#130：Django 6.0 发布了

豌豆花下猫 — Sun, 07 Dec 2025 00:00:00 GMT

温馨提示： 在微信关注 Python猫，发送数字“9”，即可领取 9 折优惠码，订阅专栏可享 15 元优惠。

去专栏阅读全文：全文链接

分享了 12 篇文章，12 个开源项目

以下是本期标题摘要：

① Django 6.0 版本说明

② 初探 Django 6.0 的后台任务

③ 在不破坏兼容性的前提下现代化改造 Django 包

④ 使用 Python 编写脚本

⑤ 构建 DevOps AI 智能体：从 CI/CD 自动化到自主部署

⑥ CPython 中引入 Rust 的终极目标

⑦ 惰性技能：一种节省 Token 的 AI 智能体能力加载方案

⑧ 使用 ColPali 和 FastAPI 开发图像搜索应用

⑨ Qtile 窗口管理器：Python 驱动的平铺体验

⑩ 为什么开发者仍然涌向 Python：Guido 谈可读性、AI 与编程的未来

⑪ “经验时代”的 AI 基础设施

⑫ 域名的 40 年发展简史

① fastapi_best_architecture：企业级后端架构解决方案

② agents：Claude Code 的智能自动化与多智能体编排

③ spec-kit：规范驱动开发工具包

④ VibeVoice：微软开源的前沿语音 AI

⑤ GlobalBuildingAtlas：全球建筑 LoD1 数据集与工具库

⑥ social-engineer-toolkit：社会工程学渗透测试框架

⑦ raptor：基于 Claude Code 的自主攻防研究框架

⑧ Nano-PDF：Gemini 驱动的自然语言 PDF 编辑器

⑨ elf：现代化的 Advent of Code 助手

⑩ onlymaps：Python 微型 ORM 库

⑪ LightX2V：轻量级视频生成推理框架

⑫ nicegui-fastapi-template：FastAPI 与 NiceGUI 全栈开发模板

订阅后，可免费查看第 130 期周刊的全文：https://xiaobot.net/post/057194e4-c630-47a6-a4c7-1eef97223abf

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🌱关联阅读

上一期：Python 潮流周刊#129：Pydantic 还能做些什么？下一期：Python 潮流周刊#131：从零开始构建智能体

Python 潮流周刊#129：Pydantic 还能做些什么？

豌豆花下猫 — Sat, 29 Nov 2025 00:00:00 GMT

温馨提示： 在微信关注 Python猫，发送数字“9”，即可领取 9 折优惠码，订阅专栏可享 15 元优惠。

去专栏阅读全文：全文链接

分享了 12 篇文章，12 个开源项目，2 则热门话题

以下是本期标题摘要：

① Pydantic 还能做些什么？

② Python 并非数据科学的最佳语言

③ 开源库的依赖裁剪工作流模式

④ Python 漫水填充算法详解

⑤ 是否该用 Python 重写 Unix Python 启动器？

⑥ Manim：用 Python 创建 3Blue1Brown 风格数学动画

⑦ 伪装 PostgreSQL 协议：Part 1

⑧ 变量名里有什么？Python 命名空间与对象揭秘

⑨ 我们如何让 Blurhash 提速 128 倍？

⑩ Python 项目本地虚拟环境管理再探

⑪ 编程中"快"与"慢"的无用性

⑫ Cloudflare 2025 年 11 月 18 日故障分析

① pipdeptree：Python 依赖树可视化工具

② skyvern：AI 智能体自动化浏览器工作流

③ cocoindex：AI 数据转换框架

④ PyStrict-strict-python：超严格 Python 项目模板

⑤ spectre：射电频谱图记录与可视化工具

⑥ fastapi-best-practices：FastAPI 最佳实践指南

⑦ PythonRobotics：Python 机器人学算法代码库

⑧ tiny8：教育型 8 位 CPU 模拟器

⑨ github-assistant：自然语言 GitHub 仓库探索工具

⑩ turso：Rust 开发的内嵌式 SQL 数据库

⑪ mopidy：Python 可扩展音乐服务器

⑫ potnia：古文字转 Unicode 工具

① GIL 更新影响有多大？

② Python 2.7 到 3.12、Django 1.11 到 5.2 的跨越

订阅后，可免费查看第 129 期周刊的全文：https://xiaobot.net/post/33d33662-4fc9-471e-abb8-2392bef6df5e

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🎨关联阅读

上一期：Python 潮流周刊#128：将 Rust 语言引入 CPython 下一期：Python 潮流周刊#130：Django 6.0 发布了

Python 潮流周刊#128：将 Rust 语言引入 CPython

豌豆花下猫 — Sat, 22 Nov 2025 00:00:00 GMT

温馨提示： 在微信关注 Python猫，发送数字“9”，即可领取 9 折优惠码，订阅专栏可享 15 元优惠。

去专栏阅读全文：全文链接

分享了 13 篇文章，12 个开源项目

以下是本期标题摘要：

① 如何在 Python、Django 和 PostgreSQL 中使用 UUIDv7？

② 为什么 Python 的 deepcopy 这么慢（以及如何避免）？

③ 2025 年现代 Python CI 工具链

④ 六行代码防止 Python 面条式代码

⑤ Hachi：Python 实现的个人图像搜索引擎

⑥ Python 实现分布式系统心跳机制

⑦ Python 3.15 TypedDict 的严格类型检查新特性

⑧ 预 PEP：将 Rust 语言引入 CPython

⑨ Python 测试：为什么你的 mock 会在后期失效？

⑩ Python __slots__ 优化类内存和属性查找

⑪ 互联网很酷，感谢你 TCP

⑫ 我的技术生涯反思（第二部分）

⑬ 有意识的调试：10 个有效的调试策略

① fastapi-voyager：FastAPI 端点可视化工具

② mkslides：将 Markdown 转换为精美幻灯片

③ Django LiveView：用 Python 开发实时 SPA

④ tiny-diffusion：字符级语言扩散模型

⑤ Ax：自适应实验平台

⑥ pyloid：Python 版 Electron 桌面应用框架

⑦ UptimeKit：简洁的网站/API 监控仪表板

⑧ patito：基于 Polars 和 Pydantic 的数据建模层

⑨ RA.Aid：自主软件开发助手

⑩ Resume Matcher：AI 驱动的简历优化工具

⑪ simplemind：AI 接口简化库

⑫ pyarmor：Python 脚本混淆保护工具

订阅后，可免费查看第 128 期周刊的全文：https://xiaobot.net/post/2801f6c4-da00-4670-a7e0-938bb22cdbbf

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🎯关联阅读

上一期：Python 潮流周刊#127：Python 3.16 JIT 性能提升计划下一期：Python 潮流周刊#129：Pydantic 还能做些什么？

Python 潮流周刊#127：Python 3.16 JIT 性能提升计划

豌豆花下猫 — Sat, 15 Nov 2025 00:00:00 GMT

温馨提示： 在微信关注 Python猫，发送数字“9”，即可领取 9 折优惠码，订阅专栏可享 15 元优惠。

去专栏阅读全文：全文链接

分享了 13 篇文章，12 个开源项目，2 则音视频

以下是本期标题摘要：

① Python 3.16 JIT 性能提升计划

② CPython 3.15 解压缩性能提升 30%

③ Python 内存分配有多频繁？

④ PEP 814：Python 新增 frozendict 不可变字典类型

⑤ Rippling 的 Gunicorn pre-fork 优化之旅

⑥ Slack 如何开发更好的软件来开发软件？

⑦ Django Admin Deux：让 Django 管理后台回归 Django 本身

⑧ PEP 791：Python 3.15 新增 math.integer 整数子模块

⑨ Python 从零开发 CI/CD 流水线执行器

⑩ 为什么我们从 Python 迁移到 Node.js？

⑪ Python 中不必要的括号

⑫ Python 异步代码与终结器死锁问题

⑬ DeepSeek OCR 如何解决 AI 扩展的十亿美元难题？

① googlesans-code：Google Sans Code 字体

② Memori：AI 智能体记忆引擎

③ ROLL：大模型强化学习库

④ arxiv-paper-curator：构建生产级 RAG 系统

⑤ all-in-rag：RAG 技术全栈指南

⑥ nyno：多语言工作流引擎

⑦ httpmorph：浏览器指纹 HTTP 客户端

⑧ langgraph-swarm-py：多智能体协同框架

⑨ droidrun：移动设备自然语言控制框架

⑩ codetracer：时间旅行调试器

⑪ DjangoRealtime：Django 实时事件推送

⑫ any-llm：统一 LLM 接口

① PyBay 2025 视频合集（28个）

② DjangoCon US 2025 视频合集（48个）

订阅后，可免费查看第 127 期周刊的全文：https://xiaobot.net/post/d0830f87-3c69-421b-a732-311f7f74fc04

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🍌关联阅读

上一期：Python 潮流周刊#126：新一代静态网站生成器下一期：Python 潮流周刊#128：将 Rust 语言引入 CPython

Python 潮流周刊#126：新一代静态网站生成器

豌豆花下猫 — Sat, 08 Nov 2025 00:00:00 GMT

温馨提示： 在微信关注 Python猫，发送数字“9”，即可领取 9 折优惠码，订阅专栏可享 15 元优惠。

去专栏阅读全文：全文链接

分享了 12 篇文章，12 个开源项目

以下是本期标题摘要：

① 2025 年 Python 核心开发者冲刺会议

② 10 个提升 Python 代码性能的技巧

③ PEP-798：在推导式中使用解包操作符

④ 开发易于安装的 Python 应用

⑤ Zensical：新一代静态网站生成器

⑥ Conda 在包管理光谱中的定位：从 pip 到 Docker 再到 Nix

⑦ Python + SQLAlchemy ORM 深度指南

⑧ 包装 Python 不可变对象

⑨ 文本模式匹配工具选型：Regex、Pregex 与 Pyparsing

⑩ 当生成器、鸭子类型和无分支条件走进酒吧

⑪ 用 CPython 3.14 调试实时代码

⑫ 当按下 ChatGPT 发送键时究竟发生了什么？

① chandra：高精度 OCR 模型

② zensical：Material for MkDocs 团队开发的静态网站生成器

③ strix：AI 智能体安全测试工具

④ nano-vllm：轻量级 vLLM 实现

⑤ deepagents：开发深度 AI 智能体的 Python 库

⑥ ktransformers：灵活的 LLM 推理优化框架

⑦ agents：Claude Code 智能自动化插件系统

⑧ DeepAnalyze：首个自主数据科学智能体 LLM

⑨ caniscrape：网站反爬虫保护分析工具

⑩ pytogether：Google Docs 风格的 Python 协作 IDE

⑪ pipelex：AI 智能体工作流开源语言

⑫ amplifier：元认知 AI 开发工具

订阅后，可免费查看第 126 期周刊的全文：https://xiaobot.net/post/f85519cd-e6cc-40e2-946a-666bd247377a

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🎭关联阅读

上一期：Python 潮流周刊#125：个人 AI 笔记本工具下一期：Python 潮流周刊#127：Python 3.16 JIT 性能提升计划

Python 潮流周刊#125：个人 AI 笔记本工具

豌豆花下猫 — Sat, 01 Nov 2025 00:00:00 GMT

温馨提示： 在微信关注 Python猫，发送数字“9”，即可领取 9 折优惠码，订阅专栏可享 15 元优惠。

去专栏阅读全文：全文链接

分享了 12 篇文章，12 个开源项目

以下是本期标题摘要：

① PSF 撤回 150 万美元政府资助申请

② CPython 核心开发者 2025 冲刺活动创历史新高

③ Python 的 OrderedDict 为什么有序？

④ 探索和改进 NumPy 测试套件的线程安全性

⑤ 可靠的 Django 信号

⑥ uv 是十年来 Python 生态系统最好的工具

⑦ 理解 Docker 内部原理：用 Python 构建容器运行时

⑧ PEP 686：默认启用 UTF-8 模式

⑨ 我第一个创业公司的糟糕技术架构

⑩ Python 3.14 那些没上头条的新特性

⑪ Helion：高性能机器学习内核 DSL

⑫ 缓存：计算机中最优雅的创新

① surf：个人 AI 笔记本

② quark-auto-save：夸克网盘自动转存

③ AI-Trader：AI 智能体股票交易

④ httptap：HTTP 请求分析工具

⑤ kanchi：Celery 任务监控系统

⑥ IsaacSim：AI 机器人仿真平台

⑦ scikit-opt：群体智能优化算法库

⑧ BettaFish: 多 Agent 舆情分析助手

⑨ moon-dev-ai-agents：自主交易 AI 智能体

⑩ wove：优雅的 Python 异步编程

⑪ agent-framework：微软 AI 智能体框架

⑫ ViMax：智能体视频生成平台

订阅后，可免费查看第 125 期周刊的全文：https://xiaobot.net/post/59d44ad5-8ddb-434f-b145-871985aafeb5

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🎺关联阅读

上一期：Python 潮流周刊#124：理性看待 GIL 的移除下一期：Python 潮流周刊#126：新一代静态网站生成器

Python 潮流周刊#124：理性看待 GIL 的移除

豌豆花下猫 — Sat, 25 Oct 2025 00:00:00 GMT

🎉 1024程序员节特惠： 10.24 - 10.31 期间，本周刊年费仅需 99 元（原价 148 元），新订阅和续费都一样，一年一次的大幅优惠，不容错过！

去专栏阅读全文：全文链接

分享了 12 篇文章，12 个开源项目，2 则音视频

以下是本期标题摘要：

① 跳出 AI 热潮：Guido van Rossum 谈 Python 哲学、简洁性与编程未来

② Python Web 服务的无 GIL 未来

③ 告别 GIL：探索 Python 3.14 无 GIL 模式

④ 懒加载导入：让 Python 启动速度提升 3 倍

⑤ 现在就能用的 Python 懒加载导入技巧

⑥ Diskcache：不只是缓存

⑦ 用 Postgres 做任务队列的经验

⑧ 为什么 Python 开发中性能很重要？

⑨ 异步 Django：寻找问题的解决方案？

⑩ Django bulk_update 内存问题

⑪ Python 属性测试的实证评估

⑫ 从 Python 到 Kotlin：值得一试的转换

① deepwiki-open：AI 驱动的代码库文档生成器

② tidal-dl-ng：多线程 TIDAL 音乐下载器

③ hexstrike-ai：AI 驱动的网络安全自动化平台

④ maltrail：恶意流量检测系统

⑤ hyperflask：全栈 Web 开发框架

⑥ modshim：Python 包增强工具

⑦ django-keel：多用途 Django 项目模板

⑧ buttonpad：跨平台按钮网格 GUI 工具包

⑨ django-bolt：高性能 Django API 框架

⑩ burla：大规模 Python 分布式计算平台

⑪ klavis：AI 智能体工具集成平台

⑫ computer_use_ootb：桌面 GUI 智能体开箱即用解决方案

① Armin Ronacher 访谈：Python、Go、Rust、TypeScript 与 AI

② EuroPython 2025 视频合集（44个）

订阅后，可免费查看第 124 期周刊的全文：https://xiaobot.net/post/76352eb7-0f53-4790-bcde-e93625c9a6bc

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🐠关联阅读

上一期：Python 潮流周刊#123：你可能不需要单例模式下一期：Python 潮流周刊#125：个人 AI 笔记本工具

Python 潮流周刊#123：你可能不需要单例模式

豌豆花下猫 — Sat, 18 Oct 2025 00:00:00 GMT

温馨提示： 在微信关注 Python猫，发送数字“9”，即可领取 9 折优惠码，订阅专栏可享 15 元优惠。

去专栏阅读全文：全文链接

分享了 12 篇文章，12 个开源项目，3 则音视频

以下是本期标题摘要：

① Python 单例模式详解：为什么你可能不需要它？

② 理解 Python 中的弱引用

③ 使用 wrapt 实现懒加载导入

④ 在 Celery 中使用异步函数与 Django 连接池

⑤ 杀死 GIL：如何使用 Python 3.14 的自由线程？

⑥ 实用的 Python REPL 修改技巧

⑦ 聊聊 Python 中的 UUID 安全

⑧ 在 GitHub Actions 中使用自由线程 Python

⑨ 为什么 2025 年仍需第三方应用来开发 Django REST API？

⑩ 将 Python ASGI 引入 Node.js 应用

⑪ 用 EchoAPI 的 AI 功能增强 API 测试

⑫ Python 时间差计算的隐藏陷阱

① Helium：注重隐私的高速浏览器

② Cronboard：终端定时任务管理面板

③ Paper2Video：学术论文自动生成演讲视频

④ boilerplates：Docker 等基础设施项目模板集合

⑤ ChatGPT-API-Scanner：GitHub OpenAI API 密钥扫描工具

⑥ ChatGPT-Micro-Cap-Experiment：ChatGPT 管理真实资金微盘股投资组合实验

⑦ cs249r_book：机器学习系统教程

⑧ MineContext：主动感知上下文的 AI 智能体

⑨ TradingAgents-CN：多智能体金融交易框架

⑩ AP2：AI 智能体支付协议

⑪ Hunyuan3D-2.1：生产级 3D 素材生成模型

⑫ PRPs-agentic-eng：AI 工程提示方法论

① PyBeach 2025 视频列表

② core.py Episode 26.1: CPython Sprint Week in Cambridge UK, Part 1

③ Talk Python To Me 第 523 期 - Pyrefly：为 Python 提供快速、IDE 友好的类型检查

订阅后，可免费查看第 123 期周刊的全文：https://xiaobot.net/post/c437ee82-28b0-491b-b485-fd9ccebf7101

1、万字浓缩版，Python 潮流周刊第 1 季的 800 个链接！

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🌺关联阅读

上一期：Python 潮流周刊#122：Python 3.14 来了，速度如何？下一期：Python 潮流周刊#124：理性看待 GIL 的移除

Python 潮流周刊第4季总结，附往季下载

豌豆花下猫 — Sun, 12 Oct 2025 00:00:00 GMT

我订阅了很多的周刊/Newsletter，但是发现它们都有一个共同的毛病：就是缺乏对往期内容的整理，它们很少会对内容数据作统计分析，更没有将内容整理成合集的习惯。

在自己开始连载周刊后，我就想别开生面，除了每周更新正刊外，还计划定期做一些盘点。我认为过往周刊值得被串联起来，形成合集后，既方便大家阅读检索，在这个 AI 时代，还能作为知识库的资料，能挖掘出更多有价值的信息。

Python潮流周刊每 30 期作为一季，每季预计有 60,000 字以上。

往季总结：第1季、第2季、第3季（付费读者可从专栏里获取。等140期后会免费解锁）

现在，第 4 季已完结，照例分享一些数据吧。第 4 季从 2025.03.01 到 2025.09.20，间隔时间 203 天。

本季周刊共分享了：

文章/教程：362 篇
项目/资源：367 个
播客/视频：22 则（有不少是视频列表）
热门讨论：15 个

每期周刊中分享的内容基本上保持了“12 + 12 + x”的水平，即 12 篇文章&教程，12 个项目&资源，另外穿插有少量音视频和热门讨论内容。

文章和项目类内容的占比都超过了 47%，今后分享的比重大概率会维持在这个比例。

利用本季周刊合集内容，生成的词云图如下：

200 天的时间，30 个周末，回顾的时候总是显得时间很快，但身处其中的每个日子都有不同的感受。想要细数其中的片段和情绪，好像空空的找不到太多话可说，那就这样吧：人生苦短，我用 Python。

最后预告一下：10.24 - 10.31 期间，本周刊年费仅需 99 元（原价 148 元），一年一次的大幅优惠，敬请留意！

第3季、第4季的精华内容合集已整理成电子书，优先开放给专栏订阅读者，请在专栏文章内获取。

另外，第 1～2 季的电子书也整理好了，下载链接如下：

一、百度网盘

Python潮流周刊第1季（第1-30期），含epub、PDF、Markdown版本

链接：https://pan.baidu.com/s/1LyklHJTwhgyFUjsI7pNz4w

提取码：1024

Python潮流周刊第2季（第31-60期），含EPUB、PDF、Markdown版本

链接：https://pan.baidu.com/s/14FXjAOr8sTrkliuFcv5cRg

提取码：1024

二、夸克网盘

Python潮流周刊第1季（第1-30期），含epub、PDF、Markdown版本

链接：https://pan.quark.cn/s/50f9c1c6d62b

Python潮流周刊第2季（第31-60期），含EPUB、PDF、Markdown版本

链接：https://pan.quark.cn/s/8d2c3101def8

网盘链接可能过期，若不可用，请在公众号“Python猫”里发送“W30”，获取最新下载链接。

为了方便大家快速查看，每季周刊还整理了一篇纯链接的简化版：

2、Python 潮流周刊第2季（31~60）-纯链接版

祝大家读有所得，生活美满！

人生苦短，我用 Python。

Python 潮流周刊#122：Python 3.14 来了，速度如何？

豌豆花下猫 — Sat, 11 Oct 2025 00:00:00 GMT

🎉 1024程序员节特惠： 10.24 - 10.31 期间，本周刊年费仅需 99 元（原价 148 元），一年一次的大幅优惠，敬请留意！

温馨提示： 在微信关注 Python猫，发送数字“9”，即可领取 9 折优惠码，订阅专栏可享 15 元优惠。

去专栏阅读全文：全文链接

分享了 12 篇文章，12 个开源项目

以下是本期标题摘要：

① Python 3.14.0 正式发布！

② Python 3.14 来了，速度如何？

③ Python 3.14 我最喜欢的 5 个新特性

④ 介绍 Air：开创性的 AI 优先 Python Web 框架

⑤ PEP 810：显式惰性导入

⑥ 将 NumPy 的类型完整性提升至近 90%

⑦ 用 Django 和 SQLite 实现全文搜索

⑧ 为什么花了 4 年才制定出锁定文件规范？

⑨ PEP 8 不只有命名风格

⑩ 为什么响应式编程在 Python 中没有流行起来？

⑪ 介绍 tdom：使用 Python t-strings 的 HTML 模板

⑫ Python 公案1：空的路径

① AI_NovelGenerator：AI 小说生成器

② pwndbg：让 GDB 和 LLDB 调试变得更简单

③ devpush：开源的 Vercel 替代方案

④ pyscn：智能 Python 代码质量分析器

⑤ FuncToWeb：Python 函数转成 Web 界面

⑥ Logly：Rust 驱动的高性能 Python 日志库

⑦ ApeRAG：生产级图 RAG 平台

⑧ autoswagger：API 认证检测工具

⑨ computer-use-preview：计算机使用预览模型

⑩ varia：支持文件、种子和视频的下载管理器

⑪ holm：类 Next.js 的 Python Web 开发框架

⑫ snakeviz：浏览器中的 Python 性能分析可视化工具

订阅后，可免费查看第 122 期周刊的全文：https://xiaobot.net/post/c7c7aed7-bb9e-47e0-9d2d-6915e2b50c51

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🦄关联阅读

上一期：Python 潮流周刊#121：工程师如何做出高效决策？下一期：Python 潮流周刊#123：你可能不需要单例模式

Python 潮流周刊#121：工程师如何做出高效决策？

豌豆花下猫 — Sat, 27 Sep 2025 00:00:00 GMT

温馨提示： 在微信关注 Python猫，发送数字“9”，即可领取 9 折优惠码，订阅专栏可享 15 元优惠。

去专栏阅读全文：全文链接

分享了 12 篇文章，12 个开源项目

以下是本期标题摘要：

① 在现实世界中追踪 JIT

② 编译 Python 让其随处运行

③ PEP-806：混合 sync/async 上下文管理器

④ 介绍 django-watchfiles：高效的 runserver 自动重载

⑤ 使用 Cursor AI 将 Bash 测试套件迁移到 Python

⑥ 解锁 Python 自由线程的性能潜力：垃圾收集优化

⑦ 边缘计算中的 Python：基于 WebAssembly 的快速沙盒化运行

⑧ Python 依赖混淆攻击：我如何入侵苹果、微软等公司？

⑨ 在 Django 项目中使用内省强制执行约定

⑩ 计算机科学中的优秀思想

⑪ 为什么事件驱动系统难以开发？

⑫ 软件工程师如何做出高效决策？

① timesfm：Google 时间序列基础模型

② aipyapp：AI 驱动的 Python 解释器

③ ticket-purchase：大麦自动抢票脚本

④ memvid：视频化 AI 记忆库

⑤ noScribe：AI 音频转录工具

⑥ klavis：AI 智能体工具集成平台

⑦ fastapi-radar：FastAPI 调试仪表板

⑧ air：新一代 Python Web 框架

⑨ OM1：模块化机器人 AI 运行时

⑩ Ciphey：全自动加密破解工具

⑪ DBOS Transact：轻量级持久化工作流

⑫ CleverBee：AI 驱动的在线数据信息合成助手

订阅后，可免费查看第 121 期周刊的全文：https://xiaobot.net/post/b082e48b-a1d4-480a-89bf-fd4bc9614b63

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🌻关联阅读

上一期：Python 潮流周刊#120：新型 Python 类型检查器对比下一期：Python 潮流周刊#122：Python 3.14 来了，速度如何？

Python 潮流周刊#120：新型 Python 类型检查器对比

豌豆花下猫 — Sat, 20 Sep 2025 00:00:00 GMT

温馨提示： 在微信关注 Python猫，发送数字“9”，即可领取 9 折优惠码，订阅专栏可享 15 元优惠。

去专栏阅读全文：全文链接

分享了 13 篇文章，13 个开源项目，1 则音视频，2 则热门话题

以下是本期标题摘要：

① 新型 Python 类型检查器对比：Ty、Pyrefly 与 Zuban

② Playwright vs Pydoll 端到端测试性能对比

③ 用纯 Python 编写 eBPF 程序

④ PEP-804：外部依赖注册表和名称映射机制

⑤ Django 视图编写的最佳实践

⑥ 如何用 Python 实现功能开关？

⑦ CPython 3.14 远程调试协议解析

⑧ 用 6 万张 90 年代 GIF 打造怀旧马赛克动画

⑨ 一个空格删除整个系统？Python 命令注入陷阱

⑩ Playwright 与 pytest 测试技巧分享

⑪ Rye 表格操作与 Python/Pandas 对比

⑫ 我如何解决 Reddit 的分布式队列问题？

⑬ RSS 如何击败微软？

① LEANN：世界最小的向量索引

② agent-lightning：点亮 AI 智能体的绝对训练器

③ RealtimeVoiceChat：与 AI 进行自然语音对话

④ HolmesGPT：24/7 云故障排查 AI 智能体

⑤ AgentLaboratory：AI 智能体研究助手

⑥ NeMo：可扩展生成式 AI 框架

⑦ ApeRAG：生产级图 RAG 平台

⑧ kcc：漫画电子书转换器

⑨ DeepResearch：深度研究 AI 智能体

⑩ DiffMem：基于 Git 的 AI 智能体记忆存储

⑪ markdown-it-py：Python Markdown 解析器

⑫ djhtmx：Django 交互式 UI 组件

⑬ pyproc：Go 调用 Python 的高性能 IPC 库

① PyCon Australia 2025 演讲视频

① 专业的 Python 工具、库和功能 - 你最喜欢哪个？

② go 转 Python 的心智负担增加

订阅后，可免费查看第 120 期周刊的全文：https://www.xiaobot.net/post/49dc272a-e273-4673-908c-56257f3fb944

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🌟关联阅读

上一期：Python 潮流周刊#119：Google 停止开发 Pytype！下一期：Python 潮流周刊#121：工程师如何做出高效决策？

Python 潮流周刊#119：Google 停止开发 Pytype！

豌豆花下猫 — Sat, 13 Sep 2025 00:00:00 GMT

温馨提示： 在微信关注 Python猫，发送数字“9”，即可领取 9 折优惠码，订阅专栏可享 15 元优惠。

去专栏阅读全文：全文链接

分享了 12 篇文章，12 个开源项目

以下是本期标题摘要：

① 在自由线程 Python 中扩展 asyncio

② Google 停止支持 Pytype：Python 类型检查时代的终结

③ 测试代码依赖的编译器优化

④ 自定义 Python REPL 颜色方案

⑤ Semlib：LLM 驱动的数据处理

⑥ 如何/为何用 Bazel 开发 Python 代码？

⑦ PEP-679：支持 assert 语句括号语法

⑧ PEP-803：为自由线程开发提供稳定 ABI

⑨ 为 R 和 Python 设置本地 LLM

⑩ 如何让 AI "看懂"网页？拆解 Browser-Use 的三大核心技术模块

⑪ 为 AI 智能体编写有效工具

⑫ Chrome 浏览器 17 年发展史

① AiNiee：AI 翻译工具

② Newelle：AI 智能体桌面助手

③ PageIndex：基于推理的文档索引系统

④ XLeRobot：660 美元双臂家用机器人

⑤ RAG-Anything：全能多模态 RAG 系统

⑥ ROMA：递归开放元智能体框架

⑦ Ducky：网络工程师桌面工具箱

⑧ BiliNote：AI 视频笔记生成工具

⑨ MAESTRO：自托管 AI 研究助手

⑩ furl：Python URL 解析和操作库

⑪ f2：多平台高速下载器

⑫ StreamCap：多平台直播录制工具

订阅后，可免费查看第 119 期周刊的全文：https://www.xiaobot.net/post/de65c2a1-8eef-45a6-b45a-034daa7d81b6

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🐡关联阅读

上一期：Python 潮流周刊#118：Python 异步为何不够流行？下一期：Python 潮流周刊#120：新型 Python 类型检查器对比

Python 潮流周刊#118：Python 异步为何不够流行？

豌豆花下猫 — Sat, 06 Sep 2025 00:00:00 GMT

温馨提示： 在微信关注 Python猫，发送数字“9”，即可领取 9 折优惠码，订阅专栏可享 15 元优惠。

去专栏阅读全文：全文链接

分享了 12 篇文章，12 个开源项目

以下是本期标题摘要：

① Python 已有异步十年，为何仍不够流行？

② 用 Python、uv、Caddy 和 Docker 开发静态网站

③ 追踪 Python 恶意代码的执行

④ 修复 Python 3.14+ 中 finally 块的语法警告

⑤ Django 6.0 新特性展望

⑥ Polars GPU 执行实现 70% 性能提升

⑦ SQLModel 异步操作 PostgreSQL 实战指南

⑧ 使用 Celery 和 RabbitMQ 调度 Python 后台任务

⑨ 与 Python 共享可变引用

⑩ Jupyter Notebook 在生产环境中的隐藏危险

⑪ 纯 Python Web 应用开发

⑫ 开发者陷阱大全

① mihomo：崩坏星穹铁道数据解析库

② chatterbox：最先进的开源文本转语音系统

③ TrendRadar：多平台热点聚合工具

④ AIHawk：求职申请 AI 智能体

⑤ Skylos：Python 无用代码检测工具

⑥ Zuban：高性能 Python 语言服务器

⑦ Kronos：金融市场语言基础模型

⑧ theHarvester：开源情报信息收集工具

⑨ surya：多语言文档 OCR 工具包

⑩ ag2：开源 AI 智能体操作系统

⑪ youtu-agent：简单强大的 AI 智能体框架

⑫ toolfront：AI 智能体数据检索工具

订阅后，可免费查看第 118 期周刊的全文：https://www.xiaobot.net/post/80c1f843-fdef-426b-94e6-7608ec00583a

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

💎关联阅读

上一期：Python 潮流周刊#117：Python 起源故事的纪录片下一期：Python 潮流周刊#119：Google 停止开发 Pytype！

Python 潮流周刊#117：Python 起源故事的纪录片

豌豆花下猫 — Sat, 30 Aug 2025 00:00:00 GMT

温馨提示： 在微信关注 Python猫，发送数字“9”，即可领取 9 折优惠码，订阅专栏可享 15 元优惠。

去专栏阅读全文：全文链接

分享了 12 篇文章，12 个开源项目，2 则音视频

以下是本期标题摘要：

① 如何观测并修复 pandas 工作流中的 5 个常见性能瓶颈？

② 如何使用 functools.Placeholder？

③ Python 命名空间包的痛点

④ 用内省技术强制执行 Django 项目命名约定

⑤ 用 Django Ninja、Pydantic 和 JSON-LD 提升 SEO

⑥ AST 驱动的 Python 测试

⑦ 用 Plush 解释器超越 CPython

⑧ Python 运行时动态修改函数源码

⑨ uv format：uv 迎来了代码格式化功能

⑩ pandas 的表达式语法来了！

⑪ 为什么并发编程如此难懂？

⑫ 从 GPT-2 到 gpt-oss：架构演进分析

① docs：协作笔记与文档平台

② ten-framework：对话式语音 AI 智能体框架

③ cement：Python 应用框架

④ serena：编程 AI 智能体工具包

⑤ WhisperLiveKit：实时本地语音转文字工具包

⑥ SurfSense：NotebookLM 开源替代方案

⑦ rendergit：Git 仓库单页面渲染工具

⑧ deer-flow：社区驱动的深度研究框架

⑨ awesome-ai-apps：AI 应用项目集合

⑩ DeepCode：开放式智能体编程框架

⑪ OpenEvolve：AlphaEvolve 的开源实现

⑫ claude-code-proxy：Anthropic API 代理工具

① Python：纪录片 | 起源的故事

② 未被实现的 Python：被拒绝的 PEP 提案

订阅后，可免费查看第 117 期周刊的全文：https://www.xiaobot.net/post/e39f4d16-59df-4fb9-8ada-0a61464b8327

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🏅关联阅读

上一期：Python 潮流周刊#116：Python 2025 年现状下一期：Python 潮流周刊#118：Python 异步为何不够流行？

Python 潮流周刊#116：Python 2025 年现状

豌豆花下猫 — Sat, 23 Aug 2025 00:00:00 GMT

温馨提示： 在微信关注 Python猫，发送数字“9”，即可领取 9 折优惠码，订阅专栏可享 15 元优惠。

去专栏阅读全文：全文链接

分享了 12 篇文章，12 个开源项目

以下是本期标题摘要：

① Python 2025 年现状报告

② Python 文件流传输：8 美元服务器上实现 237MB/s

③ 有时 LFU 比 LRU 更好

④ 上下文工程：DSPy 全面实战教程

⑤ Python 代理对象的实现原理

⑥ PyPI 防范域名复活攻击

⑦ 以符号模式匹配的视角设计算法

⑧ Python 约束编程：用 CP-SAT 解决优化问题

⑨ Python BDFL 称号的起源

⑩ ASCII 雨滴滚动艺术

⑪ 人性化的超时和取消机制

⑫ 你只需要两个日志级别：INFO 和 ERROR

① parlant：可控的 LLM AI 智能体

② GhostTrack：位置和手机号追踪工具

③ Archon：AI 编程助手的知识管理平台

④ mcp-context-forge：MCP 网关和注册中心

⑤ tensorlake：文档摄取 API 和无服务器数据处理平台

⑥ flower：Celery 分布式任务队列监控工具

⑦ AI-Researcher：自主科学创新研究系统

⑧ tilf：像素艺术编辑器

⑨ plutoprint：HTML 到 PDF 和图像生成库

⑩ SpatialLM：3D 点云数据大模型

⑪ One-KVM：DIY IP-KVM 远程控制解决方案

⑫ Notte：可靠的浏览器 AI 智能体框架

订阅后，可免费查看第 116 期周刊的全文：https://www.xiaobot.net/post/0ebc9561-d2a6-4c72-bd46-343e8b70e0e3

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🔗关联阅读

上一期：Python 潮流周刊#115：Astral 推出 pyx 包仓库，AI 优化 20 年古老代码下一期：Python 潮流周刊#117：Python 起源故事的纪录片

Python 潮流周刊#115：Astral 推出 pyx 包仓库，AI 优化 20 年古老代码

豌豆花下猫 — Sat, 16 Aug 2025 00:00:00 GMT

温馨提示： 在微信关注 Python猫，发送数字“9”，即可领取 9 折优惠码，订阅专栏可享 15 元优惠。

去专栏阅读全文：全文链接

分享了 12 篇文章，12 个开源项目

以下是本期标题摘要：

① pyx：Python 原生软件包仓库

② pytest parametrize 入门指南

③ HRT 的 Python 分支：利用 PEP 690 实现更快导入

④ Python Wheel：从标签到变体

⑤ 7 个加速 Python 数据科学工作流的方案

⑥ DeepSeek-R1 能否优化世界上最古老的代码库之一？

⑦ Python 半自动化汇编验证

⑧ Python 版本依赖路径问题

⑨ Python 如何从语言发展为社区？

⑩ PEP-802：空集显示语法

⑪ mssql-python vs pyodbc：SQL Server 性能基准测试

⑫ 使用 plotnine 创建注释面积图

① marker：高精度快速 PDF 转换工具

② stagehand-python：AI 浏览器自动化框架

③ Anthias：开源数字标牌解决方案

④ YTSage：现代化 YouTube 下载器

⑤ free-llm-api-resources：免费 LLM API 资源列表

⑥ Biomni：通用生物医学 AI 智能体

⑦ genai-processors：模块化 AI 管道开发库

⑧ SQLBot: 基于大模型和 RAG 的智能问数系统

⑨ notte：可靠的浏览器 AI 智能体

⑩ Dolphin：异构锚点提示的文档图像解析

⑪ open-notebook：Notebook LM 开源替代

⑫ botasaurus：强大的爬虫开发框架

订阅后，可免费查看第 115 期周刊的全文：https://www.xiaobot.net/post/f81bc4ff-dded-4b95-a49e-97796f4dd7ff

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🍌关联阅读

上一期：Python 潮流周刊#114：Python 的性能神话与真相下一期：Python 潮流周刊#116：Python 2025 年现状

Python 潮流周刊#114：Python 的性能神话与真相

豌豆花下猫 — Sat, 09 Aug 2025 00:00:00 GMT

温馨提示： 在微信关注 Python猫，发送数字“9”，即可领取 9 折优惠码，订阅专栏可享 15 元优惠。

去专栏阅读全文：全文链接

分享了 12 篇文章，12 个开源项目

以下是本期标题摘要：

① CPython JIT 的原理解密

② 我为何会对 Litestar 感兴趣？

③ 你或许不需要用到 Python 类

④ Rust、Python、TypeScript：新的三剑客

⑤ Python 的性能神话与真相

⑥ Django 原子计数器的三种实现

⑦ 别直接调用 Python 双下方法了

⑧ 在 OpenGist 中渲染 Jupyter Notebook

⑨ 如何解决 Python 版本管理混乱？

⑩ Conda 生态系统详解

⑪ setuptools 与 setup.py 的前世今生

⑫ 系统设计的朴素智慧

① zotero-arxiv-daily：基于 Zotero 文献库的 arXiv 论文智能推荐

② Office-PowerPoint-MCP-Server：PowerPoint 文稿操作的 MCP 服务器

③ pipecat：实时语音和多模态对话 AI 智能体框架

④ sniffly：Claude Code 分析面板

⑤ FastVideo：统一的视频生成加速框架

⑥ judgeval：AI 智能体后训练层工具

⑦ viser：基于 Web 的 3D 可视化库

⑧ stock: 股票分析利器

⑨ langmem: AI 智能体长期记忆管理

⑩ Auto-Gmail-Creator: 批量 Gmail 账户自动创建

⑪ nvda: 免费开源的屏幕阅读器

⑫ sshsync：远程服务器命令同步工具

订阅后，可免费查看第 114 期周刊的全文：https://www.xiaobot.net/post/a07209bc-67eb-46bb-9a57-552a29126ca0

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🌸关联阅读

上一期：Python 潮流周刊#113：用虚拟线程取代 async/await 下一期：Python 潮流周刊#115：Astral 推出 pyx 包仓库，AI 优化 20 年古老代码

Python 潮流周刊#113：用虚拟线程取代 async/await

豌豆花下猫 — Sat, 02 Aug 2025 00:00:00 GMT

温馨提示： 在微信关注 Python猫，发送数字“9”，即可领取 9 折优惠码，订阅专栏可享 15 元优惠。

去专栏阅读全文：全文链接

分享了 12 篇文章，12 个开源项目，1 则音视频

以下是本期标题摘要：

① 探秘 CPython 3.14 远程调试

② 深入解释器：Python 的攻击性应用

③ 从 Async/Await 到虚拟线程

④ Python JIT 编译器的后续进展

⑤ asyncio：一个充满痛点的库

⑥ 开发自主性系统：AI 智能体工作流指南

⑦ 大模型架构深度对比：从 DeepSeek-V3 到 Kimi K2

⑧ 用 Python + uv + pytest 打造自动化方案

⑨ PyPI 钓鱼攻击事件报告

⑩ 一行注释也能执行 Python 代码？

⑪ 深入理解 Flask 应用与请求上下文机制

⑫ AI 是否正在抛弃 Python 社区？

① mediacms：视频和媒体管理系统

② darkdump：深度网络抓取的情报分析工具

③ ii-agent：开发和部署 AI 智能体的框架

④ copyparty：便携式文件服务器

⑤ ai-cookbook：AI 系统开发示例和教程

⑥ agno：多智能体系统全栈框架

⑦ abogen：文本转有声书生成器

⑧ CCPlugins：Claude Code 生产力插件

⑨ LangExtract：结构化信息提取库

⑩ PicTex：创建精美文本图像的 Python 库

⑪ html-to-markdown：现代化的 HTML 转 Markdown 转换器

⑫ erys: Jupyter Notebook 的终端交互界面

① Talk Python To Me 第513期：Python 历史故事

订阅后，可免费查看第 113 期周刊的全文：https://www.xiaobot.net/post/9b21ec46-0786-4d6a-b95d-e997f9f0ebbc

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🎯关联阅读

上一期：Python 潮流周刊#112：欢迎 AI 时代的编程新人下一期：Python 潮流周刊#114：Python 的性能神话与真相

Python 潮流周刊#112：欢迎 AI 时代的编程新人

豌豆花下猫 — Sat, 26 Jul 2025 00:00:00 GMT

温馨提示： 在微信关注 Python猫，发送数字“9”，即可领取 9 折优惠码，订阅专栏可享 15 元优惠。

去专栏阅读全文：全文链接

分享了 13 篇文章，12 个开源项目

以下是本期标题摘要：

① Python 列表推导式的解包操作

② 使用 AtomicDict 进行多线程聚合

③ PEP 799：专用的 profilers 包来整合 Python 性能分析工具

④ Python 元编程层

⑤ 探索 Python 3.14 的远程调试协议

⑥ 如何避免 Django 中的 N+1 查询问题

⑦ Toad：终端中 AI 智能体编程的通用 UI

⑧ Python 打包工具完整指南 2025

⑨ Python 社区拥抱 AI 时代的编程新人

⑩ Python 中"Parse, don't validate"的含义

⑪ 修复 Python 管道输出中的 BrokenPipeError

⑫ 我最喜欢的 AI 应用场景是写日志

⑬ 如何理解编程中的时间？

① Qwen3-Coder：阿里最新开源编程大模型

② awesome-claude-code：Claude Code 精选资源集合

③ open_deep_research：开源深度研究 AI 智能体

④ PhotoshopAPI：高性能的 Photoshop 文件解析器

⑤ LanceDB：多模态 AI 数据湖仓

⑥ MediaManager：自托管的媒体管理系统

⑦ fstrings.wtf：Python F-String 知识测验

⑧ complexipy：Python 代码复杂度分析工具

⑨ ART：AI 智能体强化学习训练器

⑩ NeuralAgent：桌面 AI 智能体助手

⑪ SkyReels-V2：无限长度视频生成模型

⑫ gitingest：将 Git 仓转换为适合 LLM 的文本摘要

订阅后，可免费查看第 112 期周刊的全文：https://www.xiaobot.net/post/8160f6ba-ff62-4cdd-8023-9a191cbc47ed

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🐠关联阅读

上一期：Python 潮流周刊#111：Django迎来 20 周年、OpenAI 前员工分享工作体验

下一期：Python 潮流周刊#113：113：用虚拟线程取代 async/await

Python 潮流周刊#111：Django迎来 20 周年、OpenAI 前员工分享工作体验

豌豆花下猫 — Sat, 19 Jul 2025 00:00:00 GMT

温馨提示： 在微信关注 Python猫，发送数字“9”，即可领取 9 折优惠码，订阅专栏可享 15 元优惠。

去专栏阅读全文：全文链接

分享了 13 篇文章，13 个开源项目，1 则音视频

以下是本期标题摘要：

① Django 20 周年快乐！

② 用 Python 探索 Llama Stack：工具调用和智能体

③ 从 SQL 到 SQLModel：Python 操作数据库的更简洁方式

④ 有时候，继承胜过组合

⑤ 2025 年的 Python 和 Make

⑥ 用 Asyncio Protocols 开发简单 HTTP 服务器

⑦ 面向数据科学家的 DuckDB 深度解析

⑧ 我正在转向 Python 并且真的喜欢它

⑨ 2048：迭代器和可迭代对象

⑩ 如何严重搞错 Django 外键？

⑪ Python 日志记录：可观测性实用指南

⑫ 前员工分享 OpenAI 工作体验

⑬ 关于在开源软件中使用大模型的思考

① Kimi-K2：先进的智能代理大模型

② BrowserOS：开源智能代理浏览器

③ macOS-use：让 AI 代理控制 Mac 应用

④ SuperClaude：Claude Code 增强框架

⑤ pymanager：Python 安装管理器

⑥ mcp-for-beginners：微软推出的 MCP 入门教程

⑦ acp：新的 AI 智能体通信协议

⑧ RapidOCR：多平台多语言 OCR 工具包

⑨ Voxtral：开源语音理解模型

⑩ html-to-markdown：现代化 HTML 转 Markdown 工具

⑪ aiosqlitepool：高性能异步 SQLite 连接池

⑫ epub-translator：AI 驱动的 EPUB 电子书翻译工具

⑬ ai-engineering-hub：LLM 和 AI 智能体深度教程

① PyData London 2025 视频合集（50个）

订阅后，可免费查看第 111 期周刊的全文：https://www.xiaobot.net/post/28dfc557-09c9-4ca2-8f49-4e9231415908

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🌻关联阅读

上一期：Python 潮流周刊#110：JIT 编译器两年回顾，AI 智能体工具大爆发

下一期：Python 潮流周刊#112：欢迎 AI 时代的编程新人

Python 潮流周刊#110：JIT 编译器两年回顾，AI 智能体工具大爆发

豌豆花下猫 — Sat, 12 Jul 2025 00:00:00 GMT

温馨提示： 在微信关注 Python猫，发送数字“9”，即可领取 9 折优惠码，订阅专栏可享 15 元优惠。

分享了 12 篇文章，12 个开源项目。去专栏阅读全文：全文链接

以下是本期标题摘要：

① CPython JIT 编译器两年回顾

② 类型系统正在改变 Python

③ 用 uv 依赖解析器解决 Wordle

④ 使用 FastAPI、MongoDB 和 WebSockets 开发实时仪表板

⑤ Python 类型检查中的逆变问题解决方案

⑥ LangFlow 教程：用可视化工作流构建生产级 AI 应用

⑦ FastAPI 推荐服务的扩展实战

⑧ 让扩展适配自由线程 Python

⑨ Augmented Coding：超越感觉

⑩ 智能体的上下文工程

⑪ PyTorch 已死，JAX 万岁

⑫ 操作者，而非用户和程序员

① trae-agent：基于 LLM 的通用软件工程智能体

② xai-sdk-python：xAI 官方 Python SDK

③ desto：tmux 会话中的脚本管理工具

④ devin.cursorrules：将 Cursor 转换为 Devin 级 AI 助手

⑤ LingChat：灵动的 AI 聊天陪伴助手

⑥ rowboat：AI 驱动的多智能体构建器

⑦ agent-factory：智能体工作流代码生成工具

⑧ throttled-py：高性能 Python 限流库

⑨ tubearchivist：自托管 YouTube 媒体服务

⑩ mlx-audio：基于 Apple MLX 框架的语音处理库

⑪ sloppy-xml-py: 容错性 XML 解析库

⑫ Python-Scripts: 自动化任务 Python 脚本集合

订阅后，可免费查看第 110 期周刊的全文：https://www.xiaobot.net/post/a3c4b6b4-b60b-4d43-86b1-c179bd361cc7

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

⭐关联阅读

上一期：Python 潮流周刊#109：Python 性能优化技巧

下一期：Python 潮流周刊#111：Django迎来 20 周年、OpenAI 前员工分享工作体验

让代码飙升330倍：从入门到精通的四种性能优化实践

豌豆花下猫 — Wed, 09 Jul 2025 00:00:00 GMT

花下猫语：性能优化是每个程序员的必修课，但你是否想过，除了更换算法，还有哪些“大招”？这篇文章堪称典范，它将一个普通的函数，通过四套组合拳，硬生生把性能提升了 330 倍！作者不仅展示了“术”，更传授了“道”。让我们一起跟随作者的思路，体验一次酣畅淋漓的优化之旅。

PS.本文选自最新一期Python 潮流周刊，如果你对优质文章感兴趣，诚心推荐你订阅我们的专栏。

作者：Itamar Turner-Trauring

译者：豌豆花下猫@Python猫

英文：330× faster: Four different ways to speed up your code

声明：本翻译是出于交流学习的目的，为便于阅读，部分内容略有改动。转载请保留作者信息。

温馨提示： 本文原始版本与当前略有不同，比如曾经提到过500倍加速；本文已根据实际情况重新梳理，使论证更清晰。

当你的 Python 代码慢如蜗牛，而你渴望它快如闪电时，其实有很多种提速方式，从并行化到编译扩展应有尽有。如果只盯着一种方法，往往会错失良机，最终的代码也难以达到极致性能。

为了不错过任何潜在的提速机会，我们可以从“实践”的角度来思考。每种实践：

以独特方式加速你的代码
涉及不同的技能和知识
可以单独应用
也可以组合应用，获得更大提升

为了让这一点更具体，本文将通过一个案例演示多种实践的应用，具体包括：

效率（Efficiency）： 消除浪费或重复的计算。
编译（Compilation）： 利用编译型语言，并巧妙绕开编译器限制。
并行化（Parallelism）： 充分发挥多核CPU的威力。
流程（Process）： 采用能产出更快代码的开发流程。

我们将看到：

仅用效率实践，就能带来近 2倍提速。
仅用编译实践，可实现 10倍 提速。
两者结合，速度更上一层楼。
最后加上并行化实践，最终实现 330倍 惊人加速。

我们的例子：统计字母频率

我们有一本英文书，简·奥斯汀的《诺桑觉寺》：

with open("northanger_abbey.txt") as f:
    TEXT = f.read()

我们的目标是分析书中字母的相对频率。元音比辅音更常见吗？哪个元音最常见？

下面是最初的实现：

from collections import defaultdict

def frequency_1(text):
    # 一个当键不存在时默认值为0的字典
    counts = defaultdict(lambda: 0)
    for character in text:
        if character.isalpha():
            counts[character.lower()] += 1
    return counts

运行结果如下：

sorted(
    (count, letter) for (letter, count)
    in frequency_1(TEXT).items()
)

[(1, 'à'),
 (2, 'é'),
 (3, 'ê'),
 (111, 'z'),
 (419, 'q'),
 (471, 'j'),
 (561, 'x'),
 (2016, 'k'),
 (3530, 'v'),
 (5297, 'b'),
 (5404, 'p'),
 (6606, 'g'),
 (7639, 'w'),
 (7746, 'f'),
 (7806, 'y'),
 (8106, 'c'),
 (8628, 'm'),
 (9690, 'u'),
 (13431, 'l'),
 (14164, 'd'),
 (20675, 's'),
 (21107, 'r'),
 (21474, 'h'),
 (22862, 'i'),
 (24670, 'n'),
 (26385, 'a'),
 (26412, 'o'),
 (30003, 't'),
 (44251, 'e')]

毫无意外，出现频率最高的字母是 "e"。

那我们如何让这个函数更快？

流程实践：测量与测试

软件开发不仅依赖于源代码、库、解释器、编译器这些“产物”，更离不开你的工作“流程”——也就是你做事的方法。性能优化同样如此。本文将介绍两种在优化过程中必不可少的流程实践：

通过基准测试和性能分析来测量代码速度。
测试优化后的代码，确保其行为与原始版本一致。

我们可以先用 line_profiler 工具分析函数，找出最耗时的代码行：

Line #      Hits   % Time  Line Contents
========================================
     3                     def frequency_1(text):
     4                         # 一个当键不存在时默认值为0的字典
     5                         # available:
     6         1      0.0      counts = defaultdict(lambda: 0)
     7    433070     30.4      for character in text:
     8    433069     27.3          if character.isalpha():
     9    339470     42.2              counts[character.lower()] += 1
    10         1      0.0      return counts

效率实践：减少无用功

效率实践的核心，是用更少的工作量获得同样的结果。这类优化通常在较高的抽象层面进行，无需关心底层CPU细节，因此适用于大多数编程语言。其本质是通过改变计算逻辑来减少浪费。

减少内循环的工作量

从上面的性能分析可以看出，函数大部分时间都花在 counts[character.lower()] += 1 这行。显然，对每个字母都调用 character.lower() 是种浪费。我们一遍遍地把 "I" 转成 "i"，甚至还把 "i" 转成 "i"。

优化思路：我们可以先分别统计大写和小写字母的数量，最后再合并，而不是每次都做小写转换。

def frequency_2(text):
    split_counts = defaultdict(lambda: 0)
    for character in text:
        if character.isalpha():
            split_counts[character] += 1

    counts = defaultdict(lambda: 0)
    for character, num in split_counts.items():
        counts[character.lower()] += num
    return counts

# 确保新函数结果与旧函数完全一致
assert frequency_1(TEXT) == frequency_2(TEXT)

说明：这里的 assert 就是流程实践的一部分。一个更快但结果错误的函数毫无意义。虽然你在最终文章里看不到这些断言，但它们在开发时帮我抓出了不少bug。

基准测试（也是流程实践的一环）显示，这个优化确实让代码更快了：

| frequency_1(TEXT) | 34,592.5 µs | | frequency_2(TEXT) | 25,798.6 µs |

针对特定数据和目标进行优化

我们继续用效率实践，这次针对具体目标和数据进一步优化。来看下最新代码的性能分析：

Line #      Hits   % Time  Line Contents
========================================
     3                     def frequency_2(text):
     4         1      0.0      split_counts = defaultdict(lambda: 0)
     5    433070     33.6      for character in text:
     6    433069     32.7          if character.isalpha():
     7    339470     33.7              split_counts[character] += 1
     8
     9         1      0.0      counts = defaultdict(lambda: 0)
    10        53      0.0      for character, num in split_counts.items():
    11        52      0.0          counts[character.lower()] += num
    12         1      0.0      return counts

可以看到，split_counts[character] += 1 依然是耗时大户。怎么加速？答案是用 list 替换 defaultdict（本质上是 dict）。list 的索引速度远快于 dict：

list 存储条目只需一次数组索引
dict 需要计算哈希、可能多次比较，还要内部数组索引

但 list 的索引必须是整数，不能像 dict 那样用字符串，所以我们要把字符转成数字。幸运的是，每个字符都能用 ord() 查到数值：

ord('a'), ord('z'), ord('A'), ord('Z')
# (97, 122, 65, 90)

用 chr() 还能把数值转回字符：

chr(97), chr(122)
# ('a', 'z')

所以可以用 my_list[ord(character)] += 1 计数。但前提是我们得提前知道 list 的大小。如果处理任意字母字符，list 可能会很大：

ideograph = '𫞉'
ord(ideograph), ideograph.isalpha()
# (178057, True)

再回顾下我们的目标：

处理对象是英文文本，这是题目要求。
输出结果里确实有少量非标准英文字母（如 'à'），但极其罕见。（严格说 'à' 应该归为 'a'，但这里偷懒没做……）
我们只关心相对频率，不是绝对精确计数。

基于这些，我决定简化问题：只统计 'A' 到 'Z'，其他字符都忽略，包括带重音的。对英文文本来说，这几乎不影响字母相对频率。

这样问题就简单了：字符集有限且已知，可以放心用 list 替代 dict！

优化后实现如下：

def frequency_3(text):
    # 创建长度为128的零列表；ord('z')是122，128足够了
    split_counts = [0] * 128
    for character in text:
        index = ord(character)
        if index < 128:
            split_counts[index] += 1

    counts = {}
    for letter in 'abcdefghijklmnopqrstuvwxyz':
        counts[letter] = (
            split_counts[ord(letter)] +
            split_counts[ord(letter.upper())]
        )
    return counts

由于输出只包含A到Z，正确性检查也要稍作调整：

def assert_matches(counts1, counts2):
    """确保A到Z的计数匹配"""
    for character in 'abcdefghijklmnopqrstuvwxyz':
        assert counts1[character] == counts2[character]

assert_matches(
    frequency_1(TEXT),
    frequency_3(TEXT)
)

新实现更快了：

| frequency_2(TEXT) | 25,965.5 µs | | frequency_3(TEXT) | 19,443.5 µs |

编译实践：切换到更快的语言

接下来我们切换到编译型语言——Rust。

其实可以直接把 frequency_1() 移植到 Rust，编译器会自动做一些在 Python 里需要手动优化的事。

但大多数时候，无论用什么语言，效率实践都得靠你自己。这也是为什么“效率”和“编译”是两种不同的实践：它们带来的性能提升来源不同。我们在 frequency_2() 和 frequency_3() 里做的优化，同样能让 Rust 代码更快。

为证明这一点，我把上面三个 Python 函数都移植到了 Rust（前两个源码可点击展开查看）：🦄

前两个版本在 Rust 中的实现

#[pyfunction]
fn frequency_1_rust(
    text: &str,
) -> PyResult<HashMap<char, u32>> {
    let mut counts = HashMap::new();
    for character in text.chars() {
        if character.is_alphabetic() {
            *counts
                .entry(
                    character
                        .to_lowercase()
                        .next()
                        .unwrap_or(character),
                )
                .or_default() += 1;
        }
    }
    Ok(counts)
}

#[pyfunction]
fn frequency_2_rust(
    text: &str,
) -> PyResult<HashMap<char, u32>> {
    let mut split_counts: HashMap<char, u32> =
        HashMap::new();
    for character in text.chars() {
        if character.is_alphabetic() {
            *split_counts.entry(character).or_default() +=
                1;
        }
    }

    let mut counts = HashMap::new();
    for (character, num) in split_counts.drain() {
        *counts
            .entry(
                character
                    .to_lowercase()
                    .next()
                    .unwrap_or(character),
            )
            .or_default() += num;
    }
    Ok(counts)
}

第三个版本在 Rust 里的样子：

fn ascii_arr_to_letter_map(
    split_counts: [u32; 128],
) -> HashMap<char, u32> {
    let mut counts: HashMap<char, u32> = HashMap::new();
    for index in ('a' as usize)..=('z' as usize) {
        let character =
            char::from_u32(index as u32).unwrap();
        let upper_index =
            character.to_ascii_uppercase() as usize;
        counts.insert(
            character,
            split_counts[index] + split_counts[upper_index],
        );
    }
    counts
}

#[pyfunction]
fn frequency_3_rust(text: &str) -> HashMap<char, u32> {
    let mut split_counts = [0u32; 128];
    for character in text.chars() {
        let character = character as usize;
        if character < 128 {
            split_counts[character] += 1;
        }
    }

    ascii_arr_to_letter_map(split_counts)
}

所有三个 Rust 版本的结果都和 Python 版本一致：

assert_matches(frequency_1(TEXT), frequency_1_rust(TEXT))
assert_matches(frequency_1(TEXT), frequency_2_rust(TEXT))
assert_matches(frequency_1(TEXT), frequency_3_rust(TEXT))

对所有6个版本做基准测试，清楚地说明了效率实践和编译实践的性能优势是不同且互补的。能加速 Python 代码的效率优化，同样也能加速 Rust 代码。

函数	运行时间 (µs)
`frequency_1(TEXT)`	33,741.5
`frequency_2(TEXT)`	25,797.4
`frequency_3(TEXT)`	19,432.0
`frequency_1_rust(TEXT)`	3,704.3
`frequency_2_rust(TEXT)`	3,504.8
`frequency_3_rust(TEXT)`	204.9

一句话：效率和编译是两种不同的速度来源。

并行化实践：榨干多核CPU

到目前为止，代码都只跑在单核CPU上。但现在的电脑大多有多核，利用并行计算又是另一种速度来源，所以它也是独立的实践。

下面是用 Rayon 库实现的 Rust 并行版本：

fn sum(mut a: [u32; 128], b: [u32; 128]) -> [u32; 128] {
    for i in 0..128 {
        a[i] += b[i];
    }
    a
}

#[pyfunction]
fn frequency_parallel_rust(
    py: Python<'_>,
    text: &str,
) -> HashMap<char, u32> {
    use rayon::prelude::*;

    // 确保释放全局解释器锁（GIL）
    let split_counts = py.allow_threads(|| {
        // 一个榨取 Rayon 更多性能的技巧：
        // 我们关心的 ASCII 字符总是由单个字节明确表示。
        // 所以直接处理字节是安全的，这能让我们强制 Rayon 使用数据块。
        text.as_bytes()
            // 并行迭代数据块
            .par_chunks(8192)
            .fold_with(
                [0u32; 128],
                |mut split_counts, characters| {
                    for character in characters {
                        if *character < 128 {
                            split_counts
                                [*character as usize] += 1;
                        };
                    }
                    split_counts
                },
            )
            // 合并所有数据块的结果
            .reduce(|| [0u32; 128], sum)
    });
    ascii_arr_to_letter_map(split_counts)
}

结果依然正确：

assert_matches(frequency_1(TEXT), frequency_parallel_rust(TEXT))

加速效果如下：

| frequency_3_rust(TEXT) | 234.5 µs | | frequency_parallel_rust(TEXT) | 105.3 µs |

流程重访：我们测对了吗？

最终函数快了330倍……真的吗？

我们是通过多次调用函数取平均运行时间来测量性能的。但我恰好知道一些背景知识：

Rust 字符串是 UTF-8，Python 用的是自己的内部格式，不是 UTF-8。
所以调用 Rust 函数时，Python 需要把字符串转成 UTF-8。
Python 用特定 API 转 UTF-8 时会缓存转换结果。

这意味着，我们很可能没测到 UTF-8 转换的成本，因为反复对同一个 TEXT 字符串基准测试，第一次后 UTF-8 版本就被缓存了。真实场景下，未必总有缓存。

我们可以测下单次调用新字符串的耗时。我用非并行版本，因为它速度更稳定：

from time import time

def timeit(f, *args):
    start = time()
    f(*args)
    print("Elapsed:", int((time() - start) * 1_000_000), "µs")

print("Original text")
timeit(frequency_3_rust, TEXT)
timeit(frequency_3_rust, TEXT)
print()

for i in range(3):
    # 新字符串
    s = TEXT + str(i)
    print("New text", i + 1)
    timeit(frequency_3_rust, s)
    timeit(frequency_3_rust, s)
    print()

Original text
Elapsed: 212 µs
Elapsed: 206 µs

New text 1
Elapsed: 769 µs
Elapsed: 207 µs

New text 2
Elapsed: 599 µs
Elapsed: 202 µs

New text 3
Elapsed: 625 µs
Elapsed: 200 µs

对于新字符串，第一次运行比第二次慢了大约 400µs，这很可能就是转换为 UTF-8 的成本。🦄

当然，我们加载的书本身就是 UTF-8 格式。所以，我们可以改变 API，直接将 UTF-8 编码的 bytes 传递给 Rust 代码，而不是先加载到 Python（转换为 Python 字符串），再传递给 Rust（转换回 UTF-8），这样就能避免转换开销。

我实现了一个新函数 frequency_3_rust_bytes()，它接受 UTF-8 编码的字节（源码略，与 frequency_3_rust() 基本一样）。然后测了下单个字节串第一次和第二次的时间：

with open("northanger_abbey.txt", "rb") as f:
    TEXT_BYTES = f.read()

assert_matches(
    frequency_1(TEXT),
    frequency_3_rust_bytes(TEXT_BYTES)
)

print("新文本不再有~400µs的转换开销：")
new_text = TEXT_BYTES + b"!"
timeit(frequency_3_rust_bytes, new_text)
timeit(frequency_3_rust_bytes, new_text)

新文本不再有~400µs的转换开销：
Elapsed: 186 µs
Elapsed: 182 µs

如果我们测量持续的平均时间，可以看到它与之前的版本大致相当：

| frequency_3_rust(TEXT) | 227.2 µs | | frequency_3_rust_bytes(TEXT_BYTES) | 183.8 µs |

可见传入 bytes 确实能绕过 UTF-8 转换成本。你可能还想实现 frequency_parallel_rust_bytes()，这样并行也能无转换开销。

补充：那么 `collections.Counter` 呢？

你可能会问，Python 标准库里不是有现成的 collections.Counter 吗？它是专门计数的 dict 子类。

# 来自 Python 3.13 的 collections/__init__.py
def _count_elements(mapping, iterable):
    'Tally elements from the iterable.'
    mapping_get = mapping.get
    for elem in iterable:
        mapping[elem] = mapping_get(elem, 0) + 1

try:
    # 如果可用，加载 C 语言实现的辅助函数
    from _collections import _count_elements
except ImportError:
    pass

class Counter(dict):
    # ...

我们可以这样使用它：

from collections import Counter

def frequency_counter(text):
    return Counter(c.lower() for c in text if c.isalpha())

# 注意：这里的实现与原文略有不同，是为了与 frequency_1 保持完全一致的行为
# 原文的 Counter(text.lower()) 会统计非字母字符，导致结果不一致
assert_matches(frequency_1(TEXT), frequency_counter(TEXT))

这个实现比我们的第一个版本更简洁，但性能如何？

| frequency_1(TEXT) | 34,592.5 µs | | frequency_counter(TEXT) | 约 30,000 µs |

Counter 确实比我们的初始实现快点，但远不如最终优化版。这说明：即使标准库的优化实现，也可能比不上针对场景深度优化的代码。

当然，Counter 胜在简洁和可读性。很多对性能没极致要求的场景，这种权衡完全值得。

性能实践：相辅相成

全文其实一直在用“流程”实践：测试新版本正确性、做性能分析和测量。基准测试还帮我排除了不少无效优化，这里就不赘述了。

“效率”实践帮我们消除无用功，“编译”让代码更快，“并行化”则让多核CPU火力全开。每种实践都是独特的、能带来乘数效应的速度来源。

一句话：如果你想让代码更快，别只盯着一种实践，多管齐下，速度才会飞起来！

Python猫注：如果你喜欢这篇文章，那我要向你推荐一下 Python 潮流周刊！创刊仅两年，我们已坚持分享了超过 1300+ 篇优质文章，以及 1200+ 个开源项目或工具资源，每周精选，助力你打破信息差，告别信息过载，成为更优秀的人！

Python 潮流周刊#109：Python 性能优化技巧

豌豆花下猫 — Sat, 05 Jul 2025 00:00:00 GMT

温馨提示： 在微信关注 Python猫，发送数字“9”，即可领取 9 折优惠码，订阅专栏可享 15 元优惠。

分享了 13 篇文章，13 个开源项目

以下是本期标题摘要：

① 330 倍提升：四种性能优化方法

② 为什么这个 Python 性能技巧不再重要

③ Python 3.14 的进一步性能进化：Tail Call Interpreter

④ 常用库中不常见的 Python 用法

⑤ 代码阅读：Python 标准库模块 shelve.py

⑥ Anthropic 是如何开发多智能体研究系统？

⑦ LLM 时代的编程语言设计：回归平庸？

⑧ Python 全局变量在字节码中的工作原理

⑨ 万字长文彻底剖析 Python 正则表达式

⑩ Pyodide 中的 JavaScript Promise 集成

⑪ 编写玩具软件是一种乐趣

⑫ 我对各种 AI Coding Agent 工具的看法

⑬ Vibe Coding 一段时间后的感受

① PythonLink：Python 精选优质资源导航站

② spegel：AI 驱动的终端网页浏览器

③ autoMate：类 Manus 的 AI 本地自动化助手

④ claude-code：终端中的智能编程助手

⑤ ebook2audiobook：电子书转有声书工具

⑥ mcp：AWS MCP 服务器套件

⑦ happy-llm：大语言模型原理与实践教程

⑧ Office-PowerPoint-MCP-Server：PowerPoint MCP 服务器

⑨ octopusdash：动态 Django 管理面板

⑩ cognee：5 行代码实现 AI 智能体记忆

⑪ FastAPI-boilerplate：FastAPI 异步 API 模板

⑫ spy-search：比 Perplexity 更快的 LLM 搜索引擎

⑬ premier：灵活轻量的 API 网关

订阅后，可免费查看第 109 期周刊的全文：https://www.xiaobot.net/post/dd1f1826-bfd8-4251-b539-e9c57f6f0795

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🐣关联阅读

上一期：Python 潮流周刊#108：AI 会取代初级开发者吗？

下一期：Python 潮流周刊#110：JIT 编译器两年回顾，AI 智能体工具大爆发

Python 潮流周刊#108：AI 会取代初级开发者吗？

豌豆花下猫 — Sat, 28 Jun 2025 00:00:00 GMT

温馨提示： 在微信关注 Python猫，发送“优惠券”，即可领取 9 折优惠码，订阅专栏可享 15 元优惠。

分享了 12 篇文章，12 个开源项目，2 则音视频

以下是本期标题摘要：

① 我第一个用 AI 生成的开源库

② uv 和 PEP 723 的趣味探索

③ AI 会取代初级开发者吗？Guido 和其他人怎么看

④ 修复 Python 属性

⑤ Python 现在可以运行 Mojo 了

⑥ Django 快照测试新工具

⑦ 用原生连接池将 Django 数据库延迟降低 50-70ms

⑧ 等车时间悖论：为什么我的公交车总是迟到？

⑨ Python 中的卡尔曼滤波器和贝叶斯滤波器

⑩ 从 virtualenvwrapper 切换到 direnv、Starship 和 uv

⑪ 如何思考 Agent 框架？

⑫ 9 年来棘手 Bug 的经验教训

① gemini-cli：终端中的 Gemini AI 智能体

② nxtscape：开源的 AI 智能体浏览器

③ augmentoolkit：创建定制化的 LLM

④ BitNet：1-bit 大模型推理框架

⑤ local-deep-research：本地深度研究助手

⑥ pyfuze：Python 项目打包工具

⑦ nbdev：基于 Jupyter Notebook 的开发平台

⑧ fastapi_mcp：将 FastAPI 项目暴露为 MCP 工具

⑨ Awesome-ML-SYS-Tutorial：机器学习系统学习笔记

⑩ machine-learning-visualized：机器学习算法可视化教程

⑪ code-graph-rag：多语言代码库图谱 RAG 系统

⑫ FeedMe：AI 驱动的 RSS 阅读器

#8：Python 3.13 计划将解释器提速 50%！

① DjangoCon Europe 2025 演讲视频合集

② 不改源代码，我也能给你加点功能！

🐧往年回顾

#58：最快运行原型的语言

订阅后，可免费查看第 108 期周刊的全文：https://www.xiaobot.net/post/6fe22f6b-c7f6-4407-bc45-b0f61eadcada

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🎲关联阅读

上一期：Python 潮流周刊#107：无 GIL Python 被正式批准

下一期：Python 潮流周刊#109：Python 性能优化技巧

Python 潮流周刊#107：无 GIL Python 被正式批准

豌豆花下猫 — Sat, 21 Jun 2025 00:00:00 GMT

温馨提示： 在微信关注 Python猫，发送“优惠券”，即可领取 9 折优惠码，订阅专栏可享 15 元优惠。

分享了 12 篇文章，12 个开源项目，2 则音视频，2 则热门话题

以下是本期标题摘要：

① 你应该摒弃的 Python 设计模式（第一部分）

② 2025 年 Python 语言峰会

③ 自由线程 Python 的现状

④ 面向 R 用户的 Python 入门指南

⑤ Python 字节码中全局变量的工作原理

⑥ Python 字典是有序数据结构吗？

⑦ 理解并从零实现 LLM 中的 KV 缓存

⑧ 从 browser-use 出发，品 Agent 实现

⑨ PEP 795：Python 深度不可变性

⑩ Python Signals 状态管理完全指南

⑪ 用 Python、Elasticsearch 和 Agno 创建个性化跑步计划

⑫ 最快检测出字符串中元音字母的方法

① MiniMax-M1：全球首个开源大规模混合注意力推理模型

② toolz：Python 函数式编程标准库

③ TurboDRF：Django REST Framework API 生成器

④ WinUp：Python 桌面应用开发框架

⑤ Framefox：Python Web 开发框架

⑥ miniDiffusion：纯 PyTorch 实现的 Stable Diffusion

⑦ pyleak：Python 异步任务和线程泄漏检测工具

⑧ py-shiny：Python 快速 Web 应用开发框架

⑨ jaaz：AI 设计智能体，Lovart 的开源替代

⑩ FlareSolverr：绕过 Cloudflare 保护的代理服务器

⑪ ii-agent：开发和部署智能体的框架

⑫ ChinaTextbook: 中国所有小初高、大学 PDF 教材

① 今年 PyCon 我的 talk，聊一下我完成的第一个 PEP

② 用 Python 编程控制自己的电脑

① PEP 779：自由线程 Python 的受支持状态标准

② 有没有比较方便好用的 Python GUI 框架？

订阅后，可免费查看第 107 期周刊的全文： https://www.xiaobot.net/post/90225fdc-5559-4764-b690-7b5089000de1

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🔥关联阅读

上一期：Python 潮流周刊#106：PEP 734 正式接纳，多解释器时代来临

下一期：Python 潮流周刊#108：AI 会取代初级开发者吗？

Python 潮流周刊#106：PEP 734 正式接纳，多解释器时代来临

豌豆花下猫 — Sat, 14 Jun 2025 00:00:00 GMT

温馨提示： 在微信关注 Python猫，发送“优惠券”，即可领取 9 折优惠码，订阅专栏可享 15 元优惠。

分享了 12 篇文章，15 个开源项目

以下是本期标题摘要：

① PEP 734：标准库支持多解释器

② 为什么从 R 转到 pandas 会感觉笨拙？

③ 更快的 Python：async/await 和 threading 并发编程对比

④ 深入分析 CrewAI 和智能体设计

⑤ MonsterUI：用纯 Python 开发美观的 Web UI

⑥ 社区造数服务接入MCP｜得物技术

⑦ Polars 数据验证库对比（2025版）

⑧ 探索 Adobe Photoshop、InDesign 和 Premiere Pro 的 AI 集成

⑨ 超越 htmx：用 Alpine AJAX 开发现代 Django 应用

⑩ Django、JavaScript 模块和 importmaps 的结合使用

⑪ 使用 Claude 开发真实代码的实战笔记

⑫ 在不完全异步的情况下提高 FastAPI 吞吐量

① Archon：用于开发 AI 智能体的智能体

② excel-mcp-server：操作 Excel 文件的 MCP 服务器

③ crudadmin：FastAPI 现代化管理界面

④ py-pglite：Python 测试用的轻量级 PostgreSQL

⑤ openai-agents-python：多智能体工作流框架

⑥ ai-manus：通用型 AI 智能体系统

⑦ WebAgent：阿里开源的自主信息搜索智能体

⑧ poethepoet：与 poetry 和 uv 配合的任务运行器

⑨ ragbits：快速开发 GenAI 应用的构建模块

⑩ WorldGen：几秒内生成任意 3D 场景

⑪ docext：本地化的文档智能处理工具包

⑫ Orpheus-TTS：自然的语音合成系统

⑬ VACE：一体化视频创作与编辑

⑭ langmem：智能体长期记忆管理工具

⑮ terminator：桌面应用自动化工具

订阅后，可免费查看第 106 期周刊的全文：https://www.xiaobot.net/post/e3fa4adf-ed6b-4374-85b2-b27577e80863

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🌼关联阅读

上一期：Python 潮流周刊#105：Dify突破10万星、2025全栈开发的最佳实践

下一期：Python 潮流周刊#107：无 GIL Python 被正式批准

Python 潮流周刊#105：Dify突破10万星、2025全栈开发的最佳实践

豌豆花下猫 — Sat, 07 Jun 2025 00:00:00 GMT

温馨提示： 在微信关注 Python猫，发送“优惠券”，即可领取 9 折优惠码，订阅专栏可享 15 元优惠。

分享了 12 篇文章，12 个开源项目

以下是本期标题摘要：

① 2025 开发 React+Flask 项目的最佳实践

② 如何用 Django 和 rspack 打包前端资源？

③ 在 Python unittest 中共享通用测试

④ 本地速度，顺畅部署：Heroku 增加对 uv 的支持

⑤ Python 代码优化的四种方法

⑥ PEP-794：包的导入名称元数据

⑦ 如何在不用微服务的情况下拆分 Django 单体应用

⑧ Python 字节码中的局部变量是如何工作的？

⑨ Django 全局禁用外键

⑩ 我做了一个比 Elasticsearch 更差的搜索引擎

⑪ 用 Pinata、OpenAI 和 Streamlit 开发 PDF 聊天应用

⑫ 一只恐龙学习 Poetry

① dify：开源的大模型应用开发平台

② sequor：以 SQL 为中心的 API 集成平台

③ bilive：B 站直播录制和自动化处理工具

④ local-ai-packaged：本地 AI 一体化部署包

⑤ NLWeb：自然语言网站交互平台

⑥ OpenThinkIMG：让 LVLM 能够用图像思考

⑦ pageql：在 HTML 中直接嵌入 SQL

⑧ AutoAgent：全自动化零代码 LLM 智能体框架

⑨ LMCache：大模型的 Redis

⑩ davia：将 Python 代码快速转换成应用

⑪ ovld：Python 函数的高级多重分派

⑫ arc-export：Arc 浏览器固定标签页导出工具

订阅后，可免费查看第 105 期周刊的全文：https://www.xiaobot.net/post/792aac38-0b47-43be-98b0-24a7f8a32428

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

⚡关联阅读

上一期：Python 潮流周刊#104：Python 考虑添加虚拟线程啦？

下一期：Python 潮流周刊#106：PEP 734 正式接纳，多解释器时代来临

Python 潮流周刊#104：Python 考虑添加虚拟线程啦？

豌豆花下猫 — Sat, 31 May 2025 00:00:00 GMT

本周刊由 Python猫出品，精心筛选国内外的 250+ 信息源，为你挑选最值得分享的文章、教程、开源项目、软件工具、播客和视频、热门话题等内容。愿景：帮助所有读者精进 Python 技术，并增长职业和副业的收入。

温馨提示： 在微信关注 Python猫，发送“优惠券”，即可领取 9 折优惠码，订阅专栏可享 15 元优惠。

分享了 12 篇文章，12 个开源项目，2 则音视频，2 则热门讨论

以下是本期摘要：

① Pyrefly vs. ty：比较 Python 新的两个类型检查器

② 单进程多解释器，无 GIL 争用-Python 3.12 之前

③ 为什么在 2025 年我们仍用第三方应用来写 Django REST API？

④ 介绍 Pyrefly：Rust 开发的新型 Python 类型检查器

⑤ Pandas 将放弃 NumPy，转向更快的 PyArrow

⑥ Python 微型智能体：70 行代码实现基于 MCP 协议的智能体

⑦ Narwhals：统一 pandas、Polars 和 PySpark 的 DataFrame 函数

⑧ DumPy：让你不用思考的 NumPy

⑨ 超越查询优化：使用 SQLAlchemy 和 RDSProxy 的 Aurora Postgres 连接池

⑩ 验证新项目的有效方法

⑪ 注意力并非我们所需的全部

⑫ 那些改变了我对编程语言认知的文章

① agenticSeek：完全本地化的 AI 智能助手

② django-allauth：Django 认证和账户管理套件

③ Ghost-Downloader-3：跨平台 AI 增强多线程下载器

④ vectorvfs: 文件系统作为向量数据库

⑤ LivePortrait: 高效的肖像动画生成

⑥ pgmpy：贝叶斯网络因果概率建模库

⑦ MaiBot：群组聊天的赛博网友

⑧ magentic-ui: 以人为中心的网页智能体

⑨ vibe-draw：手绘草图转 3D 建模

⑩ airweave：让智能体能搜索任意应用

⑪ flowshow：Python 任务流程可视化工具

⑫ ai-baby-monitor：将视频大模型变为婴儿保姆

① PyCon US 2025 的视频列表

② PyTexas 2025 视频列表

① 为 Python 添加虚拟线程

② CPython 裁员教会了我专业技能的真正价值是什么

周刊实行付费订阅制，年费 148 元，平均每天 4 毛钱，绝对是一笔有眼光的投资。花钱学习知识，花钱提升自己，欢迎订阅这个你绝对不会后悔的专栏：https://xiaobot.net/p/python_weekly

订阅后，可免费查看第 104 期周刊的全文：https://www.xiaobot.net/post/6ac75b38-177c-4596-b8a0-855749ef7df5

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🐠关联阅读

上一期：Python 潮流周刊#103：LlamaIndex 的单体代码库改造

下一期：Python 潮流周刊#105：Dify突破10万星、2025全栈开发的最佳实践

Python 潮流周刊#103：LlamaIndex 的单体代码库改造

豌豆花下猫 — Sat, 24 May 2025 00:00:00 GMT

分享了 12 篇文章，13 个开源项目，2 则音视频

温馨提示： 在微信关注 Python猫，发送“优惠券”，即可领取 9 折优惠码，订阅专栏可享 15 元优惠。

以下是本期摘要：

① Python 大规模工具链管理：LlamaIndex 的单体代码库改造

② Setuptools 最近的破坏性升级

③ OpenAI Response API 的新工具和功能

④ cProfile 与 pstats 快速做 Python 性能分析

⑤ Python PEP 的起源

⑥ Django 项目是如何做决策的？

⑦ PEP-791：imath — 针对整数的特定数学函数模块

⑧ 从 JSON 中加载 Pydantic 模型且不耗尽内存

⑨ 快被遗忘的项目在发布 12 年后出了 1.0.0 版本

⑩ 使用 Bash 高效复制整个 PyPI 仓库

⑪ 从头开始实现一个简单的搜索引擎

⑫ 应对复杂系统：我在谷歌工作时学到的经验

① Index-anisora：B站开源的动漫视频生成模型

② DeepResearchAgent：深度研究智能体

③ workflow-use：创建和运行工作流（RPA 2.0）

④ tchMaterial-parser：国家中小学智慧教育平台电子课本下载工具

⑤ mistletoe：纯 Python 的极速 Markdown 解析器

⑥ PurpleLlama：大模型安全工具集

⑦ PPTAgent：自动生成与评测 PPT 的智能体

⑧ buckaroo：Jupyter 数据表格神器

⑨ agent-squad：多智能体编排框架

⑩ juvio：Jupyter 的 UV 内核

⑪ NLWeb：自然语言 Web 接口协议

⑫ pyftpdlib：高速且可扩展的 Python FTP 服务器库

⑬ 代码之道：永恒的 Vibe Coding 艺术

① ty: Astral 的新类型检查器

② 216.独立开发者的黄金时代 - 乱翻书

订阅后，可免费查看第 103 期周刊的全文：https://www.xiaobot.net/post/65379f93-914a-4034-af03-aafc9d453a0d

Python 潮流周刊第 2 季完结了，分享几项总结：https://pythoncat.top/posts/2024-07-14-iweekly

周刊前30期的免费合集，含精美电子书（EPUB/PDF）：https://pythoncat.top/posts/2023-12-11-weekly

万字浓缩版，Python 潮流周刊第 1 季的 800 个链接！：https://xiaobot.net/post/78c3d645-86fa-4bd8-8eac-46fb192a339e

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🚀关联阅读

上一期：Python 潮流周刊#102：微软裁员 Faster CPython 团队

下一期：Python 潮流周刊#104：Python 考虑添加虚拟线程啦？

Python 潮流周刊#102：微软裁员 Faster CPython 团队

豌豆花下猫 — Sat, 17 May 2025 00:00:00 GMT

分享了 12 篇文章，12 个开源项目，2 则音视频，3 则热门话题

以下是本期摘要：

① 自由线程 Python 的第一年回顾

② 编译后 Python 代码性能与能耗的实证研究

③ 揭开 t-string 的奥秘

④ 我不喜欢 NumPy

⑤ Typerdrive：高效开发与 API 通信的 Typer 应用

⑥ 升级 Django 5 后，数据库主键冲突之谜

⑦ Python 性能监控的关键技术

⑧ 像专业工程师一样构建 Python 项目

⑨ 用 Python 分析 X 公司新的 logo

⑩ 将 Python 代码迁移到单体仓库的经验分享

⑪ FastAPI 日志链路追踪：从原理到实现

⑫ Cursor 如何快速索引代码库？

① deer-flow：字节开源的深度研究框架

② codeflash：用 AI 自动优化代码

③ Scrapling：让网页爬取变得简单高效

④ openpilot：开源自动驾驶操作系统

⑤ bracket：自托管的赛事管理系统

⑥ OpenManus：开源多智能体自主任务系统

⑦ asyncmq：超快的异步任务队列

⑧ ZeroSearch：无需搜索即可增强大模型的搜索能力

⑨ system_prompts_leaks：大模型系统提示词泄露集合

⑩ wtfis：人性化的域名和 IP 查询工具

⑪ FlexGet：多功能的内容自动化工具

⑫ TUIFIManager：跨平台的终端文件管理器

① 【PyCon】Faster CPython团队，没了！

② Python 3.14 Beta 特性冻结

① Microsoft 裁员 Faster CPython 团队，包括技术负责人 Mark Shannon

② 除了 Cython 和 Pyarmor， Python 还能如何保护源代码？

③ 大厂的同事们，你们是怎么定位线上故障的？

订阅后，可免费查看第 102 期周刊的全文：https://www.xiaobot.net/post/9ca65a3a-1620-4e42-ab9f-9433c29ec73f

Python 潮流周刊第 2 季完结了，分享几项总结：https://pythoncat.top/posts/2024-07-14-iweekly

周刊前30期的免费合集，含精美电子书（EPUB/PDF）：https://pythoncat.top/posts/2023-12-11-weekly

万字浓缩版，Python 潮流周刊第 1 季的 800 个链接！：https://xiaobot.net/post/78c3d645-86fa-4bd8-8eac-46fb192a339e

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🍊关联阅读

上一期：Python 潮流周刊#101：Rust 开发的 Python 类型检查工具

下一期：Python 潮流周刊#103：LlamaIndex 的单体代码库改造

Python 潮流周刊#101：Rust 开发的 Python 类型检查工具

豌豆花下猫 — Sat, 10 May 2025 00:00:00 GMT

分享了 12 篇文章，12 个开源项目

以下是本期摘要：

① Python 3.14 新特性盘点，更新了些什么？

② Python π（3.14）

③ 再见 PyCon APAC，开启 PAO 新篇章

④ 让 AI 做语义单元测试

⑤ 解密 Asyncio：从零开始手搓一个

⑥ Python 依赖管理的新进展：PEP 751 锁文件标准

⑦ 用温度参数调整随机权重

⑧ 使用 MCP 和 Amazon Q 开发新闻智能体

⑨ Python 任务队列的扩展指南

⑩ pip 25.1 发布，支持依赖组管理

⑪ Django 模板语言的小怪癖

⑫ Python 代码质量工具大全

What's new in Python 3.14

① ty：Rust 开发的 Python 类型检查工具

② WeClone：用微信聊天记录创造数字分身

③ AI-Media2Doc：将音/视频转化为小红书/公众号/知识笔记/思维导图

④ blast：AI 浏览 Web 的高性能服务引擎

⑤ contextgem：LLM 提取文档的结构化数据

⑥ Fluent-M3U8：PySide6 开发的跨平台 m3u8/mpd 下载器

⑦ Python-UIAutomation-for-Windows: Windows 平台的 Python UI 自动化库

⑧ video-subtitle-extractor：提取视频硬字幕，生成srt文件

⑨ epub-utils：EPUB 文件解析与元数据提取

⑩ novelWriter：纯文本小说写作编辑器

⑪ asciimatics：跨平台文本界面与 ASCII 动画开发库

⑫ 谷歌的提示词工程白皮书

周刊实行付费订阅制，年费 148 元，平均每天不到 4 毛钱，但绝对是一笔有眼光的投资。花钱学习知识，花钱提升自己，欢迎订阅这个你绝对不会后悔的专栏：https://xiaobot.net/p/python_weekly

订阅后，可免费查看第 101 期周刊的全文：https://www.xiaobot.net/post/8e8f2642-3f93-4568-93d3-abe9b215d10b

Python 潮流周刊第 2 季完结了，分享几项总结：https://pythoncat.top/posts/2024-07-14-iweekly

周刊前30期的免费合集，含精美电子书（EPUB/PDF）：https://pythoncat.top/posts/2023-12-11-weekly

万字浓缩版，Python 潮流周刊第 1 季的 800 个链接！：https://xiaobot.net/post/78c3d645-86fa-4bd8-8eac-46fb192a339e

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🦄关联阅读

上一期：Python 潮流周刊#100：有了 f-string，为什么还要 t-string？

下一期：Python 潮流周刊#102：微软裁员 Faster CPython 团队

Python 3.14 新特性盘点，更新了些什么？

豌豆花下猫 — Thu, 08 May 2025 00:00:00 GMT

Python 3.14.0 稳定版将于 2025 年 10 月正式发布，目前已进入 beta 测试阶段。这意味着在往后的几个月里，3.14 的新功能已冻结，不再合入新功能（除了修复问题和完善文档）。

3.14 正好是圈周率 π 的前几位，所以我们将要迎来的其实是一个“圆满”的版本😂

本文想梳理这个版本中一些值得关注的新特性，让我们先睹为快吧～

重点更新

1. 类型提示惰性求值 (PEP 649)

Python 3.14 对类型提示机制做了根本性改进。从这个版本开始，函数、类和模块上的类型提示不再立即计算，而是先存储起来，等真正需要时才进行求值。

这个特性解决了大型项目中一个老大难问题：大量类型提示导致的启动缓慢。对企业级应用和大型项目来说，这简直就是一个福音！

这个改进带来了几个实实在在的好处：

项目启动速度大幅提升，尤其是大型代码仓
引用未定义类型时不再需要加引号，代码更加简洁
新增的 annotationlib 模块提供了灵活的类型提示检查方式

下面的示例直观展示了这个特性带来的好处：

# Python 3.14 - 不再需要引号，即使类型未定义
>>> from annotationlib import get_annotations, Format
>>> def new_way(arg: Undefined):  # 直接使用未定义类型
...     pass

# Python 3.13 及之前版本需要这样写
>>> def old_way(arg: "Undefined"):  # 必须加引号，否则报错
...     pass

# 可以用不同格式查看类型提示
>>> get_annotations(new_way, format=Format.STRING)  # 字符串形式
{'arg': 'Undefined'}
>>> get_annotations(new_way, format=Format.FORWARDREF)  # 前向引用对象形式
{'arg': ForwardRef('Undefined', owner=<function new_way at 0x...>)}

这项改进让 Python 的类型系统变得更加好用，尤其是在使用类型检查工具时确实很有帮助。

2. 基于尾调用的新解释器

Python 3.14 的 CPython 引入了新的解释器实现。不同于之前用大块 switch-case 的传统做法，新解释器用小型 C 函数之间的尾调用来处理字节码。

这种新的架构设计体现了 Python 团队对性能持续优化的决心，虽然效果可能没一开始宣传的那么震撼。

关于性能数据，这里有个有趣的小插曲：

这个特性最早被官宣时，声称有 9-15% 的性能提升
但后来发现数据受到了 LLVM/Clang 19 编译器一个回归问题的影响
经过更严格的测试，实际数据显示：在标准 pyperformance 测试中，平均提升仅有 3-5%
不过在特定的字节码密集型计算中，性能提升仍然可以达到 30%

这项改进的真正价值可能不在当下。从长远来看，这很可能是 Python 解释器架构的一次重要转型，为未来更大幅度的性能提升打下基础。

目前这个解释器只支持 Clang 19 及以上版本编译器，而且只能在 x86-64 和 AArch64 架构上跑。不过官方表示未来 GCC 也会支持。要使用这个功能，需要在编译 Python 时手动指定 --with-tail-call-interp 参数。1

3. 无侵入调试接口 (PEP 768)

Python 3.14 新增的安全外部调试接口是个很给力的新功能，大大改善了 Python 程序的调试体验。以后不用预先在代码中插入任何调试语句，也能连上已经运行中的 Python 进程。

使用起来很简单：

python -m pdb -p 1234  # 直接连接到PID为1234的Python进程

实现这个功能的技术原理很巧妙：

CPython 把关键内部结构的偏移量保存在 _Py_DebugOffsets 中，调试工具可以直接访问
在 PyThreadState 中新加了外部调试支持结构，可以注入调试脚本
通过 sys.remote_exec() 功能可以检查和控制运行中的进程

这个特性不仅改善了开发者的调试体验，还为专业调试工具（如 pyspy、py-spy 等）提供了标准接口。这些工具以前必须为每个 Python 版本单独维护内存结构偏移量，现在不用这么麻烦了。生产环境下排查问题的难度也大大降低！

附：Python 3.14 调试特性的深度解读

4. 模板字符串 (PEP 750)

Python 3.14 新增了一种特别的字符串写法——模板字符串（t-string）。就像常用的 f-string 前面加 f 一样，这种新字符串前面加 t。

它主要解决了 Web 开发中的安全需求。在用 Django、Flask 这类框架开发网站时，如何安全地处理 HTML 内容和 SQL 语句一直是个老大难问题。这个新的 t-string 语法就是为了解决这个问题，它兼顾了代码的简洁性和内容的安全性。

简单的例子：

from string.templatelib import Template

name = "World"
template = t"Hello {name}"  # 返回一个 Template 对象，而不是字符串

t-string 与 f-string 最大的区别在于：f-string 会直接计算并返回字符串，而 t-string 生成的是 Template 类型的对象。有了这个对象，我们就能对模板内容做各种安全处理，比如 HTML 转义和 SQL 注入防护：

from string.templatelib import Template, html

# 有恶意代码
evil = "<script>alert('evil')</script>"

# 用模板处理，防止 XSS 攻击
template = t"<p>{evil}</p>"

# 使用 html() 函数转义危险字符
html_safe = html(template) 
assert html_safe == "<p>&lt;script&gt;alert('evil')&lt;/script&gt;</p>"

这个新功能会让 Web 开发、日志记录、数据库操作等场景更加安全和方便。

附：Python 3.14 t-string 的全面解析与使用教程

其它重要更新

1. 支持 Zstandard 压缩格式 (PEP 784)

Python 3.14 标准库新增了 compression.zstd 模块，正式把 Zstandard 压缩格式纳入标准支持。这种由 Meta 公司开发的格式既压得小又压得快，甚至超过很多老牌压缩算法，非常适合处理大数据和网络通信场景。

随之一起更新的还有 tarfile、zipfile 和 shutil 模块，现在都能直接处理 Zstandard 压缩包了。而原有的 lzma、bz2 等压缩模块也被整合到新的 compression 包下，统一了访问方式。

2. 用于 C 扩展的 Python 配置 API (PEP 741)

Python 3.14 新加了 C 语言的配置 API，写 C 扩展时操作 Python 配置变得简单多了。用这个 API 提供的函数，我们可以很方便地查询或改变 Python 的运行时配置。

比如，以前写 C 扩展必须深入了解 CPython 内部构造，现在只需用几行简单代码就能操作内存分配器、日志设置等：

// 看看调试模式是否开启
int debug_enabled = _PyConfig_GetBool(config, "debug");

// 指定模块搜索路径
_PyConfig_SetString(config, "pythonpath", "/custom/path");

博客原文

3. 实验性 JIT 编译器 (PEP 744)

Python 3.14 正式在官方 macOS 和 Windows 二进制版本中加入了实验性的即时编译器（JIT）。不推荐用于生产环境，仅供测试和尝鲜。

启用方式简单，只需设置环境变量：

# 设置环境变量开启 JIT
PYTHON_JIT=1 python3.14 your_script.py

可以通过 sys._jit 模块检查 JIT 状态：

import sys

if hasattr(sys, "_jit"):
    print(f"JIT状态: {"启用" if sys._jit.is_enabled() else "未启用"}")
else:
    print("JIT不支持")

4. REPL 语法高亮

Python 3.14 的交互式环境（REPL）正式支持语法高亮，大大提升了开发体验。这个功能默认开启，除非你设置了 PYTHON_BASIC_REPL 环境变量。

默认主题使用标准的 ANSI 颜色代码，确保兼容性的同时提供了清晰的视觉区分度，另外也支持自定义颜色主题。

这一改进让原生 Python 接近了 IPython 和 Jupyter 等现代工具的用户体验，也表明官方在重视开发者日常使用的小细节。

5. 放弃 PGP 签名 (PEP 761)

Python 3.14 版本将告别 PGP 签名，改用更现代的签名和验证方式来发布官方软件包。这一改变其实是 Python 跟上了开源软件分发领域的潮流，和当下大多数主流项目的做法一致。

6. finally 块中不能再用跳转语句 (PEP 765)

Python 3.14 增加了一项新限制：不能在 finally 块里用 return、break 和 continue 跳出去。这种写法以后会被视为语法错误。

这个限制有很实在的目的，因为 finally 中的跳转语句通常会导致代码难懂、难维护，容易把异常情况给吞掉，造成莫名其妙的问题。

# Python 3.13 允许这种危险写法，但异常会被吞
try:
    raise ValueError("重要错误")
except Exception as e:
    print(f"捕获到错误: {e}")
    raise
finally:
    # 这里写 return 会打断异常传递，调用方看不到原始错误
    return "似乎一切正常"

# Python 3.14 中，上述代码将在语法层面被禁止

7. 捕获多个异常时不用加括号了 (PEP 758)

Python 3.14 简化了异常处理的写法。以前想同时捕获多种异常类型必须加括号，而在 3.14 版本中可以直接用逗号分隔：

try:
    operation()
except ValueError, TypeError:  # 可以用逗号分隔多个异常类型
    print("处理值错误或类型错误")

# 对异常组也适用同样的语法
try:
    operation()
except* ValueError, TypeError:  # 异常组也可以用逗号分隔
    print("处理值错误或类型错误")

这种写法不仅更简洁，也将更符合直觉。

不兼容变更

Python 3.14 带来了一些重要的不兼容变更，升级时需要特别注意：

除了 macOS 和 Windows 外，其它平台上 multiprocessing 和 ProcessPoolExecutor 的默认启动方式从 fork 改成了 forkserver。这能避免一些多线程的问题，但可能要修改依赖于旧行为的代码。
CPython 解释器优化了引用计数机制，去掉了一些不必要的计数更新，所以 sys.getrefcount() 和 Py_REFCNT() 返回的数字可能和以前不一样了。
PEP 738 修改了 async/await 关键字的解析规则，一些极端情况下可能造成不兼容。
distutils 模块在 3.12 中已经被强烈警告，3.14 版本会完全移除。如果还在使用，应该迁移到 setuptools 或 sysconfig。
imp 模块所有标记为弃用的函数已经删除，应改用 importlib。
asyncio 模块中的一些废弃函数如 @coroutine 装饰器已被移除，应该用 async/await 语法替代。
XML 模块默认开启了更严格的安全限制，可能会导致原有较宽松的解析器设置失效。
SSL/TLS 模块默认禁用了某些过时的加密算法和协议版本，对于需要与旧系统通信的应用可能要额外配置。

总结

这个带着圆周率数字的 Python 3.14 版本，给我们带来了全方位的升级。

在性能上，类型提示的惰性求值和全新的尾调用解释器大幅减轻了启动负担，而实验性的 JIT 编译器则在特定场景下展现了可观的速度提升。

在开发体验上，无侵入调试接口的加入和 REPL 的语法高亮功能使日常编程变得更加舒心逸意。

模板字符串和 Zstandard 压缩的加入则扩展了 Python 在 Web 开发和数据处理领域的应用空间。

除了功能增强，3.14 也带来了一系列语法优化，如异常捕获时不再需要括号以及 finally 块中禁用跳转语句等。这些简化和限制看似微小，却能减少代码中的隐藏 bug。同时，这个版本还作出了一些前瞻性的决定，如放弃 PGP 签名和改用 forkserver 作为默认启动方式。

总的来说，这个圆周率版本在性能、开发体验和语言功能上都有实质性的改进。不管是类型提示、解释器改进还是模板字符串，都展示了 Python 在各个领域的持续发力和进步。

参考资料

Python 3.14 新特性解析

uv：统一的 Python 包管理

豌豆花下猫 — Mon, 05 May 2025 00:00:00 GMT

花下猫语：uv 项目自发布起就大受欢迎，目前 Github star 52.6 K，远超过它的同类竞品们。前不久，它的创始人在 X 上披露了一组惊人的数据：uv 曾占据了 PyPI 超过 20% 的流量，用户每天通过它发起约 4-5 亿次下载请求！

我在去年翻译过 uv 首发时的新闻文章，根据博客后台不完整的统计，从 Google 搜索进入的访问量已经超过 3000，妥妥成为了我博客的搜索访问 TOP 1！这侧面也反映出 uv 的火爆程度！

uv 刚过一周岁不久，如此年轻，成绩斐然啊。趁着这波热点（实际是假期有时间），我抽空把 uv 重要版本更新的文章也翻译出来了，enjoy reading～

作者：@charliermarsh

译者：豌豆花下猫@Python猫

英文：uv: Unified Python packaging (https://astral.sh/blog/uv-unified-python-packaging)

声明：本翻译是出于交流学习的目的，为便于阅读，部分内容略有改动。转载请保留作者信息。

简述： uv 是一个用 Rust 开发的超高性能 Python 包管理器。

我们最初在 2 月份发布了 uv，作为常见 pip 工作流的即插即用替代方案。（译注：uv 在 2024.02 发布，本文写于 2024.08，翻译于 2025.05）

今天，我们发布一系列新功能，这些功能将 uv 从一个 pip 替代品扩展成为一个端到端的解决方案，可用于管理 Python 项目、命令行工具、单文件脚本，甚至 Python 本身。

它就像是 Python 世界的Cargo：提供了一个快速、可靠且易用的统一接口。

在 Astral，我们致力于为 Python 生态系统打造高性能的开发工具。我们最知名的产品是 Ruff，一个超高速的 Python 代码检查器和格式化工具。

在 2 月份，我们发布了 uv，这是一个极快的 Python 包安装器和依赖解析器，最初设计为常见 pip 工作流的即插即用替代方案。

今天，我们宣布 uv 自首次发布以来最大规模的功能扩展：

端到端项目管理：uv run、uv lock 和 uv sync。uv 现在能基于标准元数据创建跨平台的锁文件，并利用该文件来安装依赖。它是 Poetry、PDM 和 Rye 等工具的高性能替代品。
工具管理：uv tool install 和 uv tool run (别名为 uvx)。uv 能在隔离的虚拟环境中安装命令行工具，还能无需先安装就直接执行命令（如 uvx ruff check）。它是 pipx 等工具的高性能替代品。
Python 安装：uv python install。uv 现在可以直接帮你安装 Python，替代 pyenv 等工具。
脚本执行：uv 现在可以管理基于 PEP 723 标准的单文件 Python 脚本，这些脚本内部包含依赖元数据。只需要一个简单的 uv run 命令就能执行这些独立的 Python 脚本。

...所有功能背后都是一个跨平台的超高速依赖解析器在支撑。

上图展示了启用所有可选依赖项时解析 Transformers 项目的速度对比：上方无缓存状态，下方启用了缓存。

并且所有功能都包含在新的、全面的文档中。

这些新功能每一项都大大扩展了 uv 的能力范围。但更独特的是，它们组合起来形成了一个完整的工具链，大大简化了 Python 开发过程。

结合 uv pip（我们将它作为一等功能，继续维护并改进），uv 适用于任何 Python 工作流，从一次性脚本到大型的多包工作区开发。

你可以通过我们的独立安装程序或从 PyPI 安装 uv：

curl

curl -LsSf https://astral.sh/uv/install.sh | sh

win

powershell -c "irm https://astral.sh/uv/install.ps1 | iex"

pip

pip install uv

pipx

pipx install uv

项目

uv 现在可以全面管理 Python 项目了。如果你用过 Poetry、PDM 或 Rye，那么 uv 的项目 API 对你来说一定不陌生。

项目 API 基于 Python 标准构建，使用 pyproject.toml 来定义项目元数据。

例如，你可以运行 uv init && uv add "fastapi>=0.112" 生成以下内容：

[project]
name = "hello-world"
version = "0.1.0"
readme = "README.md"
dependencies = ["fastapi>=0.112"]

从它开始，uv 将基于项目的依赖项创建一个锁文件。以下是一个示例片段：

[[package]]
name = "fastapi"
version = "0.112.1"
source = { registry = "https://pypi.org/simple" }
dependencies = [
    { name = "pydantic" },
    { name = "starlette" },
    { name = "typing-extensions" },
]
sdist = { url = "https://files.pythonhosted.org/packages/2c/09/71a961740a1121d7cc90c99036cc3fbb507bf0c69860d08d4388f842196b/fastapi-0.112.1.tar.gz", hash = "sha256:b2537146f8c23389a7faa8b03d0bd38d4986e6983874557d95eed2acc46448ef", size = 291025 }
wheels = [
    { url = "https://files.pythonhosted.org/packages/39/b0/0981f9eb5884245ed6678af234f2cbcd40f44570718caddc0360bdb4015d/fastapi-0.112.1-py3-none-any.whl", hash = "sha256:bcbd45817fc2a1cd5da09af66815b84ec0d3d634eb173d1ab468ae3103e183e4", size = 93163 },
]

[[package]]
name = "fastapi-cli"
version = "0.0.5"
source = { registry = "https://pypi.org/simple" }
dependencies = [
    { name = "typer" },
    { name = "uvicorn", extra = ["standard"] },
]
sdist = { url = "https://files.pythonhosted.org/packages/c5/f8/1ad5ce32d029aeb9117e9a5a9b3e314a8477525d60c12a9b7730a3c186ec/fastapi_cli-0.0.5.tar.gz", hash = "sha256:d30e1239c6f46fcb95e606f02cdda59a1e2fa778a54b64686b3ff27f6211ff9f", size = 15571 }
wheels = [
    { url = "https://files.pythonhosted.org/packages/24/ea/4b5011012ac925fe2f83b19d0e09cee9d324141ec7bf5e78bb2817f96513/fastapi_cli-0.0.5-py3-none-any.whl", hash = "sha256:e94d847524648c748a5350673546bbf9bcaeb086b33c24f2e82e021436866a46", size = 9489 },
]

uv 的锁文件就像项目依赖关系的完整快照，它能确保项目在不同机器上的运行环境保持一致。

这个锁文件最大的优势是跨平台。不管你在哪个系统上生成锁文件，它都能在其它平台上正常工作。uv 为每个平台定义了一个独特的解决方案，生成一个可读且可审计的锁文件，精确地定义了将安装哪些软件包。

例如：如果你在 macOS 上运行 uv lock，uv 仍然会为 Linux 和 Windows 生成解析方案，即使每个平台上所需的依赖集稍有不同。

而且它做得非常快。在没有任何缓存的情况下，uv 可以在大约半秒钟内解析 Jupyter 项目的依赖项（在缓存预热的情况下约为 20 毫秒）。

解析 Jupyter 项目时无缓存（上）和有缓存（下）的对比。

项目 API 的核心是 uv run 命令，它能在项目专属环境中运行命令，而且不需要手动激活虚拟环境。

uv run 非常快速。每次执行时，它都会自动重新锁定和同步项目，确保你的环境始终是最新状态。完全不需要手动干预。

换句话说，uv run 能确保你的命令每次都在一个一致的、受锁文件管理的环境中运行。

使用 uv run 命令启动 FastAPI 应用的示例。

有了 uv run，你再也不需要操心虚拟环境的激活、依赖包的管理或者项目的维护更新。一切都变得无比简单。

想了解更多详情，请查阅项目文档。

本文翻译并首发于 Python猫：uv：统一的 Python 包管理

依赖源：可编辑依赖、相对路径等

uv 基于 Python 标准构建，如 PEP 621。同时，它还添加了一些在标准中没有的功能，这些功能对本地开发至关重要，如相对路径和可编辑依赖。

在标准的 project.dependencies 部分，你可以定义项目的依赖和可发布的元数据。而在开发过程中，uv 还允许你通过 tool.uv.sources 为这些依赖项指定替代来源。

例如，要使用本地的、可编辑版本的 anyio，你可以运行 uv add --editable ../anyio 来生成以下 pyproject.toml：

[project]
name = "hello-world"
version = "0.1.0"
readme = "README.md"
dependencies = ["anyio"]

[tool.uv.sources]
anyio = { path = "../anyio", editable = true }

当发布到 PyPI 时，上述包会声明对anyio 的依赖。但在本地开发时，使用 uv run 可以将 ../anyio 路径下的可编辑的包加到开发环境中。这样，项目的依赖定义保持不变，只是依赖的来源发生了变化。

详细内容请查阅依赖源文档。

工作区

受 Cargo 相同概念的启发，uv 支持工作区：一组管理在一起的包的集合。

想象这样一个场景：在同一个 Git 仓库中，有一个使用 FastAPI 构建的 Web 应用，还有多个作为独立 Python 包开发和维护的库。

大多数大型 Python 项目最终都会用自己的方式来实现这个概念，它们通常借助手写脚本和自定义工具来管理各个包之间的关系。

uv 的工作区 API 为大规模开发中的各种挑战提供了一致、高效且具有创新性的解决方案。

在工作区中，每个包都有自己的 pyproject.toml，但工作区共享一个锁文件，确保工作区使用一致的依赖集运行。

[project]
name = "fastapi"
version = "0.1.0"
readme = "README.md"
dependencies = ["uvicorn"]

[tool.uv.sources]
uvicorn = { workspace = true }

[tool.uv.workspace]
members = ["libraries/*"]

在工作区的根目录下，你可以运行命令来操作任何工作区包。例如，执行 uv run --package fastapi 或 uv run --package uvicorn。

更多细节，请查阅工作区文档。

本文翻译并首发于 Python猫：(https://pythoncat.top/posts/2025-05-05-uv)

工具

uv 现在有两种新能力：

通过 uv tool install 在专用的隔离虚拟环境中安装命令行工具（如 Ruff）
通过 uvx 直接运行一次性命令，无需预先安装

如果你使用过 pipx 或 npx，你会发现 uv 的工具 API 很熟悉。

比如，输入 uvx posting 就能直接运行 Darren Burns 开发的 posting 终端界面程序（TUI）。

使用 uvx 命令在终端中运行 posting 的示例。

工具 API 让你能集中管理系统上的 Python 工具。你可以：

用 uv tool list 查看所有已安装的工具及其可执行文件
用 uv tool upgrade --all 将所有工具升级到最新版本

uv 的工具 API 非常快，通过 uvx 执行命令几乎没有任何额外开销。

更多工具功能，请查阅工具文档。

Python 引导安装

uv 现在能够安装和管理 Python 本身，使其完全自引导：

$ curl -LsSf https://astral.sh/uv/install.sh | sh
$ uv python install 3.12

如果你的机器上没有安装 Python，或者缺少特定的、所需的 Python 版本，除了显式调用 uv python 外，uv 还可以根据需要，自动下载所需的 Python 版本（如 uv run、uv venv 等命令）。

例如，以下是在新的 Ubuntu Docker 镜像上运行 posting 所需的全部命令，没有任何隐藏步骤：

$ apt-get update && apt-get install -y curl
$ curl -LsSf https://astral.sh/uv/install.sh | sh
$ source $HOME/.cargo/env
$ uvx posting

当你运行 uvx 命令时，uv 会一步到位地完成所有工作：

安装 Python 3.12.4（文章写作时的最新稳定版本）
创建虚拟环境
安装必要的依赖包
启动 posting 程序

整个过程无缝衔接，高效快捷。

单文件脚本

最后：uv 现在提供了对单文件 Python 脚本的一等支持，这些脚本可以内嵌依赖元数据，完全符合 PEP-723 标准。

例如，以下文件 main.py，它从 Python 增强提案索引中获取前 10 个 PEP：

import requests
from rich.pretty import pprint

resp = requests.get("https://peps.python.org/api/peps.json")
data = resp.json()
pprint([(k, v["title"]) for k, v in data.items()][:10])

这个脚本依赖requests 和 rich，但不包含任何显式的依赖元数据。早些时候，你需要单独管理这些依赖项，例如使用专门的 requirements.txt 文件。

现在，你可以使用 uv add 自动将依赖声明嵌入到脚本中：

$ uv add --script main.py "requests<3" "rich"
$ cat main.py
# /// script
# requires-python = ">=3.12"
# dependencies = [
#     "requests<3",
#     "rich",
# ]
# ///
import requests
from rich.pretty import pprint

resp = requests.get("https://peps.python.org/api/peps.json")
data = resp.json()
pprint([(k, v["title"]) for k, v in data.items()][:10])

有了它，uv run main.py 将在一个隔离的、临时的虚拟环境中执行脚本，并安装所有依赖项。

使用 uv run 执行带有内嵌依赖项的单文件脚本的示例。

你也可以使用--with 标记在运行时指定依赖项，例如：uv run --with "requests<3" --with rich main.py。

有了 uv 的 Python 引导安装功能，你只需要 uv 就可以运行封闭式的、可重分发的单文件 Python 脚本，再也不用担心虚拟环境、包管理或 Python 版本的问题。

更多细节，请查阅脚本文档。

为规模化而构建

在 Astral，我们的指导原则之一是：“为所有人设计，为规模化构建（Design for everyone, build for scale）。”

我们希望打造的工具对初学者友好，但同时又能满足最大型 Python 项目的需求。

我们相信 uv 已经很好地实现了这两个目标。

如果你在组织里使用 uv，并想一起解决 Python 生态的包管理挑战，欢迎联系我们。让我们携手共创更好的工具。

附录

用 Rust 开发的 Python 包管理工具 uv，可替换 pip、pip-tools 和 virtualenv

Python 潮流周刊#100：有了 f-string，为什么还要 t-string？

豌豆花下猫 — Sat, 03 May 2025 00:00:00 GMT

分享了 12 篇文章，12 个开源项目，1 则音视频

重要提示： 本周刊迎来第 100 期，限时订或新订阅，可享受八折优惠，欢迎领取优惠券 --> https://www.xiaobot.net/coupon/d2c69b05-91b8-4e2b-b346-e7bc4dbc141a

以下是本期摘要：

① Python 3.14 t-string 要来了，它与 f-string 有何不同？

② 调试 Python f-string 的错误

③ Python 3.14: Python 世界的一大步

④ PEP-790 – Python 3.15 的发布计划

⑤ DjangoCon EU 2025 总结

⑥ 如何用 Meilisearch 为 Django 网站添加闪电般的搜索？

⑦ PyXL：解锁 Python 硬件潜能，GPIO 速度飞跃

⑧ 使用 Gemini 和少量 Python 自动删除代码

⑨ 让 PyPI 的测试套件速度提升 81%

⑩ Python 类型提示：混合类

⑪ 记住 Python 的海象操作符（:=）

⑫ 软件工程师是如何使用 AI 的？

① pyrefly：新一代 Python 类型检查器和 IDE

② Paper2Code：基于机器学习论文自动生成代码

③ aiwaf：AI 驱动的 Django Web 应用防火墙

④ picologging：Python 高性能日志库

⑤ Agentfy：针对社交媒体的多 agent 协调系统

⑥ glyphx：新一代的 Python 绘图库

⑦ sdk-python: Temporal 分布式工作流编排引擎

⑧ mininterface：为 Python 应用提供 GUI、TUI、CLI、Web

⑨ asv：带 Web 报告的 Python 基准测试工具

⑩ nbdime：比较和合并 Jupyter 笔记本

⑪ Qwen3：阿里巴巴的大模型系列

⑫ Kimi-Audio：音频理解、生成和对话大模型

① Python 装饰器的陷阱

周刊实行付费订阅制，年费 128 元，平均每天不到 4 毛钱，但绝对是一笔有眼光的投资。花钱学习知识，花钱提升自己，欢迎订阅这个你绝对不会后悔的专栏：https://xiaobot.net/p/python_weekly

订阅后，可免费查看第 100 期周刊的全文：https://www.xiaobot.net/post/b71ec2b4-08ed-4ccd-be66-0cf8cf515171

Python 潮流周刊第 2 季完结了，分享几项总结：https://pythoncat.top/posts/2024-07-14-iweekly

周刊前30期的免费合集，含精美电子书（EPUB/PDF）：https://pythoncat.top/posts/2023-12-11-weekly

万字浓缩版，Python 潮流周刊第 1 季的 800 个链接！：https://xiaobot.net/post/78c3d645-86fa-4bd8-8eac-46fb192a339e

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🎊关联阅读

上一期：Python 潮流周刊#99：如何在生产环境中运行 Python？

下一期：Python 潮流周刊#101：Rust 开发的 Python 类型检查工具

Python 类不要再写 init 方法了

豌豆花下猫 — Fri, 02 May 2025 00:00:00 GMT

花下猫语：我们周刊第 98 期分享过一篇文章，它指出了 __init__ 方法存在的问题和新的最佳实践，第 99 期也分享了一篇文章佐证了第一篇文章的观点。我认为它们提出的是一个值得注意和思考的问题，因此将第一篇文章翻译成了中文。

原作：Glyph

译者：豌豆花下猫@Python猫

原题：Stop Writing __init__ Methods

原文：https://blog.glyph.im/2025/04/stop-writing-init-methods.html

历史背景

在 Python 3.7 版本（2018 年 6 月发布）引入数据类 (dataclasses) 之前，__init__ 特殊方法有着重要的用途。如果你有一个表示数据结构的类——例如带有 x 和 y 属性的 2DCoordinate——你如果想通过 2DCoordinate(x=1, y=2) 这样的方式构造它，就需要添加一个带有 x 和 y 参数的 __init__ 方法。

那时候可用的其它实现方法都存在相当严重的问题：

你可以将 2DCoordinate 从公共 API 中移除，转而暴露一个 make_2d_coordinate 函数并使其不可导入，但这样你该如何在文档体现返回值或参数类型呢？
你可以记录 x 和 y 属性并让用户自己分别赋值，但这样 2DCoordinate() 就会返回一个无效的对象。
你可以使用类属性将坐标默认值设为 0，这虽然解决了选项 2 的问题，但这会要求所有 2DCoordinate 对象不仅是可变的，而且在每个调用点都必须被修改。
你可以通过添加一个新的抽象类来解决选项 1 的问题，这个抽象类可以在公共 API 中暴露，但这会使每个新的公共类的复杂性激增，无论它有多简单。更糟糕的是，typing.Protocol 直到 Python 3.8 才出现，所以在 3.7 之前的版本中，这会迫使你使用具体的继承并声明多个类，即使对于最基本的数据结构也是如此。

此外，一个只负责分配几个属性的 __init__ 方法并没有什么明显的问题，所以在这种情况下它是一个不错的选择。考虑到我刚才描述的所有替代方案的问题，它在大多数情况下成为了明显的默认选择，这是有道理的。

然而，因为接受了"定义一个自定义的 __init__"作为用户创建对象的默认方式，我们养成了一个习惯：在每个类的开头都放上一堆可以随意编写的代码，这些代码在每次实例化时都会被执行。

哪里有随意编写的代码，哪里就会有不可控的问题。

问题所在

让我们设想一个复杂点的数据结构，创建一个与外部 I/O 交互的结构：FileReader。

当然 Python 有自己的文件对象抽象，但为了演示，我们暂时忽略它。

假设我们有以下函数，位于一个 fileio 模块中：

open(path: str) -> int
read(fileno: int, length: int)
close(fileno: int)

我们假设 fileio.open 返回一个表示文件描述符的整数【注1】，fileio.read 从打开的文件描述符中读取 length 个字节，而 fileio.close 则关闭该文件描述符，使其失效。

根据我们写了无数个 __init__ 方法所形成的思维习惯，我们可能会这样定义 FileReader 类：

class FileReader:
    def __init__(self, path: str) -> None:
        self._fd = fileio.open(path)
    def read(self, length: int) -> bytes:
        return fileio.read(self._fd, length)
    def close(self) -> None:
        fileio.close(self._fd)

对于我们的初始用例，这没问题。客户端代码通过执行类似 FileReader("./config.json") 的操作，来创建一个 FileReader，它会将文件描述符 int 作为私有状态维护起来。这正是我们期望的；我们不希望用户代码看到或篡改 _fd，因为这可能会违反 FileReader 的不变性。构造有效 FileReader 所需的所有必要工作——即调用 open——都由 FileReader.__init__ 处理好了。

然而，随着需求增加，FileReader.__init__ 变得越来越尴尬。

最初我们只关心 fileio.open，但后来，我们可能需要适配一个库，它因为某种原因需要自己管理对 fileio.open 的调用，并想要返回一个 int 作为我们的 _fd，现在我们不得不采用像这样的奇怪变通方法：

def reader_from_fd(fd: int) -> FileReader:
    fr = object.__new__(FileReader)
    fr._fd = fd
    return fr

这样一来，我们之前通过规范对象创建过程所获得的所有优势都丢失了。reader_from_fd的类型签名接收的只是一个普通的int，它甚至无法向调用者建议该如何传入的正确的int 类型。

测试也变得麻烦多了，因为当我们想要在测试中获取 FileReader 的实例而不做实际的文件 I/O 时，都必须打桩替换自己的 fileio.open 副本，即使我们可以（例如）为测试目的在多个 FileReader 之间共享一个文件描述符。

上述例子都假定 fileio.open 是同步操作。但有许多网络资源实际上只能通过异步（因此：可能缓慢，可能容易出错）API 获得，虽然这可能是一个假设性问题。如果你曾经想要写出 async def __init__(self): ...，那么你已经在实践中碰到了这种限制。

要全面描述这种方法的所有问题，恐怕得写一本关于面向对象设计哲学的专著。所以我简单总结一下：所有这些问题的根源其实是相同的——我们把“创建数据结构”这个行为与“这个数据结构常见的副作用”紧密地绑定在了一起。既然说是“常见的”，那就意味着它们并非“总是”相关联的。而在那些并不相关的情况下，代码就会变得笨重且容易出问题

总而言之，定义 __init__ 是一种反模式，我们需要一个替代方案。

解决方案

我认为采用以下三种设计，可解决上述问题：

使用 dataclass 定义属性，
替换之前在 __init__ 中执行的行为，改为用一个新的类方法来实现相同的功能，
使用精确的类型来描述一个有效的实例。

使用 `dataclass` 属性来创建 `init`

首先，让我们将 FileReader 重构为一个 dataclass。它会为我们生成一个 __init__ 方法，但这不是我们可以随意定义的，它会受到约束，即只能用于赋值属性。

@dataclass
class FileReader:
    _fd: int
    def read(self, length: int) -> bytes:
        return fileio.read(self._fd, length)
    def close(self) -> None:
        fileio.close(self._fd)

但是... 糟糕。在修复自定义 __init__ 调用 fileio.open 的问题时，我们又引入了它所解决的几个问题：

我们丢失了 FileReader("path") 的简洁便利。现在用户不得不导入底层的 fileio.open，这让最常见的创建对象方式变得既啰嗦又不直观。如果我们想让用户知道如何在实际场景中创建 FileReader，就不得不在文档中添加对其它模块的使用指导。
对 _fd 作为文件描述符的有效性没有强制检查；它只是一个整数，用户很容易传入不正确的数字，但没有出现报错。

单独来看，只使用 dataclass ，无法解决所有问题，所以我们要加入第二项技术。

使用 `classmethod` 工厂来创建对象

我们不希望产生额外的导入，或要求用户去查看其它模块——即除了 FileReader 本身之外的任何东西——来弄清楚该如何创建想要的 FileReader。

幸运的是，我们有一个工具可以轻松解决这些问题：@classmethod。让我们定义一个 FileReader.open 类方法：

from typing import Self
@dataclass
class FileReader:
    _fd: int
    @classmethod
    def open(cls, path: str) -> Self:
        return cls(fileio.open(path))

现在，你的调用者可以将 FileReader("path") 替换为 FileReader.open("path")，获得与__init__ 相同的好处。

另外，如果我们需要使用await fileio.open(...)，就需要一个签名为@classmethod async def open的方法，这可以不受限于__init__作为特殊方法的约束。@classmethod 完全可以是async的，它还可对返回值作修改，比如返回一组相关值的tuple，而不仅仅是返回构造好的对象。

使用 `NewType` 解决对象有效性问题

接下来，让我们解决稍微棘手的对象有效性问题。

我们的类型签名将这个东西称为 int，底层的 fileio.open 返回的就是普通整数，这点我们无法改变。但是为了有效校验，我们可以使用 NewType 来精确要求：

from typing import NewType
FileDescriptor = NewType("FileDescriptor", int)

有几种方法可以处理底层库的问题，但为简洁起见，也为了展示这种方法不会带来任何运行时开销，我们干脆直接告诉 Mypy：这里使用的 fileio.open、fileio.read 和 fileio.write 已经接收 FileDescriptor 类型的整数，而不是普通整数。

from typing import Callable
_open: Callable[[str], FileDescriptor] = fileio.open  # type:ignore[assignment]
_read: Callable[[FileDescriptor, int], bytes] = fileio.read
_close: Callable[[FileDescriptor], None] = fileio.close

当然，我们也必须稍微调整 FileReader，但改动很小。综合这些修改，代码变成了：

from typing import Self
@dataclass
class FileReader:
    _fd: FileDescriptor
    @classmethod
    def open(cls, path: str) -> Self:
        return cls(_open(path))
    def read(self, length: int) -> bytes:
        return _read(self._fd, length)
    def close(self) -> None:
        _close(self._fd)

请注意，这里的关键不是使用NewType，而是让“属性齐全”的对象自然成为“有效实例”。NewType只是一个方便的工具，帮助我们在使用int、str或bytes等基本类型时施加必要的约束。

总结 - 新的最佳实践

从现在开始，当你定义新的 Python 类时：

将它写成数据类（或者一个 attrs 类，如果你喜欢的话）
使用默认的 __init__ 方法。【注2】
添加 @classmethod ，为调用者提供方便且公开的对象构造方法。
要求所有依赖项都通过属性来满足，这样总是先创建出一个有效的对象。
使用typing.NewType来对基本数据类型（比如int和str）添加限制条件，尤其是当这些类型需要具备一些特殊属性时，比如必须来自某个特定库、必须是随机生成的等等。

如果以这种方式来定义类，你将获得自定义 __init__ 方法的所有好处：

所有调用你数据结构的人都能拿到有效对象，因为只要属性设置正确，对象自然就是有效的。
你的库用户能够使用便捷的对象创建方法，这些方法会处理好各种复杂工作，让使用变得简单。而且用户只要看一眼类的方法列表，就能发现这些创建方式。

还有一些其它的好处：

你的代码会更经得起未来的考验，能轻松应对用户创建对象的各种新需求。
如果需要有多种实例化你的类的方式，那么可以给每种方式一个有意义的名称；不需要使用像 def __init__(self, maybe_a_filename: int | str | None = None): 这样的怪物。
写测试时，你只需要提供所有需要的依赖项就能构造对象；不需要再用猴子补丁了，因为你可以直接调用类型构造器而不会产生任何 I/O 操作或副作用。

在没有数据类之前，Python 语言中有个怪现象：仅仅是给数据结构填充数据这么基础的事情，竟然要重写一个带着 4 个下划线的方法。__init__方法就像个异类。而其他的魔术方法，像__add__或__repr__，本质上是在处理类的一些高级特性。

如今，这个历史遗留的语言瑕疵已经得到解决。有了@dataclass、@classmethod 和 NewType ，你可以构建出易用、符合 Python 风格、灵活、易测试和健壮的类。

文中注释：

如果你还不熟悉，“文件描述符”其实是一个只在程序内部有意义的整数。当你让操作系统打开一个文件时，它会回应“我已经为你打开了文件 7”，之后每当你引用“7”这个数字，它就代表那个文件，直到你执行close(7)关闭它。
当然，除非你有非常充分的理由。比如为了向后兼容，或者与其它库兼容，这些都可能是合理的理由。还有一些数据一致性校验，是无法通过类型系统表达的。最常见的例子是需要检查两个不同字段之间关系的类，比如“range”对象，其中start必须始终小于end。这类规则总有例外。不过，在__init__里执行任何 I/O 操作基本上都不是好主意，而那些在某些特殊情况下可能有用的其它操作，几乎都可以通过__post_init__来实现，而不必直接写__init__。

Python 3.14 t-string 要来了，它与 f-string 有何不同？

豌豆花下猫 — Sun, 27 Apr 2025 00:00:00 GMT

Python 最近出了个大新闻：PEP-750 t-string 语法被正式采纳了！

这意味着 Python 将在今年 10 月发布的 3.14 版本中引入一种新的字符串前缀 t，称为模板字符串（Template Strings），即 t-string。

这是继 f-string 之后，字符串处理能力的重大升级，旨在提供更安全、更灵活的字符串插值处理机制。

t-string 的基本语法与 f-string 非常相似，但得到的结果却大为不同：

name = "World"

# f-string 语法
formatted = f"Hello {name}!"
print(type(formatted))  # 输出：<class 'str'>
print(formatted)  # 输出：Hello World!

# t-string 语法
templated = t"Hello {name}!"
print(type(templated))  # 输出：<class 'string.templatelib.Template'>
print(templated.strings)  # 输出：('Hello ', '')
print(templated.interpolations[0].value)  # 输出：World
print("".join(
        item if isinstance(item, str) else str(item.value)
        for item in templated
    ))  # 输出：Hello World!

如上所述，t-string 与 f-string 不同的是，它不会立即得到普通字符串，而是返回一个新的类型 Template（来自 Python 3.14 新增的标准库模块 string.templatelib）。

这个类型不能直接作为普通字符串输出，但它提供了对字符串和其内部插值表达式的结构化访问，使得开发者能够在字符串组合插入值前添加拦截和转换。

一句话总结 t-string 的核心特点就是延迟渲染。

为什么要设计 t-string？

f-string 因其简洁易用而广受欢迎，但它也存在一些无法忽视的局限性：

安全隐患：当直接将用户输入嵌入到 SQL 查询、HTML 内容或系统命令中时，f-string 可能导致注入攻击
缺乏转换能力：f-string 没有提供在字符串组合前拦截和转换插入值的机制
灵活性不足：对于复杂的字符串处理任务，f-string 的能力有限

提升字符串处理的安全性

不谨慎使用 f-string，可能导致安全漏洞：

# 使用 f-string 的不安全示例（SQL 注入风险）
sql_query = f"SELECT * FROM users WHERE name = '{user_input}'"

# 使用 f-string 的不安全示例（XSS 风险）
html_content = f"<div>{user_input}</div>"

而 t-string 允许开发者在字符串组合前对插值进行适当处理：

# 使用 t-string 的安全示例
evil = "<script>alert('evil')</script>"
template = t"<p>{evil}</p>"
# 可以定义处理函数来转义内容
assert html(template) == "<p>&lt;script&gt;alert('evil')&lt;/script&gt;</p>"

增强字符串处理的灵活性

t-string 最大的优势在于它提供了统一的字符串处理机制，让开发者可以根据实际需求实现各种自定义渲染逻辑。这种设计避免了为每种场景创建专门语法的复杂性，同时保持了 Python 简洁统一的风格。

以下示例展示了如何基于同一个 t-string 模板，利用不同的渲染器输出不同的格式：

from string.templatelib import Template, Interpolation

data = {"name": "Python猫", "age": 18}
template = t"用户 {data['name']} 的年龄是 {data['age']}"

def standard_renderer(template: Template) -> str:
    """标准文本渲染"""
    return "".join(
        item if isinstance(item, str) else str(item.value)
        for item in template
    )

def json_renderer(template: Template) -> str:
    """JSON格式渲染"""
    import json, re
    values = {}
    for item in template:
        if not isinstance(item, str):
            # 使用正则表达式从表达式中提取键名
            # 匹配 data['name'] 或 data["name"] 模式中的name
            match = re.search(r"\['([^']+)'\]|\[\"([^\"]+)\"\]", item.expression)
            if match:
                # 获取匹配的第一个分组
                key = match.group(1) if match.group(1) else match.group(2)
                values[key] = item.value
    return json.dumps(values, ensure_ascii=False)
    
def xml_renderer(template: Template) -> str:
    """XML格式渲染"""
    parts = ["<data>"]
    for item in template:
        if not isinstance(item, str) and hasattr(item, "expression"):
            name = item.expression.split("'")[1] if "'" in item.expression else item.expression
            parts.append(f"  <{name}>{item.value}</{name}>")
    parts.append("</data>")
    return "\n".join(parts)

# 同一个模板，不同的输出格式
print(standard_renderer(template))  # 输出: 用户 Python猫 的年龄是 18
print(json_renderer(template))      # 输出: {"name": "Python猫", "age": 18}
print(xml_renderer(template))       # 输出: <data>\n  <name>Python猫</name>\n  <age>18</age>\n</data>

这种灵活性是 f-string 所不具备的，对于构建各种 DSL（领域特定语言）、模板引擎或格式化系统非常有价值。

Template 类的结构

t-string 求值后的 Template 类具有以下主要属性和方法：

class Template:
    strings: tuple[str, ...]
    """
    模板中字符串部分的非空元组。
    包含 N+1 个元素，其中 N 是模板中插值表达式的数量。
    """

    interpolations: tuple[Interpolation, ...]
    """
    模板中插值部分的元组。
    如果没有插值表达式，这将是一个空元组。
    """

    def __new__(cls, *args: str | Interpolation):
        """
        创建一个新的 Template 实例。
        参数可以按任意顺序提供。
        """
        ...

    @property
    def values(self) -> tuple[object, ...]:
        """
        返回模板中每个 Interpolation 的 `value` 属性组成的元组。
        如果没有插值表达式，这将是一个空元组。
        """
        ...

    def __iter__(self) -> Iterator[str | Interpolation]:
        """
        迭代模板中的字符串部分和插值表达式。
        这些可能以任意顺序出现。不包含空字符串。
        """
        ...

这种结构使开发者能够：

访问原始字符串片段（strings）
访问插值表达式及其计算结果（interpolations）
直接获取所有插值的值（values）
按顺序迭代模板的所有组成部分

注：__iter__ 函数注释说出现顺序不固定，但 PEP 文档中它的具体实现却是按序的，我认为是注释有误。

t-string 与 f-string 的异同点

相似之处

基本语法：二者都使用花括号 {} 作为插值表达式的分隔符
表达式求值：都支持在花括号中放置任意 Python 表达式
格式说明符：都支持格式说明符（如 .2f）和转换说明符（如 !r）
引号支持：都支持所有有效的引号标记（'、"、'''、""")
大小写不敏感前缀：t 和 T 都是有效的，就像 f 和 F

不同之处

返回类型：f-string 直接返回 str 类型，而 t-string 返回 Template 类型
求值时机：f-string 在定义时立即求值，t-string 提供延迟求值能力
结构访问：t-string 允许访问原始模板的结构（字符串部分和插值部分）
处理模型：f-string 是"即时完成"模型，t-string 是"预处理+转换"模型

t-string 的应用场景

1. 安全的 HTML 模板

使用 t-string 可以创建出自动转义用户输入的 HTML 模板：

def html(template: Template) -> str:
    parts = []
    for item in template:
        if isinstance(item, str):
            parts.append(item)
        else:  # Interpolation
            parts.append(html_escape(item.value))
    return "".join(parts)

user_input = "<script>alert('XSS')</script>"
safe_html = html(t"<div>{user_input}</div>")
# 输出: <div>&lt;script&gt;alert('XSS')&lt;/script&gt;</div>

2. 安全的 SQL 查询构建

t-string 可以构建防注入的 SQL 查询：

def safe_sql(template: Template) -> str:
    parts = []
    params = []
    
    for item in template:
        if isinstance(item, str):
            parts.append(item)
        else:
            parts.append("?")
            params.append(item.value)
    
    return "".join(parts), params

user_id = "user' OR 1=1--"
query, params = safe_sql(t"SELECT * FROM users WHERE id = {user_id}")
# query: "SELECT * FROM users WHERE id = ?"
# params: ["user' OR 1=1--"]

3. 结构化日志

使用 t-string 可以实现优雅的结构化日志记录：

import json
import logging
from string.templatelib import Template, Interpolation

class TemplateMessage:
    def __init__(self, template: Template) -> None:
        self.template = template
    
    @property
    def message(self) -> str:
        # 格式化为可读消息
        return f(self.template)  # 使用自定义 f() 函数
    
    @property
    def values(self) -> dict:
        # 提取结构化数据
        return {
            item.expression: item.value
            for item in self.template.interpolations
        }
    
    def __str__(self) -> str:
        return f"{self.message} >>> {json.dumps(self.values)}"

action, amount, item = "traded", 42, "shrubs"
logging.info(TemplateMessage(t"User {action}: {amount:.2f} {item}"))
# 输出: User traded: 42.00 shrubs >>> {"action": "traded", "amount": 42, "item": "shrubs"}

4. 安全的子进程调用

PEP-787 专门针对 t-string 在子进程调用中的场景作了扩展，使 subprocess 模块能原生支持 t-string：

# 不安全的 f-string 用法
subprocess.run(f"echo {message_from_user}", shell=True)  # 命令注入风险

# 安全的 t-string 用法
subprocess.run(t"echo {message_from_user}")  # 自动进行适当的命令转义

这种方式既保留了字符串命令的可读性，又避免了安全风险。

t-string 的进阶用法

1. 自定义多功能模板渲染器

t-string 的真正威力在于可以自定义渲染器模板：

from string.templatelib import Template, Interpolation
import html

def smart_renderer(template: Template, context="text") -> str:
    """上下文感知的渲染器
    根据context参数自动决定如何处理每个插值：
    - "text": 普通文本模式，直接转为字符串
    - "html": HTML模式，自动转义HTML特殊字符，防止XSS
    - "sql": SQL模式，自动转义SQL特殊字符，防止注入
    """
    parts = []
    
    for item in template:
        if isinstance(item, str):
            parts.append(item)
        else:  # Interpolation
            value = item.value
            expression = item.expression
            
            # 基于值类型和上下文进行智能处理
            if context == "html":
                # HTML模式：自动转义HTML特殊字符
                parts.append(html.escape(str(value)))
            elif context == "sql":
                # SQL模式：防止SQL注入
                if isinstance(value, str):
                    # 将1个单引号转义成2个
                    escaped_value = value.replace("'", "''")
                    parts.append(f"'{escaped_value}'")
                elif value is None:
                    parts.append("NULL")
                else:
                    parts.append(str(value))
            else:
                parts.append(str(value))
    
    return "".join(parts)

# 同一个模板在不同上下文中的自动适配渲染
user_input = "<script>alert('evil')</script>"
template = t"用户输入: {user_input}"
print(smart_renderer(template, context="html")) # 输出: 用户输入: &lt;script&gt;alert(&#x27;evil&#x27;)&lt;/script&gt;

# SQL注入防护示例
user_id = "1'; DROP TABLE users; --"
sql_template = t"SELECT * FROM users WHERE id = {user_id}"
print(smart_renderer(sql_template, context="sql")) # 输出: SELECT * FROM users WHERE id = '1''; DROP TABLE users; --'

# f-string 对于SQL注入，必须先处理值，再放入f-string
escaped_id = user_id.replace("'", "''")
sql_safe_id = f"'{escaped_id}'"
print(f"SQL查询(f-string): SELECT * FROM users WHERE id = {sql_safe_id}")

2. 结构化嵌套模板处理

t-string 和 f-string 在嵌套使用时有本质区别：

# f-string的嵌套：内部表达式立即求值，信息丢失
value = "world"
inner_f = f"inner {value}"
outer_f = f"outer {inner_f}"
print(outer_f)  # 输出: outer inner world
print(type(outer_f))  # <class 'str'> - 只是普通字符串

# t-string的嵌套：保留完整结构信息
inner_t = t"inner {value}"
outer_t = t"outer {inner_t}"
print(type(outer_t))  # <class 'string.templatelib.Template'>
print(type(outer_t.interpolations[0].value))  # 也是Template对象！

# 可以访问和处理任意深度的嵌套结构
user = {"name": "Alice", "age": 30}
message = t"用户{user['name']}信息: {t'年龄:{user['age']}'}"
inner_template = message.interpolations[1].value
print(inner_template.strings)  # 输出: ('年龄:', '')
print(inner_template.interpolations[0].value)  # 输出: 30

这种结构化处理能力使 t-string 特别适合构建复杂的模板系统，可以按需延迟或自定义渲染过程的所有部分。

3. 延迟求值与异步处理

t-string 的结构特性使得它支持延迟求值和异步处理。以下是异步模板渲染示例：

import asyncio

# 模拟异步数据获取
async def fetch_data(key: str) -> str:
    await asyncio.sleep(0.1)  # 模拟网络延迟
    return f"获取的{key}数据"

async def render_async(template):
    tasks = {}
    # 并行启动所有异步查询
    for item in template.interpolations:
        tasks[item.expression] = asyncio.create_task(
            fetch_data(item.expression)
        )
    
    # 等待所有查询完成
    for expr, task in tasks.items():
        tasks[expr] = await task
    
    # 组装结果
    result = []
    for item in template:
        if isinstance(item, str):
            result.append(item)
        else:
            result.append(tasks[item.expression])
    
    return "".join(result)

async def main():
    template = t"用户: {user}, 年龄: {age}"
    result = await render_async(template)
    print(result) 

# asyncio.run(main())

这种模式的关键优势:

结构保留: 可以获取完整表达式信息
并行获取: 同时处理多个异步任务
延迟组合: 等所有数据就绪再拼接

总结

Python 的 t-string 语法是对字符串处理能力的重要扩展，它在保持与 f-string 语法相似性的同时，提供了更灵活、更安全的字符串插值处理机制。通过将字符串模板结构化为 Template 对象，开发者可以在字符串组合前对插值进行拦截和转换，从而避免常见的安全问题，并支持更多高级用例。

它就像是数据与视图的分离模式，f-string 是直接渲染的视图，而 t-string则保留了数据模型，允许你在最终呈现前执行各种转换规则和验证。

t-string 的设计理念体现了功能性与安全性的平衡，虽然它比 f-string 更复杂，但这种复杂性带来了更高级的可组合性和更强的安全保障。

它遵循了 Python 的"显式优于隐式"原则，通过明确分离模板结构和渲染过程，让字符串处理的每个步骤都清晰可见。

t-string 并不是一种替换 f-string 的语法，f-string 的简单易用性依然有其重要价值。

那么，在 Python 3.14 版本后，两个字符串插值方法该如何选择呢？

一句话总结：当只需简单地格式化字符串时，使用 f-string 更直接高效；而当处理不受信任的输入、需要自定义渲染逻辑、构建复杂模板系统或进行异步处理时，应选择功能更强大的 t-string。

参考资料

Python 潮流周刊#99：如何在生产环境中运行 Python？

豌豆花下猫 — Sat, 26 Apr 2025 00:00:00 GMT

分享了 12 篇文章，12 个开源项目，2 则音视频，2 则热门话题

重要提示： 本周刊即将迎来第 100 期，即日起续订或新订阅，可享受八折优惠，欢迎领取优惠券 --> https://www.xiaobot.net/coupon/d2c69b05-91b8-4e2b-b346-e7bc4dbc141a

以下是本期摘要：

① 如何在生产环境中运行 Python？

② Browser Use 原理解析--为何一个小项目能融1700万美元？

③ 2025 年 Django Admin 主题汇总

④ 15,000 行验证过的密码学代码已合入 Python

⑤ 不符合常规的__init__ 用法

⑥ 先睹为快：Python 全新的 ASN.1 API

⑦ 巧用 Python 正则表达式

⑧ Python 的下一个重大事件

⑨ 使用 copier 快速初始化 Python 项目

⑩ ProcessThreadPoolExecutor：当 I/O 成为 CPU 密集型时

⑪ 小白教程：LLM agent 实际就是图

⑫ 万字长文：深度对话50位谷歌高管，揭秘谷歌的“AI追赶之路”

① dia：生成超逼真对话的 TTS 模型

② ai-agents-for-beginners：入门开发 AI agent 的 10 节课

③ juv：创建/管理/运行带依赖的 Jupyter notebook

④ fastapi-forge：带 UI 的 FastAPI 项目生成工具

⑤ py-xiaozhi：Python 版本的小智 AI

⑥ 全方位强化 Python 服务可观测性：以 FastAPI 和 Grafana Stack 为例

⑦ django-ledger：复式记账会计系统和财务分析引擎

⑧ cooragent：AI agent 协作社区

⑨ Tutorial-Codebase-Knowledge：将代码库转换为简易教程

⑩ pyspur：以 10 倍速加快 agent 开发

⑪ WatermarkRemover-AI：基于 Florence-2 和 LaMA 模型的 AI 去水印工具

⑫ index：浏览器 agent，自主执行复杂任务

① 核心开发者聊垃圾回收

② 与 MCP 创造者的播客对谈

1、万字浓缩版，Python 潮流周刊第 1 季的 800 个链接！

① Python 小组作业，做个什么东西好呢？

② 现在用什么技术工具栈开发小程序？

订阅后，可免费查看第 99 期周刊的全文：https://www.xiaobot.net/post/3aedf1d1-fc7e-470e-931e-df1a8f554530

Python 潮流周刊第3季总结，附电子书下载：https://pythoncat.top/posts/2025-04-20-sweekly

Python 潮流周刊第二季完结（31~60）：https://pythoncat.top/posts/2025-04-20-iweekly

Python 潮流周刊第 2 季完结了，分享几项总结：https://pythoncat.top/posts/2024-07-14-iweekly

Python 潮流周刊第2季（31~60）-纯链接版：https://pythoncat.top/posts/2025-04-19-sweekly

Python 潮流周刊第一季精华合集（1~30）：https://pythoncat.top/posts/2023-12-11-weekly

万字浓缩版，Python 潮流周刊第 1 季的 800 个链接！：https://xiaobot.net/post/78c3d645-86fa-4bd8-8eac-46fb192a339e

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🔥关联阅读

上一期：Python 潮流周刊#98：t-string 语法被正式接纳了

下一期：Python 潮流周刊#100：有了 f-string，为什么还要 t-string？

Python 潮流周刊第3季总结，附电子书下载

豌豆花下猫 — Sun, 20 Apr 2025 00:00:00 GMT

Python 潮流周刊每 30 期作为一季，每季预计有 60,000 字以上。往季总结：第1季、第2季

现在，第 3 季已完结，继续分享一些数据吧。第 3 季从 2024.07.20 到 2025.02.23，间隔时间 218 天。

本季周刊共分享了：

文章/教程：357 篇
项目/资源：362 个
播客/视频：21 则（有不少是视频列表）
热门讨论：19 个

每期周刊中分享的内容基本上保持了“12 + 12 + x”的水平，即 12 篇文章&教程，12 个项目&资源，另外穿插有少量音视频和热门讨论内容。

每期周刊的分享数量情况如下：

其中，文章和项目类内容的占比都超过了 47%，今后分享的比重大概率会维持在这个比例。

利用本季周刊合集内容，生成的词云图如下：

截止本文写作时，周刊的小报童专栏订阅数是 378 人（第2季总结时是221），爱发电专栏订阅数是 16 人（第2季总结时是7人）。

目前的年费是 128 元，计划是到第 100 期后开始涨价到 148 元。以后每满 100 期涨价一次。

温馨提示： 在微信关注 Python猫，发送一个数字“9”，即可领取 9 折优惠码，订阅专栏可享 15 元优惠。

第3季的精华内容合集已整理成电子书，优先开放给专栏订阅读者，请在专栏文章内获取。

另外，第 1～2 季的电子书也整理好了，下载链接如下：

一、百度网盘

Python潮流周刊第1季（第1-30期），含epub、PDF、Markdown版本

链接：https://pan.baidu.com/s/1LyklHJTwhgyFUjsI7pNz4w

提取码：1024

Python潮流周刊第2季（第31-60期），含EPUB、PDF、Markdown版本

链接：https://pan.baidu.com/s/14FXjAOr8sTrkliuFcv5cRg

提取码：1024

二、夸克网盘

Python潮流周刊第1季（第1-30期），含epub、PDF、Markdown版本

链接：https://pan.quark.cn/s/50f9c1c6d62b

Python潮流周刊第2季（第31-60期），含EPUB、PDF、Markdown版本

链接：https://pan.quark.cn/s/8d2c3101def8

网盘链接可能过期，若不可用，请在公众号“Python猫”里发送“W30”，获取最新下载链接。

为了方便大家快速查看，每季周刊还整理了一篇纯链接的简化版：

2、Python 潮流周刊第2季（31~60）-纯链接版

数据就先分享这么多吧，周刊即将 100 期了，算是步入正轨啦，今后每周会持续稳定更新。

祝大家读有所得，生活美满！

人生苦短，我用 Python。

Python 潮流周刊第二季完结（31~60）

豌豆花下猫 — Sun, 20 Apr 2025 00:00:00 GMT

Python 潮流周刊每 30 期作为一季，预计有 60,000 字以上。在第 1 季完结时，我整理成了合集，并制作成 PDF 版本的电子书，还写了一篇总结分享。

现在，第 2 季已完结，我准备延续这个做法，继续做一些总结分享。

首先，分享一些数据吧。第 2 季从 2023.12.16 到 2024.07.16 正好 210 天，跟第 1 季的时长一样，精华部分总字数约 6 万，与第一季相差不大。

本季周刊共分享了：

文章/教程：354 篇
项目/资源：347 个
播客/视频：28 则（有不少是视频列表）
热门讨论：2 个
赠书：93 本

第2季合集内容也整理发布到了网盘里，链接如下:

Python潮流周刊第2季（第31-60期），含EPUB、PDF、Markdown版本

链接：https://pan.baidu.com/s/14FXjAOr8sTrkliuFcv5cRg

提取码：1024

Python潮流周刊第2季（第31-60期），含EPUB、PDF、Markdown版本

链接：https://pan.quark.cn/s/8d2c3101def8

31 继 iOS 后，新 PEP 提议官方添加 Android 为支持平台

博客原文 | 发布时间：2023-12-16

🦄文章&教程

1、PEP-738：将 Android 添加为第 3 层支持的平台

周刊第 24 期分享过 PEP-730 CPython 提供对 iOS 的官方支持，这个 PEP-738 则是将目标转到了 Android 系统。目前两个 PEP 都是草案状态，但 Android 使用的是 Linux 内核，也许这个 PEP 被采纳的可能性会更大些吧？（附：今年 Python 语言峰会上的 Python on Mobile: State of the Union）

2、深度解析 Marker：AI 驱动的 PDF 布局检测引擎的源码解读

第 29 期分享的 PDF 转 Markdown 工具 Marker 短短两周时间已经逼近 5K star了。这篇文章解读了它的工作原理，介绍了它的 6 个阶段及所依赖到的工具（PyMuPDF、OCRMyPDF、Tesseract 等等）。

3、现实世界的 match/case

Python 3.10 引入了 match-case 模式匹配语法，你们在项目中用过了么？这篇文章介绍了一种使用场景，是处理 Github 机器人返回的复杂 JSON 数据，相比传统的写法，它使得代码变得简单了。

4、pytest 守护进程：提升 10 倍本地测试迭代速度

Discord 的官方博客文章，分享了他们将某个测试从 20 秒提升到 2 秒的故事！做法是使用“pytest 守护进程”和热加载，确保在需要测试时马上有进程可用，省去了即时准备工作的耗时。文章还提到了一个实现同样功能的开源项目 pytest-hot-reloading 。

5、使用 Python 88 行代码写一个简易的 Android AI 程序

开发一个在手机上 SDXL text-to-image 的 Demo，这听起来就不是一件简单的事情，但这篇文章介绍说只用 88 行 Python 代码就能实现？！用的技术是 Beeware 和 LeptonAI，前者在我们周刊中出现过多次（例如上文中的两个 PEP 都与它有很深的联系），后者是知名 AI 专家 @贾扬清的创业项目。

6、在 Python 中不需要这些无谓的操作

作者指出了一些常见的 Python 多余/错误用法，包括# -*- coding: utf-8 -*- 、range(len(xx)) 、追踪循环的位置、用 index() 判断是否包含、单独的 getter 和 setter。其中第一个关于编码的确实很常见，它也让我想起另一个经常被无意识使用的if __name__ == '__main__' 。（附：为什么我不推荐写所谓的 main 函数？）

7、为什么要用“if TYPE_CHECKING”？

if TYPE_CHECKING 的作用是为了实现条件式导入模块，基本示例如下：

from typing import TYPE_CHECKING

if TYPE_CHECKING:
    from collections.abc import Sequence

def func(value: Sequence[int]) -> None:
    pass

在什么情况下要这样用呢？文章介绍了这种模式的必要性，简单结论：在 mypy 强制执行的类型检查和运行时的类型检查之间作出权衡，特别是在有大量循环依赖的情况下。

8、对比 SQLALchemy 与 Django ORM

它们都是关系型数据库的对象关系映射（ORM）框架，作者基于从 Django ORM 切换到 SQLAlchemy 的视角，介绍了两者的一些差异和正确用法，避免在使用时犯错。

9、Python __init__.py 的最佳实践

__init__.py 是 Python 中特有的一个文件，为什么会需要用到这样的文件呢？它的作用是什么？如何自定义这个文件，又有哪些使用技巧和最佳实践呢？推荐阅读这篇很详细的教程。

10、Mojo：来自一位 Python 研究员的观点

一篇系统分析 Mojo 的文章，作者想研究的问题是：Mojo 是什么，未来会如何发展？Mojo 对通用科学计算（即不仅是 AI）有用么？它什么时候才真正可用，目前还缺少什么？作者不认可流传的“Mojo==Python++ ”说法，而是把它视为一门新颖的静态语言来研究。

11、Python 中的简单 HTTP 状态码

不要在代码中直接用数字表示 HTTP 请求的状态码，这属于“魔术数字”，并不规范。Django、Starlette 和 Litestar 等框架都提供有枚举值，但更推荐的是使用标准库的http.HTTPStatus ，另外从 Python 3.12 开始，还可以用HTTPStatus.is_success 表示 2xx 状态码。（附：本文出自作者日更的“降临节日历”系列文章，多是些编程小技巧，去博客阅读）

12、CPython 开发实战：实现 None 感知运算符 ?. 和 ??

PEP-505 None 感知运算符是一份被推迟的提案，它的用途是简化判空时的条件处理。文章介绍了 PEP 里的三种 None 感知运算符，并做了一个简单版实现。文末还提及了不支持这份提案的两个评论，我想附和一句：还是不要加了，继续 Deferred 吧！

13、代码的运行多于被阅读

“Code is read more than written”是编程的基本常识之一，提醒着程序员要关注代码的可读性和可维护性。作者将它提炼为“maintainer > author”，但是，编码只是达成目标的手段，它为用户提供服务，因此是“user > dev”，而且最终目的是为业务创造价值，因此初步推出“biz > user > ops > dev”。这个结论对么？作者逐一考虑/权衡各项因素的重要性，又列出了多组关系，最终简明的结论是：user > ops > dev，biz > ops > dev，biz ≹ user。

🎁Python潮流周刊🎁每 30 期为一季，第一季的精华内容已整理成一篇 6.2 万字的长文，方便你随时查看和下载。在线访问地址：Python 潮流周刊第一季精华合集（1~30）

🐿️项目&资源

1、magic-animate：使用扩散模型的时间一致的人像动画

由新加坡国立大学和字节跳动联合推出，利用一张人像和动作图生成人物的运动视频。（star 7.8K）

2、phpy：连通 Python 和 PHP 的生态系统

让你在 PHP 中使用 Python 的函数和类库，或者在 Python 中使用 PHP 的包。实现原理是在进程内同时创建了 ZendVM 和 CPython VM，直接在进程堆栈空间内使用 C 函数互相调用。目前不支持 Python 多线程和异步 IO 特性。

3、insanely-fast-whisper：快到极致的 Whisper

基于 OpenAI 的 Whisper Large v3 的音频转录工具，转录 150 分钟的音频仅需 98 秒。（star 4.2K）（附：另一个 faster-whisper：使用 CTranslate2 作更快的 Whisper 转录，star 6.2K）

4、coffee：使用 AI 将 UI 的构建和迭代速度提高 10 倍

非常有创意的项目。在前端项目中引入它的组件，用自然语言描述你想实现的效果，它就会辅助生成实现代码。

5、FastUI：更快构建更好的 UI

Pydantic 推出的 Web 界面开发框架，可使用 React 构建响应式 Web 应用程序，而无需编写一行 JavaScript。（star 2.7K）

6、mistral-src：Mistral AI 7B v0.1 模型的参考实现

Mistral AI 7B 的表现极为亮眼，在评分上接近了 Llama 70B 版本。这个项目是官方开源，用于快速部署和使用这个模型。（star 5.4K）

7、netchecks：查验网络运行条件的工具

用于测试网络条件是否符合预期，支持验证 DNS 和 HTTP 连接，可配置断言条件，支持自定义验证内容。

8、Pearl：Meta 推出的强化学习 AI 代理库

由 Meta 的应用强化学习团队开源，采用模块化设计，为生产环境提供了一系列独特的功能，包括动态行为空间、离线学习、智能神经探索、安全决策制定、历史总结和数据增强。（star 1.4K）

9、gpt-fast：简单高效的 PyTorch 原生 Transformer 文本生成

一个 PyTorch 的展示项目，用不到 1000 行 Python 代码，实现简单高效的文本生成。（star 4.1K）

10、The-Grand-Complete-Data-Science-Materials：数据科学的视频和材料

一个资源收集型仓库，包含数据分析、数据科学、机器学习、生成式 AI 等专题的大量视频列表。（star 4.2K）

11、awesome-LLMs-In-China：中国的大模型

中国大模型列表大全，全面收集有明确来源的大模型情况，包括机构、来源信息和分类等，目前列表中有 189 个国内大模型。（star 2.6K）

12、msgspec：高性能的序列化和校验库

支持对 JSON、MessagePack、YAML 和 TOML 等格式的序列化与校验，拥有超高性能。（star 1.5K）

🐢播客&视频

1、PSF 官宣一档播客节目：Python 的隐藏人物

“Hidden Figures of Python”播客的目标是展示 Python 社区中少数群体的声音。第一期节目是四名女性主播介绍播客的起源和对 Top Python 播客中女性嘉宾稀少的现象分析。

2、Talk Python To Me #442 使用 msgspec 作超高速的消息解析

这期播客的嘉宾是上文 msgspec 的作者 Jim Crist-Harif。

3、DjangoCon US 2023 的视频列表，60 个视频

DjangoCon US 是一个专注于 Django Web 框架的年度性大会，今年的视频已发布。

32 打造个人的新闻聚合阅读器

博客原文 | 发布时间：2023-12-23

🦄文章&教程

1、在并行程序中实际最多能用多少个 CPU？

在 CPU 密集型任务中，通常要根据 CPU 核心数来设置线程/进程池的大小。但如何确定实际用多少个 CPU 最合适呢？物理 CPU 和逻辑 CPU 是什么？如何测试设置多少 CPU 数比较合适？

2、你的 Python 包都装到哪了？

Python 新手经常会遇到包相关的问题，主要原因之一是不清楚 Python 是如何找包的。文章介绍了 Python 查找包的顺序、它是如何安装包的、虚拟环境的作用、脚本运行方式对搜索路径的影响等。

3、移除 CPython 中的私有 C API 函数

Victor Stinner 是很活跃的核心开发者，他在 Python 3.13 alpha 1 中删除了 300 多个私有 C API 函数，收到了一些负面反馈，在 alpha 2 版本中又恢复了 50 个函数。文章记录他所做的事情，以及社区中大家的反馈。

4、Python 小陷阱：复制列表时的问题

如何给 list 这种可变对象创建副本？对于一维列表，文章介绍了三种方法；但是对于二维列表，就涉及浅拷贝与深拷贝问题，需要使用 copy.deepcopy() 。（附注：作者的“Python Gotcha ”系列短文，介绍了 Python 的一些使用注意事项。）

5、取消 Asyncio 任务的最佳实践

Asyncio 任务有手工取消和自动取消，文章介绍了 6 项最佳实践，给出了相应的示例。

6、Python 项目中的配置：没有魔法，只是必要的实践

我们通常将可变或敏感的参数放到配置文件中，可以使用哪些方式呢？有 ini、json、toml、yaml 等文件，也有环境变量等方式。在什么时候做配置的初始化呢？测试时如何修改配置呢？文章分享了一些使用技巧。

7、优化 Python 的 Flask、Django 和 FastAPI 程序

文章介绍了一些配置 Web 服务器的最佳实践（涉及 Gunicorn、Uvicorn 和 Hypercorn）。针对 ASGI 和 WSGI 两类标准接口的差异，如何设置 worker 数和线程数，如何使用 Locust 等工具来作测试，不同 Web 开发框架该用什么方案？

8、为什么 Python、Go 和 Rust 都不支持三元运算符？

Python 不支持三元运算符，但它有一个很特殊的条件选择语法 ，为什么会这样设计呢？文章梳理了 Python 波折的语法设计故事，同时介绍了 Go 和 Rust 不谋而合的做法，让人思考什么才是编程语言中更好的语法设计？

9、Python 中的“key”参数的关键

你也许在 sorted() 和 list.sort() 函数中看到过“key”参数，除此之外，还有很多函数带有这个参数，比如 max() 和 min()，文章介绍了相关函数中对这个参数的用法

10、从 Python 数据类中消除状态突变方法

Python 中可以使用@dataclass 装饰器来定义数据类，它会自动添加 __init__、__repr__、__eq__ 等魔术方法，减少代码量。作者建议定义不可变的数据类，不用将它像普通类一样作变更属性的操作，如果在普通类中要用__repr__ 等方法，建议是手写实现。

🐿️项目&资源

1、feedi：打造个人的新闻聚合阅读器

想不想拥有个人定制化的内容阅读器？它支持解析 RSS 源、拉取 Mastodon 消息、阅读标记、本地文章阅读和预览、支持发送到 Kindle。（附：作者为什么以及如何开发这个项目 Reclaiming the Web with a Personal Reader）

2、generative-ai-python：用 Google AI SDK，开发 Gemini 和 PaLM 应用

Google 推出的生成式 AI 开发工具，可快速基于 Gemini 和 PaLM 大模型开发 AI 应用。支持文本生成、多轮对话、嵌入等。

3、python-guide-for-javascript-engineers：开源电子书《JavaScript工程师的Python指南》

一本基于 abook 编写的开源电子书，涵盖了从 Python 环境安装到项目开发的方方面面。通过大量案例对比 JavaScript 和 Python 语言的异同，帮助 JavaScript 工程师快速掌握 Python 语言。（投稿自@luckrnx09）

4、sqlmap：SQL 注入和渗透测试工具

可自动检测和利用 SQL 注入缺陷而入侵数据库。具有强大的检测引擎、数据库指纹识别、从数据库查询数据、访问底层文件系统、在操作系统上执行命令等。（star 29.4K）

5、TikTokDownloader: TikTok 和抖音数据采集工具

基于 Requests 模块实现的数据采集工具，功能非常齐全！支持命令行模式、Web UI 模式和接口调用模式。（star 1.5K）（附：第 25 期分享过作者的小红书采集工具 XHS_Downloader）

6、Osprey：通过视觉指导微调实现对像素的理解

这是一个靠演示效果把我惊艳到的项目！直接看下方的演示图吧：

7、django-cast：基于 Django 和 Wagtail 的博客/播客项目

使用 Django 快速搭建个人博客和播客网站，Wagtail 作为 CMS 可方便管理文章和播客节目。支持播放播客和视频，支持评论和垃圾邮件过滤，可自定义网站主题。

8、Qexo：快速、强大且漂亮的 Hexo 编辑器

Hexo 博客后台管理，自定义图床上传图片、在线页面管理、开放 API、一键更新、快速接入友情链接。（star 1.2K）

9、project-based-learning：精选的基于项目的教程列表

星星数超多的资源收集类项目，分不同编程语言和技术领域，收集了很多实战项目类的教程。（star 142K）

10、Amphion：用于音频、音乐和语音生成的工具包

它的目标是提供一个平台来研究将任意输入转换为音频。已支持 TTS 文本转语音、SVC 歌声转换、TTA 文本到音频，支持广泛使用的神经声码器。（star 2.2K）

🐢播客&视频

1、PyConChina 2023 的演讲视频

今年 PyConChina 活动的一部分视频已发布了，可在 B 站上观看。

2、Episode #184：PyCoder's Weekly 的 2023 年总结

PyCoder's Weekly 是我长期在看的周刊，这期播客聊了它的一些总结性话题，比如点击量前 5 的链接、今年一些重要的新闻、今年的重要主题和趋势、有意思的项目，等等。

3、Requests vs Httpx vs Aiohttp 该选哪一个呢？

视频比较了使用 requests、httpx 和 aiohttp 的情况，讨论了异步请求的使用等话题。

33 FastAPI 很好，Flask 也没死，它们都有未来

博客原文 | 发布时间：2023-12-30

🦄文章&教程

1、Flask 已死，FastAPI 是未来

一篇标题十分吸睛引战的文章。说实话因见过太多“xxx 已死”、“再见了 xxx”这种煽动情绪的标题，我已经习惯绕道不读。比较框架优缺点，这非常合理，但刻意往贬低一方的角度引，就显狭隘了。（附：一篇回应文 Flask 已死，FastAPI 永生、对回应文的回应文理性参与讨论《Flask 已死，FastAPI 永生》）

2、Python + Flask 打造属于自己的 RSS 安全信息流

如何用 Python 搭建属于自己的 RSS 信息流网站？文章介绍了一个完整的 Flask 项目，支持对接 RSS、解析文章、自动更新，最后部署上线并使用 Nginx 作反向代理。

3、Microdot：又一个 Python Web 框架

作者介绍了自己开源的一个语法类似于 Flask 的 Web 框架，完全支持 asyncio 异步，支持 Websocket、SSE、CORS、Jinja 和 uTemplate 模板等功能。非常小（核心框架代码 700 多行），可以跟 MicroPython 一起使用。

4、周末 AI 项目：在 2004 年的诺基亚 9500 上运行 7B 大型语言模型

在近 20 年前的早期智能手机上运行当下最火的大语言模型，这事感觉蛮有趣！作者使用大小为 4GB 的Llama-2–7B-Chat-GPTQ 模型，最先尝试用 Streamlit 创建应用，但发现它的浏览器不支持，最后用 Flask 开发一个简单的网页，实现与 LLM 的交互！

5、Python Asyncio 之常见的三个坑

Asyncio 出现晚，不像go 、Dart 、js一样隐式的运行事件循环，又使用了async 、await的语法，所以很容易用错。文章介绍了三个坑，以及正确的避坑方法。

6、Bash、Lua、Python 和 Rust 的梦幻岛冒险

原文很短，推荐阅读。文章是三段“冒险故事”，主旨是让我们看到 Bash、Lua、Python 和 Rust 在实现常规 for 循环及推导式和迭代器写法时的相似性与差异性。（附：作者的另一篇数据兔子洞：爱丽丝从 Pandas 到 DuckDB 仙境的冒险）

7、YAML、Python 和 Holy Graal

YAMLScript 是一种函数式编程语言，其语法使用 YAML 编码。它提供了 Python 的yamlscript 库，可与PyYAML 一样操作 YAML 文件，支持最新的 YAML 1.2 规范，还可使用 YAMLScript 函数来生成或操作数据。

8、“Python -m”：最酷的 Python 标记，真的值得更多关注

Python 有不少命令行标记，文章主要介绍了“-m”标记的用法。我非常认可原文标题中用“Coolest”形容这个标记。早在 2019 年，我写过一篇更为详尽的文章《Python 中 -m 的典型用法、原理解析与发展演变》，若你没读过，我诚心推荐！

9、Python CI 的初学者指南

持续集成（简称 CI）是将开发者的代码合并到主存储库中的过程，它涉及的环节不少：提交前测试、代码格式化、静态分析、解决冲突等。很多任务需要用自动化方式，文章详细介绍了 CI 入门、CI 平台选择、CI 任务实践、CI 任务扩展等话题。

10、Python Type Hints 简明教程（基于 Python 3.12）

一篇很详细的 Type Hints 教程，大部分内容是对《流畅的 Python 第二版》与官方文档的总结，后续基于 Python 3.12 重新编排并新增了一些内容。（投稿自@JayYoung2021）

11、Pyinstaller EXE 被检测为病毒？解决方案和替代方案

Pyinstaller 可以将 Python 脚本转换为 Windows 可执行文件。为什么实际没问题的代码，却可能被检测为病毒呢？如何避免被防病毒软件误伤呢？文章介绍的解决方案有：避免单文件模式、自行构建 Pyinstaller 的引导加载程序、使用代码签名证书、使用 Nuitka/Inno Setup 等替代工具。

12、Fontimize 简介|精确字体子集，仅使用你网站的字符

"字体子集"指的是一个字体文件的部分，它有助于优化性能，减少下载时间。作者介绍了自己开源的用于生成字体子集的 Python 库fontimize ，可以减少字体文件约 95% 的大小。

13、GH-113464：copy-and-patch 的 JIT 编译器

周刊第 27 期分享过 Python 3.13 正在开发一个 JIT 编译器的消息，现在 @brandtbucher 已经提交了 PR 啦（恰在圣诞节前）！commit 信息像是一首诗，蛮有意思。

14、消失的隐喻：Zip 和 Paste

Python 中用zip 将两个列表合并，就像一个拉链， Unix 中的paste 命令可执行相同操作，它的比喻是粘贴：将一列放到另一列旁边。paste 可追溯到 1978 年，zip 则追溯到 1988 年，但现在这两个词通常被视作其它含义：paste 总是用于“复制和粘贴”，zip 是压缩文件格式。

15、40 亿个 IF 语句

作者做了一个看似很无聊的尝试，成功将 40 亿个 if 语句写入到 40GB 文件中，可以快速判断任意 32 位数字是偶数还是奇数。这当然是没有现实用处的，但阅读文章你会了解做成这件事并不简单：如何高效写出这么多 if 语句？如何控制文件大小避免编译错误？如何加载和执行才能提升性能？

🎁Python潮流周刊🎁每 30 期为一季，第一季的精华内容已整理成一篇，方便你随时查看。在线访问地址：Python 潮流周刊第一季精华合集（1~30）

🐿️项目&资源

1、nicegui：使用 Python 开发 Web 用户界面

一个基于 Python 的 UI 框架，可以创建按钮、对话框、Markdown、3D 场景、绘图等前端标准元素，内置定时器定时刷新数据，支持 Tailwind CSS 自动补全，支持在 Jupyter Notebook 运行。（star 6.2K）

2、csvkit：用于转换和处理 CSV 的命令行工具

一套用于转换和处理 CSV 的命令行工具，一行命令实现一种常见功能，包括 Excel 转 CSV、JSON 转 CSV、CSV 转 JSON、打印列名、查找匹配单元格的行、生成统计信息、使用 SQL 方式查询表数据、导入和查询数据库数据。（star 5.7K）

# 从 PostgreSQL 中提取数据到 CSV 文件
sql2csv --db postgresql:///database --query "select * from data" > new.csv

3、evue：基于 html/css 的高性能 GUI 框架

基于 Flutter/LVGL 开发，支持多种操作系统，支持深色/浅色主题，支持响应式。采用编译时代码生成技术，性能卓越；原生支持 MVVM, 数据驱动 UI。

4、JARVIS：自己的个人语音助手

开发个人语音助手，将你的语音转成文本给 GPT-3 以生成响应，使用 ElevenLabs 将大模型的响应转为语音，使用 Pygame 播放，使用 Taipy 呈现在网页上。

5、Gooey：只需一行即可将几乎任何 Python 命令行程序转换为完整的 GUI 程序

你敢相信么，只需加上这个库的一行装饰器代码，就能将 CLI 程序转换成用户友好的 GUI 程序？这个项目已存在多年，star 数很多。（star 20K）

6、mod：Mojo 的包管理器工具

Mojo 还没有官方的包管理工具，因此作者用 Python 开发了一个。主要借鉴 Rust cargo 和 Python poetry ，规划提供的能力是：mod = cargo + rustup + poetry + pyenv。

7、canopy：由 Pinecone 提供支持的 RAG 框架和上下文引擎

建立在 Pinecone 矢量数据库之上的 RAG 框架，只需简单的命令即可与文档数据聊天。包含文本数据分块与嵌入、聊天记录管理、查询优化、上下文检索（包括提示工程）和增强生成等功能。

8、toogether-backend：Django REST 社交约会 APP 项目

手机端社交约会 APP 项目，这是后端程序。使用 Django 框架，使用 Gdal、Geos 和 Postgis 进行地理定位。支持推荐匹配、聊天、群聊等功能。

9、DouyinLiveRecorder: 可循环值守和多人录制的直播录制软件

支持抖音、Tiktok、快手、虎牙、斗鱼、B站、小红书等平台直播录制，抓取多平台直播源地址，抖音无水印解析，快手无水印解析。基于 FFmpeg 实现，支持自定义配置录制以及直播状态推送。

10、StreamDiffusion：用于实时交互式生成的管道级解决方案

使用创新的方案，为当前基于扩散的图像生成技术引入了显著的性能增强。（star 6.4K）

11、sqlglot：SQL 解析器和转译器

一个无依赖的 SQL 解析器、转译器、优化器和引擎。可用于格式化 SQL 或在 20 种不同的方言之间进行翻译，例如 DuckDB、Presto / Trino、Spark / Databricks、Snowflake 和 BigQuery。（star 4.4K）

12、texify：输出 LaTeX 和 Markdown 的数学 OCR 模型

将包含数学公式的图像或 pdf 转换为 Markdown 和 LaTeX 格式，可以在 CPU、GPU 或 MPS 上运行。与同类的 Pix2tex 和 nougat 项目不同，它支持更多样化的 Web 场景。

13、talebook：一个简单的在线版个人书库

一个基于 Calibre 的个人图书管理系统，支持在线阅读。后端采用 Tornado 框架，前端采用 Vue.js 和 Readium.js。界面美观，支持多用户、在线阅读、批量导入、邮件推送、书籍信息自动更新、私人模式等功能。（star 2K）

🐢播客&视频

1、为什么 Python, Go, Rust, Kotlin 没有三元运算符？

这是 UP 主@今天晚放学基于我的文章制作的视频，算得上是一份 2024 年元旦贺礼了！相信很多读者已经看过文章版（毕竟上期周刊我还心血来潮分享过），但我还是推荐你再看看这则视频版。另外，作者的“编程美学”系列视频，做的真不错。

34 Python 3.13 的 JIT 方案又新又好！

博客原文 | 发布时间：2024-01-06

🦄文章&教程

1、简单聊聊 Python 3.13 的 JIT 方案

Python 3.13 将引入一个 copy-and-patch JIT 编译器，它尽可能地利用了 LLVM 生态的东西，编译器用 clang，编译参数开 -o3 获取最大的性能，二进制工具用 llvm-objdump 和 llvm-readelf，方案可谓是又新又好。

2、在 Python 中读取 Excel 的最快方法

如何用 Python 读取 Excel 文件？文章从速度、类型、正确性三个维度，分别用 Pandas、Tablib、Openpyxl、LibreOffice、DuckDB 和 Calamine 读取 Excel，得出了性能上的排名。

3、Flask 教程：从头开始构建可扩展的 Web 项目

Flask 是强大且灵活的 Web 框架，这篇入门教程介绍了如何设置 Flask 项目、开发入门级项目、使用蓝图添加多页面、使用 Jinja 模板、存储静态文件等内容。

4、Python、C、汇编 - 提高 2500 倍余弦相似度运算

余弦相似度是机器学习和信息检索中广泛使用的指标，文章以它为例，介绍了一些底层优化方法，从纯 Python 版本开始，Numpy 导致性能变慢、Scipy 提升 2-5x、C 语言提升 200x、SIMD 内部函数提升 400x、结合 AVX-512 与 BMI2 后 747x、增加 AVX-512FP16 后升至 1260x、使用 AVX-512VNNI 提升 2521x。

5、使用 AI 检测 AI 生成的照片

Stable Diffusion XL 和 Midjourney v6 等最新的 AI 模型可以生成极其逼真的图像，人眼已经越来越难以分辨真假。作者训练了一个能够检测 AI 生成图像的分类器，可获得 99% 准确率的结果。

6、Python 内置函数 max 有毛病

作者敏锐地发现 sum、all、any 和 math.prod 几个函数在入参为空列表时，都有恰当的默认值，然而 max 和 min 函数却会报错！作者认为它应该等于负无穷大，你们怎么看？

7、App 自动化测试之 Appium 应用篇| Appium 常用 API 及操作

Appium 是常用的 Android UI 自动化测试工具，文章出自一个 Appium 自动化测试系列教程。

8、使用 Django 构建一个实时消息应用

如何给 Django 应用添加异步的实时事件？不使用 Redis，使用 Django 最新的异步特性。文章演示开发了一个极简的 Web 端即时通讯应用。

9、了解 Python 中的数值数据类型

Python 有哪些常用的数值数据类型？它们有哪些特点，CPython 内部是如何实现的？文章介绍了整数、浮点数和复数类型，以及 math、decimal 和 fractions 三个模块。（附：PEP-3141--数字的类型层级）

10、非阻塞的 Asyncio 日志记录

如何在 asyncio 程序中实现非阻塞记录日志？文章介绍了如何用共享的 Queue 和 QueueHandler 来记录日志，并使用 QueueListener 来存储日志。

11、Instagram 如何仅凭 3 名工程师实现用户规模 1400 万

Instagram 在 2010-2011 年从 0 到 1400 万用户，那时仅仅有 3 名工程师！他们用了什么技术栈，有什么成功经验可给我们借鉴的？文章介绍了它使用到的相关技术和实现方案。

12、Google 设计的类 Python 编程语言 Starlark

Google 设计出 Starlark 旨在取代 Python 作为构建描述语言，语法非常相似。这份文档说明了它的一些设计原则，以及跟 Python 语言的诸多差异，比如它的布尔值不是整数、字符串不可迭代、没有“is”运算符、for/if 语句不允许在函数外部使用，等等。

13、数据工程的历史和现状

文章出自正在连载的免费在线电子书《数据工程设计模式》（Data Engineering Design Patterns）。数据工程经历了 SQL、维度建模、商业智能和大数据、MapReduce 和 Hadoop、云革命等阶段。

🐿️项目&资源

1、watchfiles：简单快速的文件监听和代码重新加载

简单快速实现对文件的监听，使用 Rust 的Notify 库处理底层文件系统通知，支持同步和异步监听处理。（star 1.4K）

from watchfiles import watch

for changes in watch('./path/to/dir'):
    print(changes)

2、hy：嵌入在 Python 中的 Lisp 方言

hy 是 Python 的一种替代语法，与 Python 相比，它提供了各种额外的功能、泛化和语法简化。与其它 Lisp 相比，它提供了对 Python 内置和第三方库的直接访问。（star 4.7K）

3、pyapp：Python 应用的运行时安装器

使用 Rust 开发的工具，可构建运行时自启动的 Python 应用程序，为每个平台构建独立的二进制包。

4、yarl：一个 URL 解析工具

提供了 URL 类，可便利解析和修改 URL，支持通过属性方式访问 url 的每个部分。（star 1K）

5、apispec：可插拔的 API 规范生成器，支持 OpenAPI 规范

自动生成 API 接口规范文档，支持 OpenAPI 规范（即 Swagger 规范），与框架无关，内置对marshmallow 的支持。（star 1.1K）

6、marshmallow：支持复杂对象与简单数据类型相互转换

简单的对象序列化库，与 ORM/ODM/框架无关，可用于验证输入数据、序列化与反序列化，提供有丰富的字段类型，支持多种数据格式。（star 6.8K）

7、jake：在 GitHub 上轻松创建和部署自己的单链接网站

单链接网站（one-link website）适合用作个人主页，这个网站模板使用 Github Pages 部署，让你轻松省力地构建美观的个人主页。

8、docflow：功能强大的文档管理 API，无缝上传、下载、组织、版本控制、共享

简化文档类的处理操作，支持身份验证和授权、列表权限控制、文档的增删改查、文档预览、版本控制等。

9、auto_job__find__chatgpt__rpa：基于 ChatGPT 的自动投简历助手

国人作品。利用 ChatGPT 根据你的简历和某招聘网站的职位描述，自动匹配和生成求职信息，自动发送给招聘人员。求职寒冬季，祝你好运！

10、oshit：放在命令行终端的 Hacker News

简化的 Hacker News 阅读客户端，没有登录、投票、发布等功能，支持查看用户和评论信息。

11、mixtral-offloading：在 Colab 或个人电脑上运行 Mixtral-8x7B 模型

实现了对 Mixtral-8x7B 模型的高效推理，需要大约 16 GB 的 VRAM 和 11 GB 的 RAM。（star 1.4K）

12、RecoverPy：以交互方式从终端查找和恢复已删除或覆盖的文件

文件的数据被覆盖或删除了，还能找回么？这是一个 Linux 上的文件&数据恢复工具，支持文本搜索，支持交互式操作。（star 1.1K）

13、MobileVLM：美团开源的移动设备视觉语言助手

在移动设备上运行的多模态视觉语言模型（MMVLM），有 1.4B 和 2.7B 参数规模，在高通骁龙 888 CPU 和 NVIDIA Jeston Orin GPU 上分别获得每秒 21.5 个 token 和 65.3 个 token 的优秀性能。

🐢播客&视频

1、捕蛇者说 Ep 44. 与 Tualatrix 聊聊独立开发使用的技术栈

独立开发者怎么做技术选型？为什么图拉鼎会用 Python 作为自己项目的后端语言？（附：两年前的另一期播客 ByteTalk 3. 跟图拉鼎聊聊独立开发者的那些事）

2、给 Pythonistas 的 Rust 编程入门教程

以面向 Python 开发者的视角来对比和学习 Rust 编程，介绍了主要特性的差异（比如 Python 的类和 Rust 的 struct）。

35 Python JIT 编译器和 Numpy2 即将推出

博客原文 | 发布时间：2024-01-13

🦄文章&教程

1、Python 3.13 也有了 JIT 编译器

JIT（Just in Time）是什么？它的工作原理是怎样的？Python + JIT 能带来什么好处？copy-and-patch JIT 是 2021 年提出的设计，专为动态语言运行时而设计的高速算法。Python 3.13 有望实现它！上期周刊的第一则分享是关于它，本期我们继续哈~

2、NumPy 2 即将推出：防止破坏，更新你的代码

NumPy 2 是一个重要的大版本，预计于 2024 年 3-4 月发布。它是一个不向后兼容版本，为了确保我们的应用不被破坏，有必要提前做些准备。文章介绍了新版本的不兼容修改、如何确保在合适的时机再安装新版本、如何轻松升级你的代码。

3、Python 反直觉地在科学计算中兴起

文章提出了一个疑问：在关注性能的科学计算领域，以前很流行 Fortran，为什么现在越来越多使用性能较慢的 Python？原因也许是人们高估了执行速度的重要性，编程的敏捷性和项目的可维护性更重要，而且替代方案的性能也不差。（附：Fortran 社区的讨论）

4、在 Pandas 中实现快速高效的不等价连接

Pandas 支持用 merge 和 join 函数实现等价连接，但是不等价连接怎么办呢？文章介绍了两种比常规笛卡尔连接更好的方案：使用pyjanitor 库的 conditional_join 函数，既节省内存又不损性能；使用DuckDB 的 SQL 查询 DataFrame，性能极高。

5、Pandas Profiling：详细介绍它的使用

Pandas profiling 是一个很流行的库（已改名ydata-profiling），仅需一行代码就能生成数据集的分析报告。这篇教程介绍了它的工作原理、如何导入和生成报告、分析和处理敏感数据、分析大数据、它的替代库及它的缺点等内容。

6、深入了解 Python 的 functools.wraps 装饰器

Python 装饰器是我最爱的特性之一。在我们自定义装饰器时，需要考虑元数据的丢失问题，functools.wraps 很关键。文章介绍了它的用处、如何使用它，以及如何传递自定义参数。

7、纯 Python 实现的 SIMD

作者分享了如何用纯 Python 实现 Game of Life（用pysdl2 作图形输出），以 180fps 的 4K 分辨率运行，比传统的实现加速了 ~3800 倍。

8、保护 Flask 程序的最佳实践

想要提升 Flask 项目的安全性，免受安全漏洞侵害，有哪些最佳的技术实践？文章基于 OWASP Top 10 最常见漏洞，介绍了yaml.safe_load 加载 JSON、defusedxml 解析 XML、flask_wtf 保护表单、 secure_filename 处理文件路径、防 XSS 和 CSRF 的一些方法、构建安全 API 的 9 个建议，等等内容。涉及 Flask-SSLify、Flask-RESTful、Flask-HTTPAuth、Flask-JWT-Extended 和 Flask-Limiter 等库。

9、使用服务器发送事件（SSE）将实时更新推送到客户端

服务器发送事件 SSE 是 Web 服务器向网页发送实时信息的一种方式，无需页面重复请求。文章用完整的例子介绍了如何用 Python 实现它，最后也指出了它的两点局限性。

10、开发用 AI 驱动的 TODO 应用

在人工智能时代，TODO 应用会是什么样子的？作者用 Django + 简单的 HTML + Whisper + mixtral-8x7b-instruct + SQLite 实现了一个 TODO 项目，值得借鉴学习！

11、PEP-736 调用时关键字参数的简写语法

这个 PEP 提议引入一个语法糖 f(x=) ，作为命名参数和值的变量名相同时f(x=x) 的简写。它与 f-string 的 f'{x=}' 相似，在 Ruby、JavaScript 和 Rust 中能找到类似的简写。据统计，这种模式占关键字参数用法的 10-20%。

12、如何用 Python 删除图像中的背景？

这篇教程介绍了如何用Tkinter 和rembg 实现移除图像的背景，效果挺不错。

🐿️项目&资源

1、ydata-profiling：用于 Pandas 和 Spark DataFrame 的数据分析

与 Pandas 的df.describe() 函数一样，ydata-profiling 非常好用，只要一行代码，提供了对 DataFrame 的扩展分析，支持以 html 和 json 等格式输出分析报告。（star 11.7K）

2、pdfsyntax：检查和修改 PDF 文件内部结构

这是用纯 Python 实现的轻量级库，用于检查和修改 PDF 文件，支持 CLI 和 API 用法。

3、harlequin：终端里的 SQL IDE

在命令行终端里可视化操作 SQL。（star 1.6K）

4、litellm：使用 OpenAI 格式调用所有 LLM API

用统一的方式调用 LLM，支持 Bedrock、Azure、OpenAI、Cohere、Anthropic、Ollama、Sagemaker、HuggingFace、Replicate 等 100+ LLMs。（star 4.4K）

5、unstructured：用于 AI 模型的非结构化数据预处理工具

对文档（如 PDF、HTML、WORD等）和图像等非结构化数据作预处理，提供分区、清洗、暂存、提取、分块和嵌入等方法。（star 4.2K）

6、chatgpt-on-wechat: 基于大模型搭建的聊天机器人，支持微信、企业微信、公众号、飞书

可选择 GPT3.5/GPT4.0/Claude/文心一言/讯飞星火/通义千问/Gemini/LinkAI，能处理文本、语音和图片，访问操作系统和互联网，支持基于自有知识库进行定制企业智能客服。（star 19.9K）

7、whisperX：具有单词级时间戳的自动语音识别

对语音识别模型 Whisper 的增强，拥有更准确的时间戳、多说话人检测，并通过增强语音活动检测来减少幻觉，速度更快，占用内存更少。（star 7.4K）

8、42 道在线的 Python 编程练习题

一个编程练习网站，提供了 42 道 Python 小项目练习题，有解答思路分析和参考答案。

9、mealie：自托管的食谱管理和膳食计划项目

一个食谱管理项目，具有 RestAPI 后端和用 Vue 开发的反应式前端。支持 PC、平板和移动端，可使用 url 轻松添加食谱，支持用户管理和群组管理。（star 4.3K）

10、guardrails：给大语言模型添加护栏

大语言模型没有按预期回应，有什么办法？这个库可以指定输出结构和类型，可验证和更正大模型的输出，提升内容质量。（star 2.7K）

11、chainlit：在几分钟内构建 Python LLM 应用程序

快速构建类型 ChatGPT 的 Web 应用，集成了 Langchain、Autogen、OpenAI Assistant、Llama、Haystack，可自定义前端实现全部功能，包括监控和观测、身份校验机制、多用户、各种工具无缝集成等。（star 4.3K）

12、functime：用 Polars 构建的时间序列机器学习

可在大型数据集上进行生产就绪的全局预测和时间序列特征提取，支持时间序列预处理、交叉验证拆分器和预测指标（MASE、SMAPE 等）。

🥂讨论&问题

1、为什么 Python 会有.venv 虚拟环境的概念？

Python 为什么需要用虚拟环境？为什么 Python 会用这种包管理机制？包管理软件需要解决什么样的问题？

2、Java 如何调用含有第三方依赖的 Python 项目？

在不能调用 API 的情况下，如何让 Java 项目调用 Python 项目？JNI-CPython-Python 方案有什么问题？打包成 EXE 和 so 实现如何？

36 Python 打包生态依然不乐观

博客原文 | 发布时间：2024-01-20

🦄文章&教程

1、一年后的 Python 打包：回顾 2023 年 Python 的打包

作者一年前吐槽了 Python 打包的悲惨状况，一年后再看，有什么改善么？还是变得更糟糕了呢？文章讨论了社区里主流的打包工具、PEP 标准及其落实情况，尽管有不少新东西，但看起来还是很黯淡。

2、PyCon 2023（美国和澳大利亚）所有演讲视频

文章整理了去年 PyCon US 和 Python AU 的 243 个视频，按照 Youtube 播放数排序。都不算多，而且第一名和第二名的差距非常之大。

3、Python 的 Synchronized

Java 中用synchronized 关键字可以保证变量是线程安全的，Python 中有什么东西可以达到相同效果么？文章介绍了threading 模块的 Lock + 上下文管理器 + 装饰器的实现方案。

4、更快的 Python C 扩展的类型信息

PyPy 是一个 Python 解释器，它的 C API 兼容层存在一些性能问题，作者正在研究使 PyPy 的 C API 变快方法，文章介绍了他们所做的工作。

5、通过示例比较 Kotlin 和 Python 中的协程

作者在用 Python 和 Kotlin 开发时，都接触了协程，因此写了几篇文章来比较它们的用法、分析它们的细节和工作原理，涉及文件读写、HTTP 请求、序列和生成器，可以加深你对协程的理解。

6、Pydantic 处理 1970 年代时间的奇特问题

Pydantic 在处理 Unix 时间戳时会猜测是以秒还是毫秒为单位，但这遇到 1970 年的时间就有问题啦！众所周知，计算机世界的时间戳从 1970-1-1 开始（UNIX 纪元），这意味着早期的时间戳位数少，若当成秒级换算的话，谬之几十年！

7、浏览器上的代码游乐场

如何在浏览器上实时执行代码片段？作者基于 WASI，开源了一个工具，可以在浏览器上执行 Python、PHP、Ruby、Lua、Javascript 和 SQLite 代码片段。

8、SQLite 的“database is locked”错误

多线程环境中使用 SQLite，可能会出现“database is locked”错误，文章分析了两大原因（SQLite 等待锁超时、在事务读取后写入），介绍了对应的解决方案，特别提及 Django 本身提供的解决方案。

9、数据处理神器可不止 Pandas 哦，还有 Polars，全方位解析 Polars

Polars 是基于 Rust + Arrow 实现的高性能 Python 数据处理库，这篇教程全方位介绍了 Polars 的相关知识。（附：另一篇同样主题的文章 Polars 实用教程）

10、用 Python 函数构建 HTML 组件

如何在 Python 中实现类似 React 的组件？作者准备用纯 Python 函数生成 HTML，使用lxml 库来渲染，文章介绍了一些基本的尝试，验证可行性。

11、500 行 SQL 实现一个 GPT

用 SQL 能否实现一个大语言模型呢？ChatGPT 说这超出了 SQL 的能力。但是，作者不这样认为！文章详细介绍了实现 GPT 所需的相关知识，最终用 500 行 SQL 实现了出来！（附：作者从 2010 年以来每年用 SQL 实现一件不可思议的事，比如用 SQL 求解魔方、用 SQL 实现量子计算机模拟器 ……）

🐿️项目&资源

1、niquests：使用 HTTP/3、HTTP/2，支持异步的 requests

requests 库的直接替代，具有 HTTP/3、HTTP/2、多路复用连接、系统 CA、证书吊销、HTTPS/TLS/QUIC 或 UDP 上的 DNS、异步、DNSSEC，消除了 requests 的很多缺点。

2、slotscheck：确保你的__slots__正常工作

Python 的 __slot__ 变量可以减少实例内存，防止添加动态属性。但要正常工作，所有基类都要实现它。这个库可以检查它是否损坏、重叠、冗余，提供了 pre-commit 钩子。

3、panel：强大的数据探索和 Web 应用框架

支持拖拽小部件、绘图、表格和其它可查看的 Python 对象组合到自定义分析工具和仪表板中，支持大量可视化工具，支持 ipywidgets 。（star 3.7K）

4、QAnything：基于任何东西的问答

支持任意格式文件或数据库的本地知识库问答系统，可断网安装使用。一键安装部署，支持跨语种问答，支持选择多知识库问答。（star 1.9K）

5、Bert-VITS2-ext: 基于 Bert-VITS2 做的表情、动画测试

TTS 同步产生脸部表情数据、声音到表情、生成身体动画。

6、weread-exporter: 将微信读书中的书籍导出成 epub、pdf、mobi 等格式

通过 Hook Web 页面中的 Canvas 函数，获取文本及样式等信息，转换成 Markdown 格式，最终转换成 Epub、PDF 和 Mobi 格式。

7、leetcode-solution：用 Python 解各种 LeetCode 问题

这个项目收录了 400 多道 LeetCode 题目和不同语言的答案。

8、CapsWriter-Offline: CapsWriter 离线版，好用的 PC 端语音输入工具

一个 PC 端的语音输入、字幕转录工具，完全离线、无限时长、低延迟、高准确率、中英混输、自动阿拉伯数字、自动调整中英间隔。支持热词功能、日记功能、转录功能等。

9、surya：任何语言的准确行级文本检测和识别（OCR）

一个多语言文档 OCR 工具包，支持准确的行级文本检测。缺点是不适用于图片和手写文本。（star 3.6K）

10、GPT-SoVITS：1分钟的语音也可训练一个好的 TTS 模型

强大的短镜头语音转换和文本转语音 WebUI，Zero-shot TTS、Few-shot TTS、跨语言支持、W ebUI 工具。（star 2.7K）

11、trt-llm-rag-windows：使用 TensorRTLLM 在 Windows 上创建 RAG 聊天机器人

一个 Windows 上的 RAG 演示项目，基于 LLaMa 2 13B 模型、TensorRT-LLM 和 FAISS 向量搜索库。

12、LangGPT：让每个人都能成为提示词专家

以结构化、模板化的方式编写高质量 ChatGPT prompt，克服普通 Prompt 创建时缺乏系统性、缺乏灵活性等缺点。（star 2.8K）

37 Python “令人失望”的动态类型超能力

博客原文 | 发布时间：2024-01-27

🦄文章&教程

1、Python 装饰器的 3 个真实案例

这是作者装饰器系列文章的第三篇，从很多开源库的现实用法中提取出了三个通用型用法：拦截调用、作函数注册、丰富函数行为。

2、这不是面试建议：Python 不用堆和树实现按优先级过期的 LRU 缓存

假如这是一家超级大公司的面试题，不使用堆和二叉搜索树，如何实现标题的算法？文章通过最小合理方案，一步步提出问题再优化代码，并比较各种方案的时间复杂度，可以学到很多东西。

3、Python dict() 和 {} 的性能分析

Python 创建字典的两种写法 dict() 与 {} 有什么区别？文章通过它们的字节码和 CPython 解释器源码进行了深度分析。单纯看性能，结论是：{} 要比 dict() 快。（附：Python 为什么系列曾写过 Python 疑难问题：[] 与 list() 哪个快？为什么快？快多少呢？

4、增强 Markdown 语言以实现出色的 Python 图形界面

Taipy 团队开发了增强型 Markdown API，通过添加标签在内容中生成图形界面元素。

5、7 个 Python 内存优化技巧

介绍了 Python 中 7 个可以优化内存的技巧：在类定义中使用__slots__、使用生成器、使用mmap 作大文件处理、减少使用全局变量、利用逻辑运算符的短路求值、选择合适的数据类型、使用字符串驻留技术。

6、Python 中的垃圾回收：你需要知道的事情

Python 垃圾回收是如何实现的？CPython 为什么使用引用计数？分代垃圾回收器可以解决什么问题？如何查看和调试引用周期？

7、Postgres 与 DynamoDB：该选择哪个数据库？

Postgres 和 DynamoDB 两种数据库分别是如何使用的？应该如何选择？文章比较了它们的 ORM、查询、性能、备份、迁移等方面，并根据不同场景给出了方案选型的建议。

8、使用 Streamlit 在 Python 中创建仪表板

一篇详细的官方博客教程，使用 Pandas 作数据整理，用 Altair/Plotly 作数据可视化，用 Streamlit 作前端。

9、scrapscript.py 编程语言的实现过程

Scrapscript 是一种小型、纯粹、函数型、内容可寻址、网络优先的编程语言，作者介绍了它的设计原则、特性、已实现和开发中的功能，以及使用 Python 实现的过程。

10、Python Cryptography 已支持 X.509

X.509 是一种 PKI 标准，用于定义数字证书的格式和标准化证书的属性。Cryptography 的 42.0.0 版本提供了 X.509 相关 API，文章介绍了它的重要意义、解决的相关问题。

11、我对动态类型感到失望

作者感到失望的原因不是动态类型相比静态类型有什么缺点，而是认为 Python 没有充分利用动态类型的优势。动态不是静态的对立面，动态是可在运行时变更类型。作者希望增强动态分析的能力，希望动态类型的“test amplification”更容易，而不是转向类型注释或静态类型。

12、Python “令人失望”的超能力

这篇文章是对上一则分享的回应，通过 Werkzeug、Pony、Django、fluent-compile、Pytest 等库使用到的神奇技术（猴子补丁和动态元编程），说明 Python 动态类型的超能力。Python 能做的事或许超出你想象。

🎁Python潮流周刊🎁每 30 期为一季，第一季的精华内容已整理成一篇，方便你随时查看。在线访问地址：Python 潮流周刊第一季精华合集（1~30）

🐿️项目&资源

1、core：可用于生产的 AI 助手框架

一个基于任意大语言模型构建自定义 AI 的框架，使用 Docker 部署。API 优先，支持插件扩展，带管理面板，记忆对话和文档。（star 1.6K）

2、van-gonography：将任意类型的文件隐藏在一张图像中

支持将任意类型文件隐藏在一张图像中，不影响图像的视觉效果。支持图像解码、图像比较、CLI、UI、跨平台、加密与压缩等功能。

3、mpmath：任意精度的浮点数运算

支持高精度的实数和复数浮点数运算，提供了大量特殊的用于数学运算的函数。

4、sqlite-worker：在多线程应用中轻松管理 SQLite

为 SQLite 数据库操作提供线程安全的接口，基于队列的语句执行。

5、granian：用于 Python 程序的 Rust HTTP server

用 Rust 实现的单一 HTTP 实现，避免常见的 Gunicorn + uvicorn + http-tools 依赖组合。支持 ASGI/3、RSGI 和 WSGI 接口应用，支持 HTTP/1 和 HTTP/2 协议。（star 1.5K）

6、fasthx：FastAPI + HTMX 开发框架

FastAPI + HTMX 的组合，主要特点：装饰器语法、支持任意模板引擎和服务器端渲染库、内置 Jinja2、同时支持 HTMX 请求和普通请求、支持同步和异步路由……

7、ml-engineering：机器学习工程开源书籍

一本适合 LLM/VLM 训练工程师和操作员的技术手册，可帮助成功训练大型语言模型和多模态模型。（star 6.9K）

8、sglang：专为大型语言模型设计的结构化生成语言

通过同时设计前端语言和运行时系统，使交互 LLMs 更快、更可控。支持多个链式生成调用、高级提示技术、控制流、多模态、并行和外部交互，具有 RadixAttention 的高性能运行时。

9、chatgpt_telegram_bot：ChatGPT Telegram 机器人，无限制用 GPT-4

将 ChatGPT 部署成自己的 Telegram 机器人，支持 GPT-4、GPT-4 Turbo 和 DALLE 2，支持群聊，内置 15 种特殊对话模式，支持查看 OpenAI API 花费等功能。（star 4.5K）

10、HuixiangDou：基于 LLM 的领域知识助手

它的中文名是“茴香豆”，提出一套解答技术问题的算法 pipeline，部署成本低，支持群聊这类复杂场景，支持微信群、lark 群组、飞书群、钉钉机器人等 IM。

11、ComfyUI-InstantID：ComfyUI 的 InstantID 的非官方实现

使用 ID Base 模型、InsightFace 模型、ID ControlNet 模型、Ipadapter_instantid 等模型，官方提供 8 种风格。

12、ComfyUI-PhotoMaker-ZHO：ComfyUI 的 PhotoMaker 的非官方实现

支持 lora、支持多批次、支持通用的 styler，官方提供 10 种风格。

38 Django + Next.js 构建全栈项目

博客原文 | 发布时间：2024-02-03

🦄文章&教程

1、使用 Django、Django REST 和 Next.js 构建全栈项目

Django 和 Nextjs 是后端和前端开发中非常强大 Web 框架，这篇教程用 Django 4.2 和 Next.js 13 开发了一个餐厅菜单管理项目。

2、使用 SQL、Node.js、Django 和 Next.js 构建仪表板项目

比上一则分享更为全面的全栈项目教程，除了实现 CURD 操作，还涉及仪表板、表单筛选、Tailwind CSS、不同数据库的使用，以及分别使用 Node.js 和 Django 构建后端等内容。

3、用 Profila 分析你的 Numba 代码

Numba 是提升 Python 代码性能的常见方案。作者开源了一个 Profila 库，专用于分析 Numba 代码本身的性能问题，文章介绍了它的使用方法，以及关于性能分析的三点局限性。

4、Python datetime 标准库的 10 个陷阱

作者分析了datetime 模块的 10 个陷阱，同时介绍了主流的三方库的情况（例如 arrow 、pendulum 、DateType、heliclockter），发现它们大多存在同样的问题。什么样才是更好的日期时间库？作者开源了一个库，试图解决文中的问题。

5、使用 Python 纠正语法的 4 种方法

这里的“语法”指的是写作语法，不是编程语法。文章介绍了language-tool-python 、Gramformer 、Ginger 和 pyaspeller 4 个库用于检查和自动纠正语法错误。

6、Python 调试技巧

这是作者在 2023 PyCon Sweden 演讲的文字版，分享了他的调试思维、调试工具和技术，工具例如snoop、pdb/ipdb、PuDB、web-pdb、birdseye、Kolo 等等。

7、调试 Python 与 C 语言混合的项目

调试很难，跨多语言调试更难。文章介绍了如何调试多语言问题，使用 GDB 来调试 Python+C 语言，定位和解决死锁问题，分享了一些调试的经验。

8、分析“使用 Python 和 2MB RAM 对一百万个 32 位整数进行排序”

Guido 在 2008 年写了 Sorting a million 32-bit integers in 2MB of RAM using Python ，这篇文章是对它作的分析解读。解决方案中用到了不太常见的模块：struct、array、heapq ，也用了上下文管理器和生成器等技术。

9、使用 Python + Pylasu 实现语言解析器

如何用 Python 开发一个解析器？这篇教程用Pylasu 定义 AST，使用ANTLR 生成解析器，实现从 ANTLR 解析树到 Pylasu AST 的转换，最后构建出带 CLI 的玩具编程语言解析器。

10、动态规划不是黑魔法

动态规划什么编程技术？相比其它方案，它的特点和优势是什么？文章从常见编程问题出发，使用缓存、优化缓存、动态规划逐步深入，揭开动态规划的神秘面纱。

11、什么时候应避免静态类型检查？

Python 支持用类型提示，但这并不是强制的。事实上，有很多情况下并不建议使用类型提示。typing 模块的这篇文档列举了一些不推荐使用类型提示的原因。

12、实用指南：用 Python 运行开源的 LLM

在个人笔记本电脑上如何运行大语言模型？这篇教程介绍了在不同操作系统上运行llama.cpp 的完整过程，例如选择和下载模型、提示词设置、使用 GBNF 语法格式化 LLM 输出、流式响应、多模态模型等。

🐿️项目&资源

1、excelCPU：用 Excel 实现的 16 位 CPU 和相关文件

才发布一周就已近 3K star 的火爆项目！CPU.xlsx 文件提供了 16 位 CPU、16 个通用寄存器、128KB RAM 和 128x128 显示区域。使用 Python 进行编译。（star 3K）

2、whenever：万无一失的 Python 日期时间

前文提及过的日期时间库，克服了标准库和其它三方库没有很好解决的一些问题。

3、DeepSeek-Coder：让代码自己编写

它由一系列代码语言模型组成，每个模型都用 2T token 训练，提供多种型号尺寸，拥有高级代码补全能力，在各项基准测试中表现亮眼。（star 4.3K）

4、fastcrud：FastAPI 的异步 CRUD 操作

特性有：完全异步、SQLAlchemy 2.0、强大的 CRUD、动态构建复杂查询、高级 SQL 联结、基于偏移或光标的分页、模块化可扩展、自动生成接口。

5、leptonai：简化 AI 服务构建的 Pythonic 框架

让你轻松用 Python 代码构建 AI 服务，主要特性：良好的抽象、仅需几行代码即可启动模型、内置常见模型（如 Llama、SDXL、Whisper 等）的示例、自动批处理、后台任务等。（star 1.9K）

6、gpt-newspaper：用 GPT 创建个性化报纸

让 AI 根据你的个人品味和兴趣来策划选题、撰写、设计和编辑内容，由 6 个专业 agent 组成，支持搜索网络最新内容，聚合知名的新闻源。

7、apprise：几乎适用于所有平台的通知推送

纯 Python 开发的轻量型消息推送库，支持通过大多数服务发送通知，例如 Telegram、Discord、Slack、Amazon SNS、Gotify 等等等，支持短信、邮件、系统桌面等多种形式。（star 9.7K）

8、procrastinate：基于 PostgreSQL 的 Python 任务队列

一个基于 PostgreSQL 的分布式任务处理库，提供 Django 集成，易于与 ASGI 框架一起使用。支持异步、周期任务、重试、任意任务锁等功能。

9、flent：灵活的网络基准测试工具

它可以同时运行多个 netperf/iperf/ping 实例并聚合结果，通过交互式 GUI 和可扩展的绘图功能展示数据，支持本地和远程主机，支持采集 CPU 使用率、WiFi、qdisc 和 TCP 套接字统计信息等。

10、urllib3：新版本支持在浏览器发起 HTTP 请求

urllib3 发布了 2.2.0 版本，支持在Pyodide 运行时中使用！后者是用在浏览器中的 Python 解释器，也是PyScript 和 Jupyterlite 框架的技术基础。这对 Python 的前端开发有重大作用，未来可期。

11、gnuplotlib：基于 gnuplot 的 numpy 绘图后端

Gnuplot 是一个强大的开源绘图工具，用于生成各种类型的二维和三维图表。这个项目将它与 Numpy 结合，充分利用数据处理和绘图能力。

12、history_rag：用 RAG 搭建中国历史问答应用

RAG（检索增强生成）+向量数据库搭建一个中国历史知识问答应用，支持“Milvus方案“（本地）和“Zilliz Cloud Pipelines方案”（云上），提供基于gradio的 Web UI 界面。默认使用 GPT4 模型，可轻松切换其它 LLM。

39 Rust 开发的性能超快的打包工具

博客原文 | 发布时间：2024-02-24

🦄文章&教程

1、uv：Rust 开发的 Python 打包工具

Ruff 所属团队用 Rust 开发的一个利器：Python 的包解析与安装器uv ！它被设计为 pip 和 pip-tools 的直接替代品，不使用缓存时比它们快 8-10 倍。也可通过 uv venv 用作虚拟环境管理器，比 python -m venv 快 80 倍，比virtualenv 快 7 倍。（附：一篇中文翻译）

2、Rye：愿景延续

Rye 是 Flask 作者在去年 4 月发布的 Python 打包和项目管理工具，作者在文章中总结了它已实现的功能（下载 Python、管理虚拟环境、构建和发布包、linting 和格式化、依赖管理等），介绍了自己的设计想法。（附1：作者的 16 分钟教程视频 Rye: a Hassle-Free Python Experience）（附2：上一则分享的 uv 团队已接管了 Rye，将来会融合成一个。Rye Grows With UV）

3、为什么越来越多用 Rust 开发的库？

Rust 正在逐步取代 C 语言成为 Python 的高性能后端支撑。文章介绍了 Rust 相比 C 的优势所在，介绍了用 Rust 开发的一些知名的 Python 库。

4、80 行 Python 实现一个搜索引擎

这篇文章略微标题党了，但是文章介绍的内容很完整：基于 RSS 的异步爬虫、倒排索引、搜索排名、基于 FastAPI 的 Web 网页。可以学习搜索引擎的工作原理，学习从数据获取、数据解析、开放接口、到网页呈现的项目开发流程。

5、如何计算 Python 中的 CPU 指令数？

你知道执行 Python 的 print("Hello") 大约需要多少个 CPU 指令么？答案是 17000。导入 seaborn 则需要大约 20 亿个。作者开发了 Cirron 库以计算 CPU 指令数、分支未命中数及代码的时间损耗等指标。

6、Python 复用装饰器代码

有多个装饰器要加在不同的函数上，而且相同的装饰器可能有不同传参，如何复用这些装饰器？问题初看可能不好理解，文章中有直观示例和解决过程，可以加深你对装饰器的理解和掌握高阶运用。

7、像专业人士一样处理 Asyncio 任务

如何理解 Asyncio 中的 Task 对象？Asyncio 协程的工作原理是什么？如何等待一个任务，又如何等待多个或一组任务？文章介绍了 Asyncio 的工作原理以及任务处理相关的函数用法。

8、使用 textwrap 模块操作字符串

文章介绍了 textwrap 库的几个主要功能，例如 shorten() 裁剪字符串长度、wrap() 将字符串等宽分割、dedent() 处理字符串缩进等。

9、总结 Python 版本间的主要变更点

Python 的一些新特性是在什么版本引入的？作者为了方便，梳理了一些重要语法和标准库的变更记录，同时也指出了每个版本终止维护的时间（例如 Python 3.8 将在今年 10 月 EOL）。（附：这个网站可以查看 Python 及很多项目的 EOL 时间）

10、将 Postgres 作为队列使用

直接将数据库作为队列使用，性能会不会很受影响？作者测试的结果是影响很小。具体该如何实现将 Postgres 作为队列使用？如何处理锁和事务、任务重试、处理任务超时等问题？

11、我在所有 Django 项目中都用的 20 个包

Django 框架适用于构建复杂的 Web 项目，作者介绍了自己常用的 20 软件包，在 Django 自身的核心功能之外，提供了更丰富的功能。

12、Python 元类的真实案例

Python 中的元类是什么？为什么要学习元类？这个高级特性并不常用，但值得学习了解。文章介绍了元类的工作原理，并用现实例子演示它的强大用途。

13、一万亿行气象数据的编程挑战

一个编程挑战项目：有 100,000 个文件，每个文件 1000 万行，计算每个气象站的最低、平均和最高温度。数据存储在 S3 上，总大小 2.5 TB。作者给出了自己的实现（运行 8.5 分钟），以及优化成本的方案。

🎁Python潮流周刊🎁每 30 期为一季，第一季的精华内容已整理成一篇，方便你随时查看。在线访问地址：Python 潮流周刊第一季精华合集（1~30）

🐿️项目&资源

1、uv：性能极快的 Python 包安装和解析器

用 Rust 开发的速度极快的 Python 包安装器和解析器。Ruff 团队作品。可直接替换 pip 、 pip-tools 和 virtualenv 常用命令。（star 6.6K）

2、sqlite-web：基于 Web 的 SQLite 数据库工具

基于 Flask 开发的 Web 端 SQLite 管理工具，可视化管理数据库、数据表、数据项和索引等，支持 JSON 和 CSV 格式文件的导入导出。（star 2.6K）

3、celery-exporter：导出 Celery 指标用于 Prometheus

实时获取 Celery 的任务状态、工作线程、活动任务数等监控指标，遵循 Prometheus 导出器最佳实践，并利用 Celery-mixin 提供了 Grafana 仪表板及 Prometheus 告警功能。

4、pyupgrade：自动升级 Python 较新版本的语法

一个强力的工具和 pre-commit 钩子，可以自动删除冗余写法、用新语法重写过时的代码、用更优雅的写法重构代码，等等。项目文档中给出了很多例子，推荐阅读。（star 3.2K）

# 两个重写成字典推导式的示例
-dict((a, b) for a, b in y)
+{a: b for a, b in y}
-dict([(a, b) for a, b in y])
+{a: b for a, b in y}

5、ollama-python： Ollama Python 库

支持 Python 3.8+，简单快速集成 Llama 2、Code Llama、mistral、gemma 等大语言模型，可自定义客户端，还可创建异步客户端。

6、web2pdf：将网页转换为 PDF 的 CLI

一个命令行工具，可将网页转换为格式精美的 pdf。支持批量转换、自定义样式、附加 CSS、复杂布局、页码、目录和分页符等功能。

7、natural-sql：文本生成 SQL 的大语言模型

NaturalSQL-7B 是拥有超高准确性的文本生成 SQL 大模型，在 SQL-Eval 基准测试中领先 GPT-3.5-turbo 和 claude-2，也领先于同数据规模的 sqlcoder-7b。

8、rawdog：在 CLI 中自动生成并执行 Python 脚本

Rawdog（具有确定性输出生成的递归增强）是 RAG（检索增强生成）的一种新颖替代方案，可以自己运行脚本并获取输出作为上下文，然后再次调用自己。演示视频的例子很惊艳。（star 1.6K）

9、UFO：基于 UI 与 Windows 系统交互的 AI 代理

微软新推出的 AI 代理框架，可无缝跨多应用操作，完成用户的复杂任务。使用 GPT-Vision 的多模态功能来理解应用 UI，使用 Windows UI 自动化控件交互。（star 1.9K）

10、toolong：查看、跟踪、合并和搜索日志文件（以及 JSONL）的终端应用

在命令行终端快速查看日志文件，支持实时尾随、语法高亮、快捷搜索、自动检测时间戳合并日志等功能，支持 JSONL 文件，可自动打开 .bz 和 .bz2 文件。（star 2K）

11、Owl：在本地运行的个人可穿戴 AI

在可穿戴设备上搭载 AI，倾听和观察你生活中发生的一切。支持 ESP 平台、Sony Spresense 或 Apple Watch 等硬件，支持本地和在线模型，多模态采集，说话人验证等。

12、hyperdiv：用 Python 构建响应式 Web UI

一个用 Python 快速开发响应式 UI 应用的框架，具有内置组件、简洁的即时模式语法和少量的工具样板。支持 Shoelace 组件，支持 Markdown，集成 Chart.js 图表，支持读写浏览器缓存，支持表单验证等。

13、fabric：使用 AI 增强人类

这个项目旨在使每个人能将 AI 用于解决日常问题。它的方法是将问题拆解成很多独立组件，使用结构化的清晰提示让 AI 完成任务。（star 5.6K）

🐢播客&视频

1、Meta 喜欢 Python

Meta 官方的一期播客节目，讨论了开发团队对最新 Python 版本的贡献，包括允许自定义 JIT（如 Cinder）的新钩子、永生对象、对类型系统的改进、更快的推导式等等。Meta 对 Python 社区的贡献确实很足哦~（附：谷歌、微软、Meta？谁才是 Python 最大的金主？）

2、Talk Python To Me #449：使用 FastUI 构建 UI

FastUI 是一个 Web 界面开发框架，可使用 React 构建响应式 Web 应用，而无需编写任何 JavaScript 或接触 npm。这期播客的嘉宾是该框架的作者。

40 白宫建议使用 Python 等内存安全的语言

博客原文 | 发布时间：2024-03-02

🦄文章&教程

1、白宫建议使用 Python 等内存安全语言

最近，白宫发布了一份报告，建议使用内存安全的编程语言。去年 CISA、NSA 等机构联合发布的报告列出了内存安全的语言有 C#、Go、Java、Python、Rust 及 Swift。PSF 这篇文章介绍了 Python 在内存安全性方面所做的工作，包括封装底层代码、从 C 向 Rust 迁移、使用编译器选项强化 C 代码构建。

2、回顾 Requests 库的问题

文章作者是 Requests 的核心维护者之一，他列举了这个库做得糟糕的多个地方，也指出了很多想改进却没有做到的原因。文末的结语说：“the project feels dead”。这让人感觉很难受。本周刊第26期分享过该库作者 KR 的道歉文，然而社区内几无波澜，后来看到 KR 失业，从推文感觉他精神状态很糟糕，更让人难受了。（投稿by@frostming90）

3、Python 的 UV 工具确实相当不错

上期周刊分享的可替换pip的uv 库，你用了么？感觉如何啊？文章作者给出了积极反馈，分享了自己一些配置文件的前后对比。

4、Python 生成器未得到充分利用

Python 生成器的作用是能节省内存，这篇文章用很明白的例子对比了两种内存使用情况，让我们感受到生成器的好处，同时，文章也指出了需要避免的一些使用陷阱。

5、使用 Python 作高级 Web 抓取：从任意网站抓取数据

文章讨论了从 Web 抓取内容的一些高级技术，话题包括如何更好处理 Cookie 及自定义请求头、什么是 TLS 指纹以及如何避免它、需要注意的常见 HTTP 请求头、在发出 HTTP 请求时如何集成指数回退重试，等等。

6、Django REST 框架 + Vue 对比 Django + HTMX

两种 Web 开发框架的组合：DRF + Vue 以及 Django + HTMX，它们分别是如何使用的，各自又有哪些优势和劣势呢？文章用这两个组合分别实现同样的功能，分析了两组技术栈的差异，罗列了一份比对清单，可方便我们更好地作技术选型。

7、可组合数据系统之路：对过去 15 年和未来的思考

文章出自pandas 库兼《Python数据分析》一书的作者 Wes McKinney，回顾了他从 2008 年以来在数据科学领域所做的事情和转变，同时分析和思考了模块化、互操作性和可组合性的未来趋势。

8、用 Django 作 SQLite 基准测试

作者分别调整 SQLite 的一些主要配置项来作基准测试，另外也比较了 SQLite 和 PostgreSQL 的性能。简短结论：启用 WAL 模式、使用 IMMEDIATE 事务、synchronous=NORMAL 和内存映射 I/O 对吞吐量的影响很小。

9、Python 3.13 的 JIT 是如何实现的？

文章介绍了 Python 最新正在开发中的 JIT 是如何实现的，并尝试安装了开发版本，然后与无 JIT 版本作性能比较。目前 JIT 版本的性能反而慢于普通版本，官方仍需继续努力优化。

10、Python 网页抓取的终极指南

一篇详细的爬虫教程，介绍了如何使用 BeautifulSoup、Scrapy 和 Selenium 等库实现网页抓取，如何克服复杂网页、限速、反爬、动态 javascript 等挑战。

11、为简单架构作辩护

Wave 是一家仅有 70 名工程师但估值 17 亿美元的公司，其产品只是一款标准的 CRUD 程序，是构建在 Postgres 之上的 Python 单体架构。文章解释了为什么要选择这样的架构，解释了这样选型的合理性，以及为了保持它而克服的相关难题和选用的技术方案。

12、关于“调度”的内部原理

一篇非常深度的长文，深入探讨了“并发”，解释了单线程服务器如何通过异步 IO 和事件驱动编程来处理数以百万计的任务。讨论了实现并发的各种方法和工具，不同编程语言的实现。文中有不少动画，可方便读者理解。

🎁Python潮流周刊🎁每 30 期为一季，第一季的精华内容已整理成一篇，方便你随时查看。在线访问地址：Python 潮流周刊第一季精华合集（1~30）

🐿️项目&资源

1、ingestr：用单个命令在任何数据库间无缝复制数据

这是一个 CLI 工具，使用简单的命令即可实现跨数据库的内容复制。支持增量加载：append 、 merge 和 delete+insert 模式。（star 1.3K）

2、justpath：在 Windows 和 Linux 上检查和优化 PATH 环境变量

一个用于管理操作系统 PATH 环境变量的命令行工具，典型功能包括：筛选目录、识别和清理无效配置、PATH 转储为 JSON、创建新的环境变量、统计数量。

3、mountaineer：用于 Python 和 React 的自带电池的 Web 框架

全栈的 Web 开发框架，主要特点：全栈的类型提示、友好的服务通信及数据绑定、服务器端渲染、对网页作静态分析的增强校验、等等。

4、generate：一个 API 访问国内外大模型平台

使用一个统一的 API 访问大模型，特点：统一的 API、支持多模态、支持 10+ 大模型平台、异步&流式和并发、自带电池、轻量化、高质量代码。（投稿by@wangyuxinwhy）

5、StringZilla：将 C、C++、Python、Rust 和 Swift 的字符串速度提高 10 倍

“由于低效的字符串操作，世界每年至少浪费 1 亿美元”。这个项目可替换编程语言原生的字符串类型，提高性能。可加速精确和模糊字符串匹配、编辑距离计算、排序、延迟计算范围以避免内存分配，甚至随机字符串生成器。（star 1.4K）

6、DrissionPage: 网页自动化工具，能控制浏览器，也能收发数据包

采用全自研内核，对比 Selenium 有以下优点：无 webdriver 特征、跨 iframe 查找元素、把 iframe 看作普通元素、可同时操作多个标签页、可直接读取浏览器缓存来保存图片、可对整个网页截图，等等。（star 4.1K）

7、Daft：Rust 开发的面向云的分布式 Python DataFrame

用 Rust 开发的用于大规模数据处理的分布式查询引擎，熟悉的交互式 API、专注于查询优化、集成数据目录、丰富的多模态类型系统、专为云而构建。（star 1.4K）

8、magika：使用深度学习来检测文件内容的类型

谷歌最新开源作品，使用 AI 来检测文件类型，具有 99% 的精确度。可作为 Python 命令行和 API 使用，支持超过 100 中文件类型，每个文件的推理时间约为 5 毫秒。（star 7K）

9、frappe：低代码 Web 框架，使用 Python 和 Javascript

自带电池的全栈 Web 框架，低代码，服务器端使用 Python 和 MariaDB，特点：元数据优先、管理员界面、开箱即用的角色和权限、支持插件、支持任务调度、邮箱管理、多租户，等等。（star 6.3K）

10、Umi-OCR: 开源、免费的离线 OCR 软件，支持截屏/批量导入图片

解压即用，离线运行，无需网络；自带高效率的离线OCR引擎，内置多种语言识别库；支持命令行、HTTP接口等多种调用方式；截图OCR / 批量OCR / PDF识别 / 二维码。（star 19.4K）

11、xonsh：Python 开发的跨平台的类 Unix 的 shell

这个项目是 Python 3.6+ 的超集，带有 shell 原语。可以作为 shell 和 Python 单独使用，也可以在 Python 里写 shell，在 shell 里写 Python。（star 7.8K）

41 写代码很简单，但写好代码很难

博客原文 | 发布时间：2024-03-09

🦄文章&教程

1、使用 Python 从头开始实现 RSA

作者在一系列文章（4 篇）中使用 Python 实现 RSA 加密算法，介绍了这个算法的基本步骤和数学原理，使用 Python 实现并逐步优化，以及实现对它的安全攻击，最后探索 RSA 加密的未来方向。

2、Python IAQ：不常见的问题

一个问题很少被回答，要么是因为很少有人知道答案，要么是因为它涉及一个晦涩的微妙的点。文章里列出了很多问题和解读，因写于 20 年前，有些问题已经在后来的 Python 版本中解决了，还有些问题至今仍未过时（依旧冷门）。

3、为什么我喜欢 Nox？

tox 和 nox 是两个类似的 Python 工具，主要用途之一是测试你的项目在不同 Python 版本中的运行情况。作者解释了为什么在某些情况下，他更喜欢用 nox 的原因。（附：我在 4 年前写过一篇 tox 教程，也翻译过 nox 的文档。时间过得真快....）

4、我最喜欢的数据结构：trie

Trie（前缀树或字典树）是一种树形数据结构，常用于存储和检索字符串集合中的信息。文章介绍了这种数据结构，使用pygtrie 库演示基本操作。

5、用 Python 处理 CSV 文件的速度能有多快？

Python 处理 CSV 文件有哪些可选方案？不同方案的执行速度、代码可读性、硬件的影响是怎样的？作者测试了 Pandas 使用不同引擎时的性能、使用 Numpy/DuckDB/DataFusion/Polars 等方案的实现比较。

6、Django 项目的多语言支持

如何给 Django 项目添加多语言支持？通过什么方式检测当前语言？如何翻译消息文件、翻译模板文件和翻译 JS 文件？翻译后的内容是如何响应给前端的？

7、Python 升级手册：Lyft 如何大规模升级 1500+ 代码仓

Lyft 将 150+ 团队 1500+ 代码仓从 Python 2 升级到 Python 3.10，总结出一份版本升级手册。

8、将 Tailwind CSS 添加到 Django 的最简单方法

Django 项目如何集成当下火热的 Tailwind CSS？这篇教程给出了实现指导，文中附有视频。

9、初学者意想不到的 Python 陷阱

文章列出了几个挺常见的 Python “陷阱”，新手们确实容易被绊倒。包括：不显眼的字符串连接、函数返回的 None、不可见的元组、可怕的is 、列表相乘。

10、使用 Python 和 Grafana 更好地冷却我的 PC

一篇关于 Python 在现实世界发挥作用的文章：作者用 Python 读取 CPU 和液冷器温度，控制风扇和泵速，通过 Grafana 监控性能，有效提高了 PC 冷却效率、减少了风扇噪声！

11、使用搭载骁龙 8 Gen 3 的安卓手机运行 AI 大模型

文章介绍了在 Android 手机上简单运行 AI 大模型的方法，来体验英文语言模型（Llama2 7B、Mistral 7B、RedPajama 3B、Google Gemma 2B、Microsoft PHI 2B）；中文语言模型（面壁 MiniCPM、多模态模型）；Stable Diffusion。

12、入行 14 年，我还是觉得编程很难

《Python 工匠》作者@piglei 分享的自己关于编程的感触。去年已读过，现在读依然有收获。文章整理了 8 条编程经验，最核心的观点之一是“写好代码”，呼应了“Python工匠”系列文章的初心：像工匠打造完美的手工艺品一样编写优雅而高效的代码。

🐿️项目&资源

1、umami-python：Python 开发的 Umami 分析客户端

很多个人网站（包括我的）不再使用 Google Analytics 作网站流量分析，而是使用开源的 umami。这个项目基于 httpx 和 pydantic 开发了客户端，实现登录与验证，可将自定义数据添加到 umami，可查看 umami 上的分析数据等。

2、returns：让函数返回有意义、类型化且安全的内容

它将函数式编程带入 Python 领域，提供很多原语来编写声明式业务逻辑，完全类型化，支持函数和协程且与框架无关。（star 3.2K）

3、pyquest：一系列的 Python 编程教程

这个项目收录了一系列的 Python 编程学习资料，涉及 Python 编程的方方面面，系统学习 Python。

4、flect：用于构建全栈 Web 应用的 Python 框架

通过在后端使用与前端 React 组件属性相对应的 Pydantic 模型来构建用户界面，快速开发具有交互性和美观的用户界面。

5、docker-android：Docker 里的 Android，支持 noVNC 和视频录制

一个用于 Android 开发与测试的 docker 镜像，有不同设备的模拟器、支持 vnc 可查看容器内部、支持日志通过 Web UI 共享、能使用 adb 从外部控制、支持多种测试框架如 Appnium 和 Espresso 等。（star 7K）

6、anthropic-sdk-python：调用 Claude 3 等大模型

上周的 Claude 3 是热门话题，性能跑分全面超越 GPT-4！这个项目是官方发布的 Python 开发包，支持异步、流式响应、流媒体助手、查看使用量、以 Pydantic 模型返回、重试和超时处理等。

7、PhotoMaker：制造逼真的人物照片

在几秒钟内快速定制，无需额外的 LoRA 培训；确保令人印象深刻的 ID 保真度、提供多样性、高质量生成；可作为适配器与其他基础模型以及 LoRA 模块进行协作。（star 7.8K）

8、metube：自托管的 YouTube 下载器（youtube-dl/yt-dlp 的 Web UI）

用于 youtube-dl 的 Web GUI（使用 yt-dlp 分支），支持播放列表。可从 YouTube 和其他数十个网站下载视频。（star 3.1K）

9、cachetools：可扩展的内存化集合和装饰器

提供了各种内存中的集合和装饰器，包括 Python 标准库的 @lru_cache 函数装饰器的变体。（star 2K）

10、speedtest-cli：使用 speedtest.net 测试网络带宽的命令行界面

一个网络性能诊断工具，允许用户从终端或命令行环境中测量到特定服务器的下载和上传速度，以及网络延迟。支持跨平台，容易集成到脚本中作自动化测试。（star 13.2K）

11、Open-Sora-Plan：旨在重现 Sora（Open AI T2V模型）

Sora 是 OpenAI 推出的文本到视频模型，代表了视频生成技术的一个重大飞跃。该项目希望通过开源社区的力量复现 Sora，目前搭建了基础架构，但未能进行完整训练。（star 5.2K）

12、minisora：旨在探索 Sora 的实施路径和未来发展方向

同样试图复现 Sora，目标是 GPU 友好、提升训练和推理效率。定期举行圆桌讨论、共读论文，深入研究现有的视频生成技术。

42 小公司用 Python 开发，能做到什么程度？

博客原文 | 发布时间：2024-03-16

🦄文章&教程

1、为什么我们公司还在用 Python 开发项目?

这篇文章让我有种“你不了解的行业内幕”的感觉。小公司还在坚持用 Python 2.7 + Django 1.8，竟支撑每年几个亿的交易额。作者还分享了几个项目，我的感受是：也许你不需要考虑太多“xx语言更好”，就选自己熟悉的，专注于业务实现就好。

2、Python 字符串应该用双引号还是单引号？

Python 字符串既允许双引号也允许单引号，甚至可以三引号。这很灵活，但是对于有强迫症的标准制定者来说，这也是引发冲突的矛盾点。这篇文章分享的故事很有意思，推荐一读！

3、介绍 Python 上下文管理器及其语法糖

为什么需要用上下文管理器？它能解决哪些问题？文章还介绍了上下文管理器协议、with 语法糖、使用contextlib 实现上下文管理器、四个很实用的使用案例。

4、Python deque 使用教程

deque 是collections 模块下的一种双向队列数据结构，功能与list 很相似，适宜需要在两端快速添加或删除的场景。这篇教程介绍了它的基本用法与一些高级使用案例。

5、Python 的泛型函数和泛型类

Python 在运行时才检查类型，而且强调的是对象的行为而非类型，因此不怎么提注重类型安全的“泛型”。但是，Python 也支持泛型，文章介绍了如何用typing 模块实现泛型函数和泛型类。

6、Python Gevent 实践：常见的陷阱

Gevent 是基于 greenlet 这个轻量级的协程实现的高性能网络库。文章介绍了 Gevent 的常见陷阱以及解决方案。

7、Python pickles 的安全问题

pickle 是 Python 用作序列化的标准库，但它作反序列化时存在重大的安全风险！文章介绍了它的工作原理、安全风险的根源、机器学习领域合作设计了safetensors 格式作安全替代。

8、构建开源去中心化的电子书搜索引擎

这篇教程分别使用 JavaScript 和 Python 开发电子书搜索引擎，依赖Glitter （一个使用Tendermint 构建的去中心化数据库服务），使用 React 开发展示搜索结果的页面。

9、Python import 跟 Java import 有什么区别？

很多编程语言都有import 关键字，其作用也类似，但是它们背后的运行机制会有哪些区别呢？文章分析了 Java 和 Python 中 import 的异同点，可加深你对这个话题的理解。

10、PDM 的内部实现(1)

pdm 是 Python 中极好用的依赖管理工具，是国内开发者@frostming 的作品。作者计划写一系列关于它内部实现的文章，这是第一篇，介绍了 Lockfile 是什么、Lockfile 是如何生成的？

11、Python 中有指针吗？

Python 有指针么？答案取决于你如何理解“指针”。作者简短回答，却一针见血。Python 没有 C 语言经典的指针操作，但 Python 的每个变量都是一个指针，即一切都是隐含的指针。（附：有个项目 “将指针的地狱引入 Python”，跟下方的花括号版 Python 一样画蛇添足）

12、当 Python 无法线程化时：深入了解 GIL 的影响

无 GIL 特性终于在本周合入 Python 的主分支了！分享一篇深度介绍 GIL 的长文，理解 GIL 的工作原理、帮助预测并行性瓶颈的位置，文中使用了很多线程时序分析图，便于理解。

🐿️项目&资源

1、flet：用 Python 开发实时的 Web、移动端和桌面程序

无需前端经验，快速构建跨平台的、支持多用户、实时的单页应用（SPA）；没有 SDK，基于 IDE或文本编辑器即可开发，前端使用 Flutter UI，后端目前支持 Python，计划支持 Go 和 C#。（star 8.7K）（投稿自@bear）

2、ss-python：Python 项目模板，涵盖整个开发生命周期

一个包括各种集成、配置和模块的 Python 项目模板，特点有：使用copier 作项目设置与模板更新、使用pdm 管理依赖及虚拟环境、使用 dev container 作容器化、使用 mypy 和 ruff 等等常用技术栈。（投稿自@huxuan_org）

3、dukpy：用于 Python 简化版 JavaScript 解释器

构建在duktape 引擎上的 JS 解释器，用于在 Python 中执行 JS 代码。无其它外部依赖，内置了常用的转译器（TypeScript、JSX、LESS、CoffeeScript），还支持传参、运行多个脚本、全局解释器、使用require 加载模块、从 npmjs.org 安装软件包等功能。

>>> import dukpy
>>> dukpy.evaljs("var o = {'value': 5}; o['value'] += 3; o")
{'value': 8}

4、PyKidos：一个 Python 编程练习网站

在线的 Python 编程网站，很方便通过游戏方式教育小孩学习编程。

5、hatchet：分布式的容错的任务队列

取代难以管理的传统队列和发布/订阅系统，支持故障恢复，可解决并发、公平性和速率限制等问题。具有低延迟和高吞吐量，支持 FIFO、LIFO、循环队列和优先级队列等策略，可自定义重试策略，支持集成错误处理。（star 2.4K）

6、full-stack-fastapi-template：全栈的现代 Web 项目模板

使用 FastAPI、React、SQLModel、PostgreSQL、Docker、GitHub Actions、自动 HTTPS 等，支持 JWT 身份验证、基于邮件的密码恢复，使用 Traefik 作反向代理/负载均衡。（star 17.5K）

7、bython：带花括号的 Python

我认为 Python 用空格作缩进是最最迷人的设计！奈何有人更喜欢花括号。这个项目为 Python 加上了花括号，基本示例：

def print_message(num_of_times) {
    for i in range(num_of_times) {
        print("Bython is awesome!");
    }
}

if __name__ == "__main__" {
    print_message(10);
}

8、treq：构建在 Twisted 上的 HTTP 请求库

一个简单的、风格类似requests 的 HTTP 客户端，构建在 Twisted 之上。

9、JavSP：汇总多站点数据的视频元数据刮削器

自动抓取、汇总并按指定规则分类整理影片文件，创建供 Emby、Jellyfin、Kodi 等软件使用的元数据文件。（star 1.6K）

10、botasaurus：强大的网络爬虫框架

可用简单的 HTTP 请求访问受 Cloudflare 保护的页面，是唯一为认证代理提供 SSL 支持的爬虫框架，仅一行代码即可集成任何 Chrome 插件，支持 sitemap、支持数据清理、支持缓存、提供了 Selenium 快捷方式，等等。

11、pywebview：用 JavaScript、HTML 和 CSS 构建 GUI

一个围绕 WebView 组件的轻量级跨平台包装器，在 GUI 窗口中显示 HTML 内容。可与 Web 框架一起使用，也可单独打通 Python 与 DOM。最新发布的 5.0 版本，开始支持 Andriod。（star 4.2K）

12、Paper-Piano：在白纸上弹钢琴

它可让你直接在白纸上练习弹钢琴！目前最多支持两个手指，主要为买不起钢琴的人提供练习。

43 在开源与家庭之间，他选择了家庭

博客原文 | 发布时间：2024-03-23

🦄文章&教程

1、我的开源优先级转变了

作者开源了PyOxidizer 和python-build-standalone 等多个 Python 项目，但因为编程语言兴趣已转向 Rust，以及身份成为了丈夫&父亲，时间精力不足，因此选择回归家庭，要给这些开源项目寻求新的维护者了。

2、如何远程唤醒家里的电脑？

家里的电脑处于休眠模式，如何从其它地方远程唤醒它？作者用树莓派单板计算机 + Python 开发的简单网页 + systemd 服务，通过给电脑的网络控制器发送数据包，实现了机器的远程唤醒。

3、Python 程序的内存占用情况

相比静态类型语言，Python 要消耗大量内存。文章探讨了 Python 的内存模型：对象是如何分配的、对象存储在什么地方、最终如何清理对象？介绍了如何使用简单的技巧，显著改善内存的使用。

4、正则表达式字符“$”并不意味着“字符串末尾”

正则表达式中“$”符号会匹配到什么内容呢？Python re.MULTILINE 多行模式对字符串匹配的影响？是否不同的编程语言的表现都一样呢？什么时候应该用“\z”和“\Z”？

5、介绍 Python 中所有的双下方法

双下方法即以双下划线开头和结尾的特殊方法，例如__init__() ，Python 语言中共有 150 多个特殊的双下方法，文章对它们多了分类介绍，并梳理了明细清单。

6、Python 多语言支持实现国际化与本地化的最佳实践

Python 有丰富的库可支持国际化和本地化，文章介绍如何用gettext 库实现语言国际化以及如何管理本地化资源。

7、在 Windows 上利用 Qwen 大模型搭建一个 ChatGPT 式的问答小助手

Qwen 是阿里推出的大语言模型，作者用 Win10 系统搭建了一个基于 Qwen 的 AI 问答助手。内容包括安装环境、下载模型、使用transformers 实现模型对话功能。

8、(如何(用Python)开发一个(Lisp)解释器)

“如果你不知道编译器是如何工作的，那你就不知道计算机是如何工作的。“作者通过用 Python 开发一个 Lisp 解释器，详细介绍了 Scheme 的语法，深入探讨解释器/计算机的工作原理。

9、使用 Python 解析 URL

正确地解析 URL 要比想象得难，它自 1994 年提出以来已发生巨大变化。Python 标准库urllib 并不遵循任何 URL 规范，文章介绍了两个符合 WHATWG 规范的解析库ada-python 和can_ada ，后者比前者快 2 倍，前者比urllib.parse 快 2 倍。

10、Python 鸭子类型：编写灵活且解耦的代码

鸭子类型的核心思想是“如果它走起来像鸭子，叫起来像鸭子，那么它就是鸭子”。由对象的行为决定类型，而非是一成不变。这篇长文对鸭子类型作了非常详细的介绍，它是什么、如何使用、有什么优缺点、使用哪些方案来弥补鸭子类型的缺点，等等。

11、用 Python 实现最小可用的 PostgreSQL

介绍了 PostgreSQL 服务端与客户端通信的流程，使用 Python 实现一个最小化的服务端。

12、给框架开发者的建议

作者在去年开发了两个 Python 框架，文章分享了他在开发框架时学到的东西。部分建议有：定义你的反目标、了解已存在的东西、首先考虑你的界面、在没准备好时就使用、1 个样本是不够的、重视文档，等等。

🐿️项目&资源

1、grok-1：马斯克开源的 Grok

本周最最火爆的项目当属马斯克差点跳票的 Grok 大语言模型了，有非常惊人的 314B 参数，8 个专家的混合体，最长上下文 8192 token。（star 43K）

2、DarkGPT：基于 GPT-4-200K，查询泄露的数据库

基于 GPT-4 的开源情报助手，从付费的 DeHashed 高效地搜集和分析信息，对网络安全和数据泄露调查有所帮助。

3、structlog：简单、强大、快速的 Python 日志记录库

一个 Python 日志库，强调结构化和类型安全的日志记录，兼容 logging 标准库，支持输出 JSON、logfmt 和漂亮的控制台日志。（star 3.1K）

4、pydumpling: 针对 Python 的异常调试器

Python Debug 工具，与 Linux 中调试 core dump 文件一样，支持在异常发生时/程序任意位置保留当前调用栈帧，然后通过 pdb 进行调试。支持全局 hook，支持服务器远程调试。（投稿自@cocolato）

5、can_ada：快速且符合规范的 URL 解析库

符合 WHATWG 规范的 URL 解析器，也用在了 Node.js 等项目中。比标准库 urllib 快 4 倍。

6、Mindgraph：使用 AI 生成和查询不断扩展的知识图谱

一个验证概念的项目，可作为模板，用于构建和自定义自己的 CRM 解决方案，重点是易于集成和可扩展性。

7、speechbrain：基于 PyTorch 的语音工具包

一个 PyTorch 工具包，专为快速简便地创建先进的语音和文本处理技术而设计，可加速对话式 AI （即语音助手、聊天机器人和大语言模型）开发。（star 7.7K）

8、python-anyconfig：以通用 API 加载和转储各种格式的配置文件

提供了非常简单和统一的 API 来处理各种格式的配置文件，支持格式有 JSON、ini、Pickle、XML、Java properties、YAML、TOML，等等。

9、Llama-Chinese: Llama 中文社区，最好的中文 Llama 大模型

专注于 Llama 模型在中文方面的优化和上层建设的高级技术社区，定期组织线上活动、技术研讨和经验分享，促进成员间的创新交流。（star 9K）

10、python-for-android：将 Python 程序变成 Android APK

可将 Python 应用打包成在 Android 设备上运行的二进制文件（APK、AAB 和 AAR），支持多种 CPU 架构，支持大多数纯 Python 包和一些流行的依赖于 C 代码的包（如 numpy、sqlalchemy）。（star 8K）

11、img2img-turbo：Stable Diffusion turbo 实现的 sketch2image、day2night 等

基于素描快速生成图片、夜晚图片转换为白天（或相反）、晴天图片转换为雨天，等等。

12、ludic：用纯 Python 构建动态 HTML 页面的轻量级框架

使用类似于 React 的组件构建 HTML 页面，旨在与 htmx.org 一起使用，几乎不需写任何 JavaScript。后端基于 Starlette 框架。

🐢播客&视频

1、带大家感受一下没有 GIL 的 CPython

CPython 主线分支已合入了可禁用 GIL 的开关，这则视频带大家体验一下没有 GIL 的 Python 会有什么样的表现。

2、ruff、uv 和 Astral：Python 工具链，使用 Rust 提速

ruff 和 uv 出自同一个团队，给 Python 的基础工具链带来了非常有前景的影响。这期播客对话了 Charlie Marsh。（附：另一则相似话题的播客 uv - Python 包的下一次演变？）

44 Mojo 本周开源了；AI 学会生成音乐了

博客原文 | 发布时间：2024-03-30

🦄文章&教程

1、蒙特利尔效应：为什么编程语言需要有风格沙皇

讨论了编程语言在规模扩大时面临的风格多样性问题，提出了“语言风格沙皇”（Style Czar）的概念。作者提到 Scala 过于灵活、C++ 新旧标准共存、Python PEP-8 没有与时俱进，呼吁社区应该有人（例如语言创造者）引导社区发展出统一的风格标准。

2、去中心化的边缘计算平台

介绍了“Everywhere Computer”，旨在将计算任务分布到一个广泛的开放网络上，包括个人设备、局域网中的其他设备、云节点集群等。介绍了如何使用 Rust、JavaScript 和 Python 编写具体的函数，并将它们编译为 Wasm 组件。

3、设计一个纯 Python Web 框架

Reflex 是一个纯 Python 全栈 Web 框架（Github 15K star），其作者介绍了 Reflex 的架构，包括前后端的实现细节和工作原理。

4、修复 PyPy 增量 GC 中的一个 bug

作者用将近一年时间定位 PyPy 中一个奇怪且难以复现的 BUG，文章介绍了他采用的各种定位方法、这个 BUG 出现的原因、以及在调试时发现的其它问题。目前修复已合入 PyPy 主分支。

5、复活 PyMiniRacer，Python 中的 V8

如何在 Python 项目中运行 JavaScript？PyMiniRacer 是一种方法，但旧项目年久失修，作者接手了它，做了很多的更新，文章介绍了新版本的变更项以及未来的计划。

6、Python 与 Javascript 进行数据通信

文章介绍了如何实现两种语言的相互调用，实现数据跨语言项目的传递。Python 调用 JavaScript 用了 pyjsparser 和 PyV8，反向用了 node-python、WebSockets 和 HTTP 请求。

7、更适合慢函数调用的 Python 缓存实现

介绍了一种使用文件而非内存的缓存方案，类似于lru_cache ，它提供了file_cache 装饰器，主要优点是能持久化缓存结果。文章详细介绍了实现的代码。

8、使用 Collectfasta 加速 Django 的 collectstatic 命令

介绍了一个可加速 Django 框架中 collectstatic 命令的执行速度的工具，包括如何安装和配置、如何将其集成到 Django 项目中以提高性能。还提供了一些性能提升的指标和最佳实践建议。

9、用原生 Python 扩展和 Dispatch 实现分布式协程

分布式协程是可以挂起、序列化并在另一个进程中恢复的函数，与分布式调度器（如 Dispatch）结合使用，可简化软件的创建过程。Python 原生支持协程，但协程本身不能被序列化，文章介绍了如何解决这个问题，以及如何处理无法序列化的文件和网络句柄、如何处理大型对象以及如何处理全局对象和代码更新等问题。

10、使用 Numba 加快代码速度的错误方法

如果基于 NumPy 的代码太慢，有时可用 Numba 来加速。但由于它的类型注解和编译选项，错误使用将导致性能变慢，文章分析了相关问题，并给出了优化的建议。

11、关于优化 Django 系统检查框架

Django 的 system check framework 是一种内置机制，可在运行 Django 命令时自动检查和报告潜在的配置及应用状态问题。作者通过性能分析和代码审查，发现并实现了多项优化措施，提升了示例约 50% 的运行速度。所做优化将在 Django 5.1 版本发布。

12、大数定律，为什么去赌场是个坏主意

文章通过数据分析的方法（蒙特卡洛方法）模拟抛硬币、轮盘、大乐透等玩法，结果发现输的概率非常大，这告诉了我们一个道理就是……

🎁Python潮流周刊🎁每 30 期为一季，第一季的精华内容已整理成一篇，方便你随时查看。在线访问地址：Python 潮流周刊第一季精华合集（1~30）

🐿️项目&资源

1、mojo：Mojo 编程语言开源了

Mojo 是一种新的编程语言，试图将 Python 的语法及生态与系统编程及元编程相结合，弥补研究与生产之间的差距。（star 18.5K）

2、Suno-API：基于 Python 和 FastAPI 的非官方 Suno API

目前支持生成歌曲、歌词等。自带维护 token 与保活功能，无需担心 token 过期问题。（附：另一个suno 逆向工程 API）

3、blacken-docs：对文档中的 Python 代码块上运行“black”

一个命令行工具，支持在 Markdown、reStructuredText 和 LaTex 文件中用black 格式化 Python 代码块。（投稿自@Chao）

4、pathvalidate：用于规范化/验证字符串，例如文件名和文件路径

一个用于处理文件名和文件路径字符串的实用工具，支持删除无效字符、替换平台保留字、删除不可打印字符、参数校验、多字节字符、支持多平台，等等。（投稿自@Chao）

5、LunarLink: 基于HttpRunner + Django + Vue + Element UI 的接口自动化测试平台

除题目所述，它还用到以下技术栈：Nginx、RabbitMQ、Redis、MySQL 和 Docker 等，支持登录、项目管理、接口管理、用例管理、流量录制、配置管理、定时任务、报告管理等功能。

6、leaping：轻量级的 Python 测试调试器

一个简单、快速、轻量级的 Python 测试调试器，支持跟踪代码的执行，并允许用基于 LLM 自然语言的调试器追溯检查程序的状态。

7、keepyourmouthshut：用 AI 能力录制播客

以面向开发者的方式创建播客，不需要任何昂贵的设备。它从用户处获取输入，以此生成脚本和基于该脚本的音频文件。依赖FFMPEG 和 llmOS 。

8、MoneyPrinterTurbo：利用AI大模型，一键生成高清短视频

只需提供一个视频主题或关键词，就可全自动生成视频文案、视频素材、视频字幕、视频背景音乐，然后合成一个高清的短视频。支持 OpenAI、moonshot、Azure、gpt4free、one-api、通义千问 等多种模型。（star 5.5K）

9、AIOS：LLM 代理操作系统

将大语言模型嵌入到操作系统中，使操作系统“有灵魂”。旨在优化资源分配，促进跨代理的上下文切换，实现代理的并发执行，为代理提供工具服务，维护代理的访问控制。

10、LaVague：使用大行动模型框架实现自动化

提供了一个将自然语言查询转换为 Selenium 代码的引擎，使用户或其它 AI 能够轻松自动化、轻松描述 Web 工作流程并在浏览器上实现自动化。（star 3.5K）

11、Gmeek：一个完全使用 Github 的博客框架

超轻量级个人博客模板，完全基于Github Pages 、 Github Issues 和 Github Actions。不需本地部署，从搭建到写作，只需要 18 秒，2 步搭建好博客，第 3 步就是写作。

12、posthog：提供开源产品分析、会话录制、功能标记和 A/B 测试

一个开源的产品分析工具，支持自托管。旨在为企业提供一个可控制、可定制且符合数据隐私要求的分析解决方案。有免费的 cloud 版本。（star 16.5K）

13、devika：Cognition AI 的 Devin 的开源替代品

最近大火的 Devin 的开源替代品，可理解高级人类指令并分解为步骤，研究相关信息，并编写代码以实现给定的目标。它利用大语言模型、规划和推理算法以及 Web 浏览能力来智能开发软件。（star 13K）

45 越来越多的 AI 自动开发框架

博客原文 | 发布时间：2024-04-06

🦄文章&教程

1、AutoDev：微软发布的自动化 AI 驱动开发框架

微软总部发布的研究论文，介绍了 AutoDev 框架，它使 AI 代理能够自主地编写代码、测试、构建和操作 Git 等，使用 Docker 确保开发环境的安全，并可通过配置来限制 AI 代理的权限和操作。在 HumanEval 数据集上取得了 91.5% 的代码生成准确率和 87.8% 的测试生成准确率。

2、我坚持用 Django 而不是 FastAPI 的 10 个原因

FastAPI 越来越流行，但是作者还坚持用 Django，文章简短介绍了 10 个原因。

3、Django 与 ASGI 服务器

ASGI 是异步服务器网关接口规范，允许异步服务器与 Web 应用框架进行通信。文章介绍了几种流行的 ASGI 服务器（Daphne、Uvicorn、Hypercorn 及 Granian），比较了它们的性能和特性，同时给出了如何选择合适的 ASGI 服务器的建议。

4、JSON 中的数字到底是什么？

JSON 有两个主要的标准定义（Ecma-404 和 RFC-8259），然而现实的各种编程语言和 JSON 库在处理数字的精度和范围时，却存在诸多差异。文章对此作了一些对比和总结。

5、CPython 源码解析：为什么 Python 列表相乘的结果那么奇怪？

Python 的列表支持乘法操作，如[[]]*4 ，将得到[[],[],[],[]] ，但是，这个例子中复制出的 4 个列表只是对同一个对象的引用。文章深入解析 CPython 源码，介绍了列表对象的结构及其内部对象存储机制、星号运算符的实现原理、CPython 具体如何执行列表的乘法操作。

6、Celery 源码分析系列

Celery 是 Python 中常用的分布式任务队列库，这个系列文章已更新 9 篇，深入介绍它的基础架构、Worker 启动、重要组件、生命周期、定时任务等等内容。

7、我在 2024 年如何管理 Python

作者介绍了自己最新在用的技术栈：用mise 作 Python 版本和虚拟环境管理、poetry 或 uv 作依赖管理、 ruff 作格式化和 linting，以及 pydantic 作运行时检查。

8、使用 Pyodide 和 WebAssembly 将 Python 引入 Cloudflare Workers

本周意义重大的一则消息：Cloudflare 支持用 Python 编写 Workers！此举将扩展 Cloudflare 平台的功能，将推动无服务器计算及在浏览器中运行 Python 代码。该功能目前为公测阶段，期待后续的发展。

9、学习使用和不使用 AI 编码

文章提出两个基本问题：AI 代码生成工具对编程入门的新手有什么影响？新手如何在入门编程时使用 AI 代码生成工具？文章介绍了两篇论文的研究结果。

10、使用 Whisper、FFmpeg 和 Python 轻松转录视频并添加字幕

这篇教程介绍了如何用 OpenAI 的 Whisper 模型转录视频，并使用强大的 FFmpeg 工具轻松添加字幕。

11、如何用 GitHub Actions 自动执行数据爬取？

文章介绍如何使用 GitHub Actions 的定时功能自动执行数据爬取任务，介绍了 GitHub Actions 的工作原理及几个使用限制。

12、使用断点调试 Python 代码

文章介绍如何使用断点来调试和观察代码的执行过程，主要介绍了pdb 模块的 breakpoint() 方法的使用。

13、Python “真正的”匿名函数

Python 支持使用lambda 表达式创建匿名函数，但只支持单个表达式。社区中总是有人提出要支持更灵活的匿名函数，今年又有了，文章介绍了提议者的观点以及相反的观点。（附：Python 之父为什么嫌弃 lambda 匿名函数？）

🎁Python潮流周刊🎁每 30 期为一季，第一季的精华内容已整理成一篇，方便你随时查看。在线访问地址：Python 潮流周刊第一季精华合集（1~30）

🐿️项目&资源

1、OpenDevin：Devin 的开源实现

开源的 AI 软件工程师，利用了 shell、代码编辑器和 Web 浏览器等工具，充分发挥 LLMs 在软件开发中的潜力。（star 18.4K）

2、SWE-agent：可修复 Github 问题的 AI 软件工程师

普林斯顿大学推出的 AI 工程师，在 SWE-bench 测试中修复了 12.29% 问题，成绩接近 Devin。（star 6.6K）

3、openui：描述你想要的 UI，它实时帮你生成

一个基于 LLM 生成前端 UI 界面的框架，并可将 HTML 转换为 React、Svelte、Web 组件等。（star 4K）

4、ragflow：基于深度文档理解的开源 RAG 引擎

从复杂格式的非结构化数据中提取基于文档理解的深度知识，可视化的文本分块，自动化且轻松的 RAG 工作流。（star 2.4K）

5、zibai：高性能的纯 Python WSGI 服务器

中文名是“兹白”，出自山海经。相比于 gunicorn ，它的性能更好，并可在 Windows 上使用。相比于 waitress ，兹白在不使用 gevent 时单进程性能与它相当，在重载情况下比 waitress 更稳定。

6、podgenai：GPT-4 制作有声读物/播客 mp3 生成器

可使用 GPT-4 生成关于给定主题的大约一小时的单扬声器有声读物/播客 mp3 文件。

7、qiling：真正可检测的二进制仿真框架

纯 Python 实现的一个高级的二进制仿真框架，支持很多操作系统和硬件架构，支持多种文件格式，支持跨架构和平台调试，具有逆向调试功能。（star 4.8K）

8、maxtext：谷歌推出的简单、高性能及可扩展的 JaxLLM

用纯 Python/Jax 编写，面向 Google Cloud TPU，可实现 55% 到 60% 的模型翻牌利用率。

9、nava：在 Python 中播放声音

一个无任何依赖且支持跨平台的库，用于播放声音。支持异步模式、循环模式，主要支持.wav 格式。

10、MuseV：无限长度和高保真的虚拟人视频生成

基于视觉条件并行去噪的无限长度和高保真虚拟人视频生成，受 Sora 启发而开源，可配合实时高质量的唇同步模型MuseTalk ，构建完整的虚拟人生成解决方案。

11、restai：一个 AIaaS（AI 即服务）开源平台

建立在 LlamaIndex、Ollama 和 HF Pipelines 之上，创建 AI 代理并提供简单的 REST API 来调用。

🐢播客&视频

1、使用 Nextjs、Tailwind 和 Django 克隆一个全栈的 Airbnb

油管上的系列视频，介绍如何用流行的前后端技术栈克隆一个 Airbnb 网站，可作练手项目学习。

2、Django Brew：一档新的 Python 播客

一档聚焦于 Django 框架的播客，第一期节目分享了 DjangoCon 2023 上的一些会议演讲内容，以及其它有趣的东西。

46 如何用 Python 预测日食的时间和轨迹？

博客原文 | 发布时间：2024-04-13

🦄文章&教程

1、如何用 Python 预测日食的时间和轨迹？

本周一（04.08）上演了今年唯一一次日全食，作者由此想到如何用编程方法预测日食发生的时间。文章分享了计算的技巧，绘制了本次日全食的轨迹，同时预测了 2020-2030 年间所有的日食。

2、我在开源软件上全职工作 503 天的经验分享

作者全职加入 Textualize 公司，参与了流行的 Python 库 Rich 和 Textual 的开发，文章主要分享了四个方面的经验：靠网络形象获得工作机会、你的自我不应该妨碍你的工作、如何与用户及贡献者互动、如何在完全陌生的大型代码库上开发。

3、修复 Python 代码坏味道的最佳实践

代码坏味道（Code Smells）本身不是错误，但是会影响代码质量和可维护性。文章介绍了5 类常见的代码坏味道，以及修复这些问题的最佳实践。

4、如何用 Python 作质因式分解？

文章介绍了几种用 Python 作质因数分解的方法，从暴力解法到经典的埃拉托色尼筛法，重点介绍了后者的算法思路以及代码的优化方法。

5、Supervisor-持久化进程部署方案

Supervisor 是一个 C/S 架构的进程监控与管理工具，文章介绍了其基本用法和部分高级特性，用于解决部署持久化进程的稳定性问题（可克服nohup cmd & 命令的弊端）。

6、PEP-744 – 关于 JIT 编译

JIT 编译器已经合入 CPython 3.13 主分支，这个最新发起的 PEP 旨在回答关于它的一些常见问题，主要目标是明确这个 JIT 应满足什么条件才能变为非实验性的特性。

7、Zapier 如何能自动执行数十亿个任务？

Zapier 是流行的在线自动化平台，支持数千款 APP。文章介绍了 Zapier 采用的技术架构，包括用 Django 框架作后端，用 RabbitMQ 和 Celery 来创建分布式工作流引擎，用 Kafka 作分布式事件存储和流处理，等等。

8、Meta 使用单体架构仅 5 个月就发布了 Threads

去年的一大技术新闻是扎克伯格的 Meta 推出 Threads 与马斯克的 Twitter 竞争。Theads 的技术栈与 Instagram 几乎相同，大型单体架构，Django 框架改造的后端，数据存储在 TAO，用 ZippyDB 作缓存。

9、Python 命名约定：最佳实践和示例

Python 以其可读性和简单性而闻名，它有一些关于命名的规范，有助于保持代码一致性和清晰度。文章通过示例介绍了 Python 正确的命名风格，并给出了反例。（附：Google 内部专注于代码质量的“Code Health”系列，最新一篇分享了几条命名原则，有 Python 之禅的味道）

10、Great_Tables 的设计理念

文章回顾了表格的历史（从古代的方格到高度结构化的数据格式），提出表格在当今面临的问题，介绍了如何通过Great Tables 库创建更美观好用的表格。

11、Python 为什么不能将列表作为字典的键？

若将列表作为字典的键，会报错TypeError ，这是为什么呢？在这个过程中，Python 内部是如何执行的呢？文章解答了这个问题，原因跟__hash__() 魔术方法有关。

12、使用树莓派+Python+Influxdb 开发温度监测器

作者基于 Raspberry Pi 1b 和 DS18B20 温度探头开发了一个温度监测器，使用 Python 将温度数据传给 Influxdb，实现检测温度的变化。（根据文章开头描述，我推测作者现在应该只有11-12岁）

13、如何用单行 Python 代码通过面试编码

这篇文章建议在做面试编程时，将答案写成一行代码的形式，文中给出了一些例子如反转二叉树、计算二叉树深度、查找第一个回文等题目，使用各种花销的技巧将代码写成一行。但是，注意文章发布的日期，它只是一个愚人节玩笑，不要当真！

🐿️项目&资源

1、open-interpreter：计算机上的自然语言界面

它可让 LLM 在本地运行代码（Python、Javascript、Shell 等）。安装后运行 $ interpreter ，即可以通过终端中类似 ChatGPT 的界面与 Open Interpreter 聊天。（star 47.1K）

2、narwhals：Polars、pandas、cuDF、Modin 的轻量级可扩展兼容层

无缝支持 Polars、pandas、modin 和 cuDF，使用 Polars API 的子集，使用 Polars 的表达式，100% 分支覆盖率。

3、mantis：可自动发现、侦察和扫描漏洞的安全框架

一个自动扫描安全漏洞的命令行框架。输入顶级域名，它可发现相应的子域名和证书并进行侦察，然后对漏洞、机密、错误配置和网络钓鱼域名进行全面扫描。

4、FreeAskInternet：免费私有且本地运行的搜索聚合器与答案生成

用户提出一个问题，它将用多个引擎搜索，并将搜索结果组合给 LLM，根据搜索结果生成答案。不需要 GPU 或 OpenAI 或 Google API 密钥，即完全免费。使用免费的 ChatGPT3.5 / Qwen / Kimi / ZhipuAI（GLM） API，支持 ollama，支持 Docker 部署。（star 6.6K）

5、PyCharm 博客总结的一系列 Django 学习资源

PyCharm 是最专业的 Python IDE，其官方博客经常发布技术文章，在 YouTube 上也经常发布视频。这篇文章汇聚了一些跟 Django 相关的文章和视频的学习资源。

6、great-tables：用 Python 生成信息丰富的精美表格

前文分享了这个库的设计理念。它依照表格各部分而定义了一系列组件，支持灵活调整表格布局。使用 Pandas 或 Polars 的 DataFrame 数据作输入。

7、jiaTansSSHAgent：实现 XZ sshd 某些后门功能

最近有一则爆炸性新闻是“XZ 的后门事件”。这个项目用 Python 实现了部分后门功能，你可以通过 SSH 客户端来探索它们。

8、docx2python：提取 docx 的页眉、页脚、文本、脚注、尾注、属性和图像

它可以将 docx 文件的各项元素提取成 Python 对象，包括文本和图像，实现内容读取、插入、修改等功能。

9、WechatMoments：微信朋友圈导出工具

一款运行在 Windows 上的，能备份导出朋友圈为 html 的工具，可下载图片/视频永久保存，支持根据联系人和朋友圈时间进行过滤导出。

10、low_cost_robot：超低成本实现机械臂

组装和控制一条机械臂，需要多少成本？这个项目给出的方案成本约 250 美元，且支持增加一条机械臂，总计 430 美元。使用 Dynamixel XL430 和 Dynamixel XL330 伺服电机。（star 2K）

11、drawpyo：用 Python 生成 Draw.io 图表

Draw.io 是一个免费在线的图表工具，可创建流程图、组织结构图、UML 图、ER 图、网络图等。这个库支持创建、添加对象、设置样式等功能。

12、drawdb：免费直观的在线数据库设计工具和 SQL 生成器

浏览器中的数据库实体关系（DBER）编辑器，可构建图表、导出 sql 脚本、自定义编辑器等，无需创建帐户。（star 4.3K）

🐢播客&视频

1、使用 Django、Channels 和 HTMX 克隆一个流式 ChatGPT

这则视频使用 Django、websockets 和 HTMX 克隆出一个 ChatGPT。每个功能被分解为一次提交，视频解释了代码作用并演示了效果。

2、2024 年学习数据科学的系列视频

这个系列视频有 23 期，主要面向初学者入门数据科学，涵盖 Python 编程基础、数据分析、数据可视化、大数据、机器学习等话题。

47 当你的老师希望你去做开源

博客原文 | 发布时间：2024-04-20

🦄文章&教程

1、当你的老师希望你去做开源

这篇文章提出了一个尖锐的问题：有些老师建议学生去开源项目上做事，但却没给出有效的指导，导致开源项目里出现很多无效的互动。建议想参与开源贡献的同学，不要犯这些错误：不要将练习 Git 操作的内容提交 PR 到原仓、不要破坏项目原有的 linter 和格式化规范、不要签到式打招呼……

2、我每天在用的 Python f-string 代码

f-string 很好用，而且很强大。文章介绍了一些经常使用的场景，例如对数字的处理（整数、浮点数、科学计数法等）、百分比、日期、填充、正负号等。

3、用 Django 和 OpenAI 开发一款语音笔记应用

如何开发一个可以录制和转录语音的笔记应用？这篇教程使用 Django+OpenAI+AlpineJS 开发了一个简单的项目。

4、Python Web 开发者的最佳安全实践

文章介绍了可提高 Web 项目安全性的 7 类实践，包括验证输入并清洗数据、使用安全的编码工具、使用最新 Python 及库、明智处理错误和记录日志、最小权限原则、使用 HTTPS 传输、定期作安全审计。

5、Fedora 希望为其 Python 构建作“-O3”优化

Fedora Linux 的一项提案，希望用 “-O3” 编译器优化标志来构建 CPython 解释器和标准库，预计整体上可提升 Python 性能 1.04 倍。提案对应的版本是 Fedora 41 和 Python 3.13。

6、Ruff v0.4.0：一个手写的 Python 递归下降解析器

Ruff 又发布新版本啦，新的解析器速度提升 2 倍，这意味着所有 linting 和格式化的速度提升 20-40%。文章介绍了这个手写解析器相比旧解析器，带来了诸多优点。（感叹一句，Astral 团队可太会做 build in public 了！）

7、给 Django RSS 源设置样式

RSS 是个好东西，强烈建议所有人都用！个人博客的标配是提供 RSS 源，Django 框架有Syndication 可创建 RSS 源，但默认情况难以阅读，文章介绍了如何给 RSS 源加上样式。（附：我的博客也做了 RSS 预览美化）

8、Python 中快捷的概率过滤器

如何快速判断一个元素是否在某个集合中？最流行的方法是布隆过滤器，但还有别的过滤器，文章介绍了最近推出的二进制熔断过滤器，速度更快，内存占用更低。介绍了pyxorfilter 库的使用，这个仓的文档中指出了两篇学术论文，感兴趣的读者可以研读一下。

9、Code Review 时，曾被我忽视的 3 件重要小事

Code Review（代码评审）是项目开发时的关键环节，值得关注的评审点有不少，作者分享了 3 个曾忽视的重要的小事：命名、指引性注释、以及沟通方式。文中总结的要点对提升代码可维护性和塑造团队氛围有重要作用。

10、用 Python 记录下今天敲了多少次键盘

作者有一个很好的出发点：各大 APP 有年度总结，我们每天用键盘，为何不给它来个工作总结？用pynput 库可监听键盘与鼠标事件，实现统计功能。文章还介绍了用tkinter 开发一个简单的查看界面。

11、是否应该使用上界版本约束？

上界版本约束（Upper Bound Version Constraints）是一种指定软件包最高可安装版本的机制。这篇万字长文主要指出了这种机制的诸多弊端、解释了语义化版本控制（SemVer）的概念及其局限性。

12、如何开发一个代码格式化工具？

作者最近花了几周为自己的编程语言开发了一个代码格式化工具，文章介绍了技术实现上的一些知识点，主要是如何处理各种抽象语法树（AST），包括文本、空格、缩进、宽度、内容渲染、注释的处理，等等。（附：作者去年写的开发编程语言的十年）

🐿️项目&资源

1、pylyzer：快速的 Python 静态代码分析器和语言服务器

用 Rust 开发的高性能静态代码分析器，比 pytype 和 pyright 快 100 倍以上。可检测列表越界和字典不存在的键，支持语言服务器的各种功能如代码补全和重命名等。（star 1.9K）

2、anthropic-cookbook：一些有趣而有效的使用 Claude 的方法

Claude 官方推出的 cookbook，一系列的资源和教程。（star 2.7K）

3、Flowmium：用 Rust 写的 Python 工作流编排器

一个使用 Kubernetes 的工作流编排器，可定义并运行容器的 YAML 工作流。提供@flow.task() 装饰器，每个 Python 函数可作为 Kubernetes pod 运行。

4、github2file：从 Github 下载和处理文件

用于从代码仓下载文件，方便提供给聊天机器人使用。支持根据语言筛选、可排除某些目录/文件类型和测试文件、支持删除注释和文档字符串。

5、Python 知识备忘录

知识内容密集的速查表，专注于 Python 核心内容、全面而精选。

6、DouZero：通过自玩深度强化学习掌握斗地主

专为斗地主设计的强化学习框架。斗地主包含合作、竞争、非完全信息、庞大的状态空间和动作空间。它提出了将深度蒙特卡洛与动作编码和并行演员相结合的方法，提供了一个简单而有效的解决方案。（star 3.9K）

7、dashboard-icons：仪表板图标资源

支持多种仪表板的无缝集成，首选的推荐是Homepage 、Homarr 和Dashy 。（star 4K）

8、newspaper4k：从新闻网站提取文章、标题和元数据

newspaper3k 是一个拥有 13.7K star 的项目，用于从网站中提取各种元素，能识别 10 多种文字语言。但该项目已有 3 年多没更新了，newspaper4k 是它的复刻分支，添加了许多功能，修复了不少问题。

9、translateLocally：在本机上用 LLM 快速安全地翻译

由 marian 和 Bergamot 提供支持，在本地作翻译，提供 CLI 和 GUI 使用方式。

10、constable：将打印直接插入 AST 进行状态调试

在运行时将 print 语句直接插入到 AST 中，可打印变量赋值和其他信息。用法简单，constable.trace 装饰器在要追踪的变量发生赋值时，将 print 语句插入到函数的 AST 中。

11、TextBlob：情感分析、词性标记、名词短语提取、翻译等

用于处理文本数据的 Python 库，用于深入研究常见的自然语言处理任务，如词性标记、名词短语提取、情感分析、分类等。（star 8.9K）

12、wewe-rss：生成微信公众号 RSS，支持私有化部署

基于微信读书生成 RSS 订阅（支持.atom.rss.json格式），自动定时更新内容，支持全文输出，支持将订阅源导出 OPML。（star 2.7K）

🐢播客&视频

1、2024 年菲律宾 PyCon 演讲视频列表

菲律宾第 9 年举办 PyCon 活动，这份演讲视频列表共有 37 个视频。

2、2024 年构建大语言模型的小指南

如今的 LLM 已如雨后春笋般遍地开花，个人开发者训练 LLM 的条件越来越便利。这则视频介绍了 LLM 的相关概念，以及训练 LLM 所需的知识。作者的另一则视频会动手实践，通过示例将理论运用起来。

48 Python 3.14 的发布计划

博客原文 | 发布时间：2024-04-27

🦄文章&教程

1、公布 py2wasm：将 Python 程序转换为 Wasm

Wasmer 是一个快速且安全的 WebAssembly 运行时，其开发团队推出了py2wasm ，让 Python 程序也可以转换为 WebAssembly，运行速度比基线解释器快 3 倍。

2、对比 Ruby 与 Python 的 for 循环

Ruby 和 Python 都是脚本语言中的佼佼者，它们有着诸多差异。文章通过 for 循环这个看起来很小的语法点，分析出两门语言深层的设计理念之不同。（附：这是 2021 年的旧文，本周突然火起来了。而我在 21 年恰好翻译过，欢迎阅读译文版本通过 for 循环，比较 Python 与 Ruby 编程思想的差别）

3、Python 小陷阱：strip、lstrip、rstrip 删除内容比预期的多

出自“Python Gotcha”系列，简短介绍了这三个字符串函数的意外行为，确实不符合直觉。Python 3.9 引入的removesuffix() 以及 removeprefix() 可以正确地删除左右字符串。

4、用 Python 讲解进程间通信的核心机制

这是关于 IPC（进程间通信）的系列文章，介绍了基于 Unix 操作系统提供的不同机制，并用 Python 代码作演示，话题包括命名管道、Unix 域套接字、Unix 信号、消息队列、共享内存、内存映射文件等。

5、PEP 745 – Python 3.14 的发布计划

Python 3.13 的开发工作已接近尾声，下个月将冻结新功能合入，计划今年10月1日发布。Python 3.14 版本的开发将从 5 月 7 日正式开始，官方已公布 3.14 版本的发布时间表，预计最终版本在明年10月1日发布。（正好都是我们的国庆节！）

6、Python 不同数据结构的时间复杂度

时间复杂度用于评估算法的性能效率，随着数据规模增大，时间复杂度越低的算法效率越高。文章介绍了 Python 各种数据结构的时间复杂度，例如列表、队列、字典、集合、计数器、堆/优先级队列、排序列表，等等。

7、从第一性原理出发理解 Django

这是一个系列文章，目前已更新 3 篇，计划从单个文件开始构建出一个完整的 Django 项目。新人接触 Django 开发时，只需两行命令就能启动一个完整的新项目，但这样缺乏对 Django 的理解。这个系列以逐步添加文件的方式，让你掌握必要的知识。

8、Python 线程池的源码实现分析与相关问题探讨

ThreadPoolExecutor 是 Python 的官方线程池实现方案，文章通过分析相关源码实现来理解线程池的架构设计，同时探讨由于使用不当导致的内存占用过高等相关问题。

9、如何用 Python 设计和实现插件架构？

我们整天跟浏览器插件和 IDE 插件打交道，那么，你是否想知道如何用 Python 设计一个插件系统呢？作者以自己开源的utt库为例，介绍了一个简单插件系统的实现。

10、浅谈 Python、Go、Rust 的异常处理

Python、Go 和 Rust 的异常处理分别是怎样的？它们的实现方案各有什么优缺点呢？作者最后的结论是更喜欢 Python 直观且简单的处理方式。（附：我们周刊中曾出现过三篇关于此话题的文章：编程语言的四种错误处理方法、两种风格的错误处理、将 Python 错误作为值：比较 Go 和 Rust 的使用模式）

11、mpmetrics 内存管理的设计

用 Python 编程时，你通常无需关注内存如何分配与回收，都是自动处理的。但在涉及性能优化、与 C 语言交互、处理大量数据等情况下，内存管理可能是一种有效手段。文章介绍了mpmetrics 作内存管理的实现，重点讨论基于共享内存的动态变量分配。

12、编程语言中分号的起源和优点

很多编程语言使用分号作为语句的终止符，文章试图探究这种做法的起源，以及讨论分号相比其它符号有什么优点。（附：Python 是异类，请查看 Python 为什么不用分号作终止符？）

🎁Python潮流周刊🎁本周刊已持续连载一年，更新内容接近 10 万字。我为此投入了大量的时间和精力，为了健康可持续性的发展，周刊即将转为收费模式。周刊的发展离不开你们的资助，目前为最低优惠价，欢迎订阅技术专栏

🐿️项目&资源

1、llama3：Meta Llama 3 的官方仓库

Meta 开源了最新一代的 Llama 大模型，包含 8B 和 70B 参数版本，支持 8K 长文本，性能、推理能力和代码能力都有增强。（star 17.7K）

2、llama3-Chinese-chat：Llama3 中文仓库，各种聚合资料

仓库收录各种网友及厂商微调、魔改版本有趣权重 & 训练、推理、部署教程视频 & 文档。（star 1.9K）

3、reader：将 URL 转换为对 LLM 友好的文本

提供了非常实用的功能，只需将待提取文本的网址放在“https://r.jina.ai/”之后，即可获取 Markdown 文本。也支持 JSON 格式，但目前是早期测试版本。（star 3.4K）

4、tasktiger：基于 Redis 的 Python 任务队列

一个任务队列库，默认为每个子任务 fork 一个子进程，但也支持同步方式；支持任务锁、任务重试、灵活排队、批处理、定时任务，等等。（star 1.4K）

5、utt：用 Python 编写的简易命令行时间跟踪器

通过命令行方式来添加、编辑、总结你的任务耗时，生成个人时间表和活动用时统计。

6、simone：将 YouTube 视频转换为文章进行发布

它可将视频转换为博客文章，并基于上下文添加视频截图，可方便 UP 主们二次传播自己的内容。依赖 FFmpeg 处理视频和截图，Tesseract OCR 引擎识别文本，OpenRouter 生成文章和关键字。

7、h11：用纯 Python 实现的 HTTP/1.1 库

从头开始实现的小型 HTTP/1.1 库，用于构建使用 HTTP 的程序，并非requests 等库的替代，但可使实现类似的东西更容易。（附：h2：HTTP/2 协议栈的纯 Python 实现）

8、browser-hub：浏览器包装器，可运行多个浏览器实例

它可让你同时在多个浏览器实例上使用不同的账号，并根据 URL 的不同参数打开指定的浏览器。

9、lingua-py：极准确的自然语言检测库

它能从短文本或混合语言的文本中检测出所使用的自然语言，对于语言数据的预处理有较大帮助。

强大的照片相似性搜索引擎，利用 CLIP（对比语言-图像预训练）模型，根据文本描述找到视觉上相似的图像。仅适用于苹果芯片 MLX。

11、Windrecorder：记录屏幕内容，实现记忆搜索

运行在 Windows 平台上的 Rewind 替代工具，可根据 OCR 文本或对画面的描述进行搜索，摘要浏览活动。完全运行在本地，无需联网或上传任何数据。（star 1.3K）

49 谷歌裁员 Python 团队，微软开源 MS-DOS 4.0

博客原文 | 发布时间：2024-05-04

🦄文章&教程

1、谷歌在开发者大会前裁员了 Python、Flutter 和 Dart 团队

本周的大新闻，谷歌裁掉了 Python 语言团队，虽然人数不到 10 人，但里面有多位 Python 核心开发者及指导委员会里的成员，因此引发的讨论热度极高。Python 是谷歌早期使用最多的语言之一，但遗憾所占的比重越来越少了。

2、FastAPI 专家给出的 FastAPI 使用贴士

这是一份 Github 文档，收录 FastAPI Expert 给出的使用技巧，目前已有内容包括：安装 uvloop 和 httptools 、在 WebSocket 上使用 async for 而不是 while True 、忽略 WebSocketDisconnect 异常、使用HTTPX AsyncClient 代替 TestClient ，等等。

3、PEP 686：将 UTF-8 模式设为默认配置

这个 PEP 已被采纳，将合入 Python 3.15 版本（你没看错，算下时间应该是两年半以后）。它建议默认启用 UTF-8 模式，当开启后，包括文件、标准IO 和管道的文本编码将使用 UTF-8，更方便 Python 与它们的操作。

4、Pydantic：简化 Python 中的数据验证

一篇长文教程，详细介绍了Pydantic 库的使用。这个库利用类型提示来帮你校验和序列化 Python 对象，使代码更可靠、更可读、更简洁，而且更易于调试。它已用 Rust 重构了核心的验证逻辑，性能非常快。

5、中小型 Python 项目配置和数据读写的最佳实践

关于 Python 项目的配置文件管理和数据读写，有什么最佳实践？文章的主要思路：使用 YAML 文件记录配置类及数据类内容，抽象出专门的配置类/数据类负责读写操作。（分享自@AlterNao1）

6、为了乐趣和（并发的）收益而给 requests 库打补丁

作者发现使用requests 库发起并发 https 请求时，开启 CA 证书验证的耗时是不开启的 1~5 倍，主要耗时在于调用loadverifylocations() 。作者提交了一个 PR，通过避免重加载根证书来提高并发性能，文章分析和解读了这个问题。

7、CPython JIT 内部原理：Python 启动时会发生什么？

Python 3.13 预览版已包含一个 JIT 编译器，目前关于它的介绍还比较少。作者打算写一系列文章深度解析 Python JIT 的内部原理，这一篇解读的是在 JIT 编译器启动前，CPython 的运行时中所发生的事情。

8、Sleepsort：在线程休眠时排序

睡眠排序是一种有趣但不实用的排序算法，通常用于教学目的。文章介绍了它是什么、操作系统任务调度过程、以及如何用 Python asyncio 实现 sleepsort。

9、Python、JavaScript 和 Ruby 用莱布尼茨公式计算 π 的值

莱布尼茨公式在数学史上具有重要意义，是最早出现的 π 的无穷级数表达式之一。文章用 3 种语言分别实现这个公式的计算，作了语言间的性能对比，以及 Python 3.8~Python 3.12 这 5 个版本的性能对比。

10、10 年参加 Python 会议

Trey Hunner 是一名高产的 Python 博主，前 PSF 董事，以及各类 Python 活动的常客。文章分享了他多年来参加和组织过的 Python 会议，结识过的人，以及学到的东西。（PS. 2024 PyCon US 将在本月中旬举行）

11、关于 for 循环的一些思考

for 循环是编程语言中极为基础的代码结构，但它在不同语言中的现状和演变过程却很多样。作者从 for 循环的基本格式、foreach/forstep 语法、对比 while 循环的表现力、for 循环的扩展（map、reduce）等方面写了一些思考。

12、前 1% 精英工程师的 7 个简单的习惯

“10x 工程师”是一种让人向往的境界，指的是那些生产力和影响力远超同行的工程师。作者认为这些人拥有 7 个很重要的习惯，包括“代码是为人写的，而不是为计算机”、“使用一致的标准”、“编写简单的代码”，等等。

🐿️项目&资源

1、logfire：用于 Python 的可观测性工具

Pydantic 团队推出的可观测性平台，简单而强大的仪表板，支持丰富的 Python 对象显示，事件循环遥测，Python 代码分析和数据库查询分析。

2、pyinfra：用 Python 实现基础设施自动化

面向基础设施的自动化工具，速度很快，可从一台服务器扩展到数千台服务器。非常适合临时命令执行、服务部署、配置管理等。（star 3.2K）

3、pipxu：使用 UV 在隔离环境中安装和运行 Python 程序

可在多个相互隔离的虚拟环境中安装和使用 Python，实现了pipx 的大多数功能，因为使用uv 替代venv 和pip ，所以性能更快。

4、tkforge：在 Figma 中拖放创建 Python GUI

它可与 Figma API 交互，获取文件的详细信息并将其转换为代码。支持占位符文本，支持多个 frame，支持根据背景设置前景色。（附：同样功能但更成功的 Tkinter-Designer ，star 8.3K）

5、TagStudio：文件和照片管理系统

Python 实现的以标签方式组织的文件/照片管理系统，支持跨平台、多用户、可管理几个 TB 大小。（star 1.5K）

6、coredumpy：保存崩溃的站点以作事后调试

便携式的安全转储，利用 pdb 接口，支持 unittest、pytest 和运行时异常。

7、plane：开源的 JIRA、Linear 和 Asana 替代品

一个开源的软件开发工具，对标 JIRA、Linear 和 Asana，可安心管理问题、冲刺和产品路线图。前端是 TypeScript Next.js，后端是 Python Django，很值得作为学习的全栈项目。（star 24.1K）

8、Scrapegraph-ai：基于 AI 的 Python 抓取工具

将 LLM 与 Playwright 结合，它可为网站、文档和 XML 文件创建抓取管道。只需说出要抓取的内容，它会自动完成。（star 1.2K）

9、tv：自动收集 IPv4 酒店电视直播源

自动测试播放速度，每日自动更新。有 CCTV 央视卫视频道，及部分地方频道，播放流畅。也可在 openwrt 或群辉的 docker 运行。

10、netprobe_lite：用 Python 开发的网络性能测试工具

用于在家中测量 ISP 性能的简单有效的工具，可测量多个性能指标，如数据包丢失、延迟、抖动和 DNS 性能。

11、dangerzone：将有害的 PDF、office 文档或图像转换为安全的 PDF

将不可信的文件（如邮件附件）转换为安全的 PDF 文件。在沙盒中处理，过程是先将文件转为 PDF，然后转换为原始像素数据，最后转换回 PDF。（star 3.2K）

12、MS-DOS：MS-DOS 1.25、2.0 和 4.0 的源代码

微软将 MS-DOS 4.0 操作系统开源了。这个版本其实发布于 1988 年，是首次引入图形用户界面的 DOS 版本，比较有历史意义。（star 28.3K）

🐢播客&视频

1、2023 年的 800 多期 Python 演讲视频

这是一份 Google 文档，目前已收录 864 期 Python 演讲视频，播放地址都是在 Youtube，内容主要出自 2023 年 PyCon、PyData、EuroPython 等活动。

2、教程：使用 Python + HTMX + Tailwind 作 Web 开发

上一则分享的视频列表中播放量最高的一期视频，后端用 FastAPI + Jinja，前端用时下流行的 HTMX + Tailwind CSS。（附：视频作者的一篇博客，介绍了相关实现以及源码仓库）

50 我最喜欢的 Python 3.13 新特性！

博客原文 | 发布时间：2024-05-12

🦄文章&教程

1、我最喜欢的 Python 3.13 新特性

Python 3.13 在进入功能冻结期前，添加了一个全新的 REPL，作者表示这是 Python 3.13 中他最喜欢的特性。新的 REPL 确实让人眼前一亮：彩色提示、下一行自动缩进、tab 自动缩进 4 格、exit 和 help 不用再加括号、支持块级历史记录、支持粘贴代码块……这些新功能也是我一直想要的，现在终于要支持了。遗憾的是，它还不支持 Windows 系统！

2、Python 3.13 新功能盘点介绍

Python 3.13 beta 1 版本已发布，改动内容真不少呢，文章做了一个简单盘点：改进的 REPL、自由线程（无 GIL Python）、JIT 编译器、python -m random 生成随机数、对 iOS 的 tier 3 级支持，等等等。（附：所有变更内容，详见官方文档 What's New In Python 3.13）

3、Python Asyncio 工作原理：从零实现一个简化版 Asyncio

作者用生成器、async和await关键字，逐步从零构建，成功模拟出asyncio的事件循环和任务调度机制，可加深你对asyncio内部工作原理的理解。（附：文章的中文翻译）

4、友好的 Python：封装和复用

这是一篇标题友好的无情吐槽文，被吐槽的是火山引擎的 TTS 接口及其 SDK 设计。作者详细分析了对方代码的问题，给出了改进建议和原则，最后还贴心给出了 62 行的改进版本，远胜原始的近 500 行的版本。

5、零基础入门 Python 文件处理篇——实现一个简单的文件搜索引擎

文章收集了很多 Python 文件操作的知识和代码片段，涉及基础和进阶的各类文件操作，可以查漏补缺。最后还演示了从给定目录下模糊搜索一个文件的代码。

6、用 HTMX 和 Django 开发一个 Connect Four 游戏

一个用 Django + HTMX 开发 Web 小游戏（Connect Four）的简单教程。通过游戏项目来学习编程，应该是效果不错的方式。

7、用 wxPython 开发一个简单的计算器

计算器是很好的用于练习 Python GUI 编程的项目，类似的教程在网上有不少，但是像这篇那么详细介绍每一段代码的应该不多。

8、学生在入门数据科学时常犯的错误

在入门数据科学时，哪些错误时常会发生？这篇论文对 500 多份样本作定性分析，指出了这几类错误：逻辑错误、语义错误、次优编码、对语言和环境的误解。

9、使用“不安全的 Python”加速 Numpy 代码 100 倍

“Unsafe Python“是指可能导致安全风险或内存安全问题的技术。作者使用pygame 和OpenCV 来处理图像缩放任务，发现性能差距很大，原因是由numpy 数组的内存布局（strides）引起的，最后通过优化内存访问模式来提升性能。

10、Python 字典详细的历史演变过程

这是在 Python Discuss 论坛上的一篇帖子，作者想梳理字典的技术细节和历史演变，但是发现字典在不同版本的插槽数、扩容机制和初始大小等方面差别很大。

11、重新发明 Python notebook 的经验教训

marimo 是作者开发的一款 notebook 产品，是 Jupyter notebook 的竞品，已经被斯坦福大学和贝莱德等机构使用。文章介绍了其三项设计原则：可重现、可维护、多用途，为什么要采用这些设计，以及在实现的过程中学到的几点经验教训。

12、Python 软件基金会新闻：2022 和 2023 资助计划的透明度报告

PSF 发布了前两年对 Python 社区的资助计划的透明度报告。我们周刊第 30 期分享过泛非 Python 社区的一封公开信，就是质疑 PSF 的资助计划。报告公布了各项支出、趋势、百分比等数据，特别分享了关于非洲早年的几起资助。

🐿️项目&资源

1、pywinassistant：用自然语言控制 Windows 用户界面

这是一个大动作模型（Large Action Model），使用自然语言操作 Windows 系统。目前支持所有通用的 win32api 应用。

2、chinese-calendar：判断一天是不是法定节假日/工作日

判断某年某月某一天是不是工作日/节假日，支持 2004年至 2024年。（附：另一个同名的项目chinese-calendar，是个农历/阴历与阳历/公历的转换与查询工具）

3、Oven：探索 Python PyPI 包

支持搜索和查看 PyPI 上的软件包，支持查看 pip/pdm/rye/poetry 安装命令，支持查看每周下载量和趋势图。

4、tetos：适用于多种 TTS 服务的统一接口

使用一套统一的接口来对接不同的文本转语音（TTS）服务商，已支持 Edge-TTS、OpenAI TTS、Azure TTS、Google TTS、火杀引擎、百度 TTS、Minimax TTS。

5、relax-py：又一个 Python Web 框架

Python Web 开发框架，基于 Starlette + htmx + tailwindcss，具有热模块替换（HMR）、基于路径函数的 URL 定位器、依赖注入等特性。

6、哈佛大学 2024 年 CS50 线上课程

哈佛大学的 CS50 是一个计算机科学入门课程，有 11 周课时安排，免费提供所有学习资源，可颁发课程证书。今年的变化是引入了由 ChatGPT 支持的对话机器人，可帮助回答与课程相关的问题。

7、portr：专为团队设计的开源的 ngrok 替代方案

Portr 是一种隧道解决方案，可向互联网公开本地 http、tcp 和 websocket 连接。它利用 SSH 远程端口转发来保证隧道连接的安全性。（star 2K）

8、py-compress-compare：对比分析 zlib、LZ4、Brotli 和 Zstandard

这个项目对四个流行的 Python 压缩库（zlib、LZ4、Brotli 和 Zstandard）进行对比，衡量了压缩比、压缩时间、解压时间等指标。

9、pyspread：用 Python 开发的电子表格，可支持 Python 代码

使用 Python 开发的 Excel，单元格中支持 Python 表达式，并且每个单元格返回的都是一个 Python 对象。可从单元格访问 Python 模块，包括 Numpy；支持导出 CSV、SVG 和 PDF 等格式。

10、PgQueuer：基于 PostgreSQL 的任务队列库

一个极简的 Python 任务队列库，使用 PostgreSQL 的 LISTEN/NOTIFY 来管理任务作业，使用 pg 的FOR UPDATE SKIP LOCKED 实现可靠的并发处理。

11、你用人工智能做过的最实用的事情是什么？

除了用作图像生成和简单的问答，你还用 AI 做过什么有用的事情？这是 Reddit 的热门帖子，可以看看别人都开发过什么项目，从而找找个人项目的创意。

🐢播客&视频

1、core.py Ep 10：开发者聊 Python 3.13 的 REPL

Pablo Galindo 和 Łukasz Langa 开发了 Python 3.13 中新的 REPL，他们在播客中聊了开发这个特性的故事，也分享了 CPython 最近改动的一些特性，比如新的 JIT 和 Python 对 iOS 的支持等。

2、The Python Show 40 - 与 Antonio Cuni 一起聊开源开发

这期播客的嘉宾是 PyScript、pdb++、pypy、HPy 和 SPy 等开源项目的贡献者，播客聊了参与开源开发的相关话题。

51 用 Python 绘制美观的图表

博客原文 | 发布时间：2024-05-18

🦄文章&教程

1、引人注目的 Python Streamlit：精美的交互式地图和图表

这篇教程使用 streamlit + pandas + plotly 开发一个可交互的数据可视化项目，介绍了数据集的获取以及详细的开发步骤。

2、我絕不用 result 作為變數名稱

一篇短小精悍的文章，讲清楚了为什么不应该用 result 作为变量名。虽然是一个很小的编程规范点，但真的很常见，我自己初入职场的几年也是反面例子。

3、Python 中使用 Loguru 记录日志

Python 中有多种日志库，Loguru 是目前最流行的三方日志库，使用简便。这篇教程从它的安装开始，逐步介绍它的相关功能，适合作为入门学习。（附：对比最流行的 6 个 Python 日志记录库）

4、35 道 Django 技术面试题

企业级 Python Web 项目开发使用 Django 框架的不少，文章分享了 35 道从初级到高级的 Django 面试题以及简短的答案。

5、Python 的集合是没有值的字典

集合的元素是可哈希的不重复的内容，这点跟字典的键很像。文章通过用没有值的字典来模拟实现集合数据结构，实现它的各种方法。预警，一点也不实用。。

6、使用 Sliver 渗透测试套件的针对 Mac 的 PyPi 包后门

PyPI 上的恶意软件包手段真高超，文章提到的库将 Sliver 二进制文件隐藏在 PNG 图片中，在操作系统安装这个包时会解码图片并执行后门代码。

7、为什么 TensorFlow 正在缓慢消亡？

TensorFlow 和 PyTorch 是两个主流的深度学习框架，分别出自谷歌和脸书，前者的流行趋势正在被后者赶超，文章分析了出现这种现象的几个原因。

8、Python 中的延迟计算是什么？

延迟计算（lazy evaluation）就是在需要使用时再计算求值，即按需调用。Python 中有哪些延迟计算的例子、这种实现有什么好处、又有什么缺点？

9、为什么要看 Python 源码？它的结构长什么样子？

这是“Python 3.12 源码剖析”系列的开篇，介绍了 CPython 源码的项目结构、Python 解释器的基本组成。专栏预计更新 100 多篇，目前免费已更新 5 篇。

10、2014 年我的 10 个业余项目

一篇写于 2015 年的文章，作者分享了自己开发的 10 个项目，主要为 Python 和 C 语言的。第一个项目是用 C+Python 写的 Minecraft 克隆项目，Github 10K star，其它项目也都挺有意思。

11、无需数学公式，解释 LLM 的工作原理

大语言模型已经成为很多人必不可少的效率工具，它的智能来自哪里？文章试图用简单的术语和少量 Python 代码，不用高深的数学知识，来解释 LLM 的工作原理。

12、替代实现的问题

作者发现了一个常见的问题：Python 和 Ruby 等语言都有 JIT 实现，但这些编程语言中的替代实现都有一个问题，就是要艰难地跟进官方实现的新功能，要兼容新的语言规范，因此受到诸多的限制。

🐿️项目&资源

1、The-Python-Graph-Gallery：数百个用 Python 绘制的图表

这个项目是一个网站的源码，网站很有意思，收录了大量的图表、制图工具、示例代码和文章教程。（star 1.8K）

2、parler-tts：高质量的 TTS 模型

一个轻量级文本转语音（TTS）模型，可根据给定说话者的风格（性别、音调、说话风格等）生成高质量的听起来很自然的语音。完全开源，包括数据集、预处理代码、训练代码和权重值等。（star 2.6K）

3、UXsim：道路上的车辆交通流模拟器

一个开源的车辆流量模拟器，绘制车辆运动轨迹，模拟交通拥堵情况。使用matplotlib 作可视化，提供了交互式 GUI。

4、Quads：基于四叉树的计算机艺术

输入一个目标图片，它会将图像切成象限，并在每个象限填充原图的平均颜色，最后呈现的效果还挺酷的。（star 1.2K）

5、bilibot：用哔哩哔哩用户评论微调的本地聊天机器人

基于 B 站评论微调的聊天机器人，支持文字聊天，也可通过 questions.txt 生成针对给定问题的语音对话。基础模型为 Qwen1.5-32B-Chat。（star 2.3K）

6、pyaction：带有 Python、git 和 Github CLI 的 Docker 容器

这个 Docker 镜像旨在支持使用 Python 实现 Github Actions。

7、firecrawl：将整个网站变成 LLM-ready 的 markdown

抓取任何网站内容，将其转换为可用于 LLM 的干净的 markdown 文件。无需站点地图，会抓取所有可访问的子页面，并为每个页面生成 markdown。（star 3.1K）

8、plotille：使用盲文点在终端中绘图

使用盲文点、前景色和背景色在终端中绘图、散点图、直方图和热图，无外部依赖。

9、petl：Python 提取、转换和加载数据表

一个数据处理工具，可将 JSON、CSV、Xlsx、XML、HTML 等文件转换，写入到 MySQL、Postgres、S3 等存储中。（star 1.2K）

10、FunClip：视频语音识别和剪辑工具，集成 AI 剪辑功能

阿里达摩院开源的使用 LLM 作视频剪辑的工具，可基于语音识别结果，自由选择文本片段和演讲者进行剪辑。（star 1.7K）

11、map-machine：OpenStreetMap 的 Python 渲染器

OpenStreetMap 是一个世界性的免费地图项目，map-machine 可将地图丰富的要素通过自定义图标展示出来。

12、IC-Light：给图片加上打光照明

提供了两种类型的模型：文本生成照明模型和以背景图片生成照明模型。可以给普通图片加上符合场景和光源方向的光影特效。（star 3.1K）

52 Python 处理 Excel 的资源

博客原文 | 发布时间：2024-05-25

🦄文章&教程

1、正则表达式匹配可以很简单且高速

这是一篇写于 2007 年的文章，介绍和对比了正则表达式的两种实现：传统方法和 Thompson NFA 方法。后者在某些任务上比传统方法快几百万倍，但使用普及度不及前者，作者呼吁编程语言可以改用后者。作者还写了 3 篇关于正则的文章，详见其文末。

2、如何利用内存中还在运行的代码，恢复已删除的源码？

作者不小心把本地代码删除了，然后设法中从运行中的 Docker 容器里恢复了自己的代码。使用到的库是pyrasite 和 uncompyle6 ，文章介绍了具体的操作步骤。

3、PEP-667：命名空间的一致视图

这个 PEP 计划合入到 Python 3.13 版本，作者之一是我们国内的@高天。在早期 Python 中，所有命名空间都是用字典实现的，后来出于性能原因变更了函数命名空间的实现，但导致了一些奇怪的 BUG。此 PEP 提议将所有命名空间再次保持一致的实现。

4、用 100 行代码替换 pyinstaller

作者开发了一个packaged 项目，可替代 pyinstaller 将 Python 项目打包成可执行文件。文章介绍了它的迭代实现过程，亮点之一是用到了 python-build-standalone ，还有特别的是用了可自解压的压缩工具 makeself 。

5、py.space：免费开发在线的 Python 应用

py.space 是最近推出的一个网站，是Anvil 的精简版，可开发在 Web 上运行的 Python 应用。这篇教程演示了该网站的基本功能。

6、使用 Python 3.12 作静态类型函数式编程

文章利用 Python 3.12 的模式匹配、typing 的泛型并结合数据类，实现函数式编程的类似功能。现在 match-case 的使用场景不多见，文章做了很好的示范。

7、如何用 Python 动态生成 Github 个人主页 README？

Github 支持添加个人的自述文件，有很多开源项目可以让我们美化自己的主页。作者用 Python 实现抓取自己博客文章，利用 Github Actions 实现动态更新。我准备等有空也去试试。

8、用 pyastgrep 作自定义 linting

pyastgrep 是作者开发的库，可使用 XPath 语法查询特定的 Python 语法元素。文章介绍如何用它作自定义的代码检查，执行其它工具无法满足的编码规范检查。

9、使用 pygments 生成代码片段的图片

pygments 是一个可将代码或文本作高亮显示的库，作者为了在 PyCon 演讲时演示代码片段，于是用这个库生成自己的代码图片。文章介绍了具体的实现过程、优势和建议。

10、使用纯 NumPy 实现 Llama 3

Llama 3 是当前开源大模型的佼佼者。文章详细介绍了这个模型的关键组件，在不依赖深度学习框架的情况下，使用纯 NumPy 实现 Llama 3 模型。

11、AI 帮你写的代码，所有权归谁？

文章提出了一个暂时还无解的问题。AI 辅助编程已兴起，人类依赖 AI 完成的代码会越来越多，那么，关于这些代码的知识产权该如何判定，AI 生成部分在法律上是无版权的，由此可能会带来法律风险。

12、聪明的代码可能是你写过最糟糕的代码

聪明的代码（clever code）很可能不是清晰的代码（clear code），建议大家不要滥用炫技式的一行流代码。代码的可读性至关重要，文章区别了好代码与坏代码，并给出了如何写出清晰代码的一些建议。

🐿️项目&资源

1、用于处理 Excel 的 Python 资源

这个网站收录了一些可读写 Excel 文件的库（openpyxl、xlsxwriter、pyxlsb、pylightxl、xlrd、xlwt、xlutils）、可编写 Excel 加载项的库（PyXLL、xlwings）。

2、yen：Python 虚拟环境管理工具，无需预装 Python

号称是最简单的 Python 环境管理工具，无需预装 Python。一半的代码是 Rust。

3、Tensor-Puzzles：21 个张量谜题

这个仓库收录了一些编程题目，提升 PyTorch 水平。（star 2.8K）

4、dishka：依赖注入框架

提供了一个IoC（控制反转）容器，可简化对象的创建和管理，避免手动传递对象或使用全局变量。

5、hstream：将 Python 脚本转换为 Web 应用

基于 Django + HTMX，可将 Python 脚本转换为交互式的 Web 应用。

6、cover-agent：AI 自动生成测试，提升代码覆盖率

让 AI 来帮忙生成测试代码，有效提升代码覆盖率。目前主要是单元测试，仅支持在终端运行。（star 2.6K）

7、pygments：用 Python 开发的通用型语法高亮工具

前文已提到过这个语法高亮工具，它支持 500 多种语言和文本格式，可用于代码仓、论坛、wiki和其它需要美化源码的地方。（star 1.7K）

8、hashquery：在数据仓库中定义和查询 BI 模型

在数据仓库中定义和查询 BI 模型，表达式使用 Python 定义，编译为 SQL，能表达复杂的多层查询，能力超过标准 SQL。

9、Python 有哪些指标监测库？

这是 Hacker News 上的问答帖，提及的一些项目有：pymetrics、ddtrace、datadog、statsd、pyformance、prometheus 的 Python 客户端，等等。

10、stamina：可用于生产的 Python 重试库

基于tenacity 作了封装的重试库，亮点有：仅在某些异常时重试、指数退避、自动支持异步、可全局停用以作测试，以及拥有开箱即用的 Prometheus、structlog 和标准库 logging 支持。

11、piku：支持对自己的服务器作 git 推送部署

通过 git push 命令将自己的应用部署到个人服务器上，不管服务器规模大小。支持 ARM 和 Intel 架构，适用于任何可以运行 Python、nginx 和 uwsgi 的云服务商或裸机。（star 2.6K）

12、mql：用自然语言输入生成 SQL 查询

根据自然语言生成为可执行的 SQL 语句，仅支持 PostgreSQL 数据库。

53 我辈楷模，一个约见诺奖得主，一个成为核心开发者

博客原文 | 发布时间：2024-06-01

🦄文章&教程

1、我「接见」了诺奖得主

真我辈楷模啊！我们周刊的常客 @frostming 由于开发了 PDM 的缘故，被 2018 年诺奖共同得主 Paul Romer 约见。文章分享了这段让人兴奋的经历，其中提及 Paul 在做一个帮助 Python 初学者搭建开发环境的 GUI 应用，想不到他会关注这种事，瞬间引起了我对他的好感。

2、450 天成为 Python 核心开发者

又一位我辈楷模！@高天仅花一年多时间为 CPython 作贡献，现已正式成为 Python 核心开发者。全球目前活跃的核心开发者不到 100 位，能成为其中一员实属难得啊。（附：这篇提名高天的帖子，详细总结了他为 Python 做的贡献）

3、Python 如何比较浮点数和整数？

文章从一个很奇怪的问题开始（见下方截图），介绍了 IEEE-754 双精度格式表示法，深入到 CPython 解释器源码解读了 Python 在比较浮点数和整数时的算法。不同于 C 和 Java 等语言隐式将整数转换为双精度，Python 具有无限精度的整数，因此设计了专用算法来实现比较。

超大整数与浮点数比较时的奇怪结果

4、JIT 和移除 GIL 都不是我最期待的 Python 3.13 特性

Python 3.13 是较为独特的版本，本周刊已分享过不少内容。然而，作者最看重的特性却是新的dbm.splite3 ，解决了他使用 dbm+shelve 在不同操作系统不兼容的问题。

5、从事 Python 打包工作 6 年的不为人知的故事

作者在 PyCon US 2024 上发表闭幕主题演讲，分享 6 年来关于 Python 打包的一些故事。这篇文章罗列了很多与演讲话题相关的链接和参考资料。

6、庆祝 Beautiful Soup 的 20 周年

从上一则分享的博客中发现，Beautiful Soup 已经发布 20 周年了！它常用于爬取解析和网页内容，这篇周年纪念文章回顾了一些故事，同时主要想收集更多用户故事，计划出一本选集。这么长久健康发展的项目，开发者还富有人文情怀，值得点赞。

7、曾经最喜欢 Ruby，现在可能是 Python

作者曾经很喜欢 Ruby 但不喜欢 Python，后来从 TypeScript 和 Rust 上发现了类型编程的强大之处，现在被支持类型提示和 match-case 的 Python 吸粉了，同时发现它还有一些很好的特性，所以已经转向了 Python 阵营。

8、使用 Postgres 的 Django 异步任务队列（不是 Kafka、Rabbit MQ、Celery 或 Redis）

文章介绍了 Django 中可简单替代 Celery 和其它复杂方案的异步任务队列实现，即“Django 命令”。文章演示了相关功能的使用，以及对可能出现的问题（例如死锁）的考虑。

9、在 Streamlit 中支持异步 MongoDB 操作

Streamlit 是构建仪表板的绝佳工具，但是异步操作数据源很麻烦，文章介绍了如何更好地将两者融合起来，分析了 4 种实现思路。用到Beanie 库异步操作 MongoDB。

10、LangChain 实战：利用 LangChain SQL Agent 和 GPT 进行文档分析和交互

如何用 AI 数字化大量的文件，并回答用户提出的复杂的与数据相关的问题？文章介绍了用 Python 和LangChain来读取和分析 PDF 文档，用 SQLite 管理数据，用 LangChain SQL Agent 实现问答。

11、pyo3_asyncio：Python Asyncio 事件循环的 Rust 绑定

pyo3_asyncio 提供方便的接口来管理 Python 和 Rust 的 async/await 操作，支持两者间的 future 转换，并管理两种语言的事件循环。文章介绍了相关的实现原理和使用方法。

12、PyPy 已经悄悄地为我工作了好几年了

作者一直用pipx 安装 Python 依赖库，而且用的是 PyPy 解释器而不是官方的 CPython。多年来一直运行良好，没有明显差异，表明 PyPy 确实是挺成功的 CPython 替代品。

🐿️项目&资源

1、llama-fs：基于 llama 3 的自组织文件系统

根据文件内容和时间等条件自动重命名文件，以及管理文件目录，支持多种文件包括图片和音频。拥有 Electron 开发的前端和 FastAPI 支持的后端。（star 3K）

2、orjson：快速准确的 JSON 库，支持数据类、日期时间和 Numpy

号称是最快的 Python JSON 库，比标准库和其它三方库更准确。以本机方式序列化 dataclass、datetime、numpy 和 UUID 实例。（star 5.7K）

3、asyncssh：在 asyncio 上提供 SSHv2 协议的异步客户端和服务器

支持异步的 SSHv2 客户端和服务端实现，支持 SFTP 和 TCP，兼容 OpenSSH。单个 SSH 连接上同时多个会话，单个事件循环中多个 SSH 连接。（star 1.5K）

4、ipyblender-experimental：Jupyter 中引入 Blender

Blender 是一款功能强大的开源 3D 图形和动画软件，用于 3D 建模、渲染、动画制作和视频后期处理。这个项目将它集成到了 jupyter notebook。

5、searxng：免费的互联网元搜索引擎，汇总各种搜索服务和数据库的结果

尊重隐私的互联网元搜索引擎，汇总了来自 70 多种搜索服务的结果。支持自托管、无用户跟踪和分析、安全加密的连接、100 多个维护良好的实例。（star 9.7K）

6、rio：纯 Python 的 Web 开发框架，无需 JavaScript、HTML 和 CSS

Python Web 框架，无需写一行 HTML、CSS 或 JavaScript。提供丰富的 React 风格组件，声明式 UI 框架，完全的类型安全。

7、buku：个人的文本迷你网络

一个强大的书签管理器和个人文本迷你网络，也提供了 GUI 端。可从浏览器导入书签或从网络获取 URL 的标题、标签和描述。使用你喜欢的编辑器添加、撰写和更新书签。（star 6.3K）

8、resume-builder：纯 Python 开发的简历生成工具

简单的低成本个人简历生成工具，生成 PDF 格式的文件。

9、more-itertools：比 itertools 丰富的可迭代对象操作

标准库itertools 提供了很多函数，这个项目是对它的补充，提供的函数非常之多，建议查看文档。（star 3.5K）

10、tach：强制实施模块化、解耦的包架构

用 Rust 开发的 Python 项目管理工具，强制要求模块化设计，定义和规范包依赖关系，使开发和维护更容易。

11、Zango：构建企业级应用/微服务的 Python Web 框架

构建在 Django 之上的 Web 框架，支持在单体服务上托管多个应用或微服务。内置安全和合规组件，提供企业所需的应用组件。

12、pdm：支持最新 PEP 标准的 Python 包和依赖项管理工具

一个现代的 Python 包管理工具，有简单且相对快速的依赖解析器，兼容 PEP-517 和 PEP-621，有灵活且强大的插件系统，支持安装 Python，像 pnpm 一样的中心化安装缓存，节省磁盘空间。（star 7K）

🐧 往年回顾

Python潮流周刊#3：PyPI 的安全问题（2023.05.27）

Python潮流周刊#4：Python 2023 语言峰会（2023.05.31）

54 ChatTTS 强大的文本生成语音模型

博客原文 | 发布时间：2024-06-08

🦄文章&教程

1、许多实用的 Python 命令行程序

Python 中有许多可以直接在命令行中运行的模块，使用方法是python -m xxx 。文章做了非常全面的盘点，介绍了每一个模块的用法，最后汇总发现有 50 多个！（附：关于“-m”的更多介绍，Python 中 -m 的典型用法、原理解析与发展演变）

2、我最喜欢教的编程问题：数字长度

作者曾是卡内基梅隆大学的计算机课程助教，他最喜欢教的编程问题是计算数字的长度。这是一个看似简单，但存在很多深层思考空间的题目，文章对此做出了详细的解释。

3、修复 Python 循环导入的一种方法

模块间的循环依赖问题是一种常见错误，一般推荐从代码的结构分层上解决。作者提供了一种简短而实用的修复方案，简单地说就是推迟查找函数的模块主体，以便所需的模块先完成初始化。

4、PEP-789：限制异步生成器的 yield，防止任务取消错误

一个新发起的草稿态提案，建议添加一个sys.prevent_yields() 上下文管理器，在yield 会引发 RuntimeError 时，阻止任务，提升安全。

5、我的 PyCon US 2024 回顾

2024 年的 PyCon US 活动已结束了，官方录制的视频和演讲材料等资源还需等待。这是一名参会者的长篇游记，回顾了她在几天里见到的风景、活动过程、演讲议题、见到的人，等等。由衷感叹，官方 PyCon 的氛围真不错！

6、Python 开发游戏如何选择引擎？

文章出自“Python游戏开发”系列，该系列已更新两篇。介绍了Panda3D 这个 3D 游戏引擎库的安装和基本使用，渲染出的效果图真的很棒。

7、ChatTTS：语气韵律媲美真人的开源 TTS 模型

文章介绍了如何在本地部署近两周火热的 ChatTTS 项目、基本使用和进阶用法。

8、使用特定的算法将运行速度提高 15×

一张图片包含书籍里的文字内容，现需要提取出文本信息，怎么实现，以及优化性能？文章使用了scikit-image 库实现图片处理，先使用 Numba 来提速，然后分别多次优化实现的算法，达到较理想的性能提升。

9、用 GPT-4o 生成 Flask 项目代码，能做到多好？

OpenAI 新发布的 GPT-4o 很强，那么用它来生成一个支持数据库操作的 Flask 项目，同时具有 HTML 页面和 Tailwind 样式，效果能到怎样的程度呢？文章给出了主要的提示词和代码，最终呈现的效果还不错哟。

10、用 Python 开发 Scrapscript 语言的编译器

Scrapscript 是一门小型的、内容可寻址的、网络优先的编程语言。作者详细介绍了如何用 Python 给它开发出新的编译器的过程，解释了一些关键模块的实现原理。

11、什么是 Python 的可哈希对象？

这是一篇长文，但是并不枯燥。作者用了一个很好的例子，在不断变化的办公室里找人，由此引出哈希函数、相等函数、不可变和可哈希、哈希碰撞等内容。

12、用一道算法题比较 Python、Go、C++、C、AWK、Forth 和 Rust 的性能

文章使用 7 种语言来实现一个计算单词出现频率的题目，给定了很多的约束条件。文中对每种语言的实现都给出了详细介绍，并讨论了优化方案。文末还罗列了很多其它编程语言的实现情况。

🐿️项目&资源

1、Think Python 第三版（免费在线）—Think Python, 3rd edition

《Think Python》出新版了，中文书名《像计算机科学家一样思考Python》，上一版是 2015 年出的，原版和译文版在豆瓣都有 8.8 高分。

2、关于音乐处理的 Python 基础笔记

一系列关于音乐处理基础的 Python 笔记资源，是用于教育和学习音乐处理的材料集合。（分享自：云云）

3、ChatTTS：用于日常对话的生成语音模型

热度居高不下的文本转语音模型，支持中文和英文，语音效果很优秀。（star 21.7K）

4、几个与 ChatTTS 相关的项目

ChatTTS-ui 提供了一个简单的本地网页界面，同时也对外提供 API 接口。（star 3.4K） ChatTTS_colab 提供了一键部署（含离线整合包）！ChatTTS-Forge 提供了完善的 ChatTTS 封装，包括 API、WebUI、Playground 等。

5、koheesio：构建高效数据管道的 Python 框架

Nike 公司开源，用于构建数据管道，与 PySpark 集成。

6、groqbook：使用 Groq 和 Llama3 在几秒内生成整本书

根据提示，生成书籍结构并扩展生成整本书内容。提供了托管在 Streamlit 上的版本，可以在线体验。

7、cachebox：用 Rust 开发的高性能 Python 缓存库

比其它缓存库快 5-20 倍，非常低的内存使用量（字典的三分之一），支持超过 7 种缓存算法，完全线程安全。

8、mesop：Google 开源基于 Python 的 UI 框架

Google 内部用于快速开发 Web 应用的 UI 框架，使用 Python 代码编写 UI，响应式 UI、热重载、类型安全、丰富的 IDE 支持。（star 1.1K）

9、Qwen2：阿里云开源的大模型系列

Qwen2 的官方仓库，支持 128K 上下文，显著提升了编码和数学能力。（star 4.2K）

10、RSS-Translator：简洁可自部署的 RSS 翻译器

翻译 RSS 的标题或内容，双语显示，支持 DeepL、OpenAI、Gemini 等多种翻译引擎，AI 内容总结，自动获取全文，缓存所翻译内容。

11、farfalle：AI 搜索引擎，用本地或云 LLM 自托管

Perplexity 的开源替代，可运行本地或云上大模型。前端 Next.js，后端 FastAPI，日志记录 Logfire。（star 2K）

12、chsrc：全平台命令行换源工具

支持多种操作系统和 CPU 的命令行换源工具，可测试不同镜像源的速度，并选择最快的源。

🐢播客&视频

1、你最喜欢的有关 Python 的 YouTube 频道是什么？

一则 Reddit 上的帖子，评论区有很多分享，可以去看看。

2、PyCon 2024 现场录制的播客

在核心开发者云集的 PyCon 2024 现场，这期简短的播客聊到了当下较值得关注的一些话题。

3、图灵奖得主巡礼系列播客，已更新 15 期

这个系列播客每期介绍一界图灵奖获得者，包括他们的成长经历、所做贡献、社会影响等，资料详实，深入浅出。

🐧 往年回顾

Python潮流周刊#5：并发一百万个任务要用多少内存？（2023.06.03）

55 分享 9 个高质量的技术类信息源！

博客原文 | 发布时间：2024-06-10

大家好，我是猫哥，今天给大家分享几个高质量的技术类信息源。

本文分享的信息源都是周刊类型的，所谓周刊类，就是以固定每周的频率更新，每期分享很多精华内容的链接。它的特点是信息密度极高，可以节省你去查找信息的时间，高效的学习者都会喜欢这类内容。

如果不是看了这篇文章，我猜你可能想不到 Python 竟会有那么多的好东西，所以建议你可以收藏起来，总会有用的。

接下来我会逐一介绍每个信息源，并给出简短的点评。推荐指数从低到高，越往后面的越值得推荐！话不多说，开始吧——

1、Awesome Python Weekly

一份创刊自 2016 年的老牌周刊，每期分享大约 10 篇文章和 5 个开源项目，只有标题和链接，没有推荐语。已有 22K 订阅。

我并不推荐订阅，原因是：它是唯二把喂养蟒蛇的文章当成 Python 技术文章分享的；开源项目的链接放的是它网站的链接，需要再点一次才能跳到 Github；每期周刊有 3 则广告，而且是带描述语的，妥妥是所有周刊里含广率最高的……

虽然不推荐订阅，但我挺佩服周刊作者，因为他有 20 份技术类的周刊矩阵，能挣不少钱吧……

2、Python weekly newsletter

这份周刊跟上一份有不少相似之处：有标题和链接（以及评论数），但没有推荐语；曾把喂养蟒蛇的文章当成技术文章；作者有近 20 份技术类周刊，矩阵化自动化更新。

它很明显的特点是内容基本抓取自 Hacker News、Reddit、Twitter 和 Mastodon，比较依赖于评论热度，但质量良莠不齐。

它比上一份更值得推荐的点是：每期分享的文章、项目及视频较多，总数大约 25-30 条，而且很少有广告。

推荐指数：⭐⭐

订阅地址：https://discu.eu/weekly/python

3、This Week in Python

一份创立自 2022 年 3 月的周刊，每期固定分享 5 篇文章和 5 个开源项目。早期在每篇文章后有一句话简短介绍，现在只剩标题了，内容少而精，但是都能在其它周刊找到。没有广告。

值得推荐的点有：博主长期纯粹出于热爱的更新，以及偶尔会发布自己原创的文章。建议有自己博客的同学，可以像他一样每周简单分享自己阅读过的一些文章/项目的链接，人人都可以拥有自己的极简版周刊。

推荐指数：⭐⭐

订阅链接：https://bas.codes

4、Python on Microcontrollers Newsletter

这是 Python + 硬件方向的周刊，最近达到了 11K 订阅，成绩还不错。几乎没有广告。排版有点伤眼睛。

周刊以微控制器为题，其实是单板机（如树莓派）。随着物联网和智能家居等领域的发展，Python 与硬件的结合蛮有发展前景，只是这个领域的话题在国内比较小众。

推荐指数：⭐⭐⭐

订阅链接：https://www.adafruitdaily.com

5、Django News

创刊于 2019 年 12 月，聚焦于 Django 领域，内容主要是 Django 的新闻、开发版进展、文章、项目、活动和招聘等，不像其它周刊都是比较泛的话题。目前有 3.8K 订阅。

相比其它周刊，它的订阅数很少，但是广告收入很强。它是唯一公开报价，并可在线预约档期的周刊，每期两个广告位，每个 200 美元。

推荐指数：⭐⭐⭐

订阅链接：https://django-news.com

6、Python Hub Weekly Digest

创刊于 2012 年，应该是最早的周刊之一，作者是乌克兰人。每期大约 11 篇文章和 8 个开源项目/话题。

每期会包含前一两周的热门内容，而且常有一些发布时间很久的、近期没在其它周刊出现的内容。文章后基本都有一段介绍语，但内容经常只是简单摘自原文。它没有视频分类，所以常在“文章”类别下夹带视频。

页面干净，一直坚持无广告。它的社交账号很活跃，在 X 上有近 140K 关注。

推荐指数：⭐⭐⭐⭐

订阅链接：https://pythonhub.dev/digest

7、Pycoder's Weekly

大概创刊于 2012 年，目前更新到第 630+ 期，订阅数有近 102K，X 账号的关注数有 120K。

它每期分享的非项目类内容有 15 条左右，项目类有大概 6 则，另外常有 Python 活动类资讯。每期广告数 2-3 则。

除项目外，它分享的内容之后基本都有一段推荐语，而且在内容下方还有网站或博客名称，以及投稿者的名称，这方面做得比其它周刊细致。内容上偶尔有些读者独家投稿，即没在别的周刊出现过。

周刊主理人也是 Real Python 的主理人，所以周刊上有很多自家网站上的文章和课程。

推荐指数：⭐⭐⭐⭐

订阅链接：https://pycoders.com

8、Python Weekly

创刊最早的 Python 周刊之一，已更新到 650+ 期。每期的非项目类（新闻、文章、教程、演讲、播客）大概 12-15 则，项目工具类 11-15 则，另外还有很丰富的 Pyhton 活动类资讯。

非项目类内容的推荐语有些写得不错，也有些仅是简单摘录原文。项目类的数量蛮多的，不过介绍语都是直接取自 Github 简介。

我很佩服它能更新这么长时间，而且每期的质量都不低。它营利的手段似乎只是广告植入，不确定那些活动类信息是否有收入。作者还有 2 份周刊，分别面向程序员和创业者，办得都不错。

9、Python Trending Weekly

Python 潮流周刊，唯一的中文 Python 周刊，也是唯一会给读者送福利的周刊，也是唯一实行付费订阅的周刊。

创刊于 2023 年 5 月，是所有周刊里最年轻的。目前每期分享文章/教程类 12 篇，项目/资源类 12 则，偶尔有播客/视频和热门讨论 2-4 则。赠书已超过 80 本。

周刊分享的内容较多，且都附有认真总结的推荐语，导致每期的篇幅都很长，所花费的时间精力远超其它周刊。

分享的内容约有一半是直接取材于其它周刊，相当于萃取了一遍；另外的一半内容主要来源于个人博客、技术论坛、Github 趋势等贴近于原作者的第一手信息。

周刊中偶尔会附上一些精美截图，对读者的阅读体验更佳，这也是其它周刊不具备的特色。周刊每 30 期作为一季，会做出阶段性盘点，并汇集成册，这有利于历史内容发挥长尾效应，沉淀知识。

其它周刊都是英文，且主要是邮件推送，不太符合国人的阅读习惯。Python 潮流周刊面向中文读者，还有基于微信的推送和阅读方式，更为便利。

推荐指数：⭐⭐⭐⭐⭐

订阅链接1：https://xiaobot.net/p/python_weekly

订阅链接2：https://flowus.cn/pythoncat/share/1e0b2dc6-fc44-4be9-895b-d87795299b77

以上 9 份周刊就是本文想分享的信息源。周刊的信息密度极高，是信息时代里值得推荐给所有人的聪明手段，推荐大家折优订阅。

有些周刊实现了较高的自动化抓取，作者靠着运营周刊矩阵，不靠质量而凭数量，每周能收获到不菲的广告费；有的周刊坚持十年如一日的更新，让人敬佩的是它始终不接广告；还有的周刊在保证质量的同时，作出多样化的营利尝试，只为可持续的健康发展。

除了这 9 个外，还有不少的同类周刊，但由于篇幅有限，这里只选取了较有代表性的几个。除了这些周刊外，还有很多值得分享的高质量信息源，本系列会陆续更新，欢迎关注。

PS. 本文是 Python潮流周刊的端午节特别加更。授人以鱼不如授人以渔，从分享信息到分享信息源。如果你也知道一些同类的信息源，欢迎留言分享~~

56 NumPy 2.0 里更快速的字符串函数

博客原文 | 发布时间：2024-06-15

🦄文章&教程

1、给 NumPy 2.0 实现更快速的字符串函数

NumPy 2.0 即将发布，这是 2006 年以来的第一个大版本。作者介绍了他们如何重新设计它的字符串函数（isalpha、add、find 和 startswith），解释了它们的执行原理，并做出了性能提升的统计。

2、Python 中的 pycache 文件夹是什么？

在项目文件中，你是否留意过突然出现的__pycache__ 文件夹，它是干嘛的，什么情况下生成的？这篇文章详细介绍了它的作用、文件夹里的内容、生成的时机、如何递归删除、如何防止创建它、如何读取/执行和反编译缓存的字节码等。

3、CPython 垃圾回收：内部机制和实现算法

CPython 如何实现内存管理的（包括引用计数和垃圾回收）？这是深度解读 CPython 解释器系列的最新一篇，分析了引用计数和分代垃圾回收的实现原理，研究了核心的数据结构、算法和源码，以及最新移除 GIL 时对内存管理的修改。

4、从零开始搭建自己的相似图片搜索引擎

介绍了如何使用向量嵌入、向量数据库 qdrant 和 OpenAI 的 CLIP 模型，从零开始搭建一个图片搜索引擎。文中还用了 scrapy+selenium 爬取网上图片，使用 Flask 开发了简单的操作页面。

5、使用 Pydantic Logfire 满足你的日志记录需求

Pydantic 团队最近推出了一个新的日志记录工具 LogFire，除了简单打印日志外，它可以跟踪和分析程序的运行信息，记录 FastAPI 的请求参数和返回值，收集异常计数、连接数和内存使用情况等指标，看起来非常好用！

6、FastAPI 深度揭秘：高效 Web 开发指南

一个关于 FastAPI 的专栏，从基础到进阶，全面介绍 FastAPI 的使用。

7、通过用 Python 实现 HTTP 服务器来理解它

作者用 Python 实现一个简单的 HTTP 服务端，以此来理解它的工作原理，介绍了控制请求、处理请求、发送响应等环节，以及所涉及的各项知识点。

8、我对“Excel 里的 Python”的看法

微软在去年推出了“Python in Excel”预览版，好不好用呢？文章出自xlwings 库和《Python for Excel》的作者，介绍了他深度使用后的一些看法，认为这不是 VBA 的替代品而是 Excel 公式的替代品、将 Jupyter 笔记本单元格集成到 Excel 网格是个错误、等等。

9、用 Python 将卷曲文本的图像提取成 PDF

照片中的书页有一定程度的卷曲，如何将文本内容提取成 PDF 文件？作者用“cubic sheet”模型作页面去畸变，用 OpenCV+PIL 实现文本提取。8 年前的文章，代码已开源在page_dewarp，已收获 1.4K star。

10、Python Celery 的缺陷

Celery 是广泛使用的分布式任务队列，但作者认为它存在诸多问题，文章讨论了三类：缺少或未实现的功能、有问题的默认行为、可观察性不足。

11、事件驱动的 Ansible，是什么、为什么以及如何使用？

Ansible 是用 Python 开发的自动化工具，常用于网络配置管理和应用部署等运维场景。文章介绍了它最新的 Rulebook 特性，可从多个事件源获取事件通知，从而触发某些操作。

12、我国出版的 Python 教材几乎都有基本概念错误

文章称很多 Python 教材套用其它语言的知识框架，导致出现基本概念的错误，如变量和赋值。学校中使用的 Python 教材都是哪些书啊？有没有在校学生分享下教材里的错误呢？（分享自@老不老）（附：Python 畅销书也有一些过时的表述，见 Python 已经支持中文变量名啦！）

🐿️项目&资源

1、WeasyPrint：非常棒的工具，将 Web 生成 PDF 文档

可将简单的 HTML 页面变成华丽的统计报告、发票、票据、书籍等。可读取普通文件、HTTP、FTP 和数据 URI。（star 6.8K）

2、oxo：现代的安全扫描编排器

一个安全扫描框架，可查找漏洞并执行侦察、枚举、指纹识别等操作。

3、jupyterlab-desktop：JupyterLab 桌面版，基于 Electron

JupyterLab 的跨平台桌面应用程序，支持 Windows、Mac 和 Linux，使用简单。（star 3.5K）

4、teo：模式驱动的 Web 服务端框架

模式驱动的 Web 服务端框架。服务端 API 是 Rust、Node.js 和 Python 的原生 API，受 GraphQL 和 Prisma 启发，自动数据库迁移。（star 1.1K）

5、aiosql：Python 中的简单 SQL

将 SQL 视为代码，写在“.sql”文件中，可加载到 Python 程序中作为函数调用，重用性高，可集中管理维护。（star 1.3K）

6、thread：AI 驱动的 Python 笔记本，使用 React 构建

将 OpenAI 的代码解释器与 Python Notebook 开发环境结合，除常规功能外，还可用自然语言生成单元格、编辑代码、提问和修复 bug。

7、OpenRecall：Windows Recall 的开源替代

Windows Recall 和 Limitless Rewind.ai 的开源替代，隐私优先，支持 Windows、macOS 和 Linux。定期记录屏幕截图，分析其文本和图像，让你可通过语义搜索，快速查找信息和回看浏览记录。（star 1.3K）

8、requests-futures：使用 Futures 实现的异步 Python HTTP Requests

requests 不支持异步，这个库为它加上concurrent.futures 的异步实现。（star 2.1K）

9、websocket-client：Python 的 WebSocket 客户端

提供对 WebSocket 低级 API 的访问，实现了 WebSocket 协议的 hybi-13 版本。当前不支持 RFC 7692 中的 permessage-deflate 扩展。（star 3.5K）

10、Freeway：WiFi 渗透测试与审计工具

用 Python 实现的 WiFi 渗透工具，帮助白帽黑客和测试人员审计和保护家庭及企业的网络。仅支持 Linux 系统，网卡需支持监视器模式和帧注入。

11、cibuildwheel：以最少的配置为所有平台构建 Python wheel

在 CI 服务器上运行，可构建和测试你的 wheel 包，目前支持 GitHub Actions、Azure Pipelines、Travis CI、AppVeyor、CircleCI 和 GitLab CI。（star 1.8K）

12、超过 6000 份免费的速查表

这是一个专门收集速查表（Cheat Sheet）的网站，分为编程、软件、商业与营销、教育、家庭与健康、游戏与爱好等类别。其中 Python 分类下有 446 份，是所有类别中最多的。

🐧 往年回顾

Python潮流周刊#6：Python 3.12 有我贡献的代码！（2023.06.10）

57 Python 该采用日历版本吗？

博客原文 | 发布时间：2024-06-22

🦄文章&教程

1、NumPy 2.0：一个重要的里程碑

距离 Numpy 1.0 发布已 18 年，2.0 版本是一个重要的里程碑。它引入了一些非兼容性的修改，重要的升级：清理和简化了 Python API、更新了标量提升规则、强大的 DType API 和新的字符串 dtype、增强 Windows 兼容性、支持 Python 数组 API 标准。（附：NumPy 2.0.0 Release Notes）

2、2024 年 Python 语言峰会：Python 该采用日历版本吗？

我们去年将 Python 语言峰会的所有议题出了一期加更，今年只挑三则，更多议题请查看官方博客。这篇议题讨论的是将 Python 当前的语义版本控制（SemVer）改为日历版本控制（CalVer），即在版本号中加上年份，例如 3.26 表示在 2026 年发布的版本。备选的格式有以年份为主的“26.0.0”，以及年加月的“26.10.0”。

3、2024 年 Python 语言峰会：我们应该让 pdb 变得更好吗？

今年 Python 语言峰会的议题之一，出自国内最近成为核心开发者的@高天。讨论了可以给 pdb 添加的一些新功能，包括显示断点附加代码、终端中的语法高亮、支持自定义、处理更多场景（线程、异步、字节码、远程调试）；也提出将 pdb 底层切换成sys.monitoring 以提升性能，但这会引入向后兼容问题。

4、2024 年 Python 语言峰会：手机端上的 Python

今年 Python 语言峰会的议题之一，讨论 Python 在 iOS 和 Android 等移动端上的现状和发展方向。Python 3.13 对 Android 和 iOS 上的 Python 提供 Tier 3 级支持。BeeWare 团队正推动将 Python 开源包生态引入移动端，在 CPython 测试套件和构建工具上也会加大投入。

5、Python 项目管理入门

探讨了如何管理 Python 项目的环境和依赖项，以及如何有效地构建项目，内容较长。

6、在 Python 中连接字符串：一个“啊哈”时刻

作者使用 Python 已长达 17 年，到底是什么内容让她发出“啊哈”的感叹？作者研究str.join() 时发现一个奇怪的问题：当使用生成器作为str.join()的入参时，性能比使用列表推导式慢约 16%。原因是 join() 会先将生成器转换为列表，然后拼接，因此导致额外的开销。PyPy 则不会做这种处理，它用生成器做入参时比列表推导式快约 5 倍。

7、掌握上下文管理器，简化 Python 资源管理

在使用资源时，经常要做重复性任务，如设置和关闭进程、打开和关闭资源。这些场景最适合用上下文管理器，文章介绍什么是上下文管理器、详细的使用指南、典型的使用场景和常见问题。

8、如何从Pandas 迁移到 Polars

Rust 开发的高性能 Polars 正在蚕食 Pandas 的市场份额。从 Panas 迁移到 Polars 是不是很麻烦？会不会导致数据处理流程和工具不兼容？作者演示了无缝切换的过程。

9、向 CPython 添加 JIT 编译器

这是对 PyCon 2024 一场演讲的文字报道，演讲者是给 Python 3.13 引入 JIT 编译器的 Brandt Bucher。介绍了 Python 3.13 前做的一系列改进，为什么要在 3.13 引入 JIT 编译器，团队当前所做的一些工作以及核心的实现细节问题。

10、Debug 日志：CPython GH-120437

文章分享了作者调试 Python 3.13 Beta 版本一个 Bug 的经历，涉及的模块是最新引入的 JIT/Tier 2 优化器。

11、使用 Rust 将 Python AST 的解析速度提高 20 倍

作者用第 53 期分享过的tach 库分析 3000 个文件，耗时近 10 秒。文章分析了耗时多的原因，然后用 Rust 重写了 C 代码，结果提速近 20 倍。使用了性能分析工具有 py-spy、speedscope 和 Valgrind。

12、Ruff：Rust 开发的 Python linter-formatter 的内部原理

这是一个系列文章的第一篇，试图解析 Ruff 库的内部实现原理，包括 Rust 和 Python 如何相互操作、Ruff 第一个版本是如何工作的、现在版本有哪些组成部分等内容。

🐿️项目&资源

1、pdf-to-podcast：将任何 PDF 转换为播客节目

利用 OpenAI 的文本转语音模型和 Google Gemini 来处理 PDF 文件，生成自然对话类播客，并输出为 MP3 文件。

2、prettypretty：漂亮的终端颜色库

帮助用 Python 和 Rust 开发出漂亮的终端用户界面。包含一个强大而通用的颜色库。

3、django-render：使用 Django 和 React 构建用户友好的应用

Web 全栈项目，构建完全客户端渲染的 React 应用，后端基于 Django，支持表单、会话验证和消息。支持 Storybook 和 Vite 热模块重载。

4、holmesgpt：GPT 支持的 DevOps 助手

从 DevOps 到 AIOps，查看告警并获取缺失的上下文数据，更快地找到根本原因。

5、labelme：用 Python 作图像多边形标注

一个用 Python 开发的图形图像标注工具，用 Qt 作图形界面。支持分类和清理图像标注，也支持视频标注，支持 GUI 定制。（star 12.7K）

6、aurora：Python 实现的快速、可扩展的静态站点生成器

简单的静态站点/博客生成器，渲染 4000 个 Markdown 文件大约花 1 秒钟。

7、httpstat：使 CURL 统计变得简单

以一种美观和清晰的方式将 curl(1) 统计数据可视化。单个 Python 文件，无外部依赖。（star 6K）

8、writer-framework：用于创建 AI 应用的全栈框架

提供可视化编辑器，支持拖放，无需写代码即可构建 UI；用 Python 编写后端代码，界面与业务逻辑间实现关注点分离。（star 1.2K）

9、surya：OCR、布局分析、顺序读取、90+ 种语言的行检测

一个文档 OCR 工具包，支持 90+ 语言，行级文本检测，支持布局分析（表格、图像、页眉等）。（star 8.8K）

10、MiniCPM-Llama3-V 2.5：手机上媲美 GPT-4V 的多模态 LLM

MiniCPM-V 系列的最新版本模型，共 8B 参数量，OpenCompass 得分超过 GPT-4V-1106、Gemini Pro、Claude 3、Qwen-VL-Max 等主流商用闭源多模态大模型。（star 7.5K）

11、pyod：用于异常值检测 Python 库

用于检测多变量数据中的异常，支持 50 多种检测算法，下载量超过 1700 万次。利用 numba 和 joblib 进行 JIT 编译和并行处理，拥有超高性能。（star 8.1K）

12、warp：用于高性能 GPU 仿真和图形的 Python 框架

NVIDIA 推出的框架，可将普通 Python 函数用 JIT 编译成在 CPU 或 GPU 上运行的高效的内核代码。专为空间计算而设计，可轻松编写用于物理模拟、感知、机器人和几何处理的程序。（star 3.4K）

🐧 往年回顾

Python潮流周刊#7：我讨厌用 asyncio（2023.06.17）

58 最快运行原型的语言

博客原文 | 发布时间：2024-06-29

🦄文章&教程

1、最快运行原型的语言

支付系统早期使用 COBOL 语言开发，在 1990 年代开始转向 Java 或 C++，但如今正转向更为现代的语言，也就是 Python。作者对此现象给出自己的解读，给出了 4 个方面的原因。最关键的一点，Python 能帮人以最快的速度运行原型，在这个“快鱼吃慢鱼”的时代，得以占据主导地位。

2、PEP-2026 提议 Python 采用日历版本号

上期已经分享过有人提议 Python 改用日历年做版本号的新闻，这是对应的 PEP 提案。格式3.YY.micro ，其中 YY 是指该版本发布的年份，例如 3.26 是指在 2026 年发布。

3、优化 Python 的路由和调度：一个新的开源求解器 Timefold

介绍了 Timefold 项目的优点和使用方法，可用于优化车辆路线问题、员工排班、任务分配、维护调度和其它规划问题。

4、深入了解 Python 的集合数据结构

出自深度解析 CPython 解释器源码系列，探析了集合（set）数据结构是如何实现的、它的数据模型、关键方法的实现（插入、查找、删除、弹出）。

5、使用 weakref 介绍 Python 的弱引用

你可能没有接触过weakref 模块，但它是许多库、框架甚至 Python 自身的基础。文章介绍了它是什么、有什么用途，以及如何在代码中使用它。

6、这就是软件开发现在的样子

生成式 AI 正在帮助程序员更快速高效地开发，作者通过自己的例子，演示如何一步步让 AI 帮忙从很多漫画中找到他想找的那张。提出问题/项目想法，然后让 AI 不断挑战，看看它能做到什么程度，也许你会找到一些能提升自己日常工作的方法。

7、在命令行终端使用大语言模型

作者做了一个关于从命令行访问大语言模型的演讲，这篇文章是对其演讲视频的注释版/补充版文字稿。文中有很多参考材料。

8、如何将 Python 包发布到 PyPI？

想要将自己开发的包发布到 PyPI 上是怎样的流程？如何创建符合要求的 Python 包？可以使用什么包构建工具？配置文件中的配置项是什么含义？如何发布包？还有什么主意事项？

9、基本 Python 项目设置

你是否碰到要将一个项目克隆到一个新的地方，然后将它运行起来？在启动时，关于虚拟环境、依赖项安装等操作，可以使用脚本自动处理，文章演示了一个非常基本的示例。

10、用 Make 提升 Python 开发者体验

高效的 Python 开发者如何使用工具解决开发环境相关的问题？作者将自己多年的开发经验分享出来，主要关于如何使用 Make&Makefile 解决一系列问题，提升开发效率。

11、Notebooks 是代码中的麦当劳

作者认为 Notebook 的流行并不是一件好事，文章从个人角度和团队角度，各列出了 Notebook 不好的 4 条理由，包括缺乏版本控制、不像 IDE 纯粹和方便阅读代码、不便于协作、难以移动和测试，等等。

12、花了 6 个月时间开发 LiveAPI 代理，我得到的 10 个经验教训

在实际的项目开发中，我们可能会遇到作者那样的情况：为了解决 A 问题，克服重重困难终于实现了 B 解决方案，但接着发现它在某种场景下会失效，最后迫不得已采用全新的 C 解决方案。在解决问题的过程中，一些有价值的经验教训就出现了。

🐿️项目&资源

1、Your-Journey-To-Fluent-Python：你的流畅的 Python 之旅

这是一本开源的 Python 电子书，包含 30 个大章节，涵盖 Python 基础到进阶的系列内容。可在线阅读，也可下载 PDF 版本。

2、llm：从命令行访问大语言模型

一个 CLI 库，可与安装在本地的大模型交互，也可以调用线上大模型。在命令行中运行提示词，将结果存储在 SQLite，生成嵌入，等等。（star 3.4K）

3、lmdocs：使用 LLM 生成 Python 项目的帮助文档

开发完项目后，让大语言模型直接帮你生成所有的文档！

4、make-python-devex：使用 Make、Homebrew、pyenv、poetry 等工具的示例

构建 Python 开发环境时，环境管理、版本选择、依赖管理等问题的示例配置。

5、vulture：查找无效的 Python 代码

这个库的名字是“秃鹫”，很形象地表明它的用途：查找并清理代码中死亡的（未使用的）代码。使用静态代码分析，速度很快。（star 3.2K）

6、CleanMyWechat: 自动删除 PC 端微信缓存数据

电脑端微信的清理工具，可自动删除所有聊天中自动下载的大量文件、视频、图片等数据内容，解放你的空间。（star 4.2K）

7、wxauto：Windows 版微信自动化，可发送/接收消息，简单微信机器人

Windows 微信版的自动化工具，可收发消息、保存聊天图片。（star 1.8K）

8、youdaonote-pull：一键导出/备份有道云笔记的所有笔记

可将有道云笔记的所有笔记按原格式下载，转换为 Markdown；默认将有道云笔记图床的图片下载到本地，可指定上传到 SM.MS。（star 1.2K）

9、reladiff：跨数据库对大型数据集作高性能比对

跨数据库的数据比对，在数据库内执行差异计算，最大限度减少数据传输从而实现高性能。基于匹配哈希的分而治之算法，支持 10 多个数据库。

10、hrms：开源人力资源和薪资管理软件

一个完整的 HR 管理系统，包含 13 个不同模块。前端部分使用的 Vue 框架。

11、burr：构建能够做出决策的应用（聊天机器人、代理、仿真等）

适用于任何使用 LLM 的项目，提供实时跟踪/监控系统界面。

12、thread：AI 驱动的 Jupyter Notebook

在熟悉的 Jupyter Notebook 之上，使用本地 AI 生成和编辑代码单元、自动修复错误以及与数据聊天。

🐧 往年回顾

Python潮流周刊#8：Python 3.13 计划将解释器提速 50%！（2023.06.24）

59 Polars 1.0 发布了，PyCon US 2024 演讲视频也发布了

博客原文 | 发布时间：2024-07-06

🦄文章&教程

1、Polars 1.0 版本发布了！今后的计划？

Polars 成立 4 年，已获得 27.5K star，现在正式发布 1.0 版本。今后的计划包括设计新的流式处理引擎、使用 NVIDIA RAPIDS 实现 GPU 加速、提供 Polars 云托管服务，等等。（附：Polars vs. pandas：有什么区别？）

2、Python 努力应对 Apple App Store 的拒绝

一些 APP 在升到 Python 3.12 版本后，因含有特定字符串“itms-services”而被苹果应用商店拒绝。文章回顾了 Python 开发者们长达一周的讨论，最终共识是在 Python 3.13 版本中添加构建选项--with-app-store-compliance来解决这个问题。（附：Python 论坛的详细讨论）

3、从 PDF 中提取数据的挑战，实用的 RAG 应用

从 PDF 文件中提取文本时会面临诸多问题：基于位置的固定布局、缺乏逻辑结构、包含扫描或拍摄的图像、伪影、表格内容和纵横向页面等。文章介绍了LLMWhisperer 的 PDF 转文本服务，以及它是如何有效解决内容提取问题。

4、Python 中实现阶乘函数的十种方法

非负整数 n 的阶乘是指所有小于或等于 n 的正整数的乘积。文章介绍了多种实现方法，包括 math.factorial(n)、迭代法、生成器方法、列表推导式法、递归法，等等。

5、Python 开发的最佳实践

文章给出了 27 条关于 Python 开发的建议，涵盖 Python 环境管理、依赖管理、项目结构、格式化工具、测试工具、建议的语法、应用设计、软件库的选择等方面。

6、MicroPython 入门指南：（一）环境配置、Blink、部署

MicroPython 是专为微控制器和嵌入式系统设计的Python 解释器，这个入门指南系列开篇介绍了环境配置、一些基本概念和基础使用。

7、Python 使用 .NET 开发的类库来提高你的程序执行效率

Python 项目提升性能的方式之一是调用其它语言开发好的类库，文章介绍使用pythonnet 库调用 .NET 开发好的 dll 库，并测试了它与原生 Python 代码的性能差异。

8、我的 Python 代码是一种神经网络

作者介绍了如何将 Python 程序嵌入到循环神经网络（RNN）中，并利用训练有素的 RNN 来执行任务，相比于手写算法并反复调试改进，嵌入到神经网络的方法表现得更好。

9、Python 稀疏数组生态系统概述

稀疏数组（Sparse Array）中大部分元素都是零或者其它形式的占位符，只有少数元素是非零或有意义的值。文章介绍为什么要用稀疏数组、常用的存储格式、用于处理稀疏数组的 Python 库（sparse、scipy.sparse、cupyx.sparse、torch.sparse 等）。

10、犯罪分子冒充“乐于助人”的 Stack Overflow 用户推送恶意软件

当你在 Stack Overflow 等地方提了个问题，有人留言说可以安装某个库解决，这时候你大概率会去尝试一下吧？然而，这个库有可能是个恶意软件！文章分析了最近一个“新颖的”攻击方法，提醒大家留意。

11、使用 Prettier 对 Django 或 Jinja 模板作格式化

作者介绍如何用 JavaScript 的Prettier 格式化工具及其插件，对 jinja 模板文件做格式化，另外还提及两个纯 Python 实现的替代方案：curlylint 和 DjHTML 。

12、保持修改同步的两种方法：派生与测试

编程时经常涉及要同步修改代码中的多个位置，文章介绍了两种方法：派生与测试。文章通过 4 个现实示例演示了相关用法，理想化的全自动同步方法可能要付出很大代价，手动同步代码并配合测试或许会更合理。

🐿️项目&资源

1、graphrag：基于图形的模块化 RAG 系统

微软最新开源的 RAG 系统，使用 LLM 的强大功能从非结构化文本中提取有意义的结构化数据。使用知识图谱记忆结构来增强 LLM 输出。（star 4.6K）

2、puepy：基于 PyScript 的 Python+Webassembly 前端框架

基于 PyScript，完全在浏览器中运行的前端框架，部分灵感来自于 Vue。目标是支持 Pyodide 和 Micropython。

3、psqlpy：Rust 写的异步 Python PostgreSQL 驱动

完全用 Rust 开发的提供给 Python 使用的 PostgreSQL 驱动，速度快，类型安全。

4、pretzelai：Jupyter Notebook 们的现代替代品

Jupyter 的改进版本，添加了 AI 代码生成和编辑、内联选项卡补全、侧边栏聊天和错误修复等功能。（star 1.8K）

5、meet-libai: 构建李白知识图谱，训练 AI 李白智能体

这个项目旨在收集李白诗歌及相关资料，构建李白知识图谱，训练专业的 AI 智能体，最终开发出可互动的李白对话应用。

6、flpc：Rust 开发的 Python 正则表达式库

用 Rust 开发的正则表达式库，旨在替代 Python 原生的re 模块。大部分函数与re 相同，但也有例外。

7、Taiwan-LLM：台湾繁体中文 LLM

使用 Llama-3 对大量繁体中文和英文数据进行微调而成的大模型，具有较强的语言理解能力、生成能力、推理能力、多回合对话能力。（star 1.1K）

8、ttkbootstrap：tkinter 的增强主题，受 Bootstrap 启发的现代平面风格

tkinter 的美化主题，受 Bootstrap 启发的设计风格。内置 10 几个深色和浅色主题，大量预定义的小组件，支持创建自己的主题。（star 1.8K）

9、bunkerweb：开源的 Web 应用防火墙（WAF）

一个功能齐全的 Web 安全服务器（基于 NGINX），可无缝集成到多种环境（Linux，Docker，Swarm，Kubernetes 等），提供有控制台 Web UI。（star 3.8K）

10、AI-Math-Notes：交互式的 AI 数学黑板

一款交互式的绘图应用，当在画布上写上数学方程式时，多模态 LLM 会计算结果并显示在等号旁边。灵感来自 Apple WWDC 2024 的“Math Notes”演示。

11、cookiecutter-django：快速启动生产就绪的 Django 项目

基于Cookiecutter ，能快速启动一个功能完备的 Django 项目。支持 Django 4.2 和 Python 3.12，有 100% 启动测试覆盖率。（star 11.8K）

12、Linly-Talker：数字化身系统，结合大语言模型与视觉模型

一个数字人系统，集成了各种技术，如 Whisper、Linly、Microsoft 语音和 SadTalker 说话生成系统。（star 1.2K）

🐢播客&视频

1、PyCon US 2024 演讲视频列表

PyCon 官方上传了 2024 年 PyCon US 的演讲视频。

2、PyCon Sweden 2024 演讲视频

PyCon 瑞典也更新了他们今年活动上的演讲视频。

🐧 往年回顾

Python潮流周刊#9：如何在本地部署开源大语言模型？（2023.07.01）

60 Python 的包管理工具真是多啊

博客原文 | 发布时间：2024-07-13

🦄文章&教程

1、Python 的包管理工具真是多啊

Python 的包管理生态说得好听点是多元化，难听点就是支离破碎。作者对 10 几个 Python 包管理/虚拟环境管理工具做了个简单盘点，最后的建议是：数据科学/实验人员用conda，其他人在生产环境用pip或poetry。（附：一篇中文翻译）

2、用 Flask 和 HTMX 开发一个动态博客（第 1 篇）

一个 Python Web 全栈开发系列，使用 Flask 和 HTMX 开发一个具有交互性的博客，。该系列第二篇是高级版，加入了 TailwindCSS 和身份验证的功能。

3、PySkyWiFi：利用航空公司漏洞，实现免费上网

作者在飞机上发现连 Wi-Fi 需要填信用卡，但能免费登录航空里程账户。于是，想出不断更新账号的个人资料来实现消息传递的方法。文章介绍了实现原理，实现了几个原型，包括即时通讯、时事新闻/股价和足球比分消息等，也给出了提升效率和改进的思路。

4、让 Python 失去随机性

作者遇到一个跟随机数有关的 bug，于是研究如何让随机数变得可预测，并想完全不改动现有的 Python 代码。介绍了如何用ptrace来拦截和修改对getrandom 的系统调用。

5、ChatGPT 沙盒中 Linux 系统的秘密

ChatGPT 能在沙盒环境中执行 Python 代码和系统命令，作者揭开了它的神秘面纱，原来是 Azure 云平台 K8S 集群的机器，作者尝试了多种命令包括查看进程、访问网络、上传和下载文件等，还找到沙盒环境的完整 Python 源码，大约 650 行。

6、我用 AI 自动将帽子戴到窗外的纽约人头上

一个很有意思的项目，作者使用 AI、树莓派和电机装置创建一个自动从窗户投放帽子的项目，已开放线上售卖，这真是一种新颖的购物体验！

7、pip 与 uv：Streamlit Cloud 如何将程序加载时间缩短 55%？

uv 是用 Rust 开发的 pip 替代库，Streamlit 云采用它后，相比 pip 获得了极大的速度提升。文章分析了为什么 pip 那么慢，以及 uv 使用了哪些提升性能的技巧。

8、讲座：CPython JIT （Chipy 2024）幻灯片和参考链接

作者本周在芝加哥 Python 聚会小组（The Chicago Python Meetup Group）发表了关于 CPython JIT 的演讲，这篇文章包含他分享时完整的 PPT 和相关资料。（附：如何上手最新的 CPython JIT？）

9、Python 包命名的最佳实践

通常一个 Python 软件包的名称跟它的模块名称一样，但这仅是不成文的约定。文章获取了 PyPI 上最受欢迎的 8000 个包，分析它们的命名，发现有 81% 的包名和模块名一样。文章还分析了其它内容，包括命名空间、常用的前缀/后缀等。

10、系统调用的对决：Python 与 Ruby 的差异

作者开发的Cirron 库能跟踪系统调用并记录单行代码的性能。文章利用它来对比了 Python 和 Ruby 在文件 IO、生成随机数、显示时间、打印字符串等操作时，系统调用命令及耗时的差异。

11、利用 GitHub Action 做爬虫，并将数据存在 SQLite 数据库中

介绍了如何让 Github Action 自动执行爬虫程序，并将爬到的数据保存到 Github Artifact 里，全免费无需服务器。文章介绍了相关流程、配置内容和实现限制等。

12、我从 35 年软件开发生涯中得到的 12 条经验教训

作者从事软件开发 35 年，给大家分享 12 条深刻的经验教训，主要是些软技能，包括以最直接的方式做事、人际关系很重要、永远不要隐身、心甘情愿做事，等等。

13、写给 15 年前的自己的 10 条编程建议

作者作为一名经验丰富的程序员，很希望自己能早点看到这些建议：主动修复易被忽视的小问题、权衡开发速度与代码质量、简化复杂问题、对 BUG 刨根问底、接受不完美代码，等等。

🎁Python潮流周刊🎁第 1 季精华内容已整理成精美电子书（EPUB/PDF），请给 Python猫公众号发送“W30”，获取免费下载链接。

🐿️项目&资源

1、dnstwist：检测域名的钓鱼攻击、拼写错误抢注和品牌冒充

DNS 模糊测试，检测可能的恶意域名，发现网络钓鱼攻击和品牌冒充等问题。（star 4.7K）

2、posting：位于终端里的现代 API 客户端

在终端上的类 Postman 和 Insomnia HTTP 客户端，支持语法高亮、Vim 快捷键、各种内置主题、可自动补全的环境变量、用于快速访问的命令面板，等等。（star 1.9K）

3、filesystem_spec：Python 文件系统应遵守的规范

为文件系统的接口生成模板和规范文件，以便提供稳定可靠的通用行为。Pandas、Dask 和 Huggingface Datasets 等库在内部都使用了这个库。

4、babel：Python 国际化库

主要用于 Web 项目做国际化，处理多语言的展示问题。（star 1.3K）

5、fastapi-docker-temp：基于 FastAPI 的最小化 Docker 项目模版

可用于快速搭建和部署基于 FastAPI 的服务，技术栈还包括数据库映射 SQLModel、依赖管理 Poetry、数据库迁移 Alembic。

6、crawlee-python：Python Web 抓取和浏览器自动化库

提取 AI、LLMsRAG 或 GPT 的数据。从网站下载 HTML、PDF、JPG、PNG 和其它文件，适用于 BeautifulSoup、Playwright 和原生 HTTP。提供有头和无头模式，支持代理轮换。（star 1K）

7、django-sql-explorer：通过 SQL 查询，在整个公司内轻松共享数据

基于 Django 的项目，在 SQL 编辑器中编写和共享 SQL，在浏览器中查看结果。支持添加 LLM 助手，帮忙编写和调试 SQL。（star 2.7K）

8、pyxel：Python 的像素风游戏开发引擎

用 Python 开发像素风的复古游戏，可在 Windows、Mac、Linux 和 Web 上运行，支持键盘、鼠标及游戏手柄输入。（star 14K）

9、0xtools：分析 Linux 系统上应用的性能

针对 Linux 系统的 X 光透视，检测程序性能。支持测量线程级活动，查看单个线程或整个系统的 CPU 使用率。（star 1.2K）

10、Secator：渗透测试人员的瑞士军刀

实用的工具集，可运行安全评估的任务和工作流，支持数十种知名安全工具，提高渗透测试人员和安全研究员的工作效率。

11、rss2newsletter：将 RSS/Atom feed 转换为邮件通讯

将 RSS 转换为邮件，100% 免费开源，与 listmonk 集成发送邮件。

12、vectorlite：SQLite 的快速可调节的向量搜索扩展

SQLite 的运行时可加载扩展，支持基于 hnswlib 的快速 ANN 搜索，支持 Windows、MacOS 和 Linux。

13、LivePortrait：让人像肖像栩栩如生

由快手、中科大和复旦大学开源的人物肖像动画模型，支持音视频串联、驱动视频自动裁剪、模板制作等。（star 6K）

🐧 往年回顾

Python潮流周刊#10：Twitter 的强敌 Threads 是用 Python 开发的！（2023.07.08）

Python 潮流周刊#98：t-string 语法被正式接纳了

豌豆花下猫 — Sat, 19 Apr 2025 00:00:00 GMT

分享了 12 篇文章，12 个开源项目，2 则音视频

**重要提示：**本周刊即将迎来第 100 期，即日起续订或新订阅，可享受八折优惠，欢迎领取优惠券 --> https://www.xiaobot.net/coupon/d2c69b05-91b8-4e2b-b346-e7bc4dbc141a

以下是本期摘要：

① PEP-750：t-string 模板字符串

② PEP-787：用 t-string 提升子进程安全性

③ 以 Rust 的速度运行 Python

④ 如果用 Python 写一个 TCP 协议栈会发生什么？

⑤ 14 个高级的 Python 特性

⑥ Python 代码对 CPU 缓存敏感吗？

⑦ 2025 年，请使用 Polars

⑧ 从 Pandas/Polars 到 DuckDB：SQL 操作技巧

⑨ 别再写 __init__ 方法了

⑩ Django 制作地图：GeoDjango、Pillow 和 GPS

⑪ 快速入门模型上下文协议（MCP）

⑫ 从 DeepSeek LLM 到 DeepSeek R1

① A2A：agent 间通信和互操作的协议

② FunctionTrace：图形化的 Python 性能分析器

③ Spider：支持分布式任务管理的爬虫

④ pdf-craft：将扫描版 PDF 转化为其它格式

⑤ mineworld：基于 Minecraft 的实时交互式世界模型

⑥ intentkit：开放的 AI agent 开发&管理框架

⑦ airunner：在本地运行大模型的图形化工具

⑧ pypacktrends：比较 Python 包的下载量

⑨ cuda-python：用 Python 访问 CUDA

⑩ convert-markdown：将 Markdown 转换为 HTML/PDF 等格式

⑪ xlwings：Python 与 Excel 相互调用

⑫ tariff：让 import 再次变得伟大……

1、PEP-738：将 Android 添加为第 3 层支持的平台

① Conf42 Python 2025：视频合集

② Jupyter 架构解析

订阅后，可免费查看第 98 期周刊的全文：https://www.xiaobot.net/post/c7cc1b80-f173-4ce7-80ca-678c3f2c6e1b

Python 潮流周刊第 2 季完结了，分享几项总结：https://pythoncat.top/posts/2024-07-14-iweekly

周刊前30期的免费合集，含精美电子书（EPUB/PDF）：https://pythoncat.top/posts/2023-12-11-weekly

万字浓缩版，Python 潮流周刊第 1 季的 800 个链接！：https://xiaobot.net/post/78c3d645-86fa-4bd8-8eac-46fb192a339e

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🎨关联阅读

上一期：Python 潮流周刊#97：CUDA 终于原生支持 Python 了！

下一期：Python 潮流周刊#99：如何在生产环境中运行 Python？

Python 潮流周刊第2季（31~60）-纯链接版

豌豆花下猫 — Sat, 19 Apr 2025 00:00:00 GMT

你好，我是豌豆花下猫。

Python 潮流周刊第 2 季（31-60期）在 2024.07.16 已完结，第 3 季（61-90期）在 2025.02.23 已完结。

在周刊即将更新到第 100 期之际，我将第 2 季内容整理成一份简化版，分享给大家。

本文总计约 800 个链接，有 5 大分类，你可以快速浏览文章、项目、播客、视频和话题讨论的标题，快速找到自己感兴趣的内容进行查看。

Python 周刊的精美电子书 EPUB、PDF 及 Markdown 版本，请在公zh号“Python猫”里发送“W30”，获取免费下载链接

提醒：近期续订或新订阅，领券可享受八折优惠，欢迎领取优惠券 --> https://www.xiaobot.net/coupon/d2c69b05-91b8-4e2b-b346-e7bc4dbc141a

🦄文章&教程

2、深度解析 Marker：AI 驱动的 PDF 布局检测引擎的源码解读

3、现实世界的 match/case

4、pytest 守护进程：提升 10 倍本地测试迭代速度

5、使用 Python 88 行代码写一个简易的 Android AI 程序

6、在 Python 中不需要这些无谓的操作

7、为什么要用“if TYPE_CHECKING”？

8、对比 SQLALchemy 与 Django ORM

9、Python __init__.py 的最佳实践

10、Mojo：来自一位 Python 研究员的观点

11、Python 中的简单 HTTP 状态码

12、CPython 开发实战：实现 None 感知运算符 ?. 和 ??

13、代码的运行多于被阅读

14、在并行程序中实际最多能用多少个 CPU？

15、你的 Python 包都装到哪了？

16、移除 CPython 中的私有 C API 函数

17、Python 小陷阱：复制列表时的问题

18、取消 Asyncio 任务的最佳实践

19、Python 项目中的配置：没有魔法，只是必要的实践

20、优化 Python 的 Flask、Django 和 FastAPI 程序

21、为什么 Python、Go 和 Rust 都不支持三元运算符？

22、Python 中的“key”参数的关键

23、从 Python 数据类中消除状态突变方法

24、Flask 已死，FastAPI 是未来

25、Python + Flask 打造属于自己的 RSS 安全信息流

26、Microdot：又一个 Python Web 框架

27、周末 AI 项目：在 2004 年的诺基亚 9500 上运行 7B 大型语言模型

28、Python Asyncio 之常见的三个坑

29、Bash、Lua、Python 和 Rust 的梦幻岛冒险

30、YAML、Python 和 Holy Graal

31、“Python -m”：最酷的 Python 标记，真的值得更多关注

32、Python CI 的初学者指南

33、Python Type Hints 简明教程（基于 Python 3.12）

34、Pyinstaller EXE 被检测为病毒？解决方案和替代方案

35、Fontimize 简介|精确字体子集，仅使用你网站的字符

36、GH-113464：copy-and-patch 的 JIT 编译器

37、消失的隐喻：Zip 和 Paste

38、40 亿个 IF 语句

39、简单聊聊 Python 3.13 的 JIT 方案

40、在 Python 中读取 Excel 的最快方法

41、Flask 教程：从头开始构建可扩展的 Web 项目

42、Python、C、汇编 - 提高 2500 倍余弦相似度运算

43、使用 AI 检测 AI 生成的照片

44、Python 内置函数 max 有毛病

45、App 自动化测试之 Appium 应用篇| Appium 常用 API 及操作

46、使用 Django 构建一个实时消息应用

47、了解 Python 中的数值数据类型

48、非阻塞的 Asyncio 日志记录

49、Instagram 如何仅凭 3 名工程师实现用户规模 1400 万

50、Google 设计的类 Python 编程语言 Starlark

51、数据工程的历史和现状

52、Python 3.13 也有了 JIT 编译器

53、NumPy 2 即将推出：防止破坏，更新你的代码

54、Python 反直觉地在科学计算中兴起

55、在 Pandas 中实现快速高效的不等价连接

56、Pandas Profiling：详细介绍它的使用

57、深入了解 Python 的 functools.wraps 装饰器

58、纯 Python 实现的 SIMD

59、保护 Flask 程序的最佳实践

60、使用服务器发送事件（SSE）将实时更新推送到客户端

61、开发用 AI 驱动的 TODO 应用

62、PEP-736 调用时关键字参数的简写语法

63、如何用 Python 删除图像中的背景？

64、一年后的 Python 打包：回顾 2023 年 Python 的打包

65、PyCon 2023（美国和澳大利亚）所有演讲视频

66、Python 的 Synchronized

67、更快的 Python C 扩展的类型信息

68、通过示例比较 Kotlin 和 Python 中的协程

69、Pydantic 处理 1970 年代时间的奇特问题

70、浏览器上的代码游乐场

71、SQLite 的“database is locked”错误

72、数据处理神器可不止 Pandas 哦，还有 Polars，全方位解析 Polars

73、用 Python 函数构建 HTML 组件

74、500 行 SQL 实现一个 GPT

75、Python 装饰器的 3 个真实案例

76、这不是面试建议：Python 不用堆和树实现按优先级过期的 LRU 缓存

77、Python dict() 和 {} 的性能分析

78、增强 Markdown 语言以实现出色的 Python 图形界面

79、7 个 Python 内存优化技巧

80、Python 中的垃圾回收：你需要知道的事情

81、Postgres 与 DynamoDB：该选择哪个数据库？

82、使用 Streamlit 在 Python 中创建仪表板

83、scrapscript.py 编程语言的实现过程

84、Python Cryptography 已支持 X.509

85、我对动态类型感到失望

86、Python “令人失望”的超能力

87、使用 Django、Django REST 和 Next.js 构建全栈项目

88、使用 SQL、Node.js、Django 和 Next.js 构建仪表板项目

89、用 Profila 分析你的 Numba 代码

90、Python datetime 标准库的 10 个陷阱

91、使用 Python 纠正语法的 4 种方法

92、Python 调试技巧

93、调试 Python 与 C 语言混合的项目

94、分析“使用 Python 和 2MB RAM 对一百万个 32 位整数进行排序”

95、使用 Python + Pylasu 实现语言解析器

96、动态规划不是黑魔法

97、什么时候应避免静态类型检查？

98、实用指南：用 Python 运行开源的 LLM

99、uv：Rust 开发的 Python 打包工具

100、Rye：愿景延续

101、为什么越来越多用 Rust 开发的库？

102、80 行 Python 实现一个搜索引擎

103、如何计算 Python 中的 CPU 指令数？

104、Python 复用装饰器代码

105、像专业人士一样处理 Asyncio 任务

106、使用 textwrap 模块操作字符串

107、总结 Python 版本间的主要变更点

108、将 Postgres 作为队列使用

109、我在所有 Django 项目中都用的 20 个包

110、Python 元类的真实案例

111、一万亿行气象数据的编程挑战

112、白宫建议使用 Python 等内存安全语言

113、回顾 Requests 库的问题

114、Python 的 UV 工具确实相当不错

115、Python 生成器未得到充分利用

116、使用 Python 作高级 Web 抓取：从任意网站抓取数据

117、Django REST 框架 + Vue 对比 Django + HTMX

118、可组合数据系统之路：对过去 15 年和未来的思考

119、用 Django 作 SQLite 基准测试

120、Python 3.13 的 JIT 是如何实现的？

121、Python 网页抓取的终极指南

122、为简单架构作辩护

123、关于“调度”的内部原理

124、使用 Python 从头开始实现 RSA

125、Python IAQ：不常见的问题

126、为什么我喜欢 Nox？

127、我最喜欢的数据结构：trie

128、用 Python 处理 CSV 文件的速度能有多快？

129、Django 项目的多语言支持

130、Python 升级手册：Lyft 如何大规模升级 1500+ 代码仓

131、将 Tailwind CSS 添加到 Django 的最简单方法

132、初学者意想不到的 Python 陷阱

133、使用 Python 和 Grafana 更好地冷却我的 PC

134、使用搭载骁龙 8 Gen 3 的安卓手机运行 AI 大模型

135、入行 14 年，我还是觉得编程很难

136、为什么我们公司还在用 Python 开发项目?

137、Python 字符串应该用双引号还是单引号？

138、介绍 Python 上下文管理器及其语法糖

139、Python deque 使用教程

140、Python 的泛型函数和泛型类

141、Python Gevent 实践：常见的陷阱

142、Python pickles 的安全问题

143、构建开源去中心化的电子书搜索引擎

144、Python import 跟 Java import 有什么区别？

145、PDM 的内部实现(1)

146、Python 中有指针吗？

147、当 Python 无法线程化时：深入了解 GIL 的影响

148、我的开源优先级转变了

149、如何远程唤醒家里的电脑？

150、Python 程序的内存占用情况

151、正则表达式字符“$”并不意味着“字符串末尾”

152、介绍 Python 中所有的双下方法

153、Python 多语言支持实现国际化与本地化的最佳实践

154、在 Windows 上利用 Qwen 大模型搭建一个 ChatGPT 式的问答小助手

155、(如何(用Python)开发一个(Lisp)解释器)

156、使用 Python 解析 URL

157、Python 鸭子类型：编写灵活且解耦的代码

158、用 Python 实现最小可用的 PostgreSQL

159、给框架开发者的建议

160、蒙特利尔效应：为什么编程语言需要有风格沙皇

161、去中心化的边缘计算平台

162、设计一个纯 Python Web 框架

163、修复 PyPy 增量 GC 中的一个 bug

164、复活 PyMiniRacer，Python 中的 V8

165、Python 与 Javascript 进行数据通信

166、更适合慢函数调用的 Python 缓存实现

167、使用 Collectfasta 加速 Django 的 collectstatic 命令

168、用原生 Python 扩展和 Dispatch 实现分布式协程

169、使用 Numba 加快代码速度的错误方法

170、关于优化 Django 系统检查框架

171、大数定律，为什么去赌场是个坏主意

172、AutoDev：微软发布的自动化 AI 驱动开发框架

173、我坚持用 Django 而不是 FastAPI 的 10 个原因

174、Django 与 ASGI 服务器

175、JSON 中的数字到底是什么？

176、CPython 源码解析：为什么 Python 列表相乘的结果那么奇怪？

177、Celery 源码分析系列

178、我在 2024 年如何管理 Python

179、使用 Pyodide 和 WebAssembly 将 Python 引入 Cloudflare Workers

180、学习使用和不使用 AI 编码

181、使用 Whisper、FFmpeg 和 Python 轻松转录视频并添加字幕

182、如何用 GitHub Actions 自动执行数据爬取？

183、使用断点调试 Python 代码

184、Python “真正的”匿名函数

185、如何用 Python 预测日食的时间和轨迹？

186、我在开源软件上全职工作 503 天的经验分享

187、修复 Python 代码坏味道的最佳实践

188、如何用 Python 作质因式分解？

189、Supervisor-持久化进程部署方案

190、PEP-744 – 关于 JIT 编译

191、Zapier 如何能自动执行数十亿个任务？

192、Meta 使用单体架构仅 5 个月就发布了 Threads

193、Python 命名约定：最佳实践和示例

194、Great_Tables 的设计理念

195、Python 为什么不能将列表作为字典的键？

196、使用树莓派+Python+Influxdb 开发温度监测器

197、如何用单行 Python 代码通过面试编码

198、当你的老师希望你去做开源

199、我每天在用的 Python f-string 代码

200、用 Django 和 OpenAI 开发一款语音笔记应用

201、Python Web 开发者的最佳安全实践

202、Fedora 希望为其 Python 构建作“-O3”优化

203、Ruff v0.4.0：一个手写的 Python 递归下降解析器

204、给 Django RSS 源设置样式

205、Python 中快捷的概率过滤器

206、Code Review 时，曾被我忽视的 3 件重要小事

207、用 Python 记录下今天敲了多少次键盘

208、是否应该使用上界版本约束？

209、如何开发一个代码格式化工具？

210、公布 py2wasm：将 Python 程序转换为 Wasm

211、对比 Ruby 与 Python 的 for 循环

212、Python 小陷阱：strip、lstrip、rstrip 删除内容比预期的多

213、用 Python 讲解进程间通信的核心机制

214、PEP 745 – Python 3.14 的发布计划

215、Python 不同数据结构的时间复杂度

216、从第一性原理出发理解 Django

217、Python 线程池的源码实现分析与相关问题探讨

218、如何用 Python 设计和实现插件架构？

219、浅谈 Python、Go、Rust 的异常处理

220、mpmetrics 内存管理的设计

221、编程语言中分号的起源和优点

222、谷歌在开发者大会前裁员了 Python、Flutter 和 Dart 团队

223、FastAPI 专家给出的 FastAPI 使用贴士

224、PEP 686：将 UTF-8 模式设为默认配置

225、Pydantic：简化 Python 中的数据验证

226、中小型 Python 项目配置和数据读写的最佳实践

227、为了乐趣和（并发的）收益而给 requests 库打补丁

228、CPython JIT 内部原理：Python 启动时会发生什么？

229、Sleepsort：在线程休眠时排序

230、Python、JavaScript 和 Ruby 用莱布尼茨公式计算 π 的值

231、10 年参加 Python 会议

232、关于 for 循环的一些思考

233、前 1% 精英工程师的 7 个简单的习惯

234、我最喜欢的 Python 3.13 新特性

235、Python 3.13 新功能盘点介绍

236、Python Asyncio 工作原理：从零实现一个简化版 Asyncio

237、友好的 Python：封装和复用

238、零基础入门 Python 文件处理篇——实现一个简单的文件搜索引擎

239、用 HTMX 和 Django 开发一个 Connect Four 游戏

240、用 wxPython 开发一个简单的计算器

241、学生在入门数据科学时常犯的错误

242、使用“不安全的 Python”加速 Numpy 代码 100 倍

243、Python 字典详细的历史演变过程

244、重新发明 Python notebook 的经验教训

245、Python 软件基金会新闻：2022 和 2023 资助计划的透明度报告

246、引人注目的 Python Streamlit：精美的交互式地图和图表

247、我絕不用 result 作為變數名稱

248、Python 中使用 Loguru 记录日志

249、35 道 Django 技术面试题

250、Python 的集合是没有值的字典

251、使用 Sliver 渗透测试套件的针对 Mac 的 PyPi 包后门

252、为什么 TensorFlow 正在缓慢消亡？

253、Python 中的延迟计算是什么？

254、为什么要看 Python 源码？它的结构长什么样子？

255、2014 年我的 10 个业余项目

256、无需数学公式，解释 LLM 的工作原理

257、替代实现的问题

258、正则表达式匹配可以很简单且高速

259、如何利用内存中还在运行的代码，恢复已删除的源码？

260、PEP-667：命名空间的一致视图

261、用 100 行代码替换 pyinstaller

262、py.space：免费开发在线的 Python 应用

263、使用 Python 3.12 作静态类型函数式编程

264、如何用 Python 动态生成 Github 个人主页 README？

265、用 pyastgrep 作自定义 linting

266、使用 pygments 生成代码片段的图片

267、使用纯 NumPy 实现 Llama 3

268、AI 帮你写的代码，所有权归谁？

269、聪明的代码可能是你写过最糟糕的代码

270、我「接见」了诺奖得主

271、450 天成为 Python 核心开发者

272、Python 如何比较浮点数和整数？

273、JIT 和移除 GIL 都不是我最期待的 Python 3.13 特性

274、从事 Python 打包工作 6 年的不为人知的故事

275、庆祝 Beautiful Soup 的 20 周年

276、曾经最喜欢 Ruby，现在可能是 Python

277、使用 Postgres 的 Django 异步任务队列（不是 Kafka、Rabbit MQ、Celery 或 Redis）

278、在 Streamlit 中支持异步 MongoDB 操作

279、LangChain 实战：利用 LangChain SQL Agent 和 GPT 进行文档分析和交互

280、pyo3_asyncio：Python Asyncio 事件循环的 Rust 绑定

281、PyPy 已经悄悄地为我工作了好几年了

282、许多实用的 Python 命令行程序

283、我最喜欢教的编程问题：数字长度

284、修复 Python 循环导入的一种方法

285、PEP-789：限制异步生成器的 yield，防止任务取消错误

286、我的 PyCon US 2024 回顾

287、Python 开发游戏如何选择引擎？

288、ChatTTS：语气韵律媲美真人的开源 TTS 模型

289、使用特定的算法将运行速度提高 15×

290、用 GPT-4o 生成 Flask 项目代码，能做到多好？

291、用 Python 开发 Scrapscript 语言的编译器

292、什么是 Python 的可哈希对象？

293、用一道算法题比较 Python、Go、C++、C、AWK、Forth 和 Rust 的性能

294、给 NumPy 2.0 实现更快速的字符串函数

295、Python 中的 pycache 文件夹是什么？

296、CPython 垃圾回收：内部机制和实现算法

297、从零开始搭建自己的相似图片搜索引擎

298、使用 Pydantic Logfire 满足你的日志记录需求

299、FastAPI 深度揭秘：高效 Web 开发指南

300、通过用 Python 实现 HTTP 服务器来理解它

301、我对“Excel 里的 Python”的看法

302、用 Python 将卷曲文本的图像提取成 PDF

303、Python Celery 的缺陷

304、事件驱动的 Ansible，是什么、为什么以及如何使用？

305、我国出版的 Python 教材几乎都有基本概念错误

306、NumPy 2.0：一个重要的里程碑

307、2024 年 Python 语言峰会：Python 该采用日历版本吗？

308、2024 年 Python 语言峰会：我们应该让 pdb 变得更好吗？

309、2024 年 Python 语言峰会：手机端上的 Python

310、Python 项目管理入门

311、在 Python 中连接字符串：一个“啊哈”时刻

312、掌握上下文管理器，简化 Python 资源管理

313、如何从Pandas 迁移到 Polars

314、向 CPython 添加 JIT 编译器

315、Debug 日志：CPython GH-120437

316、使用 Rust 将 Python AST 的解析速度提高 20 倍

317、Ruff：Rust 开发的 Python linter-formatter 的内部原理

318、最快运行原型的语言

319、PEP-2026 提议 Python 采用日历版本号

320、优化 Python 的路由和调度：一个新的开源求解器 Timefold

321、深入了解 Python 的集合数据结构

322、使用 weakref 介绍 Python 的弱引用

323、这就是软件开发现在的样子

324、在命令行终端使用大语言模型

325、如何将 Python 包发布到 PyPI？

326、基本 Python 项目设置

327、用 Make 提升 Python 开发者体验

328、Notebooks 是代码中的麦当劳

329、花了 6 个月时间开发 LiveAPI 代理，我得到的 10 个经验教训

330、Polars 1.0 版本发布了！今后的计划？

331、Python 努力应对 Apple App Store 的拒绝

332、从 PDF 中提取数据的挑战，实用的 RAG 应用

333、Python 中实现阶乘函数的十种方法

334、Python 开发的最佳实践

335、MicroPython 入门指南：（一）环境配置、Blink、部署

336、Python 使用 .NET 开发的类库来提高你的程序执行效率

337、我的 Python 代码是一种神经网络

338、Python 稀疏数组生态系统概述

339、犯罪分子冒充“乐于助人”的 Stack Overflow 用户推送恶意软件

340、使用 Prettier 对 Django 或 Jinja 模板作格式化

341、保持修改同步的两种方法：派生与测试

342、Python 的包管理工具真是多啊

343、用 Flask 和 HTMX 开发一个动态博客（第 1 篇）

344、PySkyWiFi：利用航空公司漏洞，实现免费上网

345、让 Python 失去随机性

346、ChatGPT 沙盒中 Linux 系统的秘密

347、我用 AI 自动将帽子戴到窗外的纽约人头上

348、pip 与 uv：Streamlit Cloud 如何将程序加载时间缩短 55%？

349、讲座：CPython JIT （Chipy 2024）幻灯片和参考链接

350、Python 包命名的最佳实践

351、系统调用的对决：Python 与 Ruby 的差异

352、利用 GitHub Action 做爬虫，并将数据存在 SQLite 数据库中

353、我从 35 年软件开发生涯中得到的 12 条经验教训

354、写给 15 年前的自己的 10 条编程建议

🐿️项目&资源

1、magic-animate：使用扩散模型的时间一致的人像动画

2、phpy：连通 Python 和 PHP 的生态系统

3、insanely-fast-whisper：快到极致的 Whisper

4、coffee：使用 AI 将 UI 的构建和迭代速度提高 10 倍

5、FastUI：更快构建更好的 UI

6、mistral-src：Mistral AI 7B v0.1 模型的参考实现

7、netchecks：查验网络运行条件的工具

8、Pearl：Meta 推出的强化学习 AI 代理库

9、gpt-fast：简单高效的 PyTorch 原生 Transformer 文本生成

10、The-Grand-Complete-Data-Science-Materials：数据科学的视频和材料

11、awesome-LLMs-In-China：中国的大模型

12、msgspec：高性能的序列化和校验库

13、feedi：打造个人的新闻聚合阅读器

14、generative-ai-python：用 Google AI SDK，开发 Gemini 和 PaLM 应用

15、python-guide-for-javascript-engineers：开源电子书《JavaScript工程师的Python指南》

16、sqlmap：SQL 注入和渗透测试工具

17、TikTokDownloader: TikTok 和抖音数据采集工具

18、Osprey：通过视觉指导微调实现对像素的理解

19、django-cast：基于 Django 和 Wagtail 的博客/播客项目

20、Qexo：快速、强大且漂亮的 Hexo 编辑器

21、project-based-learning：精选的基于项目的教程列表

22、Amphion：用于音频、音乐和语音生成的工具包

23、nicegui：使用 Python 开发 Web 用户界面

24、csvkit：用于转换和处理 CSV 的命令行工具

25、evue：基于 html/css 的高性能 GUI 框架

26、JARVIS：自己的个人语音助手

27、Gooey：只需一行即可将几乎任何 Python 命令行程序转换为完整的 GUI 程序

28、mod：Mojo 的包管理器工具

29、canopy：由 Pinecone 提供支持的 RAG 框架和上下文引擎

30、toogether-backend：Django REST 社交约会 APP 项目

31、DouyinLiveRecorder: 可循环值守和多人录制的直播录制软件

32、StreamDiffusion：用于实时交互式生成的管道级解决方案

33、sqlglot：SQL 解析器和转译器

34、texify：输出 LaTeX 和 Markdown 的数学 OCR 模型

35、talebook：一个简单的在线版个人书库

36、watchfiles：简单快速的文件监听和代码重新加载

37、hy：嵌入在 Python 中的 Lisp 方言

38、pyapp：Python 应用的运行时安装器

39、yarl：一个 URL 解析工具

40、apispec：可插拔的 API 规范生成器，支持 OpenAPI 规范

41、marshmallow：支持复杂对象与简单数据类型相互转换

42、jake：在 GitHub 上轻松创建和部署自己的单链接网站

43、docflow：功能强大的文档管理 API，无缝上传、下载、组织、版本控制、共享

44、auto_job__find__chatgpt__rpa：基于 ChatGPT 的自动投简历助手

45、oshit：放在命令行终端的 Hacker News

46、mixtral-offloading：在 Colab 或个人电脑上运行 Mixtral-8x7B 模型

47、RecoverPy：以交互方式从终端查找和恢复已删除或覆盖的文件

48、MobileVLM：美团开源的移动设备视觉语言助手

49、ydata-profiling：用于 Pandas 和 Spark DataFrame 的数据分析

50、pdfsyntax：检查和修改 PDF 文件内部结构

51、harlequin：终端里的 SQL IDE

52、litellm：使用 OpenAI 格式调用所有 LLM API

53、unstructured：用于 AI 模型的非结构化数据预处理工具

54、chatgpt-on-wechat: 基于大模型搭建的聊天机器人，支持微信、企业微信、公众号、飞书

55、whisperX：具有单词级时间戳的自动语音识别

56、42 道在线的 Python 编程练习题

57、mealie：自托管的食谱管理和膳食计划项目

58、guardrails：给大语言模型添加护栏

59、chainlit：在几分钟内构建 Python LLM 应用程序

60、functime：用 Polars 构建的时间序列机器学习

61、niquests：使用 HTTP/3、HTTP/2，支持异步的 requests

62、slotscheck：确保你的__slots__正常工作

63、panel：强大的数据探索和 Web 应用框架

64、QAnything：基于任何东西的问答

65、Bert-VITS2-ext: 基于 Bert-VITS2 做的表情、动画测试

66、weread-exporter: 将微信读书中的书籍导出成 epub、pdf、mobi 等格式

67、leetcode-solution：用 Python 解各种 LeetCode 问题

68、CapsWriter-Offline: CapsWriter 离线版，好用的 PC 端语音输入工具

69、surya：任何语言的准确行级文本检测和识别（OCR）

70、GPT-SoVITS：1分钟的语音也可训练一个好的 TTS 模型

71、trt-llm-rag-windows：使用 TensorRTLLM 在 Windows 上创建 RAG 聊天机器人

72、LangGPT：让每个人都能成为提示词专家

73、core：可用于生产的 AI 助手框架

74、van-gonography：将任意类型的文件隐藏在一张图像中

75、mpmath：任意精度的浮点数运算

76、sqlite-worker：在多线程应用中轻松管理 SQLite

77、granian：用于 Python 程序的 Rust HTTP server

78、fasthx：FastAPI + HTMX 开发框架

79、ml-engineering：机器学习工程开源书籍

80、sglang：专为大型语言模型设计的结构化生成语言

81、chatgpt_telegram_bot：ChatGPT Telegram 机器人，无限制用 GPT-4

82、HuixiangDou：基于 LLM 的领域知识助手

83、ComfyUI-InstantID：ComfyUI 的 InstantID 的非官方实现

84、ComfyUI-PhotoMaker-ZHO：ComfyUI 的 PhotoMaker 的非官方实现

85、excelCPU：用 Excel 实现的 16 位 CPU 和相关文件

86、whenever：万无一失的 Python 日期时间

87、DeepSeek-Coder：让代码自己编写

88、fastcrud：FastAPI 的异步 CRUD 操作

89、leptonai：简化 AI 服务构建的 Pythonic 框架

90、gpt-newspaper：用 GPT 创建个性化报纸

91、apprise：几乎适用于所有平台的通知推送

92、procrastinate：基于 PostgreSQL 的 Python 任务队列

93、flent：灵活的网络基准测试工具

94、urllib3：新版本支持在浏览器发起 HTTP 请求

95、gnuplotlib：基于 gnuplot 的 numpy 绘图后端

96、history_rag：用 RAG 搭建中国历史问答应用

97、uv：性能极快的 Python 包安装和解析器

98、sqlite-web：基于 Web 的 SQLite 数据库工具

99、celery-exporter：导出 Celery 指标用于 Prometheus

100、pyupgrade：自动升级 Python 较新版本的语法

101、ollama-python： Ollama Python 库

102、web2pdf：将网页转换为 PDF 的 CLI

103、natural-sql：文本生成 SQL 的大语言模型

104、rawdog：在 CLI 中自动生成并执行 Python 脚本

105、UFO：基于 UI 与 Windows 系统交互的 AI 代理

106、toolong：查看、跟踪、合并和搜索日志文件（以及 JSONL）的终端应用

107、Owl：在本地运行的个人可穿戴 AI

108、hyperdiv：用 Python 构建响应式 Web UI

109、fabric：使用 AI 增强人类

110、ingestr：用单个命令在任何数据库间无缝复制数据

111、justpath：在 Windows 和 Linux 上检查和优化 PATH 环境变量

112、mountaineer：用于 Python 和 React 的自带电池的 Web 框架

113、generate：一个 API 访问国内外大模型平台

114、StringZilla：将 C、C++、Python、Rust 和 Swift 的字符串速度提高 10 倍

115、DrissionPage: 网页自动化工具，能控制浏览器，也能收发数据包

116、Daft：Rust 开发的面向云的分布式 Python DataFrame

117、magika：使用深度学习来检测文件内容的类型

118、frappe：低代码 Web 框架，使用 Python 和 Javascript

119、Umi-OCR: 开源、免费的离线 OCR 软件，支持截屏/批量导入图片

120、xonsh：Python 开发的跨平台的类 Unix 的 shell

121、umami-python：Python 开发的 Umami 分析客户端

122、returns：让函数返回有意义、类型化且安全的内容

123、pyquest：一系列的 Python 编程教程

124、flect：用于构建全栈 Web 应用的 Python 框架

125、docker-android：Docker 里的 Android，支持 noVNC 和视频录制

126、anthropic-sdk-python：调用 Claude 3 等大模型

127、PhotoMaker：制造逼真的人物照片

128、metube：自托管的 YouTube 下载器（youtube-dl/yt-dlp 的 Web UI）

129、cachetools：可扩展的内存化集合和装饰器

130、speedtest-cli：使用 speedtest.net 测试网络带宽的命令行界面

131、Open-Sora-Plan：旨在重现 Sora（Open AI T2V模型）

132、minisora：旨在探索 Sora 的实施路径和未来发展方向

133、flet：用 Python 开发实时的 Web、移动端和桌面程序

134、ss-python：Python 项目模板，涵盖整个开发生命周期

135、dukpy：用于 Python 简化版 JavaScript 解释器

136、PyKidos：一个 Python 编程练习网站

137、hatchet：分布式的容错的任务队列

138、full-stack-fastapi-template：全栈的现代 Web 项目模板

139、bython：带花括号的 Python

140、treq：构建在 Twisted 上的 HTTP 请求库

141、JavSP：汇总多站点数据的视频元数据刮削器

142、botasaurus：强大的网络爬虫框架

143、pywebview：用 JavaScript、HTML 和 CSS 构建 GUI

144、Paper-Piano：在白纸上弹钢琴

145、grok-1：马斯克开源的 Grok

146、DarkGPT：基于 GPT-4-200K，查询泄露的数据库

147、structlog：简单、强大、快速的 Python 日志记录库

148、pydumpling: 针对 Python 的异常调试器

149、can_ada：快速且符合规范的 URL 解析库

150、Mindgraph：使用 AI 生成和查询不断扩展的知识图谱

151、speechbrain：基于 PyTorch 的语音工具包

152、python-anyconfig：以通用 API 加载和转储各种格式的配置文件

153、Llama-Chinese: Llama 中文社区，最好的中文 Llama 大模型

154、python-for-android：将 Python 程序变成 Android APK

155、img2img-turbo：Stable Diffusion turbo 实现的 sketch2image、day2night 等

156、ludic：用纯 Python 构建动态 HTML 页面的轻量级框架

157、mojo：Mojo 编程语言开源了

158、Suno-API：基于 Python 和 FastAPI 的非官方 Suno API

159、blacken-docs：对文档中的 Python 代码块上运行“black”

160、pathvalidate：用于规范化/验证字符串，例如文件名和文件路径

161、LunarLink: 基于HttpRunner + Django + Vue + Element UI 的接口自动化测试平台

162、leaping：轻量级的 Python 测试调试器

163、keepyourmouthshut：用 AI 能力录制播客

164、MoneyPrinterTurbo：利用AI大模型，一键生成高清短视频

165、AIOS：LLM 代理操作系统

166、LaVague：使用大行动模型框架实现自动化

167、Gmeek：一个完全使用 Github 的博客框架

168、posthog：提供开源产品分析、会话录制、功能标记和 A/B 测试

169、devika：Cognition AI 的 Devin 的开源替代品

170、OpenDevin：Devin 的开源实现

171、SWE-agent：可修复 Github 问题的 AI 软件工程师

172、openui：描述你想要的 UI，它实时帮你生成

173、ragflow：基于深度文档理解的开源 RAG 引擎

174、zibai：高性能的纯 Python WSGI 服务器

175、podgenai：GPT-4 制作有声读物/播客 mp3 生成器

176、qiling：真正可检测的二进制仿真框架

177、maxtext：谷歌推出的简单、高性能及可扩展的 JaxLLM

178、nava：在 Python 中播放声音

179、MuseV：无限长度和高保真的虚拟人视频生成

180、restai：一个 AIaaS（AI 即服务）开源平台

181、open-interpreter：计算机上的自然语言界面

182、narwhals：Polars、pandas、cuDF、Modin 的轻量级可扩展兼容层

183、mantis：可自动发现、侦察和扫描漏洞的安全框架

184、FreeAskInternet：免费私有且本地运行的搜索聚合器与答案生成

185、PyCharm 博客总结的一系列 Django 学习资源

186、great-tables：用 Python 生成信息丰富的精美表格

187、jiaTansSSHAgent：实现 XZ sshd 某些后门功能

188、docx2python：提取 docx 的页眉、页脚、文本、脚注、尾注、属性和图像

189、WechatMoments：微信朋友圈导出工具

190、low_cost_robot：超低成本实现机械臂

191、drawpyo：用 Python 生成 Draw.io 图表

192、drawdb：免费直观的在线数据库设计工具和 SQL 生成器

193、pylyzer：快速的 Python 静态代码分析器和语言服务器

194、anthropic-cookbook：一些有趣而有效的使用 Claude 的方法

195、Flowmium：用 Rust 写的 Python 工作流编排器

196、github2file：从 Github 下载和处理文件

197、Python 知识备忘录

198、DouZero：通过自玩深度强化学习掌握斗地主

199、dashboard-icons：仪表板图标资源

200、newspaper4k：从新闻网站提取文章、标题和元数据

201、translateLocally：在本机上用 LLM 快速安全地翻译

202、constable：将打印直接插入 AST 进行状态调试

203、TextBlob：情感分析、词性标记、名词短语提取、翻译等

204、wewe-rss：生成微信公众号 RSS，支持私有化部署

205、llama3：Meta Llama 3 的官方仓库

206、llama3-Chinese-chat：Llama3 中文仓库，各种聚合资料

207、reader：将 URL 转换为对 LLM 友好的文本

208、tasktiger：基于 Redis 的 Python 任务队列

209、utt：用 Python 编写的简易命令行时间跟踪器

210、simone：将 YouTube 视频转换为文章进行发布

211、h11：用纯 Python 实现的 HTTP/1.1 库

212、browser-hub：浏览器包装器，可运行多个浏览器实例

213、lingua-py：极准确的自然语言检测库

215、Windrecorder：记录屏幕内容，实现记忆搜索

216、logfire：用于 Python 的可观测性工具

217、pyinfra：用 Python 实现基础设施自动化

218、pipxu：使用 UV 在隔离环境中安装和运行 Python 程序

219、tkforge：在 Figma 中拖放创建 Python GUI

220、TagStudio：文件和照片管理系统

221、coredumpy：保存崩溃的站点以作事后调试

222、plane：开源的 JIRA、Linear 和 Asana 替代品

223、Scrapegraph-ai：基于 AI 的 Python 抓取工具

224、tv：自动收集 IPv4 酒店电视直播源

225、netprobe_lite：用 Python 开发的网络性能测试工具

226、dangerzone：将有害的 PDF、office 文档或图像转换为安全的 PDF

227、MS-DOS：MS-DOS 1.25、2.0 和 4.0 的源代码

228、pywinassistant：用自然语言控制 Windows 用户界面

229、chinese-calendar：判断一天是不是法定节假日/工作日

230、Oven：探索 Python PyPI 包

231、tetos：适用于多种 TTS 服务的统一接口

232、relax-py：又一个 Python Web 框架

233、哈佛大学 2024 年 CS50 线上课程

234、portr：专为团队设计的开源的 ngrok 替代方案

235、py-compress-compare：对比分析 zlib、LZ4、Brotli 和 Zstandard

236、pyspread：用 Python 开发的电子表格，可支持 Python 代码

237、PgQueuer：基于 PostgreSQL 的任务队列库

238、你用人工智能做过的最实用的事情是什么？

239、The-Python-Graph-Gallery：数百个用 Python 绘制的图表

240、parler-tts：高质量的 TTS 模型

241、UXsim：道路上的车辆交通流模拟器

242、Quads：基于四叉树的计算机艺术

243、bilibot：用哔哩哔哩用户评论微调的本地聊天机器人

244、pyaction：带有 Python、git 和 Github CLI 的 Docker 容器

245、firecrawl：将整个网站变成 LLM-ready 的 markdown

246、plotille：使用盲文点在终端中绘图

247、petl：Python 提取、转换和加载数据表

248、FunClip：视频语音识别和剪辑工具，集成 AI 剪辑功能

249、map-machine：OpenStreetMap 的 Python 渲染器

250、IC-Light：给图片加上打光照明

251、用于处理 Excel 的 Python 资源

252、yen：Python 虚拟环境管理工具，无需预装 Python

253、Tensor-Puzzles：21 个张量谜题

254、dishka：依赖注入框架

255、hstream：将 Python 脚本转换为 Web 应用

256、cover-agent：AI 自动生成测试，提升代码覆盖率

257、pygments：用 Python 开发的通用型语法高亮工具

258、hashquery：在数据仓库中定义和查询 BI 模型

259、Python 有哪些指标监测库？

260、stamina：可用于生产的 Python 重试库

261、piku：支持对自己的服务器作 git 推送部署

262、mql：用自然语言输入生成 SQL 查询

263、llama-fs：基于 llama 3 的自组织文件系统

264、orjson：快速准确的 JSON 库，支持数据类、日期时间和 Numpy

265、asyncssh：在 asyncio 上提供 SSHv2 协议的异步客户端和服务器

266、ipyblender-experimental：Jupyter 中引入 Blender

267、searxng：免费的互联网元搜索引擎，汇总各种搜索服务和数据库的结果

268、rio：纯 Python 的 Web 开发框架，无需 JavaScript、HTML 和 CSS

269、buku：个人的文本迷你网络

270、resume-builder：纯 Python 开发的简历生成工具

271、more-itertools：比 itertools 丰富的可迭代对象操作

272、tach：强制实施模块化、解耦的包架构

273、Zango：构建企业级应用/微服务的 Python Web 框架

274、pdm：支持最新 PEP 标准的 Python 包和依赖项管理工具

275、Think Python 第三版（免费在线）—Think Python, 3rd edition

276、关于音乐处理的 Python 基础笔记

277、ChatTTS：用于日常对话的生成语音模型

278、几个与 ChatTTS 相关的项目

279、koheesio：构建高效数据管道的 Python 框架

280、groqbook：使用 Groq 和 Llama3 在几秒内生成整本书

281、cachebox：用 Rust 开发的高性能 Python 缓存库

282、mesop：Google 开源基于 Python 的 UI 框架

283、Qwen2：阿里云开源的大模型系列

284、RSS-Translator：简洁可自部署的 RSS 翻译器

285、farfalle：AI 搜索引擎，用本地或云 LLM 自托管

286、chsrc：全平台命令行换源工具

287、WeasyPrint：非常棒的工具，将 Web 生成 PDF 文档

288、oxo：现代的安全扫描编排器

289、jupyterlab-desktop：JupyterLab 桌面版，基于 Electron

290、teo：模式驱动的 Web 服务端框架

291、aiosql：Python 中的简单 SQL

292、thread：AI 驱动的 Python 笔记本，使用 React 构建

293、OpenRecall：Windows Recall 的开源替代

294、requests-futures：使用 Futures 实现的异步 Python HTTP Requests

295、websocket-client：Python 的 WebSocket 客户端

296、Freeway：WiFi 渗透测试与审计工具

297、cibuildwheel：以最少的配置为所有平台构建 Python wheel

298、超过 6000 份免费的速查表

299、pdf-to-podcast：将任何 PDF 转换为播客节目

300、prettypretty：漂亮的终端颜色库

301、django-render：使用 Django 和 React 构建用户友好的应用

302、holmesgpt：GPT 支持的 DevOps 助手

303、labelme：用 Python 作图像多边形标注

304、aurora：Python 实现的快速、可扩展的静态站点生成器

305、httpstat：使 CURL 统计变得简单

306、writer-framework：用于创建 AI 应用的全栈框架

307、surya：OCR、布局分析、顺序读取、90+ 种语言的行检测

308、MiniCPM-Llama3-V 2.5：手机上媲美 GPT-4V 的多模态 LLM

309、pyod：用于异常值检测 Python 库

310、warp：用于高性能 GPU 仿真和图形的 Python 框架

311、Your-Journey-To-Fluent-Python：你的流畅的 Python 之旅

312、llm：从命令行访问大语言模型

313、lmdocs：使用 LLM 生成 Python 项目的帮助文档

314、make-python-devex：使用 Make、Homebrew、pyenv、poetry 等工具的示例

315、vulture：查找无效的 Python 代码

316、CleanMyWechat: 自动删除 PC 端微信缓存数据

317、wxauto：Windows 版微信自动化，可发送/接收消息，简单微信机器人

318、youdaonote-pull：一键导出/备份有道云笔记的所有笔记

319、reladiff：跨数据库对大型数据集作高性能比对

320、hrms：开源人力资源和薪资管理软件

321、burr：构建能够做出决策的应用（聊天机器人、代理、仿真等）

322、thread：AI 驱动的 Jupyter Notebook

323、graphrag：基于图形的模块化 RAG 系统

324、puepy：基于 PyScript 的 Python+Webassembly 前端框架

325、psqlpy：Rust 写的异步 Python PostgreSQL 驱动

326、pretzelai：Jupyter Notebook 们的现代替代品

327、meet-libai: 构建李白知识图谱，训练 AI 李白智能体

328、flpc：Rust 开发的 Python 正则表达式库

329、Taiwan-LLM：台湾繁体中文 LLM

330、ttkbootstrap：tkinter 的增强主题，受 Bootstrap 启发的现代平面风格

331、bunkerweb：开源的 Web 应用防火墙（WAF）

332、AI-Math-Notes：交互式的 AI 数学黑板

333、cookiecutter-django：快速启动生产就绪的 Django 项目

334、Linly-Talker：数字化身系统，结合大语言模型与视觉模型

335、dnstwist：检测域名的钓鱼攻击、拼写错误抢注和品牌冒充

336、posting：位于终端里的现代 API 客户端

337、filesystem_spec：Python 文件系统应遵守的规范

338、babel：Python 国际化库

339、fastapi-docker-temp：基于 FastAPI 的最小化 Docker 项目模版

340、crawlee-python：Python Web 抓取和浏览器自动化库

341、django-sql-explorer：通过 SQL 查询，在整个公司内轻松共享数据

342、pyxel：Python 的像素风游戏开发引擎

343、0xtools：分析 Linux 系统上应用的性能

344、Secator：渗透测试人员的瑞士军刀

345、rss2newsletter：将 RSS/Atom feed 转换为邮件通讯

346、vectorlite：SQLite 的快速可调节的向量搜索扩展

347、LivePortrait：让人像肖像栩栩如生

🐢播客&视频

1、PSF 官宣一档播客节目：Python 的隐藏人物

2、Talk Python To Me #442 使用 msgspec 作超高速的消息解析

3、DjangoCon US 2023 的视频列表，60 个视频

4、PyConChina 2023 的演讲视频

5、Episode #184：PyCoder's Weekly 的 2023 年总结

6、Requests vs Httpx vs Aiohttp 该选哪一个呢？

7、为什么 Python, Go, Rust, Kotlin 没有三元运算符？

8、捕蛇者说 Ep 44. 与 Tualatrix 聊聊独立开发使用的技术栈

9、给 Pythonistas 的 Rust 编程入门教程

10、Meta 喜欢 Python

11、Talk Python To Me #449：使用 FastUI 构建 UI

12、带大家感受一下没有 GIL 的 CPython

13、ruff、uv 和 Astral：Python 工具链，使用 Rust 提速

14、使用 Nextjs、Tailwind 和 Django 克隆一个全栈的 Airbnb

15、Django Brew：一档新的 Python 播客

16、使用 Django、Channels 和 HTMX 克隆一个流式 ChatGPT

17、2024 年学习数据科学的系列视频

18、2024 年菲律宾 PyCon 演讲视频列表

19、2024 年构建大语言模型的小指南

20、2023 年的 800 多期 Python 演讲视频

21、教程：使用 Python + HTMX + Tailwind 作 Web 开发

22、core.py Ep 10：开发者聊 Python 3.13 的 REPL

23、The Python Show 40 - 与 Antonio Cuni 一起聊开源开发

24、你最喜欢的有关 Python 的 YouTube 频道是什么？

25、PyCon 2024 现场录制的播客

26、图灵奖得主巡礼系列播客，已更新 15 期

27、PyCon US 2024 演讲视频列表

28、PyCon Sweden 2024 演讲视频

🥂讨论&问题

1、为什么 Python 会有.venv 虚拟环境的概念？

2、Java 如何调用含有第三方依赖的 Python 项目？

附录

1、Python on Mobile: State of the Union

2、为什么我不推荐写所谓的 main 函数？

3、“降临节日历”系列文章

4、faster-whisper：使用 CTranslate2 作更快的 Whisper 转录

5、Reclaiming the Web with a Personal Reader

6、Flask 已死，FastAPI 永生

7、理性参与讨论《Flask 已死，FastAPI 永生》

8、数据兔子洞：爱丽丝从 Pandas 到 DuckDB 仙境的冒险

9、PEP-3141--数字的类型层级

10、ByteTalk 3. 跟图拉鼎聊聊独立开发者的那些事

12、Polars 实用教程

16、Rye: a Hassle-Free Python Experience

17、Rye Grows With UV

18、Python 及很多项目的 EOL 时间

19、谷歌、微软、Meta？谁才是 Python 最大的金主？

20、tox 教程

21、将指针的地狱引入 Python

22、uv - Python 包的下一次演变？

23、suno 逆向工程 API

24、Python 之父为什么嫌弃 lambda 匿名函数？

25、Google 内部专注于代码质量的“Code Health”系列

26、RSS 预览美化

27、开发编程语言的十年

28、通过 for 循环，比较 Python 与 Ruby 编程思想的差别

29、编程语言的四种错误处理方法

30、两种风格的错误处理

31、将 Python 错误作为值：比较 Go 和 Rust 的使用模式

32、Python 为什么不用分号作终止符？

33、h2：HTTP/2 协议栈的纯 Python 实现

34、Tkinter-Designer

35、使用 Python + HTMX + Tailwind 作 Web 开发

36、What's New In Python 3.13

37、翻译：ython Asyncio 工作原理：从零实现一个简化版 Asyncio

38、chinese-calendar

39、对比最流行的 6 个 Python 日志记录库

40、提名高天为 Python 核心开发者

41、Python 中 -m 的典型用法、原理解析与发展演变

42、Python 已经支持中文变量名啦！

43、NumPy 2.0.0 Release Notes

44、Polars vs. pandas：有什么区别？

45、Python 论坛的详细讨论

46、翻译：Python 的包管理工具真是多啊

47、如何上手最新的 CPython JIT？

Python 潮流周刊#97：CUDA 终于原生支持 Python 了！

豌豆花下猫 — Sat, 12 Apr 2025 00:00:00 GMT

分享了 12 篇文章，12 个开源项目，2 则热门话题

以下是本期摘要：

① 英伟达终于为 CUDA 添加了原生 Python 支持

② Django 5.2 版本有什么新特性？

③ 掌控个人数据：自托管日历的解决方案

④ 用 PySide6 和 SQLAlchemy 开发桌面便签应用

⑤ PEP-784：将 Zstandard 添加到标准库

⑥ 在 Django Admin 中用 Celery 运行后台任务

⑦ 用于高性能终端应用的算法

⑧ 使用 JAX 重新实现 word2vec

⑨ 在 LLM 时代提升推荐系统与搜索的效果

⑩ 剖析代码机器人：LLM 是如何理解 null 值的？

⑪ Python 脚本为何频遭封禁？小心别中招！

⑫ “椭圆的” Python 编程

① GamingAgent：个人电脑上的游戏智能体

② memo：管理你的 Apple Notes 和 Reminders

③ Nugget：释放 iOS 设备的潜能

④ no-code-architects-toolkit：将常用 API 整合成免费的 API

⑤ curl-impersonate：特别版 curl，可模拟 Chrome 和 Firefox 等浏览器

⑥ Wikipedia-API：维基百科 API 的 Python 封装

⑦ adk-python：用于开发、评估和部署复杂 AI agent

⑧ smartfunc：将文档字符串转成 LLM 函数

⑨ textcase：文本大小写转换库

⑩ BabelDOC：PDF 文档翻译器

⑪ arborparser：将有层次的结构化文本解析成树形表示

⑫ DeepSeek-V3：DeepSeek 开源大模型

① 如果你是 Python 开发者，但还没用 uv，为什么？

② UV 已死， PDM 天下第一，建议写 Python 的进来学习一下优雅的代码怎么写

订阅后，可免费查看第 97 期周刊的全文：https://www.xiaobot.net/post/b4524cc4-88d2-4d4d-89f8-de13be855f47

Python 潮流周刊第 2 季完结了，分享几项总结：https://pythoncat.top/posts/2024-07-14-iweekly

周刊前30期的免费合集，含精美电子书（EPUB/PDF）：https://pythoncat.top/posts/2023-12-11-weekly

万字浓缩版，Python 潮流周刊第 1 季的 800 个链接！：https://xiaobot.net/post/78c3d645-86fa-4bd8-8eac-46fb192a339e

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🎻关联阅读

上一期：Python 潮流周刊#96：MCP 到底是什么？

下一期：Python 潮流周刊#98：t-string 语法被正式接纳了

Python 潮流周刊#96：MCP 到底是什么？

豌豆花下猫 — Sat, 05 Apr 2025 00:00:00 GMT

分享了 12 篇文章，12 个开源项目，2 则热门讨论

以下是本期摘要：

① 一文带你深入浅出MCP：人工智能大模型与外部世界交互的革命性突破

② 我们黑了谷歌的 AI Gemini 并获取了源码

③ 我们是如何迁移成异步 Python 的？

④ 像个专家一样分享 Python 脚本：uv 和 PEP-723 轻松部署

⑤ 使用 FastAPI 和 Svelte 开发实时仪表板

⑥ 数据可视化利器 —— Streamlit 的有趣哲学

⑦ 优化 Python：理解生成器机制、表达式和效率

⑧ 揭秘 Python 网络编程的 8 种硬核用法

⑨ PyTorch 和 Python 自由线程

⑩ 如何用 uv 和 GitHub Action 自动发包 PyPI？

⑪ 如何用本地 AI 自动化转录播客字幕？

⑫ 使用 Python 打开网页的正确方式

① plain：一个 Python Web 框架

② playa：PDF 并行与延迟分析器

③ safe-result：受 Rust 启发的错误处理库

④ clypi：美观的 CLI 一站式解决方案

⑤ gcop：AI 驱动的 Git 提交助手

⑥ conftier：多层配置管理框架

⑦ arxiv-mcp-server：搜索和分析 arXiv 论文的 MCP

⑧ nova-act：开发在浏览器中执行的 agent

⑨ dockerpyze：将 Python 应用生成 Docker 镜像

⑩ 电子书：Architecture Patterns with Python

⑪ social-auto-upload：自动上传视频到抖音/小红书/视频号/B站等

⑫ VideoX-Fun：生成任意分辨率的视频，支持图生视频

① PEP-751：Python 标准的依赖锁文件讨论

② uv 在软件包下载量上超过了 Poetry

订阅后，可免费查看第 96 期周刊的全文：https://www.xiaobot.net/post/4db786dd-4956-43c1-b66c-4b2c13c639e4

Python 潮流周刊第 2 季完结了，分享几项总结：https://pythoncat.top/posts/2024-07-14-iweekly

周刊前30期的免费合集，含精美电子书（EPUB/PDF）：https://pythoncat.top/posts/2023-12-11-weekly

万字浓缩版，Python 潮流周刊第 1 季的 800 个链接！：https://xiaobot.net/post/78c3d645-86fa-4bd8-8eac-46fb192a339e

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🍋关联阅读

上一期：Python 潮流周刊#95：像人类一样使用计算机

下一期：Python 潮流周刊#97：CUDA 终于原生支持 Python 了！

Python 潮流周刊#95：像人类一样使用计算机

豌豆花下猫 — Sat, 29 Mar 2025 00:00:00 GMT

分享了 11 篇文章，12 个开源项目

以下是本期摘要：

① Python 中如何使用与异步无关的装饰器？

② 无服务器的 Python 网站

③ 简单聊聊常见的负载均衡算法

④ CPython 中隐藏的 XKCD 彩蛋

⑤ 朋友不会让朋友用 Python 开发生产软件

⑥ 为什么我们选择 LangGraph 开发编码助手？

⑦ 能生成正确代码的 Python 测试执行器

⑧ Prospero 挑战：更多垃圾回收

⑨ PyTorch 的内部机制

⑩ 程序员阅读清单：我喜欢的 100 篇技术文章（41-50）

⑪ 编程十年的感悟

2、Python 运行实战–第1部分：为什么它让人痛苦？

① Agent-S：像人类一样使用计算机的 agent 框架

② basedpyright：给 pyright 加上类型检查和 pylance 功能

③ gurubase：RAG 系统，创建 AI 问答助手

④ compress_json：读写压缩的 JSON

⑤ lihil：速度飞快的异步 Web 框架--lihil: Unbelievably fast async webframework

⑥ fastapi_mcp：将 FastAPI 接口配置成 MCP

⑦ arrg：开发模块化的命令行应用

⑧ mcp-obsidian：与 Obsidian 交互的 MCP server

⑨ local-deep-researcher：网页研究和报告撰写助手

⑩ douyin-downloader：抖音批量下载工具

⑪ fastopenapi：生成和集成 OpenAPI 文档

⑫ star-vector：用于 SVG 生成的基础模型

订阅后，可免费查看第 95 期周刊的全文：https://www.xiaobot.net/post/19eb0efb-4bdc-408e-b55c-9fc31afce4cf

Python 潮流周刊第 2 季完结了，分享几项总结：https://pythoncat.top/posts/2024-07-14-iweekly

周刊前30期的免费合集，含精美电子书（EPUB/PDF）：https://pythoncat.top/posts/2023-12-11-weekly

万字浓缩版，Python 潮流周刊第 1 季的 800 个链接！：https://xiaobot.net/post/78c3d645-86fa-4bd8-8eac-46fb192a339e

微信关注 Python猫：https://img.pythoncat.top/python_cat.jpg

🎉关联阅读

上一期：Python 潮流周刊#94：如何解决 FastAPI 的大文件传输问题？

下一期：Python 潮流周刊#96：MCP 到底是什么？

Python 潮流周刊#94：如何解决 FastAPI 的大文件传输问题？

豌豆花下猫 — Sun, 23 Mar 2025 00:00:00 GMT

你好，我是猫哥。这里每周分享优质的 Python、AI 及通用技术内容，大部分为英文。周刊开源在 Github 上，喜欢请给颗小星星支持下~

本期分享了 11 篇文章，12 个开源项目，全文 1514 字。

**重要提示：**本周刊即将迎来第 100 期，即日起续订或新订阅，可享受八五折优惠，欢迎领取优惠券 --> https://www.xiaobot.net/coupon/d2c69b05-91b8-4e2b-b346-e7bc4dbc141a

🦄文章&教程

1、如何解决 FastAPI 的大文件传输问题？

使用 FastAPI/Starlette 作大文件传输时，为何会比其它框架慢？在文件上传和下载场景中，作者分别对比了不同实现方案的性能差异，剖析了问题原因，并分享了多种性能优化方案。

Python 写起来很棒，但维护起来可能令人沮丧。文章分析了 Python 让人感觉痛苦的一些原因，比如不同编程文化碰撞和包依赖管理，最后分享提升可维护性的建议。

3、Python Discord 2024 调查报告

Python Discord 社区 2024 年的调查结果，涵盖用户编程经验、社区参与度、学习资源使用、帮助寻求与提供、社区活动体验、语音频道使用、开源贡献意向等方面。

4、尝鲜体验 Astral 的 Red Knot 静态类型检查器

Ruff 和 uv 所属团队正在开发一个 Python 类型检查器，旨在成为 mypy 的替代。文章介绍了 Red Knot 的安装、配置和使用方法，并通过与 mypy 的比较和性能测试，展示了其在速度上的显著优势。

5、最佳实践：高性能的 Django Admin

针对 Django Admin 在处理大数据集时的性能问题，文章介绍了多种优化策略：限制排序字段、调整分页大小、使用估算计数、缓存、优化搜索字段等。

6、PEP-776：支持 Emscripten

PEP-776 提议在 Python 3.14 将 Emscripten 添加为 Tier 3 支持。Emscripten 是一个编译器工具链，可将 C/C++ 代码编译为 WebAssembly/JavaScript，适用于浏览器和 Node.js 等 JavaScript 运行时。

7、使用双向生成器实现二分搜索

文章提出了一种基于双向生成器的二分查找实现，利用 Python 生成器的 send 方法来动态调整算法行为。该方法可扩展成无届搜索，提供了新的实现思路。

8、布尔类型参数的陷阱

作者指出在函数或 API 中使用布尔参数容易引发问题，如代码可读性差、扩展性受限及潜在错误，建议使用枚举作为替代方案。

9、重新发明 notebook 为可重用的 Python 程序

Marimo 是一种新型的 notebook，不同于传统的 Jupyter notebook，它保存的是 Python 文件，解决了版本控制、代码复用和测试等痛点，同时支持导入和作为脚本执行等用途。

10、Python 编程与编织艺术

用代码编程与用毛线编织，它们能有什么关系呢？除了需要耐心、逻辑和创造力，文章还分享了几组有趣的对照关系。

11、“主动型枚举”模式

文章指出传统的枚举存在维护困难、行为与数据分离等问题，因此提出了“Active Enum”模式，使枚举不仅作为数据容器，还能主动执行相关操作。演示了具体代码示例，揭示了它的优势、可能遇到的问题和对应的解决方案。

🐿️项目&资源

1、docs：可扩展的协作笔记、wiki 和文档平台

用 Django 和 React 开发的协作式文档编辑器，是 Notion、Outline 与 Confluence 的开源替代。（star 8.9K）

2、mcp-tool-kit：MCP 协议的代理抽象层

MCP（Model Context Protocol）中间件，用于开发高精度的垂直人工智能 agent。

3、eventure：事件驱动框架，用于仿真、游戏和复杂系统

纯 Python 实现的事件驱动框架，功能特性：事件驱动、事件溯源、基于 Tick 的系统、高级事件查询、开箱即用的示例、类型安全。

4、html5lib-python：用于解析和序列化 HTML 文档

纯 Python 实现的 HTML 解析库，符合 WHATWG HTML 规范。（star 1.2K）

5、Run Python Online：在浏览器中运行 Python 代码

一个在线执行 Python 脚本的网站，提供了浏览器中的 Python 编译器和 IDE，内置了常用的 Python 库，支持文件上传下载。

6、rusty-graph：Rust 开发的高性能图数据库库

将 SQL 关系型数据高效转化为知识图谱，通过 Rust 实现底层高性能计算，提供 Python 绑定降低使用门槛。

7、aiopandas：轻量级 Pandas 猴子补丁，添加异步支持

使用猴子补丁让 Pandas 的 map、apply、applymap、aggregate 和 transform 支持异步。

8、basic-memory：基于 AI 助手的对话构建持久语义图

这是一个知识管理系统，利用与大模型的对话来构建持久化知识，保存成 Markdown 文件。

9、Python 开发者工具手册

在线电子书，主旨是帮你理解开发 Python 包的复杂生态：uv、Poetry、Flit、Setuptools 和 Hatch 到底是什么？它们的优缺点是什么？如何比较和取舍？另外，还涵盖了代码审查、格式化和依赖管理的内容。

10、mcp-agent：使用 MCP 和简单工作流开发高效的 agent

一个简单可组合的 agent 开发框架，使用 MCP 协议和 Building Effective Agents 中描述的所有模式。（star 1.6K）

11、InkyPi：Raspberry Pi 驱动的 E-Ink 显示屏

开源、可定制的 E-Ink 显示屏，提供 Web 界面可用于任何联网设备，易于安装和配置，支持定时播放列表。（star 1K）

12、physicsnemo：NVIDIA 开源深度学习框架

使用最先进的 SciML 方法构建、训练和微调深度学习模型。提供了工具和优化管道，可开发结合物理知识和数据的 AI 模型，实现实时预测。（star 1.3K）

🐢播客&视频

1、Web 项目的架构选择：SPA 与 HTMX

视频探讨了选择单页应用（SPA）和服务器端渲染应用的影响因素，比如状态管理、用户体验管理、性能和可扩展性、项目限制和开发团队专业知识等。

2、为什么 Python 开发者只用 PostgreSQL？

Talking Postgres 播客讨论了为什么特别多 Python 和 Django 开发者对 Postgres 情有独钟？嘉宾是 Python 软件基金会主席，其新书《领域驱动 Django》有一章为“Just Use Postgres”。

🐧 往年回顾

Python 潮流周刊#44：Mojo 本周开源了；AI 学会生成音乐了（2024.03.30）

🐱欢迎订阅

技术周刊是聪明人在信息过载时代中筛选优质知识的聪明手段。这是一个专为国内 Python 开发者量身打造的资讯平台，为你挑选最值得分享的文章、教程、开源项目、软件工具、播客和视频、热门话题等丰富内容。立即订阅，每周将收到一篇文章推送，每周进步一点点。

欢迎留言，说说你最喜欢本期的哪一则分享？大家反馈得越多，我今后分享的也会越多！

欢迎将本专栏分享给同样爱学习的同学，当有人通过你分享的海报或者链接，购买了专栏，那么你将获得 50% 的返利。

1、为什么 Python 中'if not list'比 len() 快 2 倍？

Python 潮流周刊#93：为什么“if not list”比len()快2倍？

豌豆花下猫 — Sat, 15 Mar 2025 00:00:00 GMT

你好，我是猫哥。这里每周分享优质的 Python、AI 及通用技术内容，大部分为英文。周刊开源在 Github 上，喜欢请给颗小星星支持下~

本期分享了 12 篇文章，12 个开源项目，全文 1431 字。

🦄文章&教程

Python 检查列表是否为空，if not mylist 比 if len(mylist) == 0 更优雅，也更快。文章通过剖析 CPython 的虚拟机指令和对象内存访问模式，解答了为何前者会更快。（注：该文出自付费专栏，前半部分免费可看）

2、掌握 Python 单体代码库

介绍了用 uv 和 Dagger 来构建高效的 Python 单体仓库的方法。uv 管理依赖和工作区，Dagger 定义容器化构建流程，实现了高效的模块化构建和缓存复用。

3、Python 3.14 尾调用解释器的性能

最近，Python 3.14 的尾调用解释器很夺人眼球（性能提升 10-15%），但是，作者经过分析发现，这些提升主要是无意中绕过了 LLVM 19 的一个回归问题，在更合理的基线下，性能提升仅为 1-5%。

4、Python 解释器引入了尾调用

在引入尾调用之前，CPython 有三个不同的解释器：基于 switch 的字节码解释器、基于计算的 goto 语句的字节码解释器、以及微操作解释器。文章介绍了此前解释器的问题，以及新解释器的优化实现方案。

5、用 Python 解答 LinkedIn 的“皇后”谜题

LinkedIn 从大约一年前每日发布“Queens”谜题，作者分享了自己编写的 Python 程序，可解决 LinkedIn 发布的所有皇后谜题。

6、再也别问 Singleton 了好吗？

作者认为：在 Python 中，你不需要 Singleton；如果需要，就用模块级别的变量。文章指出了几种流行的单例实现方式的问题，最后给出了一种“朴实无华”的方案。

7、用 OpenStreetMap、Web Mercator 和 Pillow 创建静态地图

介绍了一种不依赖复杂可视化库创建静态地图的方法：从 OpenStreetMap 下载地图，将经纬度坐标转换为像素坐标，最后在地图上绘制彩色标记。

8、PEP-779：自由线程 Python 的评估标准

PEP-703 中描述了自由线程 Python 的三个发展阶段，本则 PEP 是为过渡到第二阶段而确立明确的期望和要求，包括性能、稳定性、可维护性和内存使用等方面的评估标准。

9、Python "break"语句的 4 种替代方案

Python for 循环中可以用 break 语句跳出循环，作者建议我们可以根据不同的目的，使用其它的替代实现，包括用 in 操作符、用 any() 函数、用 next()、用 itertools.takewhile()。

10、我的 Python 提交：2025 年 2 月

Python 核心开发者 Victor Stinner 在 2 月份有 18 个提交被合入，文章对这些代码贡献做了总结记录。

11、投资银行独特的 Python 生态

许多大投资银行在使用 Python 的哪些软件？文章介绍了“Bank Python”的多个核心子系统：Barbara 对象键值存储、Dagger 依赖管理、Walpole 银行级作业调度、MnTable 专有表格处理。

12、生成器在交错迭代中的优雅应用

作者想要回答这个问题：如果需要存储所有的值，为什么还要用生成器写法？通过博客侧边栏的标签和年份交错排列实现，介绍了生成器的灵活运用和不同实现方式的权衡。

🐿️项目&资源

1、feeds.fun：支持标签、评分和 AI 的新闻阅读器

自托管的新闻阅读器，支持 Feed 管理、自动打标签、基于标签的规则评分、过滤和排序。

2、wild-card-ai：将 OpenAPI 翻译得适用于 LLM

旨在将 OpenAPI 规范扩展为适用于 AI agent 与 API 交互的 agents.json 标准，通过定义清晰的 API 调用流程和数据交互方式，帮助 AI agent 更高效地执行多步任务。

3、opendbc：用于汽车的 Python API

控制汽车的油门、刹车、转向等，读取速度、转向角度等。（star 2.2K）

4、pydoll：无需 WebDriver 的 Chromium 浏览器自动化

零依赖 Webdriver，原生验证码绕过（Cloudflare Turnstile 和 reCAPTCHA v3 *），模拟现实人类的交互行为，支持高级和响应式自动化。（star 2.6K）

5、shorts_maker: YouTube 短视频自动化

自动化创作短视频，无缝集成 Discord 等服务的通知功能，GPU 加速处理，模块化设计。

6、seed-vc：零样本语音转换与歌声转换

支持零样本语音转换、零样本实时语音转换和零样本歌声转换。无需任何训练，只需 1~30 秒的参考语音，即可克隆声音。（star 1.7K）

7、Sonic：肖像动画转向全局音频感知

肖像动画领域的一大创新，强调全局音频感知，通过多模态融合实现高保真音频驱动的肖像动画生成。（star 2.1K）

8、mssql-python：微软 SQL Server 和 Azure SQL 的新驱动

微软新发布的连接到 SQL Server 和 Azure SQL 的驱动库，使用 DDBC，可直接连接到 SQL Server 而无需外部驱动管理器。

9、autoMate：AI 驱动的计算机自动化助手

与 Manus、Computer Use Agent（CUA）和 Omniparser 一样，AI 驱动的自动化工具。无代码自动化、全界面操控、本地化部署。（star 1.9K）

10、0xtools：Linux 系统的 X 射线透视

深入分析 Linux 系统的性能问题，通过 eBPF 技术对系统内部运行状态的作实时观测和诊断。（star 1.5K）（分享自@请叫我大萌萌）

11、geoai：地理空间数据的人工智能

将人工智能运用到地理空间数据分析与可视化，关键特性：高级地理数据可视化、数据准备与处理、图像分割、图像分类。

12、NotaGen：一种符号音乐生成模型

探索生成高质量古典乐谱的潜力，在 160 万首音乐上预训练，使用 9K 首古典作品进行微调，使用 CLaMP-DPO 方法作强化学习。

🐧 往年回顾

Python 潮流周刊#43：在开源与家庭之间，他选择了家庭（2024.03.23）

🐱欢迎订阅

欢迎留言，说说你最喜欢本期的哪一则分享？大家反馈得越多，我今后分享的也会越多！

欢迎将本专栏分享给同样爱学习的同学，当有人通过你分享的海报或者链接，购买了专栏，那么你将获得 50% 的返利。

3、深入浅出 Django 信号：结构、用例和最佳实践

Python 潮流周刊#92：一张 Python 软件包的地图

豌豆花下猫 — Sat, 08 Mar 2025 00:00:00 GMT

你好，我是猫哥。这里每周分享优质的 Python、AI 及通用技术内容，大部分为英文。周刊开源在 Github 上，喜欢请给颗小星星支持下~

本期分享了 12 篇文章，12 个开源项目，全文 1375 字。

🦄文章&教程

1、一张 Python 软件包的地图

PyPI 上有超过 50 万个开源项目，作者通过它提供的 JSON API 和 BigQuery 数据集，生成了一份交互式的包依赖关系图，发现了一些有趣的现象。

2、Python pickle 模块的漏洞利用

Python pickle 模块存在什么安全问题？文章介绍了 pickle 的工作原理，演示了如何利用它的反序列化功能实现远程代码执行（RCE），提醒大家对不可信来源数据作反序列化的安全处理方法。

Django 信号是一种将应用逻辑与处理事件解耦的强大机制，文章探讨了 Django 信号的结构和工作原理，介绍了其应用场景，并分享了它们的几条最佳实践。

4、Python 3.13 的突破：No-GIL、支持 JIT 和 iOS

文章总结 Python 3.13 版本带来的一些重大突破：性能提升（比 3.12 快 5-15%）、实验性 JIT 编译器、内存占用减少 7%、数据科学优化、支持 iOS 和无 GIL 模式。

5、PEP-775：使 zlib 成为构建 CPython 的必需项

这则 PEP 提出从 Python 3.14 开始，构建 CPython 时将不再支持不包含 zlib 压缩库的情况，zlib 模块将成为标准库的必需部分，唯一的例外是 WASI 平台。

6、Python 不是 Java 或 C++：Python 作为第二语言的同理心

哪些将 Python 作为第二语言的开发者可能存在哪些误解？作者对比了 Python 与 Java/C++ 的差异，列举出了多个易混淆的点和示例，探讨如何帮助有其它语言背景的开发者更好地理解和使用 Python。

7、用 Python 和 Kivy 开发一个 To-do 应用

如何用 Python 开发一个待办事项应用？文章演示了用 Kivy + SQLite 开发一个图形化用户界面的待办应用，可作为 Python GUI 入门项目学习。

8、使用 Marimo 和 Anywidget 可视化进程树

文章介绍了如何用 marimo 和 anywidget 开发一个交互式进程树可视化工具，基于进程创建事件日志构建出树结构，并通过 DependenTree 作可视化渲染。

9、将 Python 嵌入到 Elixir 中

介绍了如何在 Elixir 中嵌入 Python 解释器，通过 Pythonx 实现 Elixir 和 Python 之间的自动数据转换、代码执行和虚拟环境管理。

10、分析和可视化 Satellogic 的开放卫星数据

介绍了 Satellogic 的开放卫星数据源“Satellogic EarthView”，展示了如何使用多种工具（如 GDAL、Python、DuckDB 和 QGIS）来分析和可视化这些数据。

11、为忙碌的 Rails 开发者介绍 Django 和 Postgres

这是一篇为 Rails 开发者提供的转向 Django 的实用指南，对比了 Django 和 Ruby on Rails 在开发上的异同，包括语言特性和运行时管理、依赖管理、迁移机制、Postgres 配置、代码格式化和 Linting 等。

12、调试视觉 Transformer 编译的问题

作者在将 Vision Transformer（ViT）模型从 PyTorch 转换为 TensorRT 时遇到了编译问题，文章展示了如何系统地调试和优化深度学习模型，例如通过二分法逐步排查问题和对比不同实现方案的性能。

🐿️项目&资源

1、Pokemon-Terminal：终端里的宝可梦主题背景

719 种独特的宝可梦主题，可设为桌面壁纸和终端背景，终端包括 iTerm2、ConEmu、Terminology、Windows Terminal、Tilix 和 Kitty 等。（star 4.6K）

2、smallpond：基于 DuckDB 和 3FS 的数据处理框架

DeepSeek 开源的数据处理框架，基于 DuckDB，可扩展处理 PB 级别数据集。（star 3.9K）

3、PRevent：防止在 PR 中合并恶意代码

一个自托管的 GitHub 应用，可监听 PR 事件，扫描恶意代码，并在 PR 上直接评论检测结果。

4、stealthkit：增强 Python 的请求处理

通过轮换用户代理、设置 referer、处理 Cookie、管理代理和实现重试逻辑来模拟真实的用户行为。

5、fastrtc：Python 实时通信库

将任意 Python 函数变成支持 WebRTC 或 WebSockets 的实时音视频流。（star 2.6K）

6、VisualCrypto：视觉密码学和随机网格技术

一个专门用于图像秘密共享（Visual Secret Sharing, VSS）的工具包，支持视觉密码学（VC）和随机网格（Random Grid, RG）技术。

7、awesome-stream-processing：用流处理解决现实问题的示例

收录了一系列可执行的 demo，展示了流处理在实际场景中的应用。

8、onyx：面向团队的通用 AI 聊天工具

将你的公司文档、应用和团队人员连接起来的 AI 平台。功能丰富的聊天界面，支持超过 40 种应用的知识同步及访问控制。（star 12.2K）

9、FoleyCrafter：AI拟音大师，给无声视频添加音效

一个视频到音频生成框架，能够生成与视频语义相关且同步的逼真音效。

10、SmartestKid：Windows 桌面 AI 助手

使用 Windows COM 自动化与 Microsoft Office（Word、Excel）、图片及文件系统接口，适合用于探索 AI 驱动桌面自动化。

11、Merlion：用于时间序列的机器学习框架

端到端的机器学习框架，包括加载和转换数据、构建和训练模型、后处理模型输出以及评估模型性能，支持各种时间序列学习任务，包括预测、异常检测和单变量和多变量时间序列的变化点检测。（star 4.2K）

12、developer-portfolios：开发者作品集列表

这个仓库收集了很多开发者的作品集主页，可以从别人的主页&作品中获取产品灵感。（star 11.9K）

🐧 往年回顾

Python 潮流周刊#42：小公司用 Python 开发，能做到什么程度？（2024.03.16）

🐱欢迎订阅

欢迎留言，说说你最喜欢本期的哪一则分享？大家反馈得越多，我今后分享的也会越多！

欢迎将本专栏分享给同样爱学习的同学，当有人通过你分享的海报或者链接，购买了专栏，那么你将获得 50% 的返利。

2、在云之上：CPython、Pyodide 和 SPy

Python 潮流周刊#91：Python 在浏览器中的未来

豌豆花下猫 — Sat, 01 Mar 2025 00:00:00 GMT

你好，我是猫哥。这里每周分享优质的 Python、AI 及通用技术内容，大部分为英文。周刊开源在 Github 上，喜欢请给颗小星星支持下~

本期分享了 12 篇文章，12 个开源项目，全文 1494 字。

🦄文章&教程

1、窥探 Python 在浏览器中的未来可能

探讨了 Python 在浏览器中的未来，介绍了 SPy 实现的高性能 Python 编程。SPy 作为一种新兴的“Python-like”语言，通过将代码分为编译时执行的“蓝代码”和运行时执行的“红代码”，实现了代码的高效编译和执行。

SPy 作者与另外两位社区大佬的一周合作/游玩经历，分享了他们一起解决的几个问题、SPy 基本概念和设计决策、搭建一个简单的 SPy 游乐场。特别强调了人际关系的价值和共度时光的乐趣。

3、FastAPI 解构：现代 ASGI 框架解剖

深入剖析了 FastAPI 的架构和核心组件，解读了 FastAPI 如何通过 ASGI 协议、Uvicorn 服务器、Starlette 框架以及 Pydantic 数据验证库协同工作，展示了依赖注入和自动生成文档等特性。

4、介绍 Python 的 Flask-SQLAlchemy

Flask-SQLAlchemy 使得 Flask 能无缝集成 SQLAlchemy，文章详细介绍了它的多项关键特性，以实际项目演示了 Flask-SQLAlchemy 轻松管理数据库的使用方法。

5、便携式使用文本嵌入的最佳方法是 Parquet 和 Polars

如何高效使用和存储文本嵌入向量？文章提出了用 Parquet 文件格式和 Polars 库的解决方案，可快速加载嵌入向量并进行相似性计算，同时支持动态过滤和元数据管理。

6、到底要不要用 Python 类型提示？

Python 的类型提示有什么价值？除了会增加代码复杂性，它能带来足够多的好处么？文章从多个角度展示了类型提示的优势，介绍了如何有效使用类型提示的一些技巧，以及使用现代工具提升开发体验。

7、2025 年应该使用哪个 Python GUI 库？

Python 生态中有不少的 GUI 库，哪个更适合你的项目呢？文章对比了多款主流 GUI 库（Tkinter、PyQt、PySide、Kivy、PySimpleGUI、WxPython、PyGObject、Remi 等），介绍了它们的相对优势和许可限制，并用每个库编写简单的“Hello World”项目。

8、利用 Notebook 智能，开发 JupyterLab 的 AI 代理

Notebook Intelligence 是一个 AI 编码助手和可扩展的 AI 框架，将 JupyterLab 与 AI 结合。文章介绍了如何定义多个工具（如地理坐标查询、地图生成、笔记本创建和分享）来构建一个 AI 代理。

9、用 llm-mlx 和 MLX 框架在 macOS 上运行 LLM

文章介绍了如何在 macOS 上运行本地大模型，利用了 llm-mlx 插件和苹果的 MLX 框架，演示了安装插件、下载模型和用大模型生成文本，同时作模型优化和缓存的技巧。

10、面向 Python 开发者的 CUDA 编程入门指南

CUDA 是一个平台和 C++ 扩展，可编写在 GPU 上运行的程序。文章探讨了 CUDA 内核的工作原理，以及它是如何将计算映射到 GPU 硬件上的。

11、日常 API 的设计原则

如何设计一个用户体验出色的 API？文章提出了几项基本原则，并通过一个发布/订阅服务的 API 设计，展示了如何通过命名规范、提供对称方法、默认值、减少重复和利用语言特性等手段，优化用户体验。

12、丑陋的代码和愚蠢的事情

在追求代码完美和快速交付之间，如何作出选择和平衡？作者通过自身经历和对 Flickr 的 Flamework 框架的分析，揭示出有时候快速迭代和解决实际问题往往比代码的优雅性更重要。

🐿️项目&资源

1、tinycompiler：500 行 Python 代码实现的编译器

一个周末项目，支持将作者发明的“wend”编程语言翻译成 GNU 汇编。

2、django-rusty-templates：Rust 实现的 Django 模板语言

100% 兼容的渲染输出，错误报告跟 Django 的错误一样有用，性能优于纯 Python 实现的版本。

3、when：在不同时区之间转换日期时间

将某地时间转换为其它地方/时区的时间，另外可以显示当前月相、显示满月日期、计算过去或未来时间等。

4、opendrop：Python 开发的 Apple AirDrop 开源实现

一款命令行工具，可通过 Wi-Fi 在设备间共享文件，独特之处在于它与 Apple AirDrop 兼容，支持与运行 iOS 和 macOS 的 Apple 设备共享文件。（star 8.9K）

5、MakeItPrivate：将图片转换为 PDF

以 FastAPI 作后端，Streamlit 作前端，支持将图片（JPG、PNG）转换为 PDF，反之也行，还支持将多张图片和多个 PDF 生成一个 PDF。

6、codegen-sdk：用于操作代码库的 Python 库

编写能够转换代码的代码。结合了 Tree-sitter 的解析能力与 rustworkx 的图算法，实现了大规模、多语言代码操作的脚本化能力。

7、mindmap-generator：将任意文档提炼成思维导图

利用大模型，从不同类型的文档中提取出核心概念、关系和细节，并将它们组织成直观的、分层的思维导图。

8、probly：AI 驱动的电子表格应用

一款结合电子表格功能与 Python 数据分析能力的 AI 应用，支持公式、在浏览器中运行 Python 代码、数据可视化、AI 智能提示和自动化分析。

9、gpustack：管理运行 AI 模型的 GPU 集群

开源的 GPU 集群管理器，广泛兼容多种硬件和模型，轻松扩展 GPU 或节点，分布式推理，多种推理后端，用户和 API 密钥管理，GPU 性能和利用率监控，Token 使用和速率分析。（star 1.8K）

10、PocketFlow：极简 LLM 框架，支持自动编程

100 行代码实现的极简 LLM 框架，支持多代理、工作流和 RAG 等。

11、smolagents: 用于代理的基础库

Huggingface 开源，仅用几行代码即可运行强大的代理，支持任意 LLM，支持文本、视觉甚至音频输入。（star 12.8K）

12、awesome-ai-agents：300+ 个 AI 代理资源

AI 代理优于传统 LLM，这是一份 awesome AI 代理资源列表。

🐧 往年回顾

Python 潮流周刊#41：写代码很简单，但写好代码很难（2024.03.09）

🐱欢迎订阅

欢迎留言，说说你最喜欢本期的哪一则分享？大家反馈得越多，我今后分享的也会越多！

欢迎将本专栏分享给同样爱学习的同学，当有人通过你分享的海报或者链接，购买了专栏，那么你将获得 50% 的返利。

1、Python 3.14 的尾调用解释器（及其它更新）

Python 潮流周刊#90：uv 一周岁了，优缺点分析

豌豆花下猫 — Sun, 23 Feb 2025 00:00:00 GMT

你好，我是猫哥。这里每周分享优质的 Python、AI 及通用技术内容，大部分为英文。周刊开源在 Github 上，喜欢请给颗小星星支持下~

本期分享了 12 篇文章，12 个开源项目，全文 1464 字。

🦄文章&教程

最近最振奋人心的消息就是 Python 3.14 的新型解释器，它所使用的技术来自这篇文章的作者。文章回顾了尾调用优化技术提出四年来，在多个项目中的应用情况，除了 Python 3.14，还有 LuaJIT Remake、GCC 和 Clang 的支持，以及正在推动纳入 C 标准提案的情况。

2、UV 一周年：优点、缺点以及是否迁移？

uv 推出一周年了，流行势头跟 Ruff 一样强劲！这篇长文详细分析了 uv 的优点和缺点，什么时候该用它，什么时候不该用。总体来看优点远大于缺点，结论很明显了，是时候迁移到 uv 了！

3、创建 Django 的 MongoDB 数据库后端

出自 MongoDB 官方博客，介绍了它们为 Django 框架开发 NoSQL 数据库后端的历程，包括从调查数据中发现需求、以开源项目为基础开发数据库后端，以及支持 MongoDB 特性的实现。

4、PyPI 已支持 iOS 和 Android，用于 Python 移动端开发

一个好消息，Python 通过 PEP-730 和 PEP-738，现在支持为 iOS 和 Android 平台分发二进制包了（即 wheel），PyPI 此举将降低 Python 移动端开发的门槛。

5、开发 Python 编译器和解释器系列：实现 elif 和 else

“开发 Python 编译器和解释器”系列的第十篇文章，实现对条件语句 elif 和 else 的支持，展示了如何在编译器中添加复杂的控制流语句。

6、用 Python 开发一副扑克牌

介绍了如何用 Python 和 SVG 图像开发一副完整的扑克牌，支持动态生成扑克牌、排序、显示牌面、洗牌发牌，展示了数据处理、文件操作和可视化的运用。

7、用 100 行纯 Jax 代码实现 LLaMA3

如何实现一个简化版的 LLaMA3 模型？文章利用了 JAX 的纯函数以及 JIT 和 vmap 等特性，实现 LLaMA3 模型的所有核心组件，适合用于学习 Transformer 架构和 JAX 的使用。

8、测量 Python any() 函数的性能

Python any() 函数的参数分别为生成器表达式和列表时，它的性能是哪个更快呢？作者经过测试，发现当序列中第一个 True 值出现较早时，生成器表达式性能更优；而当需要检查整个序列时，列表的性能可能更好。

9、用 Django 实现网页通知推送

探讨了如何在不依赖移动应用的情况下，通过 Django 框架，利用 Web Push Notifications 和 Progressive Web Apps (PWA) 技术实现异步推送通知。

10、用“# coding:”技巧来魔改 Python 语法

介绍了如何通过 Python 的 # coding: 指令和 codecs 模块，自定义代码的解码方式，从而改变 Python 的语法。文章实现了一个解码器，可将花括号语法转换为 Python 的缩进语法。

11、关于不同编程语言的继承和子类型化

文章对比了 Java、Go 和 Python 中继承和子类型化的实现方式，探讨了语言设计对继承机制的影响：Java 是显式继承和子类型化，Go 通过鸭子类型实现隐式继承，而 Python 则结合了显式继承和通过协议实现的静态鸭子类型。

12、当 Python 遇见 WebGL：用 PyScript 打造浏览器 3D 创作工具

作者参加了 Genuary 活动，在 1 月每天生成一副视觉艺术作品，在这一挑战中，他深入探索了 PyScript 和 WebGL 在创意编程中的应用，讨论了 Pyodide 和 MicroPython 在浏览器中的性能和限制。文章里还分享了一些效果惊艳的 3D 创意作品。

🐿️项目&资源

1、pyquery：类似 jQuery 的 Python 库

它能让你在 XML 文档上执行 jQuery 查询，使用 lxml 作快速的 XML 和 HTML 操作。（star 2.3K）

2、Youtube-playlist-to-formatted-text：提取 YouTube 列表字幕并制成电子书

自动从 YouTube 播放列表提取字幕，使用 Gemini 作文本精炼，输出到格式化的 Markdown 文件中。

3、podcastfy：NotebookLM 播客功能的开源替代

使用生成式 AI 将多模态内容转化为引人入胜的多语言语音对话，是谷歌 NotebookLM 的替代。（star 3.2K）

4、harbor：一键运行 LLM 后端、API、前端和服务

一个容器化 LLM 工具包，允许你运行 LLM 和其他服务。包括一个 CLI 和一个配套应用，可轻松管理和运行 AI 服务。（star 1.3K）

5、gixy: NGINX 配置静态分析器

一个分析 NGINX 配置的工具，可防止安全配置错误并自动化检测缺陷。

6、bagofwords：由 AI 驱动的数据工具

Python + Vue.js 开发的仪表板项目，它与各种数据源无缝集成，包括数据库、API 和业务系统，从而实现有效的数据分析。

7、OmniParser：基于纯视觉的屏幕解析工具

微软开源，可将用户界面的截图解析成结构化和易于理解的元素，增强 GPT-4V 准确定位和生成动作的能力。（star 15.8K）

8、Tamga：多种格式和彩色打印的 Python 日志工具

一个现代的 Python 日志工具，支持多种输出格式和彩色控制台输出。使用 Tailwind CSS 颜色调色板，集成 MongoDB，支持文件轮转和邮件通知。

9、frames_of_mind：将 R1 的思考过程动画化

将思维链保存成文本，然后用 OpenAI API 转换为嵌入，最后用 t-SNE 将嵌入绘制出来。

10、vlmrun-hub：视觉大模型工具库

一个包含预定义 Pydantic 模式的综合仓库，可从非结构化视觉内容（如图像、视频和文档）中提取结构化数据。借助 Pydantic 实现自动数据验证和类型安全。

11、ExtractThinker：灵活的智能文档工具

利用大语言模型从文档中提取和分类结构化数据，功能类似于 ORM，可实现无缝的文档处理工作流。（star 1.1K）

12、cartography：可视化基础设施资产间的关系

过 Neo4j 数据库驱动的直观图形视图，可视化基础设施资产间的关系，揭示隐藏的依赖关系，降低安全风险。（star 3.2K）

🐧 往年回顾

Python 潮流周刊#40：白宫建议使用 Python 等内存安全的语言（2024.03.02）

🐱欢迎订阅

欢迎留言，说说你最喜欢本期的哪一则分享？大家反馈得越多，我今后分享的也会越多！

欢迎将小报童的本专栏分享给同样爱学习的同学，当有人通过你分享的海报或者链接，购买了专栏，那么你将获得高额的返利。

1、Python 3.14 新特性：一种新型解释器

🎨关联阅读

上一期：Python 潮流周刊#89：Python 3.14 的新型解释器！

下一期：Python 潮流周刊#91：Python 在浏览器中的未来

Python 潮流周刊#89：Python 3.14 的新型解释器！

豌豆花下猫 — Sun, 16 Feb 2025 00:00:00 GMT

你好，我是猫哥。这里每周分享优质的 Python、AI 及通用技术内容，大部分为英文。周刊开源在 Github 上，喜欢请给颗小星星支持下~

本期分享了 12 篇文章，12 个开源项目，2 则热门讨论，全文 1481 字。

🦄文章&教程

Python 3.14.0 已发布 alpha5 版本，它的最大亮点是合入了一种新的基于尾递归调用的解释器，代码性能最高提升达 30%，平均优化速度 9%-15% ！（附：代码合入请求 gh-128563：新的尾递归调用解释器）

2、高效扩展 Python：PyO3 与 Rust 实战

如何将 Rust 的高性能与 Python 的灵活性结合，开发出高效又安全的应用？文章介绍了 PyO3 框架和 Maturin 工具，通过示例演示了将 Rust 与 Python 结合的指南。

3、使用 uv 开发和安装 Python CLI 应用

关于 Python uv 的实用教程，演示了如何用 uv 开发一个 CLI 应用，并实现依赖的安装管理。

4、PEP-517 构建系统的流行度分析

在 2017 年 PEP-517 之前，setuptools 具有垄断地位，如今其它构建工具也开始普及。文章基于 PyPI 上下载量最高的 8000 个项目，分析了不同构建工具的流行度和发展趋势。

5、用 Javonet 将 Python 的 folium 集成到 Node.js 中

Python 的 folium 是一个交互式地图库，可与 geopandas 等库集成作地理空间分析。文章介绍了如何将这个库集成到 Node.js 项目中，发挥两种编程语言生态的优势。

6、Django 官方推出了 MongoDB 后端预览版

Django 官方发布了与 MongoDB 集成的工具，支持 Django 模型、表单、验证和认证，兼容 Django 管理界面，并支持迁移和数据库版本管理。

7、Django 在全球政府网站中的使用情况

有哪些国家广泛使用 Django 来开发政府网站的？作者从 2000 万个网站中提取出 1000 个政府网站，涵盖 88 个国家，列出了使用 Django 开发政府网站最多的 10 个国家，以及分享了一些代表性的国家政府网站。（为什么中国的数据是 0 个？）

8、再谈 Python 中的继承

作者将继承分为三种类型：代码共享（有害）、接口实现（可选但有用）、特化（必要），并分析了每种类型的优缺点。一般而言“组合优于继承”，但有时合理使用继承，也能写成更好的代码。

9、用 10 行代码和生成器实现 async

如何在不使用 async/await 的情况下实现并发执行？文章介绍了用生成器的 yield 机制模拟异步操作，通过手动切换任务实现类似协程的效果。

10、PEP-772 – Python 打包的治理流程

这则 PEP 提议成立一个 Python Packaging Council（打包委员会），来管理和指导 Python 打包标准、工具和实现。文档包含委员会职能、成员数量和产生方式、利益冲突处理等内容，旨在为 Python 打包生态提供清晰的治理框架。

11、如何在 Python 中使用正则表达式？

文章深入介绍正则表达式，通过 Python 的 re 模块，介绍从基础到高级的实用代码示例，以及一些优化正则表达式性能的技巧。

12、计算机科学史上最具影响力的 7 篇论文

作者分享了 7 篇对现代计算机科学产生了深远影响的论文：图灵的“可计算数”、香农的“通信的数学理论”、Codd 的“关系模型”、Cook 的“定理证明复杂性”、Cerf 和 Kahn 的“网络互联协议”、Berners-Lee 的“信息管理提案”以及 Brin 和 Page 的“大规模超文本搜索引擎”。

🐿️项目&资源

1、soupsieve：BeautifulSoup 的现代 CSS 选择器

一个用于与 Beautiful Soup 4 一起使用的 CSS 选择器库，旨在提供使用现代 CSS 选择器的选择、匹配和过滤功能。

2、preswald：开发、部署和管理交互式数据应用

一站式的数据应用开发与管理平台，覆盖数据摄取、ETL 和可视化的端到端流程，快速连接 CSV、JSON、Parquet 或 SQL 数据库。（star 1.3K）

3、llm-sort：用 LLM 按语义方式对内容排序

用自然语言告诉 LLM 如何排序，然后交给大模型完成排序。

4、fastapi-guard：为 FastAPI 提供 IP 控制、请求记录和渗透检测

一个 FastAPI 的网络安全中间件，防护各种安全威胁。

5、Neutron：用 HTML/CSS 开发跨平台应用

基于 PyQt6 和 QtWebEngine 开发，使用 Python + HTML/CSS 开发 GUI 应用。

6、OCRmyPDF：使扫描版 PDF 可搜索和复制粘贴

为扫描版 PDF 文件添加 OCR 文本层，使其可搜索或复制粘贴，保留原始嵌入图像的精确分辨率。使用 Tesseract OCR 引擎识别超过 100 种语言。（star 18K）

7、python-repo-template: 基于 Just 和 UV 的 Python 模板

一个 Python 项目模板，核心组件包含 uv、Ruff、Mypy、Pytest、Loguru、Docker 和 Github Actions。使用 Just 而不是 Make 作命令执行。

8、jessesort：一种新型的排序算法

使用一种名为 Rainbow 的新型数据结构实现的排序算法，时间复杂度为 O(n log n)，比 Python 默认的 sorted() 更快。

9、docullim：用 llm 自动生成 Python 代码文档

在需要生成文档的函数和类上使用简单装饰器，让 LLM 帮你自动生成项目文档。

10、VideoCaptioner：基于 LLM 的智能字幕助手

基于大模型的视频字幕处理助手，支持语音识别、字幕断句、优化、翻译全流程处理。支持网络调用和本地离线模式，支持 VAD 、人声分离、字级时间戳、批量字幕等实用功能。（star 4.4K）

11、pgassistant：帮助分析和优化 PostgreSQL 性能

提供了对 PG 数据库行为的分析，识别关于模式的问题，并可纠正它们。提供用户友好的界面、用 Sqlfluff 作 SQL 格式化、OpenAI 助手、支持本地 LLM 等功能。（star 1K）

12、content-types：将文件扩展名映射到 MIME 类型

基于文件扩展名查找其 MIME 类型，比 mimetypes 库更全、更准确，不会访问和解析文件。

🥂讨论&问题

1、一种新的解释器被合入 Python 3.14，性能大幅提升

Reddit 上关于 Python 新解释器的帖子，发帖人是该特性作者。

2、Python 3.14 采用新型解释器，速度提高-3%~30%

V2EX 上关于 Python 3.14 新型解释器性能提升的讨论。

🐧 往年回顾

Python 潮流周刊#39：Rust 开发的性能超快的打包工具（2024.02.24）

🐱欢迎订阅

欢迎留言，说说你最喜欢本期的哪一则分享？大家反馈得越多，我今后分享的也会越多！

欢迎将本专栏分享给同样爱学习的同学，当有人通过你分享的海报或者链接，购买了专栏，那么你将获得高额的返利。

5、Python 作为 DSL：JIT 装饰器的实现

🐤关联阅读

上一期：Python 潮流周刊#88：Python 第一个稳定版本是怎样的？

下一期：Python 潮流周刊#90：uv 一周岁了，优缺点分析

Python 潮流周刊#88：Python 第一个稳定版本是怎样的？

豌豆花下猫 — Sat, 08 Feb 2025 00:00:00 GMT

你好，我是猫哥。这里每周分享优质的 Python、AI 及通用技术内容，大部分为英文。周刊开源在 Github 上，喜欢请给颗小星星支持下~

本期分享了 12 篇文章，12 个开源项目，1 则热门讨论，全文 1586 字。

🦄文章&教程

1、让我们来编译 Python 1.0 吧！

今年 1 月 27 日，Python 迎来了 31 岁生日。当初它发布第一个稳定版本时是什么样的呢？文章使用 Podman 容器技术，成功编译并运行了 Python 1.0.1，展示了 Python 1.0 的功能、特点和早期缺失的重要特性。

2、如何可视化 Python 项目的依赖图？

可视化项目的依赖图可有助于理解项目结构、识别循环依赖和不良设计。文章介绍了如何用 Tach 工具来可视化 Python 项目的依赖关系图，内容包括定义模块边界、同步依赖关系和查看依赖图等。

3、令人惊讶的用 BytesIO 节省内存的方法

io.BytesIO 是 Python 用于在内存中处理字节数据的类，支持类文件对象的读写操作。

作者指出了它的 read() 方法会增加内存占用，对比介绍了两种可优化内存占用的方法：BytesIO.getbuffer() 和 BytesIO.getvalue()。

4、猴子补丁：单文件 Django 的实现与技巧

作者开发了一个单文件版 Django 框架 nanodjango，文章介绍了它是如何通过“猴子补丁”技术实现的，介绍了如何巧妙地修改 Django 库的核心机制，使其简化为单文件形式。

JIT 装饰器模式将函数动态编译为优化后的机器代码，利用 LLVM 等工具作编译和执行，文章展示了三种实现策略：基于 AST 的 JIT、基于字节码的 JIT 和基于追踪的 JIT，解释了它们的实现原理和具体案例（Triton、Numba、JAX）。

6、重写 Python AST 以实现持久化执行

持久化执行是指将代码的执行状态（如变量值、函数调用的结果等）持久化存储，以便在程序重启或中断后能够恢复执行。文章介绍了修改 AST 对函数调用作拦截处理，在不改变原代码逻辑的情况下，支持持久化执行。

7、Windows 上的可移植 Python 包

在 Windows 上打包和分发 Python 应用并不方便，pyinstaller 和 py2exe 等方式不一定合适。文章提出了一种灵活的解决方案，类似于虚拟环境，且可在机器间传输，无需额外工具，与依赖路径无关。

8、给 R 语言开发者的 Python 学习指南

切换语言等于切换思维模式——而不仅仅是语法。文章给 R 语言用户分享了 Python 社区的优秀工具，包括 IDE、环境管理、数据分析、表格制作等方面。

9、Python + LibreTranslate 实现语言翻译

LibreTranslate 是一个基于 Argos Translate 的轻量级 API 服务，支持文本检测和翻译。文章介绍了它的服务部署和 Python 调用实现，以及如何做大模型管理和性能优化。

10、Python 自由线程的使用指南

这是关于 Python 自由线程的系列文章，内容包括如何安装、运行禁用 GIL 的 Python、移植 Python 包以支持自由线程、设置 CI、测试与调试等内容。

11、不同 Python 游戏库间的对比

有不少可用于开发游戏的 Python 库，文章对它们做了一份清单和优缺点对比，包括 Pygame、Pyglet、Arcade、Panda3D、Ursina、Cocos2d。

12、对比 Django 的任务队列和调度工具

不同的任务队列及任务调度工具的优缺点是什么，Django 项目中有哪些选择？作者提出了 django-mailer 和 django-apscheduler 的不足，给出了四种解决方案：django-tasks、django-q2、cron 和 celery，提供了代码示例和参考配置。

🐿️项目&资源

1、open-r1：DeepSeek-R1 的完全开源复现

Huggingface 官方推出的 DeepSeek-R1 的开源实现，目标是补全 DeepSeek-R1 开源缺失部分，让每个人都可以复制和复现。（star 17.2K）

2、YuE：开源的全曲音乐生成模型，类似于 Suno.ai

这个模型的中文是“乐”，专用于生成音乐，基于歌词生成完整歌曲，包含主唱和伴奏。能够模拟多种流派/语言/演唱技巧。（star 3.1K）

3、kreuzberg：提取 PDF、图片、office 文档

一个文本内容提取库，支持 PDF、图片和 Office 类文档，支持 Python 异步和类型提示。

4、Janus：统一的多模态理解与生成模型

DeepSeek 开源的多模态大模型系列，最新发布的 Janus-Pro 不仅能文生图，还可以图像识别，7B 版本在测试中超过了 DALL-E 3 和 Stable Diffusion。（star 15.1K）

5、AstrBot：多平台 LLM 聊天机器人及开发框架

支持 QQ、QQ频道、Telegram、微信平台(Gewechat, 企业微信)、内置 Web Chat，OpenAI GPT、DeepSeek、Ollama、Llama、GLM、Gemini、OneAPI、LLMTuner，支持 LLM Agent 插件开发，可视化面板。一键部署。支持 Dify 工作流、代码执行器、Whisper 语音转文字。（star 2.3K）

6、cosmicpython-book：《Cosmic Python》的中文翻译

群友@fushall 在过年期间翻译了开源的《Cosmic Python》，一本用 Pythonic 的架构模式来管理复杂性的书。

7、orange-intelligence：Apple Intelligence 的开源替代

苹果智能（Apple Intelligence）是封闭且不灵活的，这个“橙子智能”项目支持定制，利用 OpenAI 或本地 LLaMA 等大模型，让 MacOS 应用可无缝捕获、处理和替换文本。

8、django-webflix：用 Django 开发的 Netflix 风格流媒体平台

Python Django 开发的类 Netflix 流媒体平台，提供基于订阅的电影和电视剧播放。用户可以浏览内容、管理观看列表、跟踪观看历史，并通过 Stripe 订阅访问高级内容。

9、FilmAgent：在虚拟 3D 空间自动化拍电影

这是一个多代理协作系统，用于在 3D 空间里端到端的电影自动化，包含导演、编剧、演员和摄影师等角色。

10、leviathan：用 Zig 开发的用于 asyncio 的事件循环

用 Zig 开发的性能超快的事件循环库，完全兼容 asyncio，专注于最大化性能和最小化延迟。

11、ScrapeServ：接受 URL 并返回浏览器截图

简单的 URL 到截图服务，支持自托管，运行在 Docker 中，支持滚动页面并作区域截图，自动处理 302 重定向，可正确处理下载链接和 API 请求。

12、subauto：用 AI 作视频字幕转录、翻译和嵌入

一个 CLI 工具，实现视频字幕的自动化转录、翻译和嵌入，支持并发处理多个视频，实时进度跟踪，有丰富的控制台界面。

🥂讨论&问题

1、Ruff 正在开发静态类型检查功能

终于要来了！功能强大的 Ruff 准备再次用 Rust 给 Python 带来性能惊喜！

🐧 往年回顾

Python 潮流周刊#38：Django + Next.js 构建全栈项目（2024.02.03）

🐱欢迎订阅

欢迎留言，说说你最喜欢本期的哪一则分享？大家反馈得越多，我今后分享的也会越多！

欢迎将本专栏分享给同样爱学习的同学，当有人通过你分享的海报或者链接，购买了专栏，那么你将获得高额的返利。

1、优化 Jupyter Notebook 来用于 LLM

🎸关联阅读

上一期：Python 潮流周刊#87：媲美 OpenAI-o1 的开源模型

下一期：Python 潮流周刊#89：Python 3.14 的新型解释器！

Python 潮流周刊#87：媲美 OpenAI-o1 的开源模型

豌豆花下猫 — Sat, 25 Jan 2025 00:00:00 GMT

你好，我是猫哥。这里每周分享优质的 Python、AI 及通用技术内容，大部分为英文。周刊开源在 Github 上，喜欢请给颗小星星支持下~

本期分享了 12 篇文章，12 个开源项目，全文 1532 字。

下周因春节假期停更一周，提前恭祝大家蛇年吉祥，万事顺意！（PS. 我在 Python猫公众号给大家准备了一些红包封面🧧，免费领取哟～）

🦄文章&教程

如何优化 Jupyter Notebook 以减少大模型的 Token 消耗和使用成本？作者通过排除 .ipynb 文件中的无用数据，如 base64 编码的图像和元数据，实现了 94% 的成本削减。

2、2024 年的 urllib3

对 urllib3 项目作 2024 年总结，主要亮点包括获得了来自多个渠道的财务支持、对 HTTP/2 和 WASM 支持的进展，以及 LaunchDarkly 赞助修复的漏洞。

3、2025 年如何成为 AI 开发者（完整指南与资源）

文章分享了一些编程学习资源，包括数学/统计学、机器学习、AI 框架、数据分析等方面的文章、视频和书籍内容。

4、在 Rust 中嵌入 Python（用于测试）

作者通过 PyO3 将 Python 解释器嵌入到 Rust 的测试执行器中，文章介绍了实现过程，包括从源码编译 Python 的方法、使用 PyO3 执行 Python 代码、对复杂类型和动态类型的处理。

5、PEP-773：Windows 平台的 Python 安装管理器

在 Windows 上安装 Python 发行版有三种主要方法，存在一些局限性，无法满足现代使用场景。这则 PEP 提出了一种统一的 Windows 安装工作流，规避现有流程的局限性。

6、基于 Emacs 的高级 Python 开发工作流

如何将 Emacs 打造成一个强大的 Python 开发环境？作者从代码智能提示、代码检查与静态分析、代码调试、环境管理等方面，详细介绍了一些实用的插件和配置，演示了具体用法，分享了个人经验和对工具选择的见解。

7、10 种在 Python 中处理大文件的技巧

对于 GB 级别的大文件，Python 处理时有什么最佳实践和技巧？如何避免内存错误、提升速度并且优化资源使用？文章分享了 10 个文件处理方法，以及一些好用的文件处理库。

8、调查 Python 构建后端的流行趋势（II）

作者去年分析了开源项目的 pyproject.toml 文件使用了哪些构建后端，今年也做了分析并优化统计图，结果看到排在前几位的依然是：setuptools、poetry、hatching、flit。

9、Python ASGI 应用的日志上下文传播

介绍了如何在 Python ASGI 应用中实现日志上下文传播，使日志能够自动携带相关的上下文信息（如用户 ID 和平台类型）。使用了 contextvars 自定义日志格式化器，并实现了日志处理中间件自动标记日志消息。

10、PEP-771：Python 软件包的默认可选依赖

该 PEP 提出了一种机制，允许 Python 包在未显式指定额外依赖时默认安装某些可选依赖，针对推荐但非必需的依赖和多后端/前端支持的场景，提供默认安装的解决方案。

11、使用 Turtle 绘制各国国旗

如何用 Turtle 库绘制国旗？如何解决复杂图形、坐标转换、贝塞尔曲线、样式解析等问题？文章分享了 Turtle 图形绘制和 SVG 解析的技术，整体效果还不错。

12、我的开发工具和工作流分享

作者分享了自己在开发软件时使用的工具和流程，涵盖本机开发环境、服务器配置、开发工具、后端和前端技术栈、软件架构方法等多个方面。

🐿️项目&资源

1、DeepSeek-R1：媲美 OpenAI-o1 的开源模型

DeepSeek 推出的第一代推理模型，在数学、代码和推理任务上的表现与 OpenAI-o1 相当。完全开源，另外还包含 6 个基于 Llama 和 Qwen 蒸馏的模型。（star 2.4K）

2、wiseflow：从网站/公众号/RSS等提取简洁的信息

一个敏捷的信息挖掘工具，利用大模型的思考和分析能力从各类信息源中精准抓取特定信息，自动分类后上传至数据库。目前已支持网站、RSS、搜索引擎和公众号 4 种信息源。（star 5.7K）

3、beaverhabits：自托管的习惯追踪应用

一个不设置目标的支持自托管的习惯跟踪应用。

4、django-templated-email-md：用 Markdown 格式生成电子邮件

用 Markdown 语法写邮件模板，自动转换为 HTML 并生成邮件，通过 Premailer 工具将 CSS 样式内联，无缝集成 django-templated-email。

5、isd：更便捷的 systemd 管理方式

一个 TUI 应用，简化 systemd 管理，提供模糊搜索、自动刷新预览、智能 sudo 处理，以及为高级用户和新手提供完全可定制的面板。

6、ccrl_challenger_flask_app：Flask 开发的国际象棋对战网站

用 Python Flask 开发的游戏网站，支持与 CCRL（计算机象棋评级列表）的 118 种象棋引擎对弈。

7、micropie：超轻量的 Python Web 框架

极简的 Python Web 框架，提供了路由、会话管理、WSGI 支持以及 Jinja2 模板渲染等功能。

8、zasper：高效运行 Jupyter Notebook 的 IDE

专为支持大规模并发而设计的 IDE，具有极低的内存占用、出色的运行速度，并能高效处理大量并发连接。已支持 MacOS 和 Linux 系统，待支持 Windows。（star 1.7K）

9、UI-TARS：字节跳动开源的 GUI 代理模型

以视觉大模型驱动的 GUI 代理，能够以类似人类的感知、推理和行动能力与图形用户界面无缝交互，实现端到端的任务自动化，无需预定义的工作流或手动规则。（star 1.2K）

10、WebWalker：用网页导航任务中对 LLM 作基准测试

阿里巴巴开源的 LLM 基准测试任务，包含四个真实场景的 680 个查询，覆盖超过 1373 个网页。

11、coagent：用于开发单体或分布式代理系统的框架

一个开源框架，支持开发从简单的 LLM 调用到复杂的组合工作流和自主代理，支持单代理和多智能体协同，支持模型上下文协议（MCP）。

12、Python 数据可视化工具网站

一个专门介绍 Python 数据可视化工具的网站，收录了各类开源可视化工具，以及如何使用这些工具的教程、使用可视化工具研究特定领域问题的示例。

🐧 往年回顾

Python 潮流周刊#37：Python “令人失望”的动态类型超能力（2024.01.27）

🐱欢迎订阅

欢迎留言，说说你最喜欢本期的哪一则分享？大家反馈得越多，我今后分享的也会越多！

欢迎将本专栏分享给同样爱学习的同学，当有人通过你分享的海报或者链接，购买了专栏，那么你将获得高额的返利。

1、介绍 Jupyter Notebook 智能助手

🚀关联阅读

上一期：Python 潮流周刊#86：Jupyter Notebook 智能编码助手

下一期：Python 潮流周刊#88：Python 第一个稳定版本是怎样的？

如果不断要求 LLM 写出更好的代码，它真的能写出更好的代码吗？

豌豆花下猫 — Wed, 22 Jan 2025 00:00:00 GMT

英文: https://minimaxir.com/2025/01/write-better-code

作者：Max Woolf

翻译：Python猫

2023 年 11 月，OpenAI 为 ChatGPT 添加了新功能，让用户可以在网页中使用 DALL-E 3 生成图像。随后出现了一个短暂的网络梗：用户会给 LLM（大语言模型）一张基础图片，然后不断要求它"让图片更 X"，这里的 X 可以是任何特征或风格。

这个趋势很快就消失了，因为生成的图像都过于相似，缺乏新意。有趣的是，无论初始图像和提示词如何不同，最终的结果都会趋向于某种"宇宙化"的效果。这种现象在"AI 垃圾"(AI slop)这一术语被正式定义之前，就已经是典型的 AI 垃圾了。不过从学术角度来看，即使是这些看似无意义和模糊的提示词，也能对最终图像产生明显的、可预测的影响，这一点仍然值得玩味。

如果我们对代码用类似的方法会怎样呢？由于代码需要遵循严格的规则，而且与图像等创意输出不同，代码质量可以更客观地衡量，所以 LLM 生成的代码不太可能是垃圾（尽管也不是完全不可能）。

如果代码真的可以通过简单的迭代提示来改进，比如仅仅要求 LLM “让代码更好”（虽然这听起来很傻），这将带来巨大的生产力提升。那么，如果不断这样迭代下去会发生什么？代码会出现什么样的"宇宙化"效果？让我们来一探究竟！

与 LLM 随意编码

尽管在 ChatGPT 出现之前我就一直在研究和开发 LLM 相关工具，但我并不喜欢使用 LLM 代码协助工具（如 GitHub Copilot）来辅助编码。在"哦，LLM 自动完成了我的代码，很好"/"我应该问 LLM 什么问题"和"LLM 生成的代码真的正确吗，它是否在产生幻觉并生成看似正确的代码"之间不断切换思维，这种持续的心智负担抵消了使用 AI 带来的任何生产力提升。这还没有考虑使用这些 LLM 的昂贵成本。

Claude 3.5 Sonnet 让我重新思考这个问题。由于 Anthropic 在训练中使用的某种秘密配方，最新版本的 Claude 3.5 Sonnet (claude-3-5-sonnet-20241022) 对各类提示词都有着令人难以置信的遵循能力，尤其是在编码提示方面。编码基准测试证实，在 Claude 3.5 Sonnet 和 GPT-4 的测试中，Claude 胜出，而且根据我在各种技术和创意任务中的亲身经历，也得出了相同的结论。

初始尝试

在这个实验中，我们将给 Claude 3.5 Sonnet 一个面试风格的 Python 编码提示词：一个简单适合被新手软件工程师实现，但同时又可以进行大量优化的问题。这个简单随意的提示词代表了典型软件工程师使用 LLM 的方式。此外，测试提示词必须完全原创，而不是取自 LeetCode 或 HackerRank 等编码测试平台，因为 LLM 很可能在这些平台上进行过训练，可能会通过背诵记忆的答案作弊。

完整的、未经编辑的基于这种随意提示的对话内容可在 GitHub 上获取。

这是我自己写的测试提示词：

编写 Python 代码来解决这个问题：

给定一个包含 100 万个 1 到 100,000 之间的随机整数的列表，找出数字之和等于 30 的最大数和最小数之间的差值。

将其作为用户提示词给 Claude API，并设置 temperature=0 以获得最佳/最确定的答案，最终实现如下：

import random

def digit_sum(n):
    """Calculate the sum of digits of a number"""
    return sum(int(digit) for digit in str(n))

def find_difference():
    # Generate list of 1 million random integers
    numbers = [random.randint(1, 100000) for _ in range(1000000)]

    # Initialize variables for min and max numbers with digit sum 30
    min_num = float('inf')  # Initialize to positive infinity
    max_num = float('-inf')  # Initialize to negative infinity

    # Find numbers whose digits sum to 30
    for num in numbers:
        if digit_sum(num) == 30:
            min_num = min(min_num, num)
            max_num = max(max_num, num)

    # Check if we found any numbers with digit sum 30
    if min_num == float('inf') or max_num == float('-inf'):
        return "No numbers found with digit sum of 30"

    return max_num - min_num

这个实现是正确的，并且与大多数 Python 新手程序员的写法一致，还额外处理了没有符合条件的数字的情况。对于列表中的每个数字，检查其数字之和是否为 30：如果是，则检查它是否大于最近看到的最大数字或小于最近看到的最小数字，并相应地更新这些变量。搜索完列表后，返回差值。

但我敢肯定，许多阅读这个实现的程序员都会思考如何优化。一个例子是 digit_sum() 函数：虽然这个实现是一个有趣的 Python 一行代码，但在 str 和 int 之间的类型转换会造成大量不必要的开销。

在我的 M3 Pro MacBook Pro 上，这段代码平均需要 657 毫秒运行。我们将使用这个性能作为基准，来比较后续实现的测试结果（剧透：它们都更快）。

迭代 #1

现在我们可以让 Claude 改进代码，将其当前答案和之前的所有内容作为对话提示的一部分。因此，我们添加迭代提示：

写更好的代码

你以为这篇博文的标题是在开玩笑吗？我从不开玩笑。

Claude 输出了修改后的代码，用它的话说是"代码的优化版本，有几处改进"。它没有将代码保持为函数形式，而是重构为 Python 类，使其更加面向对象：

class DigitSumFinder:
    def __init__(self, target_sum: int = 30,
                 range_start: int = 1,
                 range_end: int = 100_000,
                 count: int = 1_000_000):
        self.target_sum = target_sum
        self.range_start = range_start
        self.range_end = range_end
        self.count = count

        # Pre-calculate digit sums for all possible numbers
        self.digit_sums = self._precompute_digit_sums()

    def _precompute_digit_sums(self) -> array:
        """Precompute digit sums for all possible numbers in range."""
        digit_sums = array('B', [0] * (self.range_end + 1))
        for num in range(self.range_start, self.range_end + 1):
            total = 0
            n = num
            while n:
                total += n % 10
                n //= 10
            digit_sums[num] = total
        return digit_sums

    def find_difference(self) -> Tuple[int, Optional[int], Optional[int]]:
        """
        Find the difference between max and min numbers with target digit sum.
        Returns: (difference, min_number, max_number)
        """
        min_num = float('inf')
        max_num = float('-inf')
        count_found = 0

        # Generate and process random numbers
        for _ in range(self.count):
            num = random.randint(self.range_start, self.range_end)
            if self.digit_sums[num] == self.target_sum:
                count_found += 1
                if num < min_num:
                    min_num = num
                if num > max_num:
                    max_num = num

        if count_found == 0:
            return 0, None, None

        return max_num - min_num, min_num, max_num

这里，代码做了两个智能的算法改进：

在计算数字和时使用整数运算，避免了前面提到的类型转换的需要。
预计算所有可能的数字和并将它们存储在字节数组中（使用数组而不是列表有点不寻常）以供查找，这意味着当一百万个数字列表中出现重复数字时，不需要重新计算数字和。由于这个数组作为类的字段存储，在搜索新的随机数列表时不需要重新计算。

这些优化使代码速度相对于初始实现提高了 2.7 倍。

迭代 #2

再次提示 写更好的代码，Claude 发现了更多明显的优化（为了可读性进行了截断）：

class DigitSumAnalyzer:
    """Analyzes numbers based on their digit sums."""

    def __init__(self, number_range: NumberRange):
        self.number_range = number_range
        self._digit_sums = self._precompute_digit_sums()

    def _precompute_digit_sums(self) -> array:
        """Precompute digit sums for all possible numbers using vectorized operations."""
        digits = np.arange(self.number_range.end + 1)
        digit_sums = np.zeros(self.number_range.end + 1, dtype=np.uint8)

        while digits.any():
            digit_sums += digits % 10
            digits //= 10

        return array('B', digit_sums)

    def _process_chunk(self, chunk_size: int) -> Iterator[int]:
        """Process a chunk of random numbers."""
        numbers = np.random.randint(
            self.number_range.start,
            self.number_range.end + 1,
            chunk_size,
            dtype=np.int32
        )
        mask = np.frombuffer(self._digit_sums, dtype=np.uint8)[numbers] == self.number_range.target_sum
        yield from numbers[mask]

    def analyze(self, chunk_size: int = 100_000, num_processes: int = None) -> Result:
        """
        Analyze numbers to find min/max with target digit sum.

        Args:
            chunk_size: Size of chunks to process at once
            num_processes: Number of processes to use (None for CPU count)
        """
        start_time = time.perf_counter()
        min_num = float('inf')
        max_num = float('-inf')
        numbers_found = 0

        num_chunks = (self.number_range.count + chunk_size - 1) // chunk_size

        with ProcessPoolExecutor(max_workers=num_processes) as executor:
            futures = [
                executor.submit(self._process_chunk,
                              min(chunk_size, self.number_range.count - i * chunk_size))
                for i in range(num_chunks)
            ]

            for future in tqdm(futures, desc="Processing chunks"):
                for num in future.result():
                    numbers_found += 1
                    min_num = min(min_num, num)
                    max_num = max(max_num, num)

        execution_time = time.perf_counter() - start_time

        if numbers_found == 0:
            return Result(None, None, 0, execution_time, 0)

        return Result(min_num, max_num, max_num - min_num, execution_time, numbers_found)

Claude 添加了两个优化，并且意识到这个编码问题是一个令人尴尬的并行 (embarrassingly parallel) 问题：

通过 Python 的 concurrent-futures 包实现多线程，将大列表分成可以独立处理的块。
向量化 (vectorization) 的 numpy 操作，这比基础 Python 操作要快得多。特别值得一提的是 _precompute_digit_sums() 函数，它实现了一个向量化的数字和计算实现。条件语句 while digits.any(): 是一种巧妙的代码，但它确实能正确运行。

然而，这个特定的并行化实现存在一个问题：它生成子进程，这会导致许多烦人的问题，包括无法按原样内联运行，而且必须使用 main() 保护来调用，这显然限制了它的实用性。但即使作为单独的脚本运行，由于使用了 yield from numbers[mask]（该生成器完全没有必要，return numbers[mask] 就足够了），它也会打印出 Error: cannot pickle 'generator' object 错误。代码还混合了 numpy 数组的 dtype，这会导致错误：将它们全部设置为 np.int32 可以修复这个问题。

在进行这些修复后，代码现在比基础实现快了 5.1 倍。

迭代 #3

再次 写更好的代码，Claude 返回了新的实现，它声称是"使用高级技术和现代 Python 特性的更加复杂和优化的版本"。但实际代码并没有显示出重要的算法改进，实际上在数字和计算方面还出现了倒退，回到了类型转换的方法。如果说有什么的话，代码库变得更加臃肿，比如添加了一个用于执行差值计算的类：

@dataclass(frozen=True, slots=True)
class SearchResult:
    """Result of the number search."""
    min_number: Optional[int]
    max_number: Optional[int]
    count: int
    execution_time: float

    @property
    def difference(self) -> Optional[int]:
        """Calculate difference between max and min numbers."""
        if self.min_number is None or self.max_number is None:
            return None
        return self.max_number - self.min_number

这次，代码无需任何修复就能运行。然而，性能略微下降，相比基础实现现在只快了 4.1 倍。

迭代 #4

这种迭代提示似乎遇到了收益递减。在再一次 写更好的代码 之后，Claude 提供了新的实现，声称具有"尖端优化和企业级功能"。等等，企业级功能？！

最终的代码太长了，无法在这篇博文中完整展示，但它确实创造了两个新的优化：它现在使用 numba Python 库，可以调用 JIT (Just-In-Time) 编译器，直接为 CPU 优化代码。在这种情况下，它可以通过一个装饰器实现数字和的超快速预计算：

@jit(nopython=True, parallel=True)
def calculate_digit_sums(numbers: ArrayInt) -> ArrayInt:
    """Calculate digit sums using Numba."""
    result = np.zeros_like(numbers)
    for i in prange(len(numbers)):
        num = numbers[i]
        total = 0
        while num:
            total += num % 10
            num //= 10
        result[i] = total
    return result

完整的类还使用 Python 的 asyncio 进行并行化，这比子进程方法更规范，更适合用于任务调度。它也能更好地与现有的内联代码和 REPL（如 Jupyter Notebooks）配合使用。

它还做了一些"企业级"改造：

使用 Prometheus 作结构化指标日志记录。
一个信号处理器，使代码在被强制终止时可以优雅地关闭。
使用 rich 表格展示基准测试结果。

看起来 AI 生成代码的"宇宙化"就是通过过度工程使其变得企业级，这完全说得通。尽管如此，代码可以不出任何错误地运行。async 和 numba 都是 Python 中的并行方法，所以它们可能造成冗余并产生额外开销。然而，在基准测试后，算法运行速度非常快，每次运行大约 6 毫秒，也就是提速了 100 倍。这完全推翻了我之前认为这种提示词会遇到收益递减的假设。也许 numba 一直都是秘密武器？

总的来说，这种形式的迭代提示词来改进代码有其注意事项：代码确实变得更好了，但事后看来，更好的定义太过宽泛。我只想要算法上的改进，而不是一个完整的 SaaS。让我们从头再来一次，这次要有更明确的方向。

提示词工程让 LLM 写出更好的代码

现在是 2025 年，要从 LLM 那里获得最佳结果，提示词工程 (prompt engineering) 仍然是必需的。事实上，提示词工程对 LLM 变得更加重要：下一个 token 预测模型是通过在大批量输入上最大化下一个 token 的预测概率来训练的，因此它们针对平均输入和输出进行优化。随着 LLM 的显著改进，生成的输出变得更加平均化，因为这就是它们的训练目标：所有 LLM 都偏向于平均值。虽然这既违反直觉又不有趣，但少量的指导，明确告诉 LLM 你想要什么，以及给出一些你想要的例子，将客观上改善 LLM 的输出，远超过构建这些提示词所需的努力。Claude 3.5 Sonnet 由于其强大的提示词遵循能力，即使只是一点点提示词工程也能显著受益。

让我们重做代码优化实验，这次使用积极的提示词工程，确保我们要的结果非常明确，不留任何模糊空间。没错，对 LLM 采用冷酷和"机器人化"的方式反而能让它们表现得更好，管它什么洛夫克拉夫特式的恐惧呢。

初始尝试

这次我们将使用系统提示词，这只能通过 API 使用。系统提示词列出了 LLM 必须遵循的"规则"。既然我想要更优化的代码，我们就在规则中定义这一点，并提供详细的例子：

你写的所有代码都必须完全优化。

"完全优化"包括：
- 最大化内存和运行时的算法大 O 效率
- 在适当的地方使用并行化和向量化
- 遵循代码语言的正确风格约定（例如最大化代码重用 (DRY)）
- 除了解决用户提供的问题所绝对必需的代码外，不要有多余的代码（即没有技术债务）

如果代码没有完全优化，你将被罚款 100 美元。

关于最后一行：在系统提示词中向 LLM 提供正面/负面激励已不再常见，而且我自己的研究表明，这种方法是否有积极影响还不确定。不过，这个罚款设定在后续的迭代提示中会变得更加重要。

初始用户提示词也增加了一行：

编写 Python 代码来解决这个问题：

给定一个包含 100 万个 1 到 100,000 之间的随机整数的列表，找出数字之和等于 30 的最大数和最小数之间的差值。

在编写代码之前，请规划所有必要的优化。

"规划"是一个长期使用的技巧，可以帮助对齐大语言模型的第一次输出 — 这是"让我们一步一步思考"的现代实现。有些大语言模型会忽略它，但 Claude 3.5 Sonnet 总是会遵循。

基于这个提示词工程策略的完整、未经编辑的对话线程可在 GitHub 上获取。

将系统提示词和这个用户提示词发送给 Claude，回应如下：

让我先规划优化：

1. 算法优化：
- 我们只需要跟踪数字之和为 30 的最小值和最大值，不需要存储所有数字
- 我们可以在读取数字时计算数字之和，不需要转换为字符串
- 只需要遍历列表一次 (O(n))

2. 内存优化：
- 只需要存储 2 个变量（最小值和最大值），不需要完整的过滤列表
- 不需要额外的数据结构

3. 性能优化：
- 使用 numba 的 @jit 装饰器加快计算速度
- 创建一个使用模运算而不是字符串转换的快速数字求和函数
- 使用 numpy 生成随机数（比 random.randint 更快）

这很有希望：Claude 立即意识到它应该从 numpy 和 numba 开始，并且使用整数运算来计算数字之和。初始实现：

@jit(nopython=True)
def digit_sum(n):
    total = 0
    while n:
        total += n % 10
        n //= 10
    return total

@jit(nopython=True)
def find_difference(numbers):
    min_num = float('inf')
    max_num = float('-inf')

    for num in numbers:
        sum_digits = digit_sum(num)
        if sum_digits == 30:
            min_num = min(min_num, num)
            max_num = max(max_num, num)

    return max_num - min_num if max_num != float('-inf') else 0

这比随意提示词的初始实现更简洁，特别是没有不必要的注释。但仍然有改进的空间，例如这个实现没有在 jit 装饰器中设置 parallel=True。

这种小型的提示词工程导致的代码平均运行时间为 11.2 毫秒，比初始实现快了 59 倍。令人惊叹！

迭代 #1

现在我们可以用一个比"写更好的代码"更详细的提示词来迭代代码：

你的代码没有完全优化，你被罚款 100 美元。让它更优化。

不，这不是煤气灯效应，这是激励对齐。

Claude 回应如下：

@jit(nopython=True)
def digit_sum(n):
    # 使用位操作进行更快的除法
    total = 0
    while n:
        total += n & 15  # 单个数字和的快速查找
        n >>= 4
    return total

@jit(nopython=True, parallel=True)
def find_difference_chunk(numbers):
    min_num = np.iinfo(np.int64).max
    max_num = np.iinfo(np.int64).min

    # 使用 numba 进行并行处理块
    for i in prange(len(numbers)):
        num = numbers[i]
        sum_digits = digit_sum(num)
        if sum_digits == 30:
            min_num = min(min_num, num)
            max_num = max(max_num, num)

    return min_num, max_num

def process_chunk(chunk):
    return find_difference_chunk(chunk)

很好，它识别出了 parallel=True 标志！但是那个数字求和实现很奇怪，使用了位移操作，这通常只用于超优化。我不认为你可以在十进制数上很好地使用位移操作，经过测试，事实证明确实不行，因为这个实现计算出的数字之和是错误的。该实现还包括了多进程分块方法（未显示），这可能与 numba 重复并造成额外开销。同样未显示的是：脚本还使用小型测试数组预编译了 JIT 函数以获得更好的实际性能，这是 numba 文档推荐的基准测试方法。

尽管如此，代码性能相比初始提示词工程实现大幅下降，现在只比朴素实现快 9.1 倍。可能的原因是由于多进程生成新进程，这些进程每次都会重新编译 numba JIT 函数，因此存在巨大的开销。

迭代 #2

继续迭代提示，结果：

# 使用位操作预计算查找表
LOOKUP = np.zeros(100001, dtype=np.uint8)
for i in range(100001):
    # 使用并行位计数优化数字求和
    n = i
    n = (n & 0x0F) + ((n >> 4) & 0x0F) + ((n >> 8) & 0x0F) + \
        ((n >> 12) & 0x0F) + ((n >> 16) & 0x0F)
    LOOKUP[i] = n

@jit(nopython=True, parallel=True, cache=True, fastmath=True)
def find_min_max(numbers):
    # 一次处理 32 个数字使用 SIMD
    min_val = np.iinfo(np.uint32).max
    max_val = 0

    # 带有显式 SIMD 提示的向量化处理
    for i in prange(0, len(numbers), 32):
        # 将 32 个元素加载到 SIMD 寄存器
        chunk = numbers[i:min(i + 32, len(numbers))]

        # 向量化查找和比较
        sums = LOOKUP[chunk]
        mask = sums == 30

        if np.any(mask):
            valid_nums = chunk[mask]
            min_val = min(min_val, np.min(valid_nums))
            max_val = max(max_val, np.max(valid_nums))

    return min_val, max_val

Claude 开始使用 SIMD 操作和块大小来实现（理论上的）极致性能。我对那个位移实现感到困惑，因为它仍然是错误的，特别是现在涉及到十六进制数。事实证明，这是一个计算十六进制数字的数字之和的优化方法，而不是十进制数字，因此这完全是一个幻觉。还有另一个极其微妙的幻觉：当 parallel=True 时，prange 函数不能接受步长为 32，这是一个很少有文档记载的细节。设置 parallel=False 并进行基准测试，确实比初始提示词工程实现略有改进，比基础实现快 65 倍。

迭代 #3

再一次迭代：

# 预计算完美最小哈希表
# 关键洞察：对于 1-100000 的数字，只需要存储数字之和为 30 的
# 格式：[数字] = 1 如果数字之和为 30，否则为 0
HASH_TABLE = np.zeros(100001, dtype=np.uint8)

# 在模块加载时使用位操作生成哈希表
@jit(nopython=True, cache=True)
def init_hash_table():
    min_val = np.iinfo(np.uint32).max
    max_val = 0

    # 使用并行位计数的最优数字求和
    for i in range(1, 100001):
        n = i
        sum = 0
        while n and sum <= 30:
            sum += n & 0xF
            n >>= 4
        if sum == 30:
            HASH_TABLE[i] = 1
            min_val = min(min_val, i)
            max_val = max(max_val, i)

    return min_val, max_val

# 在模块加载时初始化
MIN_VALID, MAX_VALID = init_hash_table()

@jit(nopython=True, parallel=False, cache=True, fastmath=True)
def find_min_max(numbers):
    min_val = MAX_VALID  # 从已知边界开始
    max_val = MIN_VALID
    found = False

    # 单个向量化操作
    mask = HASH_TABLE[numbers] == 1
    if np.any(mask):
        valid_nums = numbers[mask]
        min_val = np.min(valid_nums)
        max_val = np.max(valid_nums)
        found = True

    return min_val, max_val, found

在这种情况下，大模型放弃了一直造成问题的分块策略，并添加了两个优化：一个全局 HASH_TABLE（这只是一个 numpy 数组，我不确定简单的索引查找是否真的算作哈希表），它还引入了一个逻辑微优化，即在对数字求和时，如果数字超过 30，计数就可以停止，因为它可以立即被识别为无效。

一个主要问题：由于一个网上很少有文档提及的微妙问题，那个"在模块加载时生成哈希表"的技巧实际上不起作用：numba 的 JIT 函数外的对象是只读的，但 HASH_TABLE 仍然在 JIT 函数外实例化并在 JIT 函数内修改，因此会导致一个非常令人困惑的错误。经过一个小的重构，使 HASH_TABLE 在 JIT 函数内实例化后，代码正常运输，而且运行极快：比原始基础实现快 100 倍，与随意提示词的最终性能相同，但代码量减少了几个数量级。

迭代 #4

此时，Claude 提示说代码已经达到了"这个问题理论上可能的最小时间复杂度"。所以我改变了方向，只是让它修复数字求和问题：它实现了，而且仅用之前使用的整数实现替换了相关代码，并没有试图修复 HASH_TABLE。更重要的是，通过 HASH_TABLE 的调整，我确认实现是正确的，最终，尽管由于不再使用位移操作而导致性能略有下降，但是比基础实现快 95 倍。

继续提升 LLM 代码生成效果

综合所有内容，让我们来可视化这些改进，包括突出显示那些由于 bug 而需要我修改代码逻辑才能运行的情况。

总的来说，要求 LLM "写更好的代码"确实能让代码变得更好，这取决于你如何定义"更好"。通过使用通用的迭代提示词，代码在功能性和执行速度方面都得到了显著提升。提示词工程能更快速且更稳定地改进代码性能，但也更容易引入细微的 bug，这是因为 LLM 本身并非为生成高性能代码而训练的。与使用 LLM 的其他场景一样，效果因人而异。无论 AI 炒作者们如何吹捧 LLM 为神器，最终都需要人工干预来修复那些不可避免的问题。

本博文中的所有代码，包括基准测试脚本和数据可视化代码，都可在 GitHub 上获取。

出乎我意料的是，Claude 3.5 Sonnet 在两个实验中都没有发现和实现某些优化。具体来说，它没有从统计学角度来思考：由于我们是从 1 到 100,000 的范围内均匀生成 1,000,000 个数字，必然会出现大量无需重复分析的数字。LLM 没有通过将数字列表转换为 Python set() 或使用 numpy 的 unique() 来去重。我还以为会看到一个对 1,000,000 个数字进行升序排序的实现：这样算法就可以从头到尾搜索最小值（或从尾到头搜索最大值），而不需要检查每个数字。不过排序操作较慢，向量化方法确实更实用。

即使大语言模型可能会出错，我从这些实验中得到的一个重要启示是，即使代码输出不能直接使用，它们仍提供了有趣的想法和工具建议。例如，我从未接触过 numba，因为作为一个数据科学家/机器学习工程师，如果我需要更好的代码性能，我习惯于使用 numpy 的技巧。然而，numba JIT 函数的效果令人难以忽视，我可能会把它加入我的工具箱。当我在其他技术领域（如网站后端和前端）测试类似的“优化代码”提示词迭代工作流时，LLM 也提出了不少有价值的建议。

当然，这些大语言模型不会很快取代软件工程师，因为需要强大的工程师背景以及其他特定领域的知识，才能识别出什么才是真正好的实现。即使互联网上有大量的代码，若没有指导，大语言模型也无法区分普通代码和优秀的高性能代码。现实世界的系统显然比面试式的编程问题复杂得多，但如果通过快速反复要求 Claude 实现一个功能，能使代码速度提高 100 倍，那这个流程就非常值得。有些人认为过早优化是不好的编码实践，但在实际项目中，这比那些随着时间的推移会变成技术债务的次优实现要好得多。

我的实验存在一个局限性，那就是我使用 Python 来对代码改进进行基准测试，而这并不是开发者在追求极致性能优化时的首选编程语言。虽然像 numpy 和 numba 这样的库通过利用 C 语言来解决了 Python 的性能瓶颈，但更现代的解决方案是采用 polars 和 pydantic 等流行 Python 库，它们使用 Rust 开发。Rust 在性能方面比 C 语言更具优势，而 PyO3 几乎没有性能损耗就能让 Python 调用 Rust 代码。我可以确认 Claude 3.5 Sonnet 能够生成兼容 Python 和 Rust 代码，不过这种工作流程太新颖了，足够成为另一篇博文的主题。

以此同时，虽然要求 LLM 让代码变得更好是 AI 更实用的用途，但你也可以要求它们"让代码更兄弟"...效果好坏参半。

Python 潮流周刊#86：Jupyter Notebook 智能编码助手

豌豆花下猫 — Sat, 18 Jan 2025 00:00:00 GMT

你好，我是猫哥。这里每周分享优质的 Python、AI 及通用技术内容，大部分为英文。周刊开源在 Github 上，喜欢请给颗小星星支持下~

本期分享了 12 篇文章，12 个开源项目，全文 2000 字。

🦄文章&教程

Notebook Intelligence (NBI) 是一个专为 JupyterLab 设计的 AI 编码助手和可扩展 AI 框架，它基于 GitHub Copilot 开发，并借鉴了其设计理念。文章介绍了相关功能和使用指导。

2、用纯 Python 写一个“Redis”，速度比原生 Redis 还快？

作者用 Python 模拟 Redis 开发了一个 NoSQL 数据库，实现了 5 种基本数据结构和相关操作，支持设置过期时间，支持 AOF 持久化。文章介绍了基本用法，以及跟 Redis 做了对比的情况。

3、30 分钟入门 Python 桌面端 + 分享我的开箱即用脚手架

作者分享了自己的 Python 桌面端项目，内容非常丰富，包括环境准备、功能组件安装（PyQt6 等）、PyQT 配置文件准备、详细的代码流程（基础组件、项目结构和代码细节）、结果展示等内容。

4、用 aiofiles 和 asyncio 异步处理文件

在使用异步的项目中，文件 IO 可能会成为瓶颈，文章介绍了如何使用 aiofiles 来实现文件的异步操作，包括异步读取文件、异步写入文件、异步处理多个文件。

5、2025 年我如何运行独立的 Python？

如果你只想快速写一个脚本或启动 REPL，但需要使用特定 Python 版本和安装一些特定的依赖库，该怎么办才好？文章介绍了 uv 的使用技巧，以及创建独立脚本的用法。（附：一篇类似文章，你应该了解的 uv 杀手级功能）

6、用 Python Reflex 开发一个健身追踪应用

Reflex 可通过函数式和声明式的方式构建响应式应用，这篇教程介绍如何用它开发一个简单的健身追踪网站，包括项目设置、基础代码、数据库操作、UI 界面等功能。

7、自动化检查 Python Web 应用的可访问性

文章介绍了如何用自动化测试方法检查 Web 应用是否健康，使用了 Playwright + Axe-core 实现 Web UI 端到端自动化测试，内容还包括用参数化测试检查多路由、处理用户交互导致页面变化的场景。

8、使用测试套件检测内存泄漏

如何提前检测出资源泄露的问题？文章介绍了用tracemalloc和pytest来实现资源泄漏检测的具体方法，并分析资源泄露的原因。

9、使用 Whisper 生成电视剧字幕

文章介绍了如何用 ffmpeg + Whisper 实现音频提取、音频转文字，以及批量处理字幕。最后能看到 Whisper 在处理中文时效果并不理想。

10、吴恩达分享个人的 Web 技术栈

吴恩达老师分享了一些开发简单 Web 应用原型的最佳实践，包括使用 Python 和 FastAPI 开发、用 Uvicorn 运行后端应用、云端部署选择、MongoDB 数据库、OpenAI 的 o1 和 Claude 3.5 Sonnet 辅助编程。

11、Python 时间序列分类的完整指南

文章系统梳理了时间序列分类的方法，分别介绍了基于距离、字典、集成、特征、区间、核函数及形状等多种分类模型，并通过实际数据集展示了模型的实现与计算过程。

12、Python 是新一代的 BASIC

BASIC 语言曾经非常流行，是初学者的首选语言，如今的 Python 已成为新的 BASIC。作者回顾了 BASIC 的发展，介绍了 Python 具备的诸多优点，解释为何 Python 能广泛流行的原因。

🐿️项目&资源

1、MoneyPrinterV2：将在线赚钱的流程自动化

一个热门项目的 V2 版本，支持 Twitter 机器人、YouTube 短视频自动化、联盟营销（亚马逊和推特）。（star 5.6K）

2、Ghost-Downloader-3：跨平台多线程下载器

AI 赋能的新一代跨平台多线程下载器，支持多线程下载、智能加速、断点续传、下载记录、校验文件等功能。

3、Channels：为 Django 提供易于使用的异步功能

扩展了 Django 的功能，提供了 WebSocket、长轮询 HTTP、任务卸载等异步支持。（star 6.2K）

4、pyper：让并发 Python 变得简单

一个基于函数式编程模式的灵活框架，适用于并发和并行数据处理，可用于 ETL 系统、数据微服务以及数据收集。

5、uv-secure：扫描 uv.lock 文件，检查是否有漏洞依赖

扫描 uv 锁文件中的依赖项，检查这些包及对应版本是否存在漏洞。仅支持来自 PyPI 的包。

6、ZerePy：开源的 AI 代理启动平台

帮助你在 X 平台上部署自己的代理，支持 OpenAI、Anthropic 和 EternalAI LLMs 等技术。

7、fastcrud：专为 FastAPI 设计的异步 CRUD 操作

为 FastAPI 设计的包，提供强大的 CRUD 操作，通过自动检测连接条件、动态排序、偏移和游标分页等高级功能，进一步简化了开发流程。

8、Winloop：用于 Windows 的 uvloop 替代库

一个兼容 Windows 的库，基于 uvloop 修改而成。uvloop 是一个基于 libuv 的高性能 Python 异步 IO 库，是 asyncio 事件循环的替代。

9、fast-grpc：在 Python 中快速实现 gRPC

用 Python 快速创建简单的 gRPC 服务。

10、bashplotlib: 在终端中进行绘图

一个 Python 包和命令行工具，可在终端中绘制基本图表，快速实现数据可视化。支持自定义图表颜色、大小、标题和形状，通过标准输入来导入图表。（star 1.9K）

11、klp：查看结构化日志文件和流（logfmt、JSONL 等格式）

轻量级命令行工具，可分析和解析多种格式的结构化日志，支持 logfmt、JSON Lines、CSV、TSV、SQLite 等多种格式。

12、Open-Interface: 使用 LLM 控制任意电脑

将请求发给 GPT-4 等大模型，确定所需的操作，然后模拟键盘和鼠标自动化执行操作，并将进度截图发给大模型以便调整操作。（star 1K）

🐧 往年回顾

Python 潮流周刊#36：Python 打包生态依然不乐观（2024.01.20）

🐱欢迎订阅

欢迎留言，说说你最喜欢本期的哪一则分享？大家反馈得越多，我今后分享的也会越多！

欢迎将本专栏分享给同样爱学习的同学，当有人通过你分享的海报或者链接，购买了专栏，那么你将获得高额的返利。

1、如果一直要求 LLM “写出更好的代码”，它们能写出更好的代码吗？

🎲关联阅读

上一期：Python 潮流周刊#85：让 AI 帮你写出更好的代码

下一期：Python 潮流周刊#87：媲美 OpenAI-o1 的开源模型

Python 潮流周刊#85：让 AI 帮你写出更好的代码

豌豆花下猫 — Sat, 11 Jan 2025 00:00:00 GMT

你好，我是猫哥。这里每周分享优质的 Python、AI 及通用技术内容，大部分为英文。周刊开源在 Github 上，喜欢请给颗小星星支持下~

本期分享了 12 篇文章，12 个开源项目，1 则音视频，全文 2300 字。

🦄文章&教程

作者想要做一个提升 AI 编程质量的实验，不断要求大模型写出更好的代码，经过多轮迭代，竟然将一个简单编程任务提升了 100 倍性能！这让我们看到了提示词工程的重要性，也看到了 LLM 在代码优化方面的潜力。下次我也试试看……

2、Python 并发：线程、进程与 asyncio 详解

文章介绍了 Python 并发编程的三种主要方式：线程、进程和 asyncio，使用实际的代码示例和性能测试来分析它们的优缺点，展示出这几种方法的特点和适用场景。

3、为什么在 Python 中 hash(-1) == hash(-2)？

怎么回事？Python 中的 hash(-1) 竟然等于 hash(-2)，就是等于 -2？作者通过查阅 Python 官方文档和源码，追踪hash函数的具体实现，终于找到了原因：C 语言使用 -1 表示错误返回值，因此 hash() 函数可能出错返回 -1，如果正确返回也是 -1，容易混淆，故约定用 -2 来替代……

4、在浏览器中轻松运行 Python

作者利用 Cloudflare 的 Python Workers 将微软最近开源的 MarkItDown 做成了一个网站。利用的是 Pyodide，它使用 WebAssembly 移植 CPython，从而在浏览器中运行 Python。

5、PEP-769：给 'attrgetter' 和 'itemgetter' 添加 'default' 关键字参数

一则新的提案，提议给 operator 模块中的 attrgetter 和 itemgetter 函数添加 default 关键字参数，以便在目标属性或项目缺失时返回默认值，避免异常并简化代码。

6、Pipx 的三个使用技巧

pipx 是一个好用的 Python 包管理工具，文章介绍了它的用途和部分局限性，最主要是分享了三个提高 pipx 使用效率的技巧：通过“注入”依赖来管理环境，利用 pipx 自带的 pip 作安装，以及通过 pipx 安装自身来获取更新。

7、Django vs. FastAPI，真诚的比较

从多个维度对两个 Python 框架做了比较，包括内置电池、架构、后端与全栈、易用性/学习曲线、现代性、性能、ORM 与配置等。至于选择哪个，还是得基于项目需求。

8、Python 弱引用与垃圾回收器

作者曾参与开发一个 Python 解释器 Skybison，它使用了移动垃圾回收器，通过移动对象并更新指针来整理内存。文章介绍了如何在垃圾回收时处理弱引用对象，如何在自定义的垃圾回收器实现。

9、AI-text-to-video-model-from-scratch：从零开发一个微型的文本到视频模型

如何从零开始实现一个文生视频模型？文章详细介绍了相关的理论概念、GAN 架构、模型训练、实现具体功能（文本嵌入层、生成器层、判别器层等）、以及用训练的模型生成 AI 视频。

10、Python 在 DevOps 领域的应用

Python 能灵活开发项目，也可构建长期的基础设施。文章介绍了 DevOps 工作用到的 15 个库，包括开发 Web 仪表板的 Django 及 Flask，作任务调度的 Schedule 及 Airflow，作网络分析的 Scapy，以及用于容器化和云交互的 Docker SDK 和 Dagger，等等。

11、用机器学习开发一个贫血检测系统

贫血影响着全球数百万人，传统检测方法耗时较长，因此作者开发一个能快速评估、准确预测贫血的系统。项目用 scikit-learn 实现了随机森林分类器，基于 Flask 开发 Web 界面，代码已开源。

12、Google 发布 AI Agent（智能体）技术白皮书

Agent 跟大模型有什么区别？人类区别于动物的标记是使用工具，而 Agent 则是会使用工具的大模型。介绍了 Agent 是如何工作的、使用什么推理框架、不同的工具类型、通过针对性学习提升模型性能、基于 LangChain 快速开发 Agent 等。

🐿️项目&资源

1、AI-reads-books-page-by-page: AI 逐页从 PDF 提取知识与生成摘要

一个简短的脚本，对 PDF 书籍作智能逐页分析，系统性地提取知识点并在指定间隔生成渐进式摘要，持久化知识库存储。智能跳过目录和索引页。

2、ai-book-writer: 用 AI 代理编写整本书

用多个专业 AI 代理协同工作，基于初始提示词创建连贯、结构化的书籍，自动化世界构建与设定管理，支持复杂、多章节的叙事。

3、web-ui：在浏览器中运行 AI 代理

基于最近火爆的 browser-use 项目创建的 Web UI，基于 Gradio 开发，支持多种 LLM，支持使用自己的浏览器，无需重新登录。（star 2K）

4、F5-TTS：通过流匹配伪造流畅且忠实语音的童话讲述者

上海交大开源的 TTS 语音合成工具，采用 ConvNeXt V2 的扩散 Transformer。支持多语言切换、语速调节和情感化表达。（star 8.8K）

5、AutoMouser：基于鼠标运动来生成浏览器自动化代码

这是一款 Chrome 插件，能实时跟踪鼠标的点击、拖动和悬停等动作，利用 OpenAI 的 GPT 模型自动生成 Selenium 自动化代码。

6、paper_to_podcast：将论文转化为三人对谈的播客

让 AI 帮你将论文转化为引人入胜的三人对话类播客节目，包含主持人、学习者和专家，提供有价值的见解和批判性思考，使复杂信息更易于理解和吸收。

7、xhs_ai_publisher：小红书 AI 运营助手（内容生成和自动发布）

一个自动化运营助手，提供图形化界面和自动化脚本，实现自动登录与发布文章，支持内容生成、图片管理和文章预览。

8、ipychat：IPython 的 AI 扩展，使其像 Cursor 一样

给 IPython 加上 AI 能力，帮你快速理解、调试和编写 Python 代码。上下文感知、带语法高亮的 Markdown 响应、支持多个大模型、交互式配置。

9、magnetron：从零开始开发的 PyTorch

极简的 PyTorch 实现，使用 C99 和 Python 开发，旨在理解 PyTorch 及其它深度学习框架的内部机制。有趣的是，PyTorch 团队成员在 X 上邀请此项目作者加入 PyTorch。

10、dendrite-python-sdk：用于开发网络 AI 代理的工具

使网络 AI 代理能够像人类一样轻松浏览互联网，与元素互动、提取结构化数据、验证身份、上传/下载文件、浏览而不被屏蔽。

11、热门 Django 项目的导航网站

一个为 Django 社区收集热门项目的导航网站，目前收录了 800 多个项目。

12、zh-style-guide：中文技术文档的写作风格指南

一份适用于指导技术文档写作的开源电子书，给出了语言风格、结构样式、内容元素、标点符号、格式排版等方面的参考规范。（分享自@请叫我大萌萌）

🐢播客&视频

1、AI 制作的英文播客：Python潮流周刊第一季精选合集

我用谷歌的 NotebookLM 将本周刊第一季的合集制作成了两人对话的播客节目！听两位主持人煞有介事地从周刊中分享有趣的文章和项目，感觉很是神奇。（附：怎么能少得了第二季的呢，Python潮流周刊第二季精选合集--英文播客）

🐧 往年回顾

Python 潮流周刊#35：Python JIT 编译器和 Numpy2 即将推出（2024.01.13）

🐱欢迎订阅

欢迎留言，说说你最喜欢本期的哪一则分享？大家反馈得越多，我今后分享的也会越多！

欢迎将本专栏分享给同样爱学习的同学，当有人通过你分享的海报或者链接，购买了专栏，那么你将获得高额的返利。

4、介绍 Annotated Logger：一个在日志中添加元数据的 Python 包

🐝关联阅读

上一期：Python 潮流周刊#84：2024 年 Python 的最佳实践

下一期：Python 潮流周刊#86：Jupyter Notebook 智能编码助手

为什么在 Python 中 hash(-1) == hash(-2)?

豌豆花下猫 — Sat, 11 Jan 2025 00:00:00 GMT

英文：https://omairmajid.com/posts/2021-07-16-why-is-hash-in-python

作者：Omair Majid

译者：豌豆花下猫&Claude-3.5-Sonnet

时间：原文发布于 2021.07.16，翻译于 2025.01.11

当我在等待代码编译的时候，我在 Reddit 的 r/Python 上看到了这个问题：

hash(-1) == hash(-2) 是个彩蛋吗？

等等，这是真的吗？

$ python
Python 3.9.6 (default, Jun 29 2021, 00:00:00)
[GCC 11.1.1 20210531 (Red Hat 11.1.1-3)] on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> hash(-1)
-2
>>> hash(-2)
-2
>>> hash(-1) == hash(-2)
True

是的，确实如此。真让人惊讶！

让我们看看其它一些常见的哈希值：

>>> hash(1)
1
>>> hash(0)
0
>>> hash(3)
3
>>> hash(-4)
-4

看起来所有小整数的哈希值都等于它们自身，除了 -1...

现在我完全被这个问题吸引住了。我试图自己找出答案。在接下来的内容中，我将带你了解如何自己寻找这个答案。

如何开始呢？什么能给我们一个权威的答案？

让我们看看源代码！Python 的实际实现代码！

获取源代码

我假设你和我一样，对 Python 的源代码在哪里完全没有概念。

那么，我们（假设从未看过 Python 的源代码）如何获取源代码来回答最初的问题呢？

也许我们可以用 Google？搜索 "python implementation" 会带来一些有趣的结果。

我搜索的第一个结果提到了 "CPython 参考实现"。

Github 上 Python 组织的第二个仓库就是 "cpython"。这看起来很靠谱。我们如何确保万无一失呢？

我们可以访问 python.org。让我们去到源码下载页面。最终我找到了 Python 3.9.6 的压缩包。解压后，README.rst 也指向了 Github 上的 CPython。

好的，这就是我们的起点。让我们获取这些代码，以便后续搜索：

git clone https://github.com/python/cpython --depth 1

--depth 1 参数使 git 只获取有限的历史记录。这样可以让克隆操作快很多。如果之后需要完整的历史记录，我们可以再获取。

让我们深入研究

在研究代码时，我们需要找到一个起点。最好是容易搜索的东西，比如一个简单的字符串，不会有太多误导性的匹配。

也许我们可以使用 hash 函数的文档？我们可以用 help(hash) 来查看文档内容：

>>> hash
<built-in function hash>
>>> help(hash)
Help on built-in function hash in module builtins:

hash(obj, /)
    Return the hash value for the given object.

    Two objects that compare equal must also have the same hash value, but the
    reverse is not necessarily true.

现在，我们可以用它来找到 hash() 的实现：

$ grep -r 'Return the hash value'
Python/clinic/bltinmodule.c.h:"Return the hash value for the given object.\n"
Python/bltinmodule.c:Return the hash value for the given object.
Doc/library/functions.rst:   Return the hash value of the object (if it has one).  Hash values are
Lib/hmac.py:        """Return the hash value of this hashing object.

hmac 可能与加密的 HMAC 实现有关，所以我们可以忽略它。functions.rst 是一个文档文件，所以也可以忽略。

Python/bltinmodule.c 看起来很有趣。如果我们查看这个文件，会找到这样一段代码：

/*
...
Return the hash value for the given object.

Two objects that compare equal must also have the same hash value, but the
reverse is not necessarily true.
[clinic start generated code]*/

static PyObject *
builtin_hash(PyObject *module, PyObject *obj)
/*[clinic end generated code: output=237668e9d7688db7 input=58c48be822bf9c54]*/
{
    Py_hash_t x;

    x = PyObject_Hash(obj);
    if (x == -1)
        return NULL;
    return PyLong_FromSsize_t(x);
}

搜索 PyLong 带我来到这里。看起来 PyLongObject 是 Python 整数的原生表示（这在稍后会派上用场）。在浏览了 PyLongObject 文档并重读这段代码后，看起来是这样的：

我们调用 PyObject_Hash 来获得一个对象的哈希值
如果计算出的哈希值是 -1，那表示是一个错误
- 看起来我们用 -1 来表示错误，所以没有哈希函数会为真实对象计算出 -1
我们将 Py_Ssize_t 转换为 PyLongObject（文档中称之为："这是 PyObject 的子类型，表示一个 Python 整数对象"）

啊哈！这就解释了为什么 hash(0) 是 0，hash(1) 是 1，hash(-2) 是 -2，但 hash(-1) 不是 -1。这是因为 -1 在内部被用来表示错误。

但为什么 hash(-1) 是 -2 呢？是什么将它设置成了这个值？

让我们看看能否找出原因。

我们可以先查找 PyObject_Hash 。让我们搜索一下。

$ ag PyObject_Hash
...
Objects/rangeobject.c
552:    result = PyObject_Hash(t);

Objects/object.c
777:PyObject_HashNotImplemented(PyObject *v)
785:PyObject_Hash(PyObject *v)
802:    return PyObject_HashNotImplemented(v);

Objects/classobject.c
307:    y = PyObject_Hash(a->im_func);
538:    y = PyObject_Hash(PyInstanceMethod_GET_FUNCTION(self));
...

虽然有很多干扰，但唯一的实现似乎在 Objects/object.c 中：

Py_hash_t
PyObject_Hash(PyObject *v)
{
    PyTypeObject *tp = Py_TYPE(v);
    if (tp->tp_hash != NULL)
        return (*tp->tp_hash)(v);
    /* 为了保持通用做法：在 C 代码中仅从 object 继承的类型，应该无需显式调用 PyType_Ready 就能工作，
     * 我们在这里隐式调用 PyType_Ready，然后再次检查 tp_hash 槽
     */
    if (tp->tp_dict == NULL) {
        if (PyType_Ready(tp) < 0)
            return -1;
        if (tp->tp_hash != NULL)
            return (*tp->tp_hash)(v);
    }
    /* Otherwise, the object can't be hashed */
    return PyObject_HashNotImplemented(v);
}

这段代码相当令人困惑。幸运的是，注释很清晰。在多次阅读后，似乎这段代码——考虑到类型的一些延迟加载（？）——先找到对象的类型（使用 Py_TYPE）。然后寻找该类型的 tp_hash 函数，并在 v 上调用该函数：(*tp->tp_hash)(v)

我们在哪里能找到 -1 的 tp_hash 呢？让我们再次搜索 tp_hash：

$ ag tp_hash -l
...
Modules/_multiprocessing/semaphore.c
Objects/sliceobject.c
Objects/moduleobject.c
Objects/exceptions.c
Modules/_pickle.c
Objects/frameobject.c
Objects/setobject.c
Objects/rangeobject.c
Objects/longobject.c
Objects/object.c
Objects/methodobject.c
Objects/classobject.c
Objects/enumobject.c
Objects/odictobject.c
Objects/complexobject.c
...

这是一个很长的列表。回想一下文档中关于 PyLongObject 的说明（"这个...表示一个 Python 整数对象"），我先查看下 Objects/longobject.c ：

PyTypeObject PyLong_Type = {
    PyVarObject_HEAD_INIT(&PyType_Type, 0)
    "int",                                      /* tp_name */
    offsetof(PyLongObject, ob_digit),           /* tp_basicsize */
    sizeof(digit),                              /* tp_itemsize */
    0,                                          /* tp_dealloc */
    0,                                          /* tp_vectorcall_offset */
    0,                                          /* tp_getattr */
    0,                                          /* tp_setattr */
    0,                                          /* tp_as_async */
    long_to_decimal_string,                     /* tp_repr */
    &long_as_number,                            /* tp_as_number */
    0,                                          /* tp_as_sequence */
    0,                                          /* tp_as_mapping */
    (hashfunc)long_hash,                        /* tp_hash */
    ...

所以 PyLongObject 类型对象的 tp_hash 是 long_hash。让我们看看这个函数。

static Py_hash_t
long_hash(PyLongObject *v)
{
    Py_uhash_t x;
    Py_ssize_t i;
    int sign;

    ...

    if (x == (Py_uhash_t)-1)
        x = (Py_uhash_t)-2;
    return (Py_hash_t)x;
}

注意我删除了大部分实现细节。但这个函数的结尾正好符合我们的预期：-1 被保留用作错误信号，所以代码明确地将该返回值转换为 -2！

这就解释了为什么 hash(-1) 最终与 hash(-2) 相同。这不是一个彩蛋，只是为了避免使用 -1 作为 hash() 方法的返回值，因此采取的变通方法。

这是正确/完整的答案吗？

如前所述，我从未看过 Python 代码库。我认为自己找到了答案。但这是对的吗？我可能完全错了。

幸运的是，/u/ExoticMandibles 在 Reddit 帖子中提供了答案：

Python 的参考实现是 "CPython"，这很可能就是你正在使用的 Python。CPython 是用 C 语言编写的，与 Python 不同，C 语言没有异常处理。所以，在 C 语言中，当你设计一个函数，并且想要表示"发生了错误"时，必须通过返回值来表示这个错误。

CPython 中的 hash() 函数可能返回错误，所以它定义返回值 -1 表示"发生了错误"。但如果哈希计算正确，而对象的实际哈希值恰好是 -1，这可能会造成混淆。所以约定是：如果哈希计算成功，并得到值是 -1，就返回 -2。

在 CPython 中，整数（"长整型对象"）的哈希函数中有专门的代码来处理这种情况：

https://github.com/python/cpython/blob/main/Objects/longobject.c#L2967

这正是我通过阅读代码推测出的结果。

结论

我从一个看似难以回答的问题开始。但是通过几分钟的代码探索——Python 整洁的代码库使得查看它的代码比我见过的其它代码库要容易得多——很容易就发现和理解了答案！如果你接触过计算机，这应该不足为奇。这里没有魔法，只有层层的抽象和代码。

如果本文有什么启示的话，那就是：查看源代码！（文档可能会过时，注释可能不准确，但源码是永恒的。）

Python 潮流周刊#84：2024 年 Python 的最佳实践

豌豆花下猫 — Sat, 04 Jan 2025 00:00:00 GMT

你好，我是猫哥。这里每周分享优质的 Python、AI 及通用技术内容，大部分为英文。周刊开源在 Github 上，喜欢请给颗小星星支持下~

本期分享了 12 篇文章，12 个开源项目，全文 2200 字。

🦄文章&教程

1、现代 Python 开发的良好实践

一篇比较详尽的 Python 开发实践指南，包括 Python 的选择与管理、开发项目用到的工具（包管理、格式化和代码检查）、一些语言语法的使用、测试工具、打包工具、日志、虚拟环境等等内容，可以说是面面俱到了。

2、2024 年最先进的 Python

2024 年创建 Python 项目的最佳实践是什么？有什么可推荐的工具呢？作者的清单是 uv、ruff、pyproject.toml、pyright、pydantic、pytest 和 click。文章在 Reddit 得到很多赞和回复。

3、回顾一年：2024 年的 Flask

2024 年的 Flask 社区发生了哪些有趣的事呢？作者从几个方面回顾了 Flask 的发展，包括版本发布、框架开发速度、一些新特性、向后兼容性和竞争情况及流行度等。

Github 的漏洞管理团队新开源了一个日志记录库 Annotated Logger，通过装饰器来记录函数和类的执行情况，支持自定义日志对象，支持发送 JSON 格式的日志，支持在日志中添加 Git 分支和漏洞名称等字段。

5、用 Cowboy 调试 Python 内存泄漏

如何在 Python 中调试内存泄漏问题？作者分享了一个 objgraph 库，可查看内存对象的增长情况，并通过信号触发运行时检查。文章介绍了如何用它来定位和可视化内存泄漏，有助于快速识别和解决内存泄漏问题.

6、使用 shiv 将 Python 项目打包成一个可执行文件

如何用 shiv 将 Python 项目及其依赖打包成一个可执行的 zip 文件（即 zipapp）？shiv 在运行时是如何提高运行速度的？shiv 支持什么其它功能，使用时有哪些需要注意的问题？

7、PyPI 的项目隔离功能

PyPI 官方博客介绍了项目隔离功能，可让管理员标记潜在有害的项目，防止恶意软件被安装。文章介绍了该功能的实现细节。自 2024.8 以来，约 140 个项目被标记为隔离，仅一个被纠正。

8、使用 VS Code 和 Sentry 调试 Python

如何在 VS Code 中设置和使用调试功能？文章介绍了安装扩展、配置调试环境、使用断点、添加变量监控等内容，如何处理常见异常如 FileNotFoundError 和 JSONDecodeError ，并展示了如何将 Sentry 用于生产环境持续监控和调试代码。

9、使用 Solara 开发 Jupyter 仪表板

介绍了使用 Solara 的 UI 组件在 Jupyter 中创建一个交互式仪表板，最终产品可允许用户在地图上过滤、可视化和探索数据集。该系列第二篇介绍如何部署服务，第三篇介绍添加更多组件来扩展仪表板。

10、用于临时分析的一次性 Python 环境

juv 是一个用于 Jupyter 笔记本中简化 Python 环境管理的工具，可将依赖包直接嵌入笔记本文件，更易设置与分享使用。文章还介绍如何将 juv 与 pyds-cli 集成，作临时数据分析，增强复用性并减少环境冲突。

11、Python：使用 sys.monitoring 监视变化

Python 3.12 中引入的 sys.monitoring 可监听特定代码行上的某些事件，从而提供细粒度的控制。文章通过实际例子展示了如何用它监视 sys.path 的变化，如何设置监控回调函数，展示了它在调试复杂代码时的强大用处。

12、实现与扩展：Boids 算法的应用

Boids 算法是一种模拟鸟类群体行为的人工生命程序，产生逼真的鸟类自然动态。文章深入讲解 Boids算法的实现，介绍如何在 TFT 显示器上实现 Boids 动画，探讨了添加捕食者和栖息行为等复杂行为的可能性。

🐿️项目&资源

1、enlighten：Python 控制台程序的进度条增强

一个 Python 控制台彩色进度条库，优势在于可直接写入 stdout 和 stderr，支持 Jupyter Notebooks。

2、migrate-to-uv：将项目从 Poetry/Pipenv 迁移到 uv

帮你快速将 Poetry/Pipenv 项目迁移成当前流行的 uv 包管理器。

3、minimalistic-fastapi-template：简单但健壮的 FastAPI 项目模板

一个现代化、生产就绪的 FastAPI 项目模板，支持 CRUD、异步 SQLAlchemy 及 PostgreSQL、自定义异常处理、CI 和测试管道、pre-commit 代码检查、一键部署 Railway。

4、minimind：3 小时完全从 0 训练 26 M的小参数 GPT

完全从 0 开始训练出一个不到 30 M的微型语言模型，普通个人 GPU 也可快速推理甚至训练。不仅是一个开源模型的实现，也是入门大语言模型（LLM）的教程。（star 3.2K）

5、adrf：Django REST 框架的异步支持

让 Django 支持基于异步类和函数的视图，支持 Django 4.1+。

6、FastVideo：用于加速大视频模型的开源框架

一个轻量级框架，一致性蒸馏视频扩散模型，实现 8 倍推理加速。支持蒸馏/微调/推理最先进的开放视频 DiTs。

7、codegate：AI 编程助手的隐私与安全

一款本地网关，确保 AI 生成的建议遵循最佳实践，同时保护代码的完整性，并保障个人隐私。放心使用 AI，不必担心安全性和生产力。

8、shrlnk：随心所欲定制短链接

Python 实现的开源短链接服务，提供有免费的网站。支持创建与自定义短链接，支持链接管理与跟踪，可预览社交媒体效果。后端基于 Flask + SQLite 实现，前端 JavaScript 支持移动端响应式。

9、dutch_vocabulary：每天自动发邮件学外语

利用 AWS 的 CloudWatch 事件规则触发 Lambda 函数，利用数据库和 ChatGPT 获取荷兰语单词、英文翻译及例句，自动发送邮件。

10、mixbox：基于真实颜料的自然色彩混合库

一种用于自然色彩混合的新混合方法，在混合过程中生成带有色调变化和自然二次色的饱和渐变，更接近于真实的颜料色彩。（star 2.7K）

11、Kats：用于分析时间序列数据的工具包

一个轻量级、易用、可扩展的框架，用于时间序列分析，从理解关键统计数据和特征、检测变化点和异常，到预测未来趋势。（star 5.4K）

12、ajenti：模块化的服务器管理面板

适用于 Linux 和 BSD 的模块化服务器管理面板，用 Python3 和 AngularJS 开发。内存占用和 CPU 使用率低。可在低端机器、墙插、路由器等设备上运行。（star 7.6K）

🐧 往年回顾

Python 潮流周刊#34：Python 3.13 的 JIT 方案又新又好！（2024.01.06）

🐱欢迎订阅

欢迎留言，说说你最喜欢本期的哪一则分享？大家反馈得越多，我今后分享的也会越多！

欢迎将本专栏分享给同样爱学习的同学，当有人通过你分享的海报或者链接，购买了专栏，那么你将获得高额的返利。

2、用 pyinfra 和 Chimera Linux 开发一个小型 CDN

🍊关联阅读

上一期：Python 潮流周刊#83：uv 的使用技巧

下一期：Python 潮流周刊#85：让 AI 帮你写出更好的代码

Python 潮流周刊#83：uv 的使用技巧

豌豆花下猫 — Sat, 28 Dec 2024 00:00:00 GMT

你好，我是猫哥。这里每周分享优质的 Python、AI 及通用技术内容，大部分为英文。周刊开源在 Github 上，喜欢请给颗小星星支持下~

本期分享了 12 篇文章，12 个开源项目，2 则热门讨论，全文 2300 字。

🦄文章&教程

1、UV 的使用技巧

文章分享了uv工具的一些实用的技巧，包括在不污染虚拟环境的情况下临时添加依赖、创建几乎独立的脚本、快速测试和运行 Python 工具、运行一次性的 Python 工具、清理 uv 缓存。

内容分发网络（CDN）可提升网站访问速度，作者通过自建 CDN 实现博客平均响应时间从 807 毫秒降到 189 毫秒。文章详细介绍了网络架构、服务器配置、TLS 证书管理以及如何使用 GeoDNS 来最小化访问延迟。

3、高效的 Python 开发者工具（2024 年 12 月）

2024 年 Python 开发者工具的最新趋势和最佳实践有什么？作者分享了一些反模式问题、推荐做法和工具，包括 uv、ruff、Mypy、Pytest、Cookiecutter 和 Cruft 等。

4、真正解决了个棘手的多线程竞态条件问题

作者在两年前遇到一个多线程 bug，分析代码找到了疑似原因，尽管没复现，但解决了该问题。然而，两年后又出现同样的问题，这次深入调试，终于找到根本原因并可靠复现，真正地解决了这个棘手的 bug。

5、从头开始用 Python 探索比特币

如何用 Python 实现比特币交易？文章介绍了加密货币概念、比特币的交易机制，如何用 Python 实现用加密技术创建、签署和广播比特币交易。

6、Poetry(-core) 的致命错误

作者认为 Poetry 作为构建工具时很反直觉和容易出错，文章指出了它的常见问题，包括梦魇般的取地址运算符、误导性的 include 键和薛定谔般的可选依赖项。

7、Python 打包：为什么我们得不到好东西，第 1 部分

关于 Python 打包的系列文章第一篇，讨论了 Python 打包的现状、存在的问题以及如何应对这些问题。讨论了包名与导入名不一致问题、依赖地狱和安装失败的问题，强调了虚拟环境的重要性。

8、Python 性能优化的幕后功臣：__pycache__与字节码缓存机制

__pycache__文件夹和.pyc文件有什么作用？如何合理利用 Python 的字节码缓存机制，来提升应用性能？

9、记录下（并搜索）每个 UUID

作者开发了个网站，可展示和搜索所有 UUID，文章介绍了几个主要挑战及解决方案，包括浏览器渲染限制、UUID 生成顺序和全搜索功能。

10、Python 数据类的内部机制解析

Python 的数据类相当酷，但它们的实现机制是什么呢？文章试图向我们解释清楚这里面的门道，包括 __annotations__ 、exec、自定义数据类装饰器、以及 frozen 参数等内容，帮助读者更好地理解数据类的工作原理。

11、通过重载__bool__实现符号执行

符号执行（Symbolic Execution）是一种软件测试和分析技术，通过将程序的输入表示为符号（而不是具体值）来执行程序。文章介绍了一种将 Python 不可重载语法变得可重载的方法，不需修改编译器，而是用元编程技术将 Python 代码转化为 Z3 表达式。

12、在 Web 应用中的 cron 任务

如何在 Python 的 FastAPI 应用中实现类似 cron 定时任务的功能？作者利用了 FastAPI 的异步特性创建后台任务，避免了写单独的脚本和 CLI 命令，并且不需要在容器外允许任务。

🐿️项目&资源

1、browser-use：使网站能被 AI 智能体访问

让 AI 代理轻松与浏览器交互，支持视觉+HTML 提取、自动多标签管理、提取 XPath 并作精确的 LLM 操作、支持自定义操作、自纠正、支持 LangChain、并行化尽可能多的代理。（star 7.2K）

2、monolith：轻量级推荐系统

字节开源的一个用于大规模推荐模型的深度学习框架，建立在 TensorFlow 上，支持批量/实时训练和部署。（star 3.7K）

3、FindMy.py：查询苹果 FindMy 网络

整合了不同开源项目的资源，包含了查询苹果 FindMy 设备所需的所有功能，提供了统一的基础组件。跨平台、获取并解密位置、扫描附近的 FindMy 设备。（star 1.5K）

4、ShortMoji：在任意地方通过快捷键插入 emoji

Python 开发的小工具，整理了 137 个不同表情符号，让你用键盘快捷键快速插入表情。仅适用于 Windows。

5、ha_xiaomi_home：用于 Home Assistant 的小米设备集成

小米官方提供的集成组件，可让你在 Home Assistant 中使用小米 IoT 智能设备。（star 15.4K）

6、创业 3 年，我失败了。这是创业公司的所有代码

Konfig 是一家专注于使 API 集成更简单的开发者工具创业公司，现在开源了其所有产品代码、文档资源和其它副产品。（star 1.2K）

7、ai-vocabulary-builder：AI 智能词汇工具

一个利用了 AI 技术的智能英语生词本工具，能帮你快速构建起自己的英语生词库。独创的高效生词收集模式，通过有趣的故事模式、测试模式助你掌握生词。

8、Genesis：给机器人与嵌入式 AI 学习的生成性世界

专门为机器人/嵌入式 AI/物理 AI 应用而设计的物理平台，是一种全新的通用物理引擎、机器人仿真平台、真实感渲染系统、生成式数据引擎。（star 19.8K）

9、PromptWizard：可感知任务的由代理驱动的提示词优化框架

微软开源的离散提示词优化框架，具有自我优化机制，关键组件：以反馈驱动优化、评价并综合多样化的例子、自生成思维链步骤。（star 1K）

10、Protocol：从各种应用中导出个人数据

从 iMessages、Twitter 书签、ChatGPT、Gmail 和 LinkedIn 等应用中导出你的个人数据，提供了一个 Python SDK 和一个桌面应用程序。（star 1.3K）

11、awesome-llm-apps：精选的各类 LLM 项目

收集了大量用 OpenAI、Anthropic、Google 家大模型以及 LLaMA 开源大模型开发的应用，从优秀的项目中学习 AI 在不同领域的应用。（star 9.8K）

12、python-hiccup：用纯 Python 数据结构表示 HTML

Hiccup 语法的 Python 实现，用 Python 的 list 或 tuple 来表示 HTML 元素，用 dict 来表示元素属性。旨在使 HTML 渲染程序化、简单且易于阅读。

🥂讨论&问题

1、2024 年精选最佳 Python 库和工具——第 10 版

对今年 Python 库/工具的年度精选推荐，包含通用类与 AI/ML/数据类，共 20 个。

2、求教 Python 问题， GPT o1 跟 Gemini 2.0 都解决不了

Python 中的连续赋值操作“a=b=c”，结果可能跟你想象的不太一样！

🐧 往年回顾

Python 潮流周刊#33：FastAPI 很好，Flask 也没死，它们都有未来（2023.12.30）

🐱欢迎订阅

欢迎留言，说说你最喜欢本期的哪一则分享？大家反馈得越多，我今后分享的也会越多！

欢迎将本专栏分享给同样爱学习的同学，当有人通过你分享的海报或者链接，购买了专栏，那么你将获得高额的返利。

2、从混沌到秩序：Python 的依赖管理工具分析

🏆关联阅读

上一期：Python 潮流周刊#82：美国 CIA 如何使用 Python？

下一期：Python 潮流周刊#84：2024 年 Python 的最佳实践

Python 潮流周刊#82：美国 CIA 如何使用 Python？

豌豆花下猫 — Sat, 21 Dec 2024 00:00:00 GMT

你好，我是猫哥。这里每周分享优质的 Python、AI 及通用技术内容，大部分为英文。周刊开源在 Github 上，喜欢请给颗小星星支持下~

本期分享了 12 篇文章，12 个开源项目，全文 2200 字。

🦄文章&教程

1、美国 CIA 如何使用 Python？

CIA 用 Python 做黑客攻击以及实用工具，最喜欢的版本是 Python 2.7 和 3.4。文章收集了 CIA 运用 Python 的编程实践，包括遵循谷歌 Python 风格指南、用 pip2tgz 做包下载、本地 pypi、Pycharm + pyenv、在远程服务器执行测试、CLI 脚本模板等。

Python 依赖管理工具很多样化，文章逐一分析了 13 款工具的优缺点。作者的简单建议是：若只依赖 Python 包，则推荐 uv 和 pipx；若需维护多个互斥环境，则推荐 pip + venv + pip-tools + pyenv。

3、一日一技：为什么我很讨厌 LangChain？

作者特别讨厌 LangChan 和 LlamaIndex，认为它们是过度封装的典型代表。文章举了 LlamaIndex 使用依赖注入的例子，并解释了它对二次开发的不友好，另外对比了 Requests 作者的新作品 SimpleMind，看到了不过度封装的实现应该是怎样的。（附：Octomind 团队的为什么我们不再用 LangChain 开发 AI 智能体？）

4、用 Python 开发一个 DNS 服务器

文章详细解释了如何用 Python 实现 DNS 协议的多数功能，创建出一个可信赖的本地 DNS 服务器。

5、2025 年顶级 Python Web 开发框架

对 Python 社区中多款 Web 开发框架的对比分析，包括 Reflex、Django、Flask、Gradio、Streamlit、Dash 和 FastAPI，它们的优缺点各是什么？

6、Python 元循环解释器

元循环解释器用一门语言自身来编写该语言的解释器。为什么要开发元循环解释器？好处是能高度控制代码执行、高效追踪代码执行过程。这篇长文详细介绍了元循环解释器能做的事以及如何实现。

7、该放弃 Spark 选择 DuckDb 或 Polars 吗？

新兴的 DuckDB 和 Polars 这种轻量级计算引擎越来越流行，是否可取代传统的 Spark 了呢？文章通过性能、执行成本、开发成本和引擎成熟度等维度作了基准测试，发现 Spark 在扩展性和成本方面仍有优势，还不到完全放弃的时候。

8、Django 安全漏洞：被忽视的默认加固设置

作者分享了一个由于 Django 错误设置导致的远程代码执行漏洞案例，Django 的一些默认行为会导致安全问题。作者做了一些努力，但被标记“wonfix”，因此呼吁开发者关注潜在的安全问题，希望引起官方重视做出修复。

9、在电子墨水屏上展示网站内容

作者为了省去查看手机的麻烦，在电子墨水屏上展示儿子的学校时间表。他通过 Playwright + Pillow 获取内容并转为图片，再用 Werkzeug 库创建一个简单的 Web 服务，并用 Arduino 实现自动唤醒和更换图片。

10、一个 monkeypatch 引起的循环引用问题

一行不起眼的“foo.bar = foo.bar”实际上创建了一个循环引用，造成内存泄漏。在 monkeypatch 场景下容易出现类似用法，文中分享了用 weakref 来避免循环引用的小技巧。

11、将所有质数绘制在极坐标系上，为何会呈现出螺旋模式？

文章探究了一个有趣的问题：将质数绘制在极坐标系中能看出什么规律？作者用 sympy 库生成质数，用 matplotlib 作可视化，最后出现一个美丽的图案！如何解释它呢？

前1万个质数的坐标图

12、Claude 的 MCP (模型上下文协议）有啥用？

MCP 协议用在大模型和数据源间建立安全双向的链接，这到底意味着什么？它的出现能解决什么问题？作者详细演示了官方示例的步骤，解释了数据交互的过程，并用真实数据集做测试，可以看出 MCP 还是很有用的。（附：关于使用 MCP 开发的反思）

🐿️项目&资源

1、markitdown: 将各种文件转换为 Markdown 格式

微软最新开源的热门项目，支持将各类文件转换为 Markdown 格式，除了 office 三件套，还支持 pdf、图片、音频、HTML、CSV、JSON、XML、ZIP 文件等。（star 24.3K）（附：一个利用 markitdown 实现的在线网站 office 文件转 Markdown）

2、systemd-pilot：用于管理 systemd 服务的桌面程序

一个用于管理 GNU/Linux 系统上 systemd 服务的桌面应用，支持查看、筛选、启动、停止、重启服务，支持用模板快速部署、简单搜索、全面集成到 GNOME 桌面。

3、wowy：基于 Django 4.x 的电子商务平台

Python 全栈项目，一个功能齐全的电商平台，具有强大的管理员面板和现代的用户界面，支持多图上传、购物车、愿望单、仪表板、PDF 发票、销售跟踪等功能。

4、NarratoAI：利用AI大模型，一键解说并剪辑视频

用 Python 开发的一站式 AI 影视解说与自动化剪辑工具，利用 LLM 撰写文案、自动化剪辑/配音/生成字幕，助力高效的内容创作。（star 2.6K）

5、HunyuanVideo：腾讯开源的混元大模型

腾讯家的视频大模型，已开源文本生成视频、待支持图像生成视频。（star 6.4K）

6、SeleniumBase：网络自动化、测试以及绕过机器人检测

一站式浏览器自动化框架，支持网页抓取、自动化测试、爬虫、绕过验证码等功能。（star 7.1K）

7、BlackSheep：快速的 Python ASGI Web 框架

一个异步 Python Web 框架，构建基于事件的应用。受到 Flask、ASP.NET Core 的启发。(star 2K)

8、PDFMathTranslate：基于 AI 的 PDF 文档全文双语翻译

Python 开发的 PDF 文档翻译及双语对照工具，支持 Google/DeepL/Ollama/OpenAI 等服务，提供 CLI/GUI/Docker，保留公式、图表、目录和注释。（star 10K）

9、cookbook：谷歌 Gemini API 的示例和指南

官方发布的一系列关于 Gemini API 的指南和示例。Gemini 模型支持多模态，可在文本、图像、代码和音频之间无缝推理。（star 9K）

10、tkforge：用 Figma 轻松创建 Python GUI

类似于 Tkinter Designer，在 Figma 中通过拖拽方式创建 GUI项目，用这个工具转换为可执行的 Python 代码。

11、MegaParse：利用 LLM 无损解析 PDF、Docx、PPTx

功能强大且灵活的解析器，可轻松处理各种类型的文档，无信息丢失、快速高效。（star 4.6K）

12、NoteFlow：Python 开发的轻量级笔记应用

一款基于 Markdown 的笔记应用，具有任务管理功能。界面简洁，多种主题，支持任务、图片、文件和代码片段。

🐧 往年回顾

Python 潮流周刊#32：打造个人的新闻聚合阅读器（2023.12.23）

🐱欢迎订阅

欢迎留言，说说你最喜欢本期的哪一则分享？大家反馈得越多，我今后分享的也会越多！

欢迎将本专栏分享给同样爱学习的同学，当有人通过你分享的海报或者链接，购买了专栏，那么你将获得高额的返利。

2、PEP-768：CPython 的安全外部调试接口

🔍关联阅读

上一期：Python 潮流周刊#81：在个人电脑上运行 GPT-4 级别的大模型

下一期：Python 潮流周刊#83：uv 的使用技巧

Python 潮流周刊#81：在个人电脑上运行 GPT-4 级别的大模型

豌豆花下猫 — Sun, 15 Dec 2024 00:00:00 GMT

你好，我是猫哥。这里每周分享优质的 Python、AI 及通用技术内容，大部分为英文。周刊开源在 Github 上，喜欢请给颗小星星支持下~

本期分享了 12 篇文章，12 个开源项目，2 则音视频，全文 2200 字。

🦄文章&教程

1、在个人电脑上运行 GPT-4 级别的大模型

作者在自己 64GB 的 MacBook Pro M2 上运行 Llama 3.3 70B 模型，文章介绍了操作过程，用它来写作和编程，得到了很不错的效果。（PS. 看着自己新到手的 MBP M4，我已经有点急不可待跑跑本地大模型了~~）

一则新的 PEP，提议给 CPython 添加一个零开销的调试接口，让调试器/分析器能安全地连接到运行中的 Python 进程，无需停止或重启。目前该特性已经在 PyPy 中实现，期望能合入 Python 3.14。

3、深入探究 Celery 任务的弹性，不止基础的重试

如何处理 Celery 任务可能出现的各种故障，提升工作流的韧性？文章针对任务失败的三种场景（瞬时故障、资源限制和竞态条件）给出了解决方案，讨论了如何处理进程中断、内存溢出、任务超时、优雅停机等问题。

4、将所有函数加到一份检查清单里

如何制作一份 Github 任务列表来检查文件中的所有函数？作者写了个脚本，通过正则表达式解析所有的函数，做成待办检查清单。

5、uv：Python 野心勃勃的包管理器的深入指南

关于为什么推荐使用 uv，以及如何使用它的全面指南。介绍了 uv 的安装方法、如何将其融入现有工作流、管理虚拟环境、管理软件包，以及 uv 特有的工作流程和高级用法。

6、2024 年的类型化 Python：被广泛采用，但可用性仍有问题

PEP-484 引入 10 年了，Python 类型系统的发展现状是怎样的，以及开发者正在使用哪些工具？JetBrains、Meta 和 Microsoft 合作了这份全面的调查，有超过 1000 人参与。

7、2024 年 Python 的现状

最近，Python 已成为 Github 上使用最多的语言，在其它方面，Python 的现状如何呢？文章基于社区最新的调查（即 9 月份发布的 2023 年 Python 开发者调查结果），分享了一些关键趋势，例如 41% 的开发者经验少于 2 年、多数 Web 应用运行在超大规模云、容器技术超过虚拟机和硬件……

8、使用 uv 实现懒安装的 Python 脚本

如何让 Python 脚本在首次运行时自动创建虚拟环境并安装依赖？作者分享了如何用 uv 来简化 Python 脚本的依赖管理，避免全局安装包，另外可替代 pipx 和 pyenv 来管理 Python 版本和 CLI 工具。

9、用 Django 和 Wikipedia 文章开发一个聊天后端

如何用 Django 框架开发一个简单的聊天机器人，并提供给它维基百科内容，实现更有意义的问答效果？文章介绍了 Django 项目设置、加载百科数据、生成和保存嵌入、开发聊天界面等内容。

10、如何在其它编程语言中使用 PyJokes？！

PyJokes 库可生成与编程相关的笑话，可为你的 Python 项目增加幽默感。其它语言能不能用它呢？文章介绍了如何在 Java、Ruby 和 Node.js 中集成 PyJokes，无需 API 或网络。

11、自定义 Python 的模式匹配行为

Python 的 match-case 不能匹配迭代器，作者通过自定义模式匹配行为，扩展成支持对迭代器做匹配，从而让模式匹配更精细和灵活，可处理复杂的数据结构和生成器。

12、圣诞日历：关于设计模式

圣诞日历从 12.1 到 12.24，作者在 2021 年每天分享一个他喜欢的博客，2023 年每天发一篇关于技术写作的文章，而今年的主题则是软件和设计模式。

🐿️项目&资源

1、qutebrowser：Python + Qt 开发的类似 vim 的浏览器

Python 开发的以键盘为中心的类 vim 浏览器。（star 9.9K）

2、Pype：Python + HTML 桌面应用框架

简单的 Python GUI 框架，在 webview 中通过 HTML 呈现 Python 运算值。

3、django-daisy：用 daisyui 开发的现代 Django 仪表板

使用 DaisyUI 和 TailwindCSS 开发成的现代、时尚且响应迅速的管理员仪表板。支持 RTL、多主题、增强的 UX/UI 等特性。

4、icloud_photos_downloader：从命令行中下载 iCloud 照片

iCloud 照片下载器，支持 Linux、Windows 和 macOS，除了命令行方式，还提供可执行文件，也可从包管理器下载（如 Docker、PyPI、AUR、npm）。（star 7.2K）

5、vanir：基于源码的静态分析工具，可识别缺失的安全补丁

Python 开发的源码静态分析工具，从 OSV 中获取最新的 CVE 及其签名，可以扫描系统中未升级补丁的漏洞。目前支持 C/C++ 和 Java 源码。

6、minima：具有可配置容器的本地对话式 RAG

开源的 RAG，可与 ChatGPT 和 MCP 集成，也可完全在本地使用。所有神经网络（LLM、reranker、embedding）都在云或 PC 上运行，确保数据安全。

7、lancedb：用于 AI 的无服务器向量数据库

使用持久存储开发的用于向量搜索的开源数据库，简化嵌入的检索、筛选和管理。使用 Rust + Lance 开发，支持 Python 和 JavaScript，支持向量相似性搜索、全文检索和 SQL。（star 4.9K）

8、pandera：轻量级的统计数据测试库

校验类似 DataFrame 的数据对象，从而使数据处理管道更具可读性和稳健性。（star 3.5K）

9、python-sdk：MCP 官方的 Python SDK

模型上下文协议（MCP）的 Python 实现，提供与 LLM 交互的客户端和服务端功能。

10、PdfDing：可自托管的 PDF 管理工具

支持 Docker 部署的 PDF 管理器，在多台设备上提供无缝的用户体验。简洁且响应式 UI，多种主题，支持共享 PDF 且设置密码/查看次数和到期时间，进度条显示每个 PDF 的阅读进度。

11、BayerFileshare：安全便捷的网盘应用

Python + Vue 开发的集安全认证、加密传输和加密存储于一体的高级网盘应用。支持文件管理、高级加密、端到端安全传输、共享网盘、多种认证。

12、Perplexica：AI 驱动的搜索引擎，Perplexity AI 的开源替代

开源的 AI 搜索引擎，不仅能联网搜索，还能理解你的问题，使用先进的机器学习算法来优化结果。（star 17.4K）

🐢播客&视频

1、DjangoCon US 2024 视频（59个）

一个专门关于 Django 活动和视频的网站：DjangoTV，已发布今年 DjangoCon US 的系列视频。

2、用 FastAPI 开发一个 AI 照片生成器

这期视频教程借助 Replicate 的 AI 服务来微调开源的 Flux 图片生成模型，使用自己的照片打造一个类似 Midjourney 的 AI 生图工具。

🐧 往年回顾

Python 潮流周刊#31：继 iOS 后，新 PEP 提议官方添加 Android 为支持平台（2023.12.16）

🐱欢迎订阅

欢迎留言，说说你最喜欢本期的哪一则分享？大家反馈得越多，我今后分享的也会越多！

欢迎将本专栏分享给同样爱学习的同学，当有人通过你分享的海报或者链接，购买了专栏，那么你将获得高额的返利。

1、Django 性能终极指南：扩展和优化的最佳实践

⭐关联阅读

上一期：Python 潮流周刊#80：Django 项目性能调优

下一期：Python 潮流周刊#82：美国 CIA 如何使用 Python？

Python 潮流周刊#80：Django 项目性能调优

豌豆花下猫 — Sat, 07 Dec 2024 00:00:00 GMT

你好，我是猫哥。这里每周分享优质的 Python、AI 及通用技术内容，大部分为英文。周刊开源在 Github 上，喜欢请给颗小星星支持下~

本期分享了 12 篇文章，12 个开源项目，3 则音视频，全文 2100 字。

🦄文章&教程

如何提升 Django 项目的性能？文章详细介绍了数据库优化、缓存策略、Django ORM 查询优化、异步编程、前端性能技术、使用 LoadForge 作负载测试、多实例扩展、性能优化时的安全考虑、以及持续监控和优化等内容。

2、Django 项目性能优化：一份检查清单

文章介绍了一些优化 Django 项目性能的常见技术和最佳实践，如使用 APM 工具监控性能、用 django-silk 作分析、理解 QuerySet 原理、优化数据库查询、优化数据库设置、设置缓存、异步，等等话题。

3、用 Emacs 打造高级 Python 开发工作流

Emacs 是一个极其强大的编辑器，文章介绍如何用它打造好用的 Python 开发环境，配置各种工具和插件，实现代码智能、linting 和静态分析、调试和环境管理等功能。

4、2024 年度回顾

作者在年终回顾中分享做过的一些事：LearnDjango 网站、视频课程、书籍更新、教程/写作、Django 聊天播客、Django News 周刊，等等。

5、使用机器学习技术破解 4Chan 验证码

4Chan 的 CAPTCHA 用于验证用户是真人还是机器人，作者训练了一个在浏览器中运行的机器学习模型，达成了 90% 的破解成功率。文章介绍了数据获取、模型创建和训练的过程，以及实际测试的过程。

6、避免大模型框架成为你的绊脚石

现成的解决方案和大模型框架可帮助你快速开发生成式 AI 项目，但随着版本演进，这些框架可能成为阻碍。文章提出了开发 RAG 应用的 2 层方法，创建一个无需现成组件即可维护的解决方案。

7、开发一个 Flask 小应用

这篇教程分享了如何用 Flask 开发一个小应用，为手机游戏 Pokemon TCG Pocket 找同玩。能看出 Flask 可快速将简单想法变为一个网站项目。

8、用 Python 揭开 ODBC 的神秘面纱

开放数据库连接（ODBC）自 90 年代起一直是访问数据库的标准。这个驱动程序是如何工作的，用 Python 开发一个 ODBC 会是什么样子？文章实现了简单 ODBC 驱动和 PEP-249，最后也提及一些不再依赖 ODBC 的 Python 库。

9、python-build-standalone 的新家

python-build-standalone 提供可正常工作的独立 Python 发行版，已被 uv、Rye、Bazel 等工具下载超 7 千万次。该项目自 12.17 日起将正式转移给 Astral 组织（Ruff 和 uv 的开发团队）。

10、如何调试你的 Textual 项目？

Textual 用于创建轻量级、强大、基于文本的用户界面，文章介绍如何用 textual-dev 工具来调试 TUI 应用，包括用开发者模式调试和使用通知方式作调试。

11、处理 Cookie 是一个雷区

文章讨论了 HTTP cookies 在 Web 开发中的复杂性，特别是在不同浏览器和编程语言中处理 cookies 的差异性，如 Golang、PHP、Python、Ruby 和 Rust。

12、2024 年以开发为主题的圣诞日历

Advent Calendars（圣诞日历）从 12.1 至圣诞节，每天隐藏一个小礼物。在程序员圈子，每年会出现一些与开发相关的挑战，作者每年做一次汇总，今年已收集 25 个日常挑战活动。

🐿️项目&资源

1、MagicQuill：智能的交互式图像编辑系统

一个可实现精确图像编辑的智能交互式系统，用户友好的界面、 AI 驱动的建议、精确的本地编辑。（star 2K）

2、deply：保持 Python 项目架构整洁

用于在大型 Python 项目中强制遵循架构规则，维持依赖关系，使项目结构更清晰、易维护和模块化。

3、pdf-extract-api：用 OCR + Ollama 解析 PDF

以超高精度将任何图像或 PDF 转换为 Markdown 或 JSON 文档，使用 FastAPI 构建的 API，并使用 Celery 作异步任务处理，Redis 用于缓存 OCR 结果。（star 1.4K）

4、peek：打印调试信息和基准测试

使打印调试信息更容易，另外提供了基本的基准测试功能。最早是 fork 自 IceCream，但已几乎完全重写，目前包含很多新功能。

5、python-fire：为 Python 对象生成 CLI

谷歌开源的库，支持快速创建 CLI，有助于开发和调试 Python 代码，使 Bash 与 Python 间的转换更加容易。（star 27.2K）

6、pretty-pie-log：线程安全的日志记录库

具有彩色输出、结构化日志、时区感知的时间戳、文件日志轮转和对函数执行的跟踪，支持在详情中处理任何数据类型。

7、generative-ai-project-template：streamlit+fastapi+llm 的 AI 项目模板

一个生成式 AI 模板，包含功能：LLMs、信息提取、聊天、RAG 等。使用 Python uv 库来管理包，loguru 记日志，Streamlit 前端和 FastAPI 后端。

8、ai-hedge-fund：AI 驱动的对冲基金团队

使用多个 AI 代理来做出交易决策，支持收集和预处理市场数据、量化交易、风险管理、投资组合管理等。

9、Progresspal：去中心化的可迭代对象、函数和日志跟踪器

通过去中心化方式，让用户可协作并监控在不同设备和进程上运行的各种脚本的实时进度。

10、nodezator：通用的 Python 节点编辑器

一个桌面应用，用可视化方式连接不同 Python 函数/可调用对象，生成灵活的参数化行为/数据/应用/代码片段。（star 1.1K）

11、pydantic-ai：同时用 Pydantic 和大模型

Pydantic 团队开源的代理框架，减轻使用生成式 AI 开发生产级应用的痛苦。使用 Pydantic 校验结构化响应和流式响应，类型安全的依赖注入系统，集成 Logfire。（star 2.7K）

12、skyvern：用 LLM 和计算机视觉做工作流自动化

使用大模型和计算机视觉来自动在浏览器上执行工作流，替代手工操作。不依赖 DOM 解析和 XPath，不受网站布局变化影响，支持在从未见过的网站上操作。（star 10.9K）

🐢播客&视频

1、2024 年 PyCon China 视频列表（18个）

2、2024 年 PyCon Australia 视频列表（88个）

3、2024 年 PyData NYC 视频列表（62个）

🐧 往年回顾

Python 潮流周刊#30：非洲 Python 社区给 PSF 的一封公开信（2023.12.09）

🐱欢迎订阅

欢迎留言，说说你最喜欢本期的哪一则分享？大家反馈得越多，我今后分享的也会越多！

欢迎将本专栏分享给同样爱学习的同学，当有人通过你分享的海报或者链接，购买了专栏，那么你将获得高额的返利。

2、Talk Python 网站用 Quart 重写了

🍎关联阅读

上一期：Python 潮流周刊#79：Python 的元数据困境

下一期：Python 潮流周刊#81：在个人电脑上运行 GPT-4 级别的大模型

Python 潮流周刊#79：Python 的元数据困境

豌豆花下猫 — Sun, 01 Dec 2024 00:00:00 GMT

你好，我是猫哥。这里每周分享优质的 Python、AI 及通用技术内容，大部分为英文。周刊开源在 Github 上，喜欢请给颗小星星支持下~

本期分享了 12 篇文章，12 个开源项目，2 则热门讨论，全文 2200 字。

🦄文章&教程

1、约束是好的：Python 的元数据困境

作者指出 Python 的元数据系统太复杂了，存在 “缺乏约束” 的问题。通过与 JavaScript 对比，文章列出了 Python 元数据的诸多问题：复杂的元数据访问、必须重新生成的元数据、缓存失效不明确以及动态元数据导致的解析器效率低下。

Talk Python 网站是 2015 年用 Pyramid 框架开发的，但该框架已发展停滞。文章讨论了多种知名 Python Web 框架，介绍了为什么不选择它们，为什么会选择 Quart（异步 Flask），以及迁移的过程。

3、Python 不仅是胶水，它是一个隐性的 JIT 生态系统

在传统的 JIT 编译中，程序会在运行时优化其热路径（常执行的代码段）。作者发现 Python 的社区生态系统做了非常相似的事，在某些路径上持续遇到性能瓶颈时，生态系统会优化这些路径。

4、Python 类型提示在实践中可能不适合我

作者尝试了用 Python 类型提示，但发现它带来的收益不比麻烦多。偶尔开发小型的单人 Python 项目，这种情况下确实可以不太关心类型提示的使用。（附：该作者还写了一篇我使用 Python 类型提示和 mypy 的一些经验）

5、Python 项目管理和打包综合指南：构建与发布

使用热门的 uv 来介绍 Python 项目管理，这是系列第二篇，关于项目构建与发布流程，包括构建系统、源码树、构建前后端接口、可编辑安装和自定义构建过程，以及如何处理依赖和元数据等问题。

6、2024 年，并发运行 100 万个任务需要多少内存？

作者用 Rust、C#、NodeJS、Python、Go、Java 的协程，进行并发任务占用内存的基准测试，分别测试 1、10K、100K、1M 个任务时，这些编程语言的表现。（附：作者在去年做的对比不同语言运行100万个并发任务需要多少内存？）

7、突破 Streamlit 的界限

作者分享了使用 Streamlit 开发 Web UI 的体验，介绍了在集成语音接口和处理长时间运行任务时遇到的挑战，并分享了如何通过自定义组件和多线程来克服困难。

8、使用 GitHub Actions 运行 Python 脚本

作者分享了使用 GitHub Action 作自动化的经验，着重介绍 GitHub Action 工作流的配置，如何调用 Python 脚本，实现了自己的一项自动化任务。

9、利用 Python 打包求解布尔满足性和整数规划

作者受到 Python 打包解决数独问题的启发，开发了一个名为 pipip 的求解器，利用 Python 包依赖解析器来解决布尔可满足性（SAT）和 0/1 整数规划（IP）问题。文章详细解释了原理、实现细节和使用示例。

10、简化 Django 迁移：高效压缩指南

作者运行了 6 年的 Django 项目有近 300 个模块，如何降低迁移的风险成了一项挑战。文章介绍了用 django-model-info 生成迁移图，识别安全压缩的迁移路径并做压缩，整个过程减少了迁移文件数，优化了部署时间。

11、累积运算在不同编程语言中的实现

了解的编程语言越多，你对它们的理解就越深。作者对比了 Python、R、Haskell、APL 和 Julia 等语言实现累积运算（如accumulate和cumsum）的方法，能看出它们在解决相同问题时的多样性。

12、不同语言的 10 亿次嵌套循环迭代对比图

10 多种编程语言执行 10 亿次嵌套循环，所花费的执行时间做成了动图，看到末位的 Python 一直在龟速挪动，真为它感到着急……

🐿️项目&资源

1、aisuite：为多个生成式 AI 提供简单统一的接口

提供标准化的接口，让开发者可方便地使用多个 LLM。使用类似于 OpenAI 的界面，专注于聊天模式。（star 5.6K）

2、opennb：从 GitHub 代码仓或 URL 中打开 Jupyter 笔记本

支持基于 Github 代码仓文件路径打开 ipynb 文件，自动检测默认分支，支持使用指定分支。也支持直接的 URL 打开 ipynb 文件。支持给笔记本传递参数。

3、ridgeplot：用 Python 画漂亮的山脊线图

基于 Plotly 实现的简单工具，可绘制美观且交互式的山脊线图。

4、Qwen2.5-Coder：阿里云 Qwen 大语言模型的代码版本

功能强大的国产开源大语言模型，支持 92 种编程语言，上下文长度为 128K Token。（star 3.1K）

5、pex：用于生成 .pex 文件、锁文件和 venv 的工具

.pex 是一种 Python 可执行文件，是对 PEP-441 中思想的拓展，使 Python 程序的部署像cp 一样简单。单个 pex 文件可以包含多个 Python 发行版，这意味着它可在 Linux 和 OS X 间移植。（star 2.9K）

6、pipe-operator： Elixir 管道运算符的 Python 实现

这个库让你在 Python 中用类似于 elixir 管道的语法。

7、Sequoia：A 股自动选股程序

从东方财富获取数据，实现了若干种选股策略，包括海龟交易法则、缠中说禅牛市买点，以及其他若干种技术形态。（star 2.2K）

8、LLMLLM-Engineers-Handbook：LLM 的实用指南手册

这本电子书的目标是教你用最佳实践创建端到端的基于 LLM 的系统，包括数据采集与生成、训练管道、简单的 RAG 系统、生产就绪的 AWS 部署、全面的监控、测试和评估框架。（star 1.8K）

9、bbot：面向黑客的互联网扫描仪

一款受 Spiderfoot 启发的多功能扫描仪，旨在自动化你的侦察、漏洞赏金和 ASM。（star 7.1K）

10、Scraperr：自托管的网络爬虫

一个自托管的网络爬虫，通过 XPath 指定元素来抓取数据。支持以 URL 进行抓取、管理之前的任务、用户管理、查看日志、统计分析、集成 AI 等功能。（star 1.2K）

11、ImportSpy：主动控制模块如何被导入使用

支持为模块定义明确的规则，并在外部模块导入你模块前，校验它是否符合这些规则，减少因导入不当或环境配置错误而导致的错误。

12、zerox：由视觉模型支持的 PDF 转 Markdown

利用视觉模型 AI 作精准的文件内容提取，克服奇怪的布局、表格和图表等难题。（star 6.7K）

🥂讨论&问题

1、关于 Python 项目的生产环境部署

公司有很多 Python 项目，生产用什么部署方案？如何作包管理？多服务间通信是用 http 还是 rpc？

2、你最喜欢的 Python 演讲是什么？

pyvideo 上有 19163 场会议演讲，大家有什么最喜欢的演讲或演讲者可以推荐么？

🐧 往年回顾

Python 潮流周刊#29：Rust 会比 Python 慢？！（2023.12.02）

🐱欢迎订阅

欢迎留言，说说你最喜欢本期的哪一则分享？大家反馈得越多，我今后分享的也会越多！

欢迎将本专栏分享给同样爱学习的同学，当有人通过你分享的海报或者链接，购买了专栏，那么你将获得高额的返利。

3、Django Async：准备好用于生产环境了吗？

🎨关联阅读

上一期：Python 潮流周刊#78：async/await 是糟糕的设计

下一期：Python 潮流周刊#80：Django 项目性能调优

Python 潮流周刊#78：async/await 是糟糕的设计

豌豆花下猫 — Sat, 23 Nov 2024 00:00:00 GMT

你好，我是猫哥。这里每周分享优质的 Python、AI 及通用技术内容，大部分为英文。周刊开源在 Github 上，喜欢请给颗小星星支持下~

本期分享了 12 篇文章，12 个开源项目，1 则音视频，全文 2200 字。

🦄文章&教程

1、游乐场智慧：线程击败 Async/Await

作者确信 async/await 对大多数语言来说是一种糟糕的抽象，更好的方式是线程。虽然它让我们从回调地狱中解脱，但也带来了新的问题，如彩色函数、背压挑战等，阻碍我们追求直接直观的并发。作者建议新语言设计应采用类似 Java 的 Loom 项目的虚拟线程模型。（附：文中一再提及的一篇旧文 I'm not feeling the async pressure）

2、Python 真的很慢吗？

文章比较了 Python 与 Node.js 和 Rust 的性能，例子是计算斐波那契数列和冒泡排序。结果发现 Python 3.11 相比上一版本有较大提升；PyPy 与 Node.js 速度十分相近。作者为 Python 近几个版本的性能提升感到满意，对 PyPy 的性能感到惊讶。

异步 Django 使用时有什么注意事项？文章介绍了全异步涉及的 ASGI Web 服务器、异步视图、异步 ORM、异步 API 调用、异步中间件等使用，结论认为异步 Django 已经可用于生产环境。

4、为什么持久执行应该是轻量级的？

持久执行能够在系统崩溃、重启或中断后恢复到之前的状态或位置。文章介绍了 DBOS 的轻量级实现，使用 Postgres 来存储工作流状态和步骤输出，支持持久化睡眠、消息传递和队列等功能，简化了开发、部署和维护。

5、Python 中管道模式——通过重载运算符实现

上期周刊分享了一篇实现管道模式的文章，用的方法是 reduce 和 lambda，而这篇文章则通过重载运算符来实现，调用时更贴近 Linux 中的管道操作符。（分享自@un4gt）

6、FireDucks：Pandas 但速度快 100 倍

文章分享了好几组性能测试的数据，FireDucks 平均比 Pandas 快 50 倍，比 Polars 快，甚至击败了 DuckDB！FireDucks 与现有 Pandas 100% 兼容，性能更快，看起来不错。

7、任何 Python 程序都用 24 个字符装下

不算空白字符，任何 Python 程序都能编码成仅 24 个字符的长度？文章将 Unicode 空白字符的码点映射到特定的字符上，实现代码的极致压缩。

8、PEP-765：不允许在 finally 块用 return/break/continue 作退出

一则新的 PEP 草案，建议限制在 finally 代码块中使用 return/break/continue 作退出，主要原因是它会导致异常被吞噬，以及 finally 中 return 的值会替代 try 子句的 return 值。

9、CPython 的垃圾回收器及其对程序性能的影响

详细分析了 CPython 中的内存管理机制，主要关注循环垃圾回收器（GC），介绍了它的运行方式和运行时机，并解释了它对程序性能的影响。还介绍了优化内存使用和减少 GC 影响的技巧，如调整 GC 阈值、使用弱引用和优化数据结构。

10、扩展 Django 项目的实用指南

作者建议随着系统增长而逐步消除瓶颈，介绍了常见瓶颈的优化方法，包括查询过程优化、数据库索引、查询集优化、视图级缓存、模板片段缓存、底层缓存 API、异步视图和后台任务、负载均衡，等等。

11、SQL、同态和约束满足问题

SQL 不仅可作数据库查询，还可解决看似棘手的问题，如数独和编程挑战。文章展示了 SQL 在解决图同态和约束满足问题的强大能力，解决这类问题比纯 Python 更快。

12、使用 GDB 和 DDD，愉快地调试

GDB 是一个古老的 Linux/BSD 系统调试器，文章介绍了如何定制 GDB 界面、配置 DDD、GDB 的调试技巧，以及使用 GDB 的 Python API 来创建辅助函数和美化打印等内容。

🐿️项目&资源

1、pyTermTk：Python 终端工具包

提供给 TUI 开发使用的基本小组件（按钮、标签、复选框等）、专用小组件（Windows, Frames, Tables等）、真彩色支持、全/半/零大小的 Unicode 字符。

2、terminal-tree：终端中的文件系统导航器

在终端中通过键盘或鼠标来导航目录树，支持文件预览、路径补全和校验、路径组件。

3、chdb：进程内 OLAP SQL 引擎

由 ClickHouse 提供支持的进程内 SQL OLAP 引擎，输入和输出支持 Parquet、CSV、JSON、Arrow、ORC 和 60+ 种格式，支持 Python DB API 2.0。（star 2.2K）

4、open-notebook：谷歌 Notebook LM 的开源替代

支持多笔记本、支持多种模型、支持笔记转播客、广泛的内容集成方式、AI 驱动的笔记、集成搜索引擎、精细的上下文管理。

5、garak：LLM 漏洞扫描

检查 LLM 的漏洞，包括探测幻觉、数据泄露、提示词注入、错误信息、有害信息、越狱等问题。（star 2.7K）

6、EasyAnimate：高分辨率和端到端的长视频生成

一个基于 Transformer 架构的管道，旨在生成 AI 图像和视频，以及用于训练 Diffusion Transformer 的基线模型和 Lora 模型。（star 1.5K）

7、ASCII-generator：ASCII 生成器

知名 UP 主何同学将基于此开源项目改造的程序称为“专门写了一个软件”……它支持 ASCII 字符转制，包括图像到文本、图像到图像、视频到视频。（star 6K）

8、leopards：查询 Python 列表

一种查询字典列表或对象列表的方法，就像在 DBMS 中过滤一样。可查询与 OR、AND 或 NOT 匹配的字典/对象。速度比 Pandas 快。

9、分布式系统第 4 版-电子书

Distributed Systems 的第 4 版，包含各种小的更正项，所有 Python 代码已更新为 Python 3.

10、ebook2audiobook：生成带章节的电子书有声读物

用 Calibre 和 Coqui XTTS 将电子书转换为带章节和元数据的有声读物，支持可选的语音克隆和多种语言！（star 1K）

11、pensieve：完全由你掌控数据的「被动记录」项目

一个专注于隐私的被动记录项目，可以自动记录屏幕内容，构建智能索引，并提供便捷的 Web 界面来检索历史记录。数据存储在本地，完全本地化运行。

12、yami：有简单 UI 的开源音乐播放器

用 Python 开发的轻量级音乐播放器，简约跨平台，支持本地文件及用 spotdl 在线下载。

🐢播客&视频

1、PyData Tel Aviv 2024 视频列表（24个）

PyData Tel Aviv 是一个专注于 PyData 项目的会议和社区活动，聚焦数据分析、数据科学和机器学习领域。

🐧 往年回顾

Python 潮流周刊#28：两种线程池、四种优化程序的方法（2023.11.25）

🐱欢迎订阅

欢迎留言，说说你最喜欢本期的哪一则分享？大家反馈得越多，我今后分享的也会越多！

欢迎将本专栏分享给同样爱学习的同学，当有人通过你分享的海报或者链接，购买了专栏，那么你将获得高额的返利。

2、Python 的膨胀：精细的项目间依赖关系分析

🔥关联阅读

上一期：Python 潮流周刊#77：Python 依赖管理就像垃圾场火灾？

下一期：Python 潮流周刊#79：Python 的元数据困境

Python 潮流周刊#77：Python 依赖管理就像垃圾场火灾？

豌豆花下猫 — Sun, 17 Nov 2024 00:00:00 GMT

你好，我是猫哥。这里每周分享优质的 Python、AI 及通用技术内容，大部分为英文。周刊开源在 Github 上，喜欢请给颗小星星支持下~

本期分享了 12 篇文章，12 个开源项目，2 则热门讨论，全文 2200 字。

🦄文章&教程

1、Python 依赖管理一种垃圾场火灾

文章讨论了 Python 依赖管理的复杂性，随着项目增长和演变，很容易发生“火灾”。应该如何预防呢？文章分享了很多提升“消防安全”的技术、工具和最佳实践，分析了不同工具的优缺点，根据不同场景提供了使用建议。

来自美国计算机协会（ACM）的一篇论文，分析了 1302 个流行的 Python 开源项目源码及其 3232 个传递依赖库，建立细粒度的项目依赖图，作可达性分析，发现超过 50% 的依赖是膨胀的。

3、分享我的 Django 项目模板

作者分享了基于 uv 和 just 的 Django 项目模板，介绍了建议的目录结构、配置管理、环境变量和密钥管理、Web UI、部署和维护等话题。

4、避免在 Django 分页中计算总数

Django 的默认 Paginator 依赖于对象 COUNT(*) 查询来计算页数，可能导致耗时很长，文章介绍如何实现自定义分页器，提高分页 API 的查询性能。文章演示的例子从 855 毫秒提升到 12 毫秒。

5、你需要更注意分词

在构建人工智能应用时，需要对文本进行分词，作者发现分词器的选择和优化对 RAG 的效果至关重要，讨论了不同分词器类型（基于单词、字符和子词）及其对模型性能的影响。

6、Pythonic 的空值检查

Python 中被 PEP-8 推荐的判断列表是否为空的方法是“if seq”，而不是“if len(seq)”。有人说第一种方法含糊不清，文章对此观点做出反驳，提倡使用有意义的变量名、类型提示、清晰的函数名和文档字符串来提高代码的可读性，减少出现含糊的可能。

7、Attestations：PyPI 的新一代签名

PyPI 引入了 PEP-740 规范的一项安全特性：数字证明。它通过提高密钥可用性、索引可验证性、密码学强度和来源属性，改善了传统的 PGP 签名。

8、PyPIM：直接在 RAM 中执行 Python 代码的新方法

以色列研究人员开发了一种新的软件“平台”，可将易于阅读的 Python 指令转换为低级机器代码，并在 RAM 中执行，而无需通过 CPU。这种新的内存处理（PIM）架构显著提高了代码性能。

9、Python 中管道模式的实际示例

管道模式（Pipeline pattern），也称为链式命令模式，文章介绍了一个用 functools.reduce 、partial函数以及BeautifulSoup库来解析 HTML 内容的实例，解释了这种模式的用法和优点。

10、零停机时间部署 Django 与多步骤数据库更改

蓝绿部署是防止部署期间服务停机的常用策略，文章深入探讨了什么是蓝绿部署，为什么蓝绿部署时修改数据库可能很棘手，以及用 Django 项目为例，常见数据库修改的处理。

11、Netflix 关于 Workbench UI 延迟问题的调查

Workbench 是 Netflix 推出的一个远程开发工作区，最近遇到 JupyterLab UI 变得缓慢且无响应问题，文章复盘了该问题的详细定位过程，从 UI 一直到 Linux 内核作调试。

12、通过 Python 侧车模式在 Go 中使用 ML

如何在 Go 项目中使用机器学习模型？文章介绍了几种方法，包括用现成的大语言模型的 API、本地运行开源模型，以及通过 Python 侧车模式集成训练好的模型。文章主要是关于最后一种方法的解释和示例。

🐿️项目&资源

1、Box：用高级的点表示法访问嵌套字典

将无法直接访问的嵌套字典变为一种属性，可使用点表示法访问字典的元素，使代码更为简洁和易读。（star 2.6K）

2、dendrite-python-sdk：构建 Web AI 代理，像人类般浏览网页

支持与元素交互、提取结构化数据、身份验证、上传/下载文件、浏览而不被拦截。

3、prints_charming：增强终端打印的样式和颜色

支持终端的彩色打印、设置文本样式（背景色、粗体、下划线等）、自定义样式、创建边框和表格、智能默认值等功能。

4、weft：类似 vim 的终端阅读器，可与书籍聊天

在终端中使用类似 Vim 的命令阅读 epub 电子书，并支持与当前文本聊天、生成摘要、文本转语音等功能。

5、PiML-Toolbox：Python 可解释机器学习工具箱

用于可解释机器学习模型开发和验证的新 Python 工具箱，通过低代码接口和高代码 API，它支持越来越多的本质上可解释的 ML 模型。（star 1.2K）

6、PDF-Extract-Kit：高质量提取 PDF 内容

从复杂多样的 PDF 文档中提取高质量内容，集成领先的文档解析模型、跨不同文档的高质量解析、模块化设计、提供多样化且全面的 PDF 评估基准。（star 5.6K）

7、VideoLingo：Netflix 级字幕切割、翻译、对齐、配音

一站式视频翻译本地化配音工具，一键生成 Netflix 级别的高质量字幕，告别生硬机翻，告别多行字幕，还能加上高质量的配音，让全世界的知识能够跨越语言的障碍共享。（star 6.3K）

8、htmy：异步、纯 Python 渲染引擎

异步优先的纯 Python 渲染引擎，类似 React 的上下文支持，所有基线 HTML 标签都内置，支持 Markdown，基于 JSON 的国际化，所有东西都可轻松自定义。

9、website-hot-hub：36Kr、bilibili、抖音、掘金、微信读书的热点榜

每小时自动抓取一次数据，按天归档多个平台的热点榜，数据从 2023-10-25 至今。

10、watermark-anything：为任何内容添加水印

对论文 Watermark Anything 的实现和预训练模型，支持在图像中嵌入多个本地化水印。

11、models：先进开源的视频生成模型

非常先进的视频生成模型，完全开源，具有高保真度的动作和对提示的强烈遵循性。（star 2K）

12、deepface：轻量级人脸识别和人脸属性分析

不仅能识别人脸，还能分析人物属性（年龄、性别、情感、种族）。人脸识别准确率 97.53%。（star 14.7K）

🥂讨论&问题

1、2024 年最先进的 Python

当前在 Python 团队中推行哪些“默认”

2、为什么有一些 Python 入门书不教 class、yield、self 之类的方法？

为什么有些颇受好评的入门书里都不教这些东西？不学会有问题么？

🐧 往年回顾

Python 潮流周刊#27：应该如何处理程序的错误？（2023.11.18）

🐱欢迎订阅

欢迎留言，说说你最喜欢本期的哪一则分享？大家反馈得越多，我今后分享的也会越多！

欢迎将本专栏分享给同样爱学习的同学，当有人通过你分享的海报或者链接，购买了专栏，那么你将获得高额的返利。

2、Django Girls：这是我们的 10 岁生日！

🎪关联阅读

上一期：Python 潮流周刊#76：用 50 行 Python 代码实现 BASIC

下一期：Python 潮流周刊#78：async/await 是糟糕的设计

REST API 已经 25 岁了：它是如何形成的，将来可能会怎样？

豌豆花下猫 — Mon, 11 Nov 2024 00:00:00 GMT

原文：https://journal.hexmos.com/rest-turns-25/

原题：REST APIs Turn 25: How They Came To Be and What Could Be Next

作者：Shrijith Venkatramana

翻译：豌豆花下猫&ChatGPT

根本问题：新兴的“AI 时代”将如何影响“Web 时代”的产物？

2000 年，Roy Fielding 在博士论文中，正式引入了“表述性状态转移” （Representational State Transfer，简称 REST）这一概念。随着 2024 年接近尾声，REST 的概念也即将迎来至少 25 岁了。我稍后会详细介绍，REST 的这 25 年是如何成为了“Web 时代”的特征。

随着“ChatGPT 演示”现象的出现，以及 AI 和自动化所带来的新乐观情绪，我希望重新审视 API，特别是 RESTful API 的历史。在文章的最后，我会对未来“AI 时代”中的 API 领域做一些大胆的猜测。

我对历史感兴趣，因为它为我们指明未来的方向

提醒读者：Fielding 的论文在“REST API”普及全球之前就已经完成了。Fielding 仅将“REST”作为在 HTTP 上构建“分布式超媒体”的架构风格之一（更像是 HTTP 的扩展）。因此，他对这一主题的表述相当抽象和微妙。

在本文中，我不打算详尽复述 Fielding 的观点，而是重点回顾在引入 REST 之前和之后的 API 发展历程，通过对比来更清晰地了解 API 的发展。我会更关注 API 的实际应用演变，而非其背后的学术理论。

为什么要研究历史？因为这有助于更清楚地了解 API 及其未来可能的演变方向。本文更多是一种个人对该主题的探索，而非严谨的学术研究。

REST 的核心：描述“Web 时代”的需求

在 Fielding 开始创作他的论文时：

Web 已经出现了约 10 年。
它积累了一套标准和“运作方式”。
Fielding 试图通过深入研究扩展、缓存、组件分区、通信和 Web 演变需求，避免有害的架构。
重点在于收集一系列“架构约束”以构建“架构风格”。
Fielding 的研究成果直接应用于 HTTP 和 URL 标准的改进。
作为一种架构模式，REST 考虑了多个属性，包括组件交互的扩展性、通用接口、组件的独立部署、延迟、安全性和向后兼容性等。

API 历史的快速概览

1951 - 最早的 API，但未明确称呼（Maurice Wilkes）

1951 年，Maurice Wilkes 在《电子数字计算机程序》中引入了最早的类似于 API 的概念，提出可重用的软件例程来简化 EDSAC 计算机的编程。

1968 - 首次提到“API”一词（Ira W. Cotton）

1968 年，Ira W. Cotton 的论文《远程计算机图形学的数据结构与技术》首次使用“API”一词，指的是用于远程图形处理的接口。

1974 - 首个数据库 API（C. J. Date）

1974 年，C. J. Date 对比了关系数据库和网络数据库两种模型，重点讨论了它们的程序编程接口 (API) 的差异，以促进数据库交互。

1991 - CORBA 标准（Object Management Group）

1991 年，对象管理组 (OMG) 引入了 CORBA (公共对象请求代理架构) 标准，旨在实现不同系统和平台之间分布式异构应用的通信。

1993 - CGI（Roy McCool）

1993 年，Roy McCool 开发了通用网关接口 (CGI)，这是 Web 服务器与外部应用交互的早期标准，为现代 Web API 奠定了基础。

2000 - Roy Fielding 提出 REST 理念

2000 年，Roy Fielding 的博士论文引入了 REST (表述性状态转移) 概念，为基于 Web 的应用定义了一种可扩展的无状态架构。

2002 - Bezos 的 API 指令：推动微服务

2002 年，Jeff Bezos 在 Amazon 内部发布了一项指令，要求所有团队通过服务接口 (API) 公开数据和功能，这为 Amazon 采用微服务架构和现代云计算奠定了基础。

2010 - Flickr 的照片 API

2010 年，Flickr 的照片 API 允许开发者以编程方式访问和操作用户上传的照片，实现了照片搜索、上传、打标签和元数据检索等功能。

2015 - GraphQL（Meta Platforms）

2015 年，Meta Platforms (原 Facebook) 推出了 GraphQL，一种灵活的 API 查询语言和运行时，允许客户端只请求所需的数据，从而优化数据检索并提高效率。

2016 - gRPC（Google）

2016 年，Google 推出了 gRPC，这是一种高性能、开源的远程过程调用 (RPC) 框架，支持分布式系统之间的高效通信，利用 HTTP/2 和 Protocol Buffers 进行数据序列化。

对未来的推测

随着 AI 的崛起：标准需同时适应人类与 AI

“Web 时代”的标准主要关注服务于人类用户。可扩展性、缓存、安全性、易理解性和简单性，都是我们人类关心的事物。这些对我们来说都是很重要的东西。

而现在，生产者和消费者中增加了新的“成员”——AI。在许多组织中，将有机器人团队执行各种工作。未来的生态系统必须调整了，以便同时提高 AI 和人类的生产力。

API 需更易于被 AI 智能体发现和使用：HATEOAS 可能重回视野

Fielding 的论文提出了 HATEOAS (应用状态的超媒体引擎) 概念，他想强调 API 的可发现性很重要。例如，在 API 的响应中，应该包含对消费者可用的其它资源的链接或引用。

这个想法没有广泛普及，但在 AI 智能体的参与下，这一概念可能会变得更为重要，因为许多 AI 可能会使用这些 API。这也意味着可以针对特定 AI 的需求生成“动态响应”。

编写优秀的 API 文档将更简单、成本更低

在未来，我相信设计、测试和共享 API 的难题可以通过先进的 AI 工具轻松解决。

撰写文档是一项需要很多技能、时间和精力的工作。
保持代码和文档的同步是一项常被忽视的负担。
保持文档友好、有用并支持可发现性是一项难得的技能。

通过大语言模型 (LLM) 的理解能力，所有这些与 API 相关的问题都能得到解决。举例来说，Hexmos 正在开发 LiveAPI，可通过最少的人为干预将任何代码库翻译成友好实用的文档页面，我们已取得了良好效果。我们在这个领域才刚刚起步，所以我看到了未来的巨大改进潜力。

新 API 的推出速度将显著加快

随着 LLM 辅助的 IDE 的普及，可以肯定的是，开发新代码和功能将需要：

更少的人力
更少的时间

这意味着每个“实现计划”都可以大幅加速，从而实现更快的开发速度。

甚至设计和营销也变得不那么繁琐，从而加快了软件产品，尤其是 API 的上市时间。

这意味着一件事：更多的实验、更多的创新，因而市场上将涌现出更多可供试用的 API。

客户端和服务器代码自我升级：更具韧性的系统

很少有 API 能在一年内不出现故障。随着时间推移，API 保持稳定性的可能性会大幅降低。即使是像 AWS 这样的组织也常常会发生 API 中断，造成问题。

问题的根源在于开发的自然周期：接口变更、版本不匹配、功能被移除或新增、沟通时有时无，等等因素。

在生产者和消费者之间，通常会有一个漫长的协商过程，逐步建立起新的共识。而随着代码库的自动化发现和重构，用于“修复”这些不匹配的“协商”工作量可能会显著减少。

新的 AI 经济正在形成：组建“智能体团队”维护新基础设施

尽管 AI 目前尚未完全胜任独立开发复杂软件的任务，尤其是端到端的，但可以设想，AI 团队可以帮助工程师维护新基础设施和 API。它们可以理解客户消息、协调和解决问题，甚至是修复补丁、升级系统等。

用于设计、实现、测试和共享 API 的新型机器人功能可能会涌现，我预测在这一领域将会发展出一个机器人经济。

软件变得更廉价：大多数 API 价格将下降

如上所述，随着大量自动化技术的实现，软件的“供给侧”可能会超过“需求侧”。你我都知道这意味着什么：在软件开发和维护中，自动化和生产力的提升将导致软件无处不在，供过于求必然会导致价格下降。当然，也可能会出现由更复杂系统驱动的新型 API，其成本可能比以往更高，但从整体上看，多数价格可能会走低。

即将出现情境感知 API：API 可“了解”用户需求以调整响应

目前，API 的“输入”和“输出”往往是静态的，通常只能处理少量有特定含义的字符串和数字片段。然而，未来的 API 输入将会更加复杂。用户的偏好、需求和具体情况可能会成为影响 API 的更重要的“输入”。“我和我的情境”可能比任何其它特性更显著地影响一个 API。在推荐算法等领域，这一趋势已经在发展，但这些算法的生产和维护成本一直很高。不过，这类技术可能会逐渐商品化，并且可能会出现一些通用的结构来处理“上下文”。

结论

Fielding 的 REST 理论奠定了“Web 时代”的特征，而新的自动化浪潮作为“AI 时代”的一部分正在兴起。API 的历史显示了通往当前状态的痛苦而复杂之路。未来无疑将涉及一套新的竞争激烈的标准、错误的转向等，直到新的稳定标准和“做事方式”出现。

Python 潮流周刊#76：用 50 行 Python 代码实现 BASIC

豌豆花下猫 — Sat, 09 Nov 2024 00:00:00 GMT

你好，我是猫哥。这里每周分享优质的 Python、AI 及通用技术内容，大部分为英文。周刊开源在 Github 上，喜欢请给颗小星星支持下~

本期分享了 11 篇文章，12 个开源项目，全文 2000 字。

🦄文章&教程

1、袖珍而强大的编程语言（系列共 6 篇）

作者试图分别用 50 行左右的 Python 代码实现一些经典的小型编程语言，包括最古老的编程语言之一 Assembly、1970 年代的 BASIC、Forth/MOUSE、Lisp 1.5、APL/K、PL/0 等，系列文章介绍了实现的过程和主要原理。

Django Girls 组织始于 2014 年，如今迎来 10 岁生日了！10 年里，来自 109 个国家/地区的 2467 名志愿者共举办了 1137 场免费的研讨会，来自 593 个城市的 24500 多名女性参加了活动。

3、venvstacks 简介：分层的 Python 虚拟环境

venvstacks 是一个基于 venv 的项目，将 Python 虚拟环境分成三层（运行时层、框架层、应用层），每层独立归档和发布。适用于复杂项目，或需要再不同组件间共享依赖的情况。（附：venvstacks 的起源）

4、不要在新 API 中返回命名元组

文章建议不要让 API 的返回值使用命名元组，因为它同时支持基于索引和基于属性的数据访问，增加了不必要的复杂性。推荐的做法是用数据类、类型化字典等更清晰的数据结构。

5、关于 Django 核心的思考

Django 到明年将满 20 岁了，作者思考关于 Django 的一些话题，包括为什么它能长寿而且持续健康、核心团队的演变、Django 的几个支柱、添加新功能的挑战、即将添加的重大功能、Django 与生态系统的关系，等等。

6、Python 3.13 性能现状：自由线程

Python 3.13 引入的自由线程该如何使用，以及它对 Python 应用的性能到底会带来多大影响？文章通过 PageRank 算法的多线程和多进程实现，比较了不同并发模型的性能。

7、Python 项目管理和打包综合指南：用 uv 作解释

关于 Python 项目管理和打包的综合指南，使用当前最火工具uv来演示，包括pyproject.toml的使用、入口点、模块、包、项目和库的区别、依赖关系、依赖组、依赖对象标识符、锁定和同步等等知识。

8、如何用 cProfile 和 snakeviz 分析 Python 代码？

介绍了如何用标准库中的 cProfile 来分析代码性能，并用snakeviz生成火焰图作可视化。解释了如何阅读和理解火焰图，通过火焰图识别性能瓶颈，通过实例演示性能优化的工作流程。

9、高效 Python 编程的 21 条提示和技巧

如何提高 Python 编程效率和生产力？这篇长文分享了 21 项 Python 编程小贴士，多数为初级内容，但示例和解释比较充分。

10、关于构建 ML 系统、扩展、执行等的 39 个教训

作者在 2024 机器学习会议期间，关于 ML 系统在开发、扩展、执行与协作、用户关系、会议活动等方面的反思。

11、Octoverse：Python 超越 JavaScript 成为 Github 最流行语言

Github 发布了今年的 Octoverse 报告，揭示了全球开发者社区的现状和趋势。在 AI 热潮和机器学习带动下，Python 终于超越 JavaScript 而登顶首位。（据预计，印度将在 2028 年成为 Github 上最大的开发者群体。）

🐿️项目&资源

1、ranger：受 VIM 启发的控制台中的文件管理器

在控制台中的简约的文件管理器，支持目录层级结构、多窗格视图模式、常见的文件操作、批量重命名、自动确定文件类型并用正确程序运行、标签页、书签、鼠标操作等。（star 15.6K）

2、libcom：图像合成工具箱

将前景图以逼真的方式合成到背景图中，消除两者的不一致，使图像混合、绘图协调、生成阴影等。目标是解决与图像合成相关的所有问题。

3、go-python：在 Go 里写 Python

支持在 Go 里调用 Python（基本类型、模块、函数）、在 Python 中调用 Go（将 Go 函数/结构体导出到 Python），使用常用库（matplotlib、gradio）作基本测试。

4、code-embedder：使 README 中的代码片段保持最新

这是一个 GitHub Action，可自动更新 Markdown 文件中指定部分的代码片段，无需人工干预。

5、toolgit： Git 生产力工具包

包含一系列扩展 Git 功能的子命令，让你使用 Git 更流畅。

6、tinylangs：50 行 Python 代码实现其它编程语言

分别用不到 50 行 Python 代码实现 Assembly、BASIC、Lisp、MOUSE、TCL、k/simple 解释器、PL/0 解释器等编程语言。

7、hertz-dev：首个全双工对话音频的开源模型

应用于电话、视频会议、语音聊天等实时通信场景。（star 1.2K）

8、diagrams：图表即代码，给云系统架构做原型设计

用 Python 代码绘制云系统架构，无需其它设计工具就可做原型设计。支持AWS、Azure、GCP、Kubernetes、阿里云、Oracle Cloud 等云服务商。（star 39K）

9、NoteFlow：轻量级的笔记应用

轻量级的、基于 Markdown 的笔记应用，具有任务管理功能。将 Markdown 文件转换为现代 Web 界面，支持任务、图像和代码片段。

10、docling：解析文档并导出为所需格式

读取流行的文档格式（PDF、DOCX、PPTX、图像、HTML、AsciiDoc、Markdown）并导出为 Markdown 和 JSON。支持扫描版 PDF，支持 PDF 文档理解，包括页面布局、阅读顺序和表格。（star 7.3K）

11、LibreTranslate：免费的开源机器翻译 API

免费开源的机器翻译 API，完全自托管，支持离线，翻译引擎是开源的 Argos Translate 库，不依赖 Google 或 Azure 等专有提供商。（star 9.6K）

12、docetl：LLM 驱动的数据处理和 ETL

用于创建和执行数据处理管道的工具，适用于复杂的文档处理任务。它提供了一个低代码、声明式 YAML 接口，用于定义 LLM 支持的复杂数据操作。（star 1.2K）

🐧 往年回顾

Python 潮流周刊#26：requests3 的现状（2023.11.11）

🐱欢迎订阅

欢迎留言，说说你最喜欢本期的哪一则分享？大家反馈得越多，我今后分享的也会越多！

欢迎将本专栏分享给同样爱学习的同学，当有人通过你分享的海报或者链接，购买了专栏，那么你将获得高额的返利。

1、如何用 Python 开发一个 NoSQL 数据库？

🏆关联阅读

上一期：Python 潮流周刊#75：用 Python 开发 NoSQL 数据库

下一期：Python 潮流周刊#77：Python 依赖管理就像垃圾场火灾？

Python 潮流周刊#75：用 Python 开发 NoSQL 数据库

豌豆花下猫 — Sat, 02 Nov 2024 00:00:00 GMT

你好，我是猫哥。这里每周分享优质的 Python、AI 及通用技术内容，大部分为英文。周刊开源在 Github 上，喜欢请给颗小星星支持下~

本期分享了 11 篇文章，12 个开源项目，1 则音视频，2 则热门讨论，全文 2000 字。

🦄文章&教程

文章介绍了如何用 Python 开发一个 NoSQL 数据库，介绍了 NoSQL 数据库的工作原理和相关实现，包括核心数据结构、全局二级索引、查询引擎以及实现复杂查询。

2、Python 3.13，什么没有成为头条新闻？

介绍了 Python 3.13 中未被广泛报道但值得关注的变化，包括改进的 pdb 调试器、修复的 shutil 库、并发的小优化、新的注解语法和一些 API 调整。

3、PEP-750 – 模板字符串

一则 PEP 草稿，提议引入用于处理自定义字符串的模板字符串，是 f-string 的泛化，使用“t”代替“f”，支持安全检查、Web 模板、特定领域语言等。

4、DRF 框架组件源码分析及改编源码系列

DRF 框架（Django REST framework）源码分析系列文章，包括生命周期、Authention、Permission、Throttle 等组件源码分析及改编。

5、从 Python 到 CPU 指令

Python 是一门高级语言，为开发者屏蔽了底层的实现细节。这个系列文章第一篇用 C 和 Python 写同样的程序，揭示 Python 对我们隐藏的内容，第二篇则进一步探讨 C 语言是如何被转换为 CPU 指令的，帮助我们理解 Python 的幕后细节。

6、用 Python 包解析器解数独问题

上期周刊分享过 sudoku-in-python-packaging 项目，这篇文章解释了它是如何实现的，同时简单比较了 uv 和 pip-tools 的耗时，前者 0.24 秒后者 17.72 秒。（@frostming 分享说这个点子在 2 年前也有人提过，用 Poetry 的依赖项解析器求解数独）

7、不要使用递归实现统一化

统一化（Unification）是解决方程式或约束集的一种方法，它试图找到一个替换方案，使得两个给定的表达式在替换后变得相同。文章讨论了实现统一化的不同算法，特别是比较了递归和非递归（循环）两种风格。

8、给 Python REPL 添加键盘快捷键

这位作者很喜欢 Python 3.13 的 REPL，分享了如何给它添加快捷键功能，使用到的是冷门的 PYTHONSTARTUP文件和_pyrepl模块。

9、使用 CSnakes 将 Python 嵌入到 .NET 项目中

如何将 Python 深度嵌入到 .NET 项目中？作者开发了一个 CSnakes 项目，文章介绍了它的实现原理，用实际的例子演示了 .NET 与 Python 脚本的交互用法，同时与 IronPython、Python.NET 和 Pyjion 等框架做了对比。

10、Streamlit vs Gradio：Python 仪表板的终极对决

Python 在数据分析和可视化方面有不少好用的工具，文章综合对比了 Streamlit 与 Gradio 两大工具的功能及优势。

11、REST API 已经 25 岁了：它是如何形成的，以及将来可能会怎样？

REST（Representational State Transfer）概念诞生于 2000 年，如今随着 AI 和自动化的兴起，RESTful API 在新环境下可能会如何发展呢？文章回顾了它在“Web时代”诞生的背景和发展历程，并预测它在“AI时代”可能的未来演进。

🐿️项目&资源

1、jamesql：用 Python 实现的内存 NoSQL 数据库

Python 开发的小型数据库，支持构建自定义排序算法。能在 1ms 内从数千个文档中作多字段的全文检索。

2、tabled：检测并解析表格为 Markdown 和 csv

表格内容提取工具，用 surya 查找 PDF 中的所有表格，识别行/列，并将单元格格式化为 markdown、csv 或 html。

3、ClickPy：Clickhouse 提供支持的 PyPI 包分析网站

可以浏览 PyPI 上 70 多万个软件包和超过 1.16 万亿次下载的数据。

4、finstruments：用 Python 和 Pydantic 构建的金融工具定义库

开箱即用，带有最常见的金融工具，包括股票远期和期权，以及头寸、交易和投资组合模型等。

5、pneumaticworkflow：轻量级工作流自动化工具

开源的云原生工作流管理系统，Apache 2.0 许可证，可视化工作流设计、自动化任务管理、可扩展架构、对三方 API 友好、实时监控及分析面板、基于角色的访问控制。

6、pygfx：强大且多功能的可视化库

基于 wgpu 构建，相比 OpenGL，可实现卓越的性能和可靠性，应用于科学可视化、视频游戏渲染等场景。

7、Music：创建和操作音乐作品

音乐处理工具，用 Pygame 实现的图形界面，并集成了 MIDI 功能来处理音符和旋律。

8、Wimsey：轻量级的灵活的数据协定库

自带数据帧库（Pandas、Polars、Dask、CuDF、Rapids、Arrow 和 Modin），支持多种合约格式（yaml、json 或 Python 编写），轻量级简单易用。

9、SoniTranslate：视频的同步翻译与配音

一个 Web 应用（Gradio 开发），可将视频翻译成不同的语言，保持声音同步。

10、mast3r：3D 基础图像匹配

将二维图像与三维空间中的点云数据进行匹配，以实现精确的空间定位和场景理解。（star 1.3K）

11、aiofiles：支持 asyncio 的文件操作

让文件操作也支持异步，与 Python 标准的文件操作相似，支持 async/await。（star 2.8K）

12、s-tui：终端中的 CPU 压力和监控程序

在终端中以图形方式监控 CPU 温度、频率、功率和利用率等数据变化。（star 4.2K）

🐢播客&视频

1、PyBay 2024 演讲视频合集（29个）

PyBay 是由湾区 Python 协会举办的一年一度的 Python 爱好者大会，今年为第 9 届。

🥂讨论&问题

1、为什么 Python 流行的框架使用字符串而非枚举作为参数？

比如 matplotlib 使用 fig.legend(loc='topleft')，而不是枚举式 LegendPlacement.TOPLEFT？

2、这现在是 Python 3.13 的有效语法！

Python 3.13 引入了一个语法点，允许在类型注释中写列表推导式和 lambda！但是，代码可读性有点糟糕，评论区已是一片反对声了。

🐧 往年回顾

Python 潮流周刊#25：性能最快的代码格式化工具 Ruff！（2023.11.04）

🐱欢迎订阅

欢迎留言，说说你最喜欢本期的哪一则分享？大家反馈得越多，我今后分享的也会越多！

欢迎将本专栏分享给同样爱学习的同学，当有人通过你分享的海报或者链接，购买了专栏，那么你将获得高额的返利。

2、2024 年 Python 和 JavaScript 开源生态分析

🐝关联阅读

上一期：Python 潮流周刊#74：创下吉尼斯世界记录的 Python 编程课

下一期：Python 潮流周刊#76：用 50 行 Python 代码实现 BASIC

Python 潮流周刊#74：创下吉尼斯世界记录的 Python 编程课

豌豆花下猫 — Sat, 26 Oct 2024 00:00:00 GMT

你好，我是猫哥。这里每周分享优质的 Python、AI 及通用技术内容，大部分为英文。周刊开源在 Github 上，喜欢请给颗小星星支持下~

本期分享了 12 篇文章，12 个开源项目，2 则音视频，全文 2300 字。

🦄文章&教程

1、创下吉尼斯世界记录的 Python 编程课

一项新的吉尼斯世界记录诞生了：世界上最大的编程课，1688 名学生同时参与。作者分享了自己在这堂 Python 编程课里所讲的主要内容，包括 Python 基础知识，以及编程实现一个数独游戏，并编程实现题目解答。

文章分析了 Github 上超过 3.6 万个代码仓，探讨两门编程语言的开源增长趋势、主要技术焦点与社区活跃度。JavaScript 更加侧重于 Web 全栈开发，Python 则在数据科学和机器学习领域占据主导地位。

3、Python：range 不是迭代器

很多人误认为 range 是迭代器，但这不对！它只是一个可迭代对象（这种情况非常少见）。文章解释了这两个概念，说明它们的区别，避免大家造成混淆。（附：科普是什么/不是什么的文章很多，但是，为什么 range 不设计成迭代器呢？）

4、2024 年 EuroPython 关于安全的演讲

EuroPython 在今年 7 月举办，目前已发布活动视频 130+。作者挑选了 8 个与安全相关的演讲，作了概要性介绍，包括“网络抗风险法案”即将出台、Python 打包的许可标准化、PyPI 添加更新框架……

5、Python 异常调用链追踪之谜

当代码中抛出层层嵌套的异常时，你应该不陌生“During handling of the above exception, another exception occurred: ”，但这种情况的可读性较差。作者介绍了自己开发的工具是如何解决这个问题的。

6、Python 3.12 vs Python 3.13：性能测试

最新发布的 Python 3.13 版本相比 3.12，在性能上有什么变化？作者在台式机、笔记本和迷你 PC 上总共作了 100 种不同的基准测试，给出了性能变化的明细清单。

7、从第一性原理出发理解 Django（20 篇已完结）

“Django from first principles”系列完结了，它从单文件项目开始，一步一步开发出一个标准完整的 Django 项目。最终篇分享了一些进一步学习 Django 的方式。

8、JAX：为什么所有人都对这个框架如此兴奋？

JAX 是由谷歌 Deepmind 开发的高性能框架，提供对 GPU 和 TPU 等硬件加速器的支持。这篇长文由 4 部分组成，详细介绍了它的转换及解释过程、Jax 表达式、JIT 实时编译、向量化的雅可比积等内容。

9、如何给 Python 打补丁，让它支持这个 Ruby 功能？

Python 的条件表达式语法是“X if C else Y”，其中 else 部分是不可省略的。能否让它的 else 部分变为可选的呢，默认为 None 值？作者分享了自己魔改 Python 的过程。（附：一篇简化版，为 CPython 解释器添加一个语法）

10、我的 NumPy 年：为下一代科学计算创建 DType

作者在 NumPy 2.0 中引入了新的字符串 DType，避免了内存浪费并提升性能，文章分享了其技术流程、关键设计决策以及面临的起起落落，以及一些如何解决心理障碍的技巧和成为维护者的建议。

11、Python 开发出的 7 个数据库

有没有用 Python 开发成的数据库？文章梳理了几个，包括关系型数据库、NoSQL 数据库、嵌入式数据库和面向对象数据库这几类，介绍了它们的主要特点、使用场景、注意事项和基本用法。

12、重新架构：从 Redis 迁移到 SQLite

Wafris 是一家开源的 Web 应用防火墙公司，博客分享了他们为什么要将 Redis 改为 SQLite、决策时做过的基准测试、迁移的注意事项，以及整体的架构优化方案。

🐿️项目&资源

1、sudoku-in-python-packaging：通过 Python 打包来解数独问题

从依赖文件中解析 Python 包依赖是 NP 完全问题，数独也是 NP 完全问题，这意味着可以用 Python 包管理器来解答数独问题。

2、manim：用于创建数学动画的 Python 框架

一个用来制作解释性数学视频的动画引擎，以编程方式创建精确的动画。（star 25.1K）

3、ryp：在 Python 中执行 R 代码

一个极简且功能强大的库，支持在 Python 中执行 R 代码，在 Python 与 R 之间快速传输大数据集。是 rpy2 库的替代方案。

4、CSnakes：将 Python 嵌入到 .NET 项目

它是一个 .NET 源码生成器和运行时，可嵌入 Python 代码到 .NET 项目，无需 REST、HTTP 和微服务。支持 Python 3.9-3.13，包括 3.13 的自由线程。

5、TV：IPTV 电视直播源更新工具

自定义频道菜单，根据模板频道，自动获取并更新最新的直播源接口。包含央视频道、央视付费频道、卫视频道、广东频道、港·澳·台频道、电影频道，等等。（star 3.4K）

6、data-formulator：用 AI 创建更丰富的可视化

微软开源的 AI 工具，结合 UI 和自然语言输入，将图表设计需求与数据交给 AI 创建出丰富的可视化效果。

7、VirtualWife：虚拟数字人项目，支持 B 站直播

一个孵化中的虚拟数字人项目，支持一键 Docker 部署、支持 Linux/Windows/MacOS 系统、支持自定义角色、长短期记忆、LLM 模型切换、文字驱动表情/动作，等等。（star 1.8K）

8、socketify.py：高性能 Http/Https 和 WebSockets 服务

支持 CPython 和 PyPy，快速可靠的 Http/HTTPS、支持 pub/sub 的 WebSocket、快速加密的 TLS 1.3 比大多数替代服务更快、支持最大背压/最大超时/最大有效载荷和空闲超时，等等。（star 1.4K）

9、image-matting：AI 智能抠图项目

使用 RMBG-1.4 模型实现图像抠图，支持单张和批量，结果导出 png/psd/jpg 格式，支持二次编辑、拖拽、粘贴、格式转换、图片压缩等功能。

10、AsrTools：智能语音转文字工具

最大区别和优势就是无需 GPU 和繁琐的本地配置，拥有基于 PyQt5 和 qfluentwidgets 的高颜值界面，多线程并发 + 批量处理，支持生成 .srt 和 .txt 字幕文件。

11、cached-property：用于缓存类属性的装饰器

它使得缓存耗时或计算成本高昂的属性变得快速而简单。

12、Bowler：安全地重构 Python 代码

支持在语法树层面对 Python 作重构，可安全、大规模修改代码，并保证生成的代码能编译和运行。（star 1.6K）

🐢播客&视频

1、2024 年 PyData 阿姆斯特丹视频合集（47 个）

PyData Amsterdam 是一个专注于 Python 数据科学、机器学习、人工智能等领域的会议和活动。今年的 40+ 演讲视频已更新到油管频道。

2、2024 年 EuroPython 视频合集（135 个）

EuroPython 是欧洲规模最大的 Python 社区活动，今年的 130+ 活动视频已发布。

🐧 往年回顾

Python 潮流周刊#24：no-GIL 提案正式被采纳了！（2023.10.29）

🐱欢迎订阅

欢迎留言，说说你最喜欢本期的哪一则分享？大家反馈得越多，我今后分享的也会越多！

欢迎将本专栏分享给同样爱学习的同学，当有人通过你分享的海报或者链接，购买了专栏，那么你将获得高额的返利。

2、是否应该在生产中使用 uv 托管的 Python？

🌈关联阅读

上一期：Python 潮流周刊#73：让我们对 PyPI 温柔一点，好吗？

下一期：Python 潮流周刊#75：用 Python 开发 NoSQL 数据库

Python 潮流周刊#73：让我们对 PyPI 温柔一点，好吗？

豌豆花下猫 — Sat, 19 Oct 2024 00:00:00 GMT

你好，我是猫哥。这里每周分享优质的 Python、AI 及通用技术内容，大部分为英文。周刊开源在 Github 上，喜欢请给颗小星星支持下~

分享了 12 篇文章，12 个开源项目，2 则热门讨论，全文 2000 字。

🦄文章&教程

1、让我们对 PyPI 温柔一点，好吗？

许多自动化系统频繁从 PyPI 下载包，导致它巨大的流量负担。本周刊第 71 期提到它每年成本约 1200 万美元！文章讨论了如何优化 Dockerfile，既能加快构建速度，更可减少对 PyPI 的流量压力。

uv 是 pip 的替代，同时它还可以安装 Python。在生产环境使用 uv 来安装 Python 是否合适呢？文章从所装 Python 的来源、可移植性和兼容性、性能和安全性等方面比较了它跟其它版本的区别，总体持谨慎乐观态度。

3、我在开发 YouTube 字幕优化器时学到了什么？

作者用 Python + NextJS 开发了一个视频字幕优化器，后端采用 FastAPI 和 SQLmodel，文章分享了技术选型、异步编程、数据库选型与优化、利用 LLM 作质量控制、用 LLM 作诊断和修复错误、如何部署生产等方面的经验。

4、Starlette 应用的并发问题（以 FastAPI/FastHTML 为例）

探讨了在基于 Starlette 的应用（如 FastHTML 和 FastAPI）中调用大模型时，如何实现后台任务处理而不阻塞服务？方案包括用 SQL 数据库作为队列、使用线程运行后台任务、异步处理等。

5、成为 Python 核心开发者的好处

文章作者自 2017 年以来就是 Python 核心开发者，分享了自己所享有的一些权力、福利和责任，包括 CPython 及 20 多个 Python 代码仓的提交权限、有 python.org 后缀的邮箱、参与 Python 语言峰会，等等。

6、如何将 Eventlet 项目迁移到 Asyncio？

Eventlet 是一个 Python 异步库，诞生将近 20 年了，现在即将正式退役！文章介绍如何将 Eventlet 项目迁移成 Python 官方的 Asyncio 库，使用 SQLAlchemy 团队开源的 Awaitlet 工具。

7、OpenTelemetry 示例：用 Python 开发特斯拉监控器

如何监控 Tesla Model 3 的充电和驾驶数据？文章介绍了用 Python 和 OpenTelemetry 对接 Tesla Owner API，采集和存储数据的流程，实现对车辆数据的监控分析。

8、用 Django、GraphQL 和 Vue 开发博客

详尽的长文教程，一步步教你如何用 Django + Vue 技术栈开发一个博客，并使用 GraphQL 作接口通信。

9、PEP-762：Python REPL 的重新实现

Python 3.13 带来了全新的 REPL（即 Python 控制台），此 PEP 是对该特性的设计说明，包括为什么用 Python 而非 C 语言实现 REPL、它包含哪些功能、向后兼容性、被拒绝的设计想法等。

10、Slack 如何解决棘手的数据库连接 TCP 错误？

Slack 工程师在整合 Quip 时，发现 SQL 查询中出现大量 EOFError，定位发现是由 asyncio.IncompleteReadError 导致的。文章介绍了调查挖掘根因的过程、解决方法以及该问题的影响。

11、局部变量就像无意中掉落的面包屑

异常通常是如何发生的，以及哪些因素有助于快速修复异常？Bugsink 作者强调了局部变量在调试中的重要性，它们是有迹可循的面包屑，帮助开发者快速追踪和定位错误。

12、对 Python 项目架构的思考

作者开发了一个 django-simple-deploy 项目，用于配置和自动部署项目到不同平台。文章讨论了在开发插件系统时遇到的问题，以及用良好的项目架构来解决。

🐿️项目&资源

1、austin：Python 帧堆栈采样器

跨平台的 Python 分析器，通过读取 CPython 解释器虚拟内存空间来收集样本，对目标程序影响很小。零侵入、基于时间和内存分析、内置对多进程应用的支持。（star 1.8K）

2、srgn：类似 grep 的源码搜索/操作工具

类似 grep，可视为 tr、sed、ripgrep 和 tree-sitter 的混合体，能理解源码语法，可做搜索和其它操作。

3、swarm：OpenAI 推出的研究多智能体编排的框架

一个用于探索符合人体工程学的轻量级多智能体编排的教育框架。（star 13.1K）

4、makedown：在可执行的 Markdown 文件中管理 Shell 脚本

用 Markdown 文件来管理命令和文档，支持 zsh、bash、javascript、python 等脚本执行，支持代码高亮。

5、pyloid：Electron 和 Tauri 的 Python 替代框架

基于 QtWebEngine 和 PySide6 构建，旨在简化桌面应用开发，可作为 Electron 和 Tauri 的替代。

6、Orbidium：查看小行星运行轨道

将 NASA MPC 的小行星数据作 2D 渲染，显示小行星的运行轨迹。

7、《Web 浏览器工程》在线电子书

免费开源电子书，用几千行 Python 代码开发一个基本但完整的 Web 浏览器，且涵盖从网络到 Javascript 等内容。

8、ArchiveBox：开源自托管的 Web 存档

功能强大的自托管网站存档解决方案，用于离线收集、保存和查看网站。通过 URL/浏览器历史记录/书签/Pocket/Pinboard/ 等，保存 HTML、JS、PDF、媒体等信息。（star 21.5K）

9、OmniSenseVoice：带词语时间戳的高速语音识别

基于 SenseVoice 模型开发的更智能、更快速的音频转录工具，有闪电般速度和精确的时间戳。

10、pipreqs：生成 pip requirements.txt 文件

基于项目中 import 内容生成 requirements.txt 文件，比pip freeze 更好用。（star 6.4K）

11、openfreemap：免费开源的地图托管解决方案

基于 OpenStreetMap 公开的地图数据，为你的网站和 APP 呈现免费的自定义地图。不限制地图和请求数，无需注册和 API 密钥。（star 2.2K）

12、Starmoon：支持语音的 AI 硬件 + 软件框架

经济实惠、善解人意的对话式 AI 伴侣，用于陪伴、娱乐、教育、儿童护理、物联网机器人、人工智能增强机器人和 DIY 机器人套件开发等。

🥂讨论&问题

1、为什么 Python 的 dict 没有 set 方法？

2、吐槽 Python 的 *args, **kwargs

🐧 往年回顾

Python 潮流周刊#23：35 个容易上手的 Python 小项目（2023.10.22）

🐱欢迎订阅

欢迎留言，说说你最喜欢本期的哪一则分享？大家反馈得越多，我今后分享的也会越多！

欢迎将本专栏分享给同样爱学习的同学，当有人通过你分享的海报或者链接，购买了专栏，那么你将获得高额的返利。

2、关于 Python 3.13，了解这些信息就够了

🥝关联阅读

上一期：Python 潮流周刊#72：Python 3.13.0 最终版已发布！

下一期：Python 潮流周刊#74：创下吉尼斯世界记录的 Python 编程课

Python 潮流周刊#72：Python 3.13.0 最终版已发布！

豌豆花下猫 — Sat, 12 Oct 2024 00:00:00 GMT

你好，我是猫哥。这里每周分享优质的 Python、AI 及通用技术内容，大部分为英文。周刊开源在 Github 上，喜欢请给颗小星星支持下~

分享了 14 篇文章，12 个开源项目，4 则音视频，全文 2300 字。

🦄文章&教程

1、Python 3.13.0 最终版已发布！

国庆假期时，Python 3.13 最终版本发布了！官方博客梳理了简要的新特性，以及删除/废弃的内容。（附：最详细和权威的官方文档 Python 3.13 有什么新变化？）

Python 3.13 有什么与众不同的地方？它最值得我们关注的变化是什么？文章重点介绍了自由线程和 JIT 两大特性，介绍了它们是什么、带来的影响以及如何使用。

3、Python 3.13 最好用的新特性

作者说 Python 3.13 是自 Python 3.6 引入 f-string 以来，他最感到兴奋的版本。文章分享了他最喜欢的三个特性：新的 REPL、Git 友好的虚拟环境、PDB 的两项改进。

4、Python 是如何变得越来越健壮和快速的？

自 3.11 版本以来，Python 的性能有着显著提升，作者分析了它取得成功的几个关键因素，并解读了几项关键的技术（专门的自适应解释器、更好的内存管理、JIT）。

5、20 多个有意思的 Django 项目创意

学习 Django 后可以做些什么？文章梳理了近 30 个 Django 项目创意，并列出了所需的技术栈，有面向初学者和高级工程师的两个部分。

6、Python 错误处理的终极指南

什么时候该捕获函数抛出的异常，什么时候不该捕获？怎么知道要捕获哪些异常？捕获异常后，具体如何处理它？为什么不该捕获所有异常，什么时候可以这样做？什么才是错误处理的最佳实践？

7、PEP-758：允许不带括号的 except 和 except* 表达式

一则新创建的 PEP，提议让异常处理语法支持不带括号的 except 和 except* 表达式，意图是简化语法，跟其它地方的语法保持一致，提供可读性。

8、自由线程 Python 使用 Asyncio

在 Python 3.13 之前，由于 GIL 的原因，Asyncio 主要用于 IO 密集型任务。3.13 支持自由线程后，asyncio.to_thread() 对于 CPU 密集型任务也有了用武之地，文章介绍了它的用法和性能提升情况。

9、使用 Streamlit 开发内部 AI 工具

这篇教程介绍了如何用 Streamlit 加载和可视化数据、根据提示语运行数据、使用 PropelAuth 作身份验证，以及保存用户提示语等内容。

10、用 Postgres 和 CLIP 开发一个图像搜索引擎

文章介绍如何开发一个基本的图像搜索引擎，用预训练模型为图像和文本生成嵌入向量，存储在 Postgres 中，并用 pgvector 对这些嵌入作相似性搜索。

11、不要让字典破坏你的 Python 代码

字典是很常用的数据结构，但千万不要滥用！文章指出了字典的不透明和可变性难维护问题，并介绍用类、数据类、Pydantic、TypedDict 等方式来替代字典，提高代码清晰度、可维护性和安全性。

12、TypedDict 比你想象的更好用

TypedDict 是 Python 3.8 的 PEP-589 引入的，主要为字典提供类型注解。文章介绍了它在某些场景下特别好用，包括非完整性用法、作为 **kwargs 使用、传递依赖等。

13、从 virtualenvwrapper 切换到 direnv、Starship 和 uv

作者分享了自己旧的 virtualenvwrapper 工作流，以及最近切换到 direnv、Starship 和 uv 的相关配置和使用体验。

14、Python NZ 的财务主管挪用资金，导致协会债务危机

Python New Zealand 是由志愿者运营的非营利性协会，其财务主管在近 5 年挪用 7 万美元资金，导致最后账上仅剩 26 美元！文章介绍了调查发现的案情细节。（附：Django 软件基金会财务主管关于技术非营利性组织财务主管角色的看法）

🐿️项目&资源

1、PyUIBuilder：适用于 Tkinter、CustomTkinter、Kivy 的 GUI 构建器

通过拖拽方式，轻松创建 Python GUI 应用。支持多个框架，预提供 UI 小部件，支持扩展三方 UI 库，支持布局管理器，支持上传本地资产。

2、AI-Youtube-Shorts-Generator：用 GPT-4 自动分析并剪辑视频

利用 GPT-4 和 Whisper 从 YoouTube 视频中提取亮点，并剪辑成有趣的短片，支持垂直裁剪，适应短视频平台风格。

3、streamable：让可迭代对象支持流式操作

让可迭代对象支持流式操作，在操作时延迟计算，支持并发。

4、gptme：在终端中写代码、浏览网页、使用视觉

终端中的个人 AI 助手，执行代码、读写文件、浏览网页、查看图片。（star 1.9K）

5、open-notebooklm：将任意 PDF 转换为播客对话节目

利用开源 LLM 和 TTS 模型将 PDF 内容生成自然对话形式的播客节目，输出为 MP3 文件。使用 Gradio 开发的简单界面，便于交互。（star 1.1K）

6、starfyre：响应式的基于 WASM 的 SSR Python Web 框架

基于 Pyscript，让你仅用 Python 开发响应式前端应用。

7、secure：为 Django、Flask、FastAPI 添加安全的请求头

为主流 Web 框架添加安全请求头（如 Strict-Transport-Security、X-Frame-Options 等），避免常见安全漏洞的影响。

8、pooltool：逼真物理效果的沙盒台球游戏

Python 开发的通用台球模拟器，交互式 3D 界面，侧重于速度、灵活性、可视化和分析的便利性。

9、otterwiki：Python 开发的简约 wiki 应用

Python 开发的内容协作管理软件，技术栈：Flask、halfmoon CSS 框架、CodeMirror 用作编辑器。界面简约，支持暗黑模式，支持 Markdown、身份验证、页面历史、页面附件等。

10、curl_cffi：可模拟浏览器 tls/ja3/http2 指纹的 http 客户端

与其它纯 Python http 客户端（如 httpx 和 requests）不同，curl_cffi 可模拟浏览器的 TLS/JA3 和 HTTP/2 指纹，支持 websocket。（star 2.2K）

11、thepipe：从 PDF、URL、幻灯片、视频中提取干净的 Markdown

使用视觉语言模型，从多种数据源上提取结构化数据，可与 LLM、向量数据库和 RAG 框架配合使用。（star 1.1K）

12、erdantic：Pydantic 等数据模型类的实体关系图

为 Python 数据模型类（Pydantic、attrs、dataclass）绘制实体关系图（ERD），图表使用 Graphviz 渲染。

🐢播客&视频

1、Python 3.13 和最新趋势：2025 年开发者指南

视频介绍了 Python 3.13 中令人兴奋的新功能，还透露了 Python 3.14 最新开发计划。

2、用 FastAPI、React 与 MongoDB 作全栈开发

FreeCodeCamp 的视频教程，介绍了如何用 FARM 技术栈（FastAPI、React 和 MongoDB）开发全栈项目。

3、核心开发者们在 Meta 举行 sprint 活动

40 多名 Python 核心开发者们花了一周时间对 Python 3.13 作收尾，并为 Python 3.14 规划、原型设计和实现功能。播客中还采访了一些开发者。

4、聊聊 3.13 中你们感兴趣的特性，和我实现的功能

国内 Python 核心开发者高天聊了 3.13 的几个新特性，以及他实现的 PEP-667 和几个 PDB 的特性。

🐧 往年回顾

Python 潮流周刊#22：Python 3.12.0 发布了！！（2023.10.12）

🐱欢迎订阅

欢迎留言，说说你最喜欢本期的哪一则分享？大家反馈得越多，我今后分享的也会越多！

欢迎将本专栏分享给同样爱学习的同学，当有人通过你分享的海报或者链接，购买了专栏，那么你将获得高额的返利。

3、用 Tree-sitter & Jedi 重构 Python 代码

🎨关联阅读

上一期：Python 潮流周刊#71：PyPI 应该摆脱掉它的赞助依赖

下一期：Python 潮流周刊#73：让我们对 PyPI 温柔一点，好吗？

Python 潮流周刊#71：PyPI 应该摆脱掉它的赞助依赖

豌豆花下猫 — Sat, 28 Sep 2024 00:00:00 GMT

你好，我是猫哥。这里每周分享优质的 Python、AI 及通用技术内容，大部分为英文。另有电报频道作为副刊，补充发布更加丰富的资讯，欢迎关注。

分享了 12 篇文章，12 个开源项目，1 则音视频，全文 2000 字。

🦄文章&教程

1、PyPI 应该摆脱掉它的赞助依赖

PyPI 每天提供 19 亿次下载，据网友估计，这么大规模流量的成本约为 1200 万美元/年！这由 Fastly 提供赞助。文章作者提出要降低成本，摆脱对赞助的依赖，主要是解决预编译二进制文件的指数级增长问题。

2、创建不分大小写的 Python 字符串类

介绍了如何用双下方法__new__() 来创建不区分大小写的字符串类，实现相等比较、大于小于比较、其它字符串方法的适配（如 upper、startswith 和 split）。

作者想批量修改函数的一个参数名，介绍了如何用 Tree-Sitter 解析节点，并用 Jedi 实现标识符的重命名。

4、Psycopg 3 如何实现异步到同步代码自动转换？

Psycopg 3 支持同步和异步，为了简化代码提高维护效率，该库作者开发了一个脚本，通过解析 AST，自动将异步代码转换为同步代码，解决了两种模式的代码兼容问题。文章主要介绍了实现原理和关键问题的处理。

5、Python 用代码契约来数绵羊

代码契约（code contract）是用前置/后置条件来规范代码的行为，按预期的方式执行。作者用自己开发的一个 dbc 库，介绍了什么是“design by contract”、如何用 Python 装饰器实现，以及这种编程范式的好处。

6、2024 年对 Oil 项目的回顾

Oil 是一个 Python 开源项目，致力于开发一个现代的 bash，并开发一种全新的 shell 语言。文章是该项目作者最近的阶段回顾，解释为什么项目花了那么长时间，原因包括项目遇到的技术挑战和社会因素问题。

7、驯服 Django ORM 这只野兽

什么是 ORM（对象关系映射）？它有什么优点和缺点？Django ORM 的基础操作有哪些，性能优化技巧和常见陷阱有哪些？

8、用 Python 解决墨尔本大学的 Cat Walk 谜题

Cat Walk 是一个迷宫类的编程题，文章分析了解题思路并给出了详细的实现过程。（附：作者博客上还有其它谜题的文章，比如解决“黑与白”谜题）

9、禁用计划性的依赖项更新

作者在 Github 上维护着很多库，之前使用 Dependabot 和 pre-commit.ci 等工具定期生成更新 PR，但通知太频繁造成了干扰。现开发了gha-update工具，手动更新 GitHub Actions 工作流。

10、用 ipyopenlayers 制作交互式地图

ipyopenlayers 将流行的 JavaScript 库 OpenLayers 集成到 Jupyter Notebook 中，用于创建交互式地图。文章介绍了它的主要特点，演示了如何使用这个库将地理空间数据转化为动态的交互式地图可视化。

11、用 Python 查找 π 中最长的重复序列

在 π 中出现的最长的重复序列有多长？查找较长的重复序列需要花多少内存和时间？文章用 Python 和 C 语言从圆周率的前几千亿个数字中查找最长重复系列，得出了几组有意思的探索数据。

12、在 50 多岁学习编程，我学到了什么？

《英国卫报》上的一篇文章，作者介绍自己为什么在 50 多岁开始学习编程，他学习过 HTML/CSS/JavaScript 却感到失望，最后喜欢上 Python 和它的社区。

🐿️项目&资源

1、SurfSense：万维网冲浪者的个人 AI 助手

将你在网上看到的所有内容保存到个人知识库中，有强大的搜索功能，支持与 Web 浏览记录聊天，支持本地 LLM 和自托管，拥有高级 RAG 技术。

2、peepdb：用于快速检查数据库的工具

轻量级命令行工具和 Python 库，以快速高效的方式检查数据库，无需写 SQL，支持 MySQL、PostgreSQL、MariaDB 和 MongoDB。

3、dante：用 SQLite 实现的 Python NoSQL 数据库

零设置、易于使用的文档数据库，适合于探索性编程、原型设计、内部工具和小型简单项目。基于 SQLite，可存储 Python 字典或 Pydantic 模型，支持同步和异步模式。

4、skrub：为机器学习准备表格

提供了用于连接数据帧、编码列、构建管道的高级工具，目标是为表格数据源与机器学习模型建立桥梁。（star 1.2K）

5、scientific-visualization-book：用 matplotlib 作可视化的开源电子书

一本关于 Matplotlib 的开源书籍，包含 PDF 和代码示例资源。（star 10.6K）

6、minDB：极其节省内存的向量数据库

一个内存要求极低的向量数据库，具有高召回率和低延迟。使用了高度压缩的搜索索引，并结合磁盘重排序。

7、weather_landscape：通过景观图像可视化天气预报

将枯燥的天气预报数据直观呈现在手绘风的景观图上，随时间变化的动图。

8、httpdbg：轻松调试 HTTP 客户端请求

在浏览器中轻松调试 HTTP 客户端请求，查看请求头、cookie、请求和响应等数据。

9、GetQzonehistory：获取 QQ 空间发布的历史说说

通过获取 QQ 空间的历史消息列表，获取该账号下发布的所有说说。

10、Qocker：用于管理 Docker 容器的 GUI 应用

用 PyQt5 开发的 Docker 容器管理工具，可快速访问和启/停/删容器，实时更新容器状态，支持 Windows、macOS 和 Linux。

11、linkding：可自托管的书签管理器

Python 开发的自托管书签管理器，使用标签来管理书签，支持批量编辑、Markdown 笔记、稍后阅读、共享书签、自动添加网站描述、自动存档网站、书签导入导出、支持 PWA、浏览器扩展、SSO 身份验证等功能。

12、wasm2mpy：将 WebAssembly 编译为原生 MicroPython 模块

让静态类型语言写的代码在基于 MicroPython 的嵌入式系统（如 ESP32、Raspberry Pi Pico、STM32 和 nRF52）上运行，具有接近原生的性能。

🐢播客&视频

1、走进 Bento：Meta 的 Jupyter Notebook

这是一则 Meta 技术播客。Bento 是 Meta 内部的 Jupyter Notebook，通过版本控制、协作编辑和自动依赖管理等功能来增强 Jupyter Notebook。

🐧 往年回顾

Python 潮流周刊#21：如何提升及测量 Python 代码的性能？（2023.09.23）

🐱欢迎订阅

欢迎留言，说说你最喜欢本期的哪一则分享？大家反馈得越多，我今后分享的也会越多！

欢迎将本专栏分享给同样爱学习的同学，当有人通过你分享的海报或者链接，购买了专栏，那么你将获得高额的返利。

1、微软 Excel 中的 Python 正式发布

🌷关联阅读

上一期：Python 潮流周刊#70：微软 Excel 中的 Python 正式发布！

下一期：Python 潮流周刊#72：Python 3.13.0 最终版已发布！

Python 潮流周刊#70：微软 Excel 中的 Python 正式发布！

豌豆花下猫 — Sat, 21 Sep 2024 00:00:00 GMT

你好，我是猫哥。这里每周分享优质的 Python、AI 及通用技术内容，大部分为英文。另有电报频道作为副刊，补充发布更加丰富的资讯，欢迎关注。

分享了 12 篇文章，12 个开源项目，2 则音视频，全文 2000 字。

🦄文章&教程

Python in Excel 正式发布了！适用于 Microsoft 365 商业版和企业版，可以在 Excel 中编写 Python，支持语法高亮和代码补全，可以使用流行的分析库（Pandas、Matplotlib 和 NLTK）。

2、UV 汇总：五篇好文章和一个 pre-commit 技巧

uv 已经不仅是更快的 pip，它变得越来越全能了。作者分享了 5 篇关于 uv 的文章，毫无疑问都是好评吹捧。如果你还不知道它，可以借此了解一下。（附：Mastodon 上关于 uv 的一些评论）

3、Spiderweb：一个微型的 Web 框架

作者开发了一个 Web 框架，主要目的是了解 Web 框架是如何工作的。文章介绍了这个框架的实现原理、请求处理流程，以及作者学到的技巧和经验。

4、使用 PyCharm 也能玩转 Jupyter Notebook

PyCharm 专业版提供了对 Jupyter Notebook 的强力支持，文章介绍了它的多种用法，包括连接到远程 Jupyter Notebook、导入数据、查看 DataFrame和动态图表、AI 助手、统计分类和数据分析等。

5、为什么要学习 Python 并发？

你是否了解 Python 并发？为什么说所有开发者都需要学习并发？SuperFastPython 网站发布了非常多关于并发的文章，这一篇主要解释什么是 Python 并发和它的重要性。

6、为 Python 开发和优化 Rust 扩展

如何给 Python 写一个 Rust 扩展来提升性能？这篇教程介绍了如何将 Rust 代码打包成 Python 扩展，对比性能提升的数据，并且做了多项优化。

7、随机性提取器：从有偏差硬币中制造公平硬币

作者研究确定性随机提取问题，即从可能存在偏差和相关性的随机输入流中，创建均匀随机的输出流。文章用 Python 逐步实现了越来越复杂的几种随机性提取器。

8、我在 PSF 董事会任职时学到的东西

PSF 即 Python 软件基金会，是一个促进 Python 及其社区发展的非营利性组织。作者介绍了这个组织在做的各项事务，以及作为董事会成员会的职责和发挥的作用。

9、对网上所有的 PDF 进行分类

文章对 800 万个 PDF 文件（解压后 8TB）作分类分析，使用了 LLMs、Embeddings Models、XGBoost 以及 LinearRegressor，绘制了一些漂亮的图表。

10、用 Python 开发简单的模糊测试程序

模糊测试（Fuzz Testing）是一种自动化测试技术，提供大量随机数据来发现安全漏洞或错误。这个系列文章（4篇）通过开发简单的模糊测试器来理解它的重要性。

11、Sans I/O 将理论付诸于实践

Sans I/O 是一种用来实现网络协议的软件设计模式，它不包含网络 I/O 和异步控制流，但可以通过 I/O 集成层与网络 I/O 框架连接。websockets 库的作者以它为例，分享了 Sans I/O 在测试、重用性和扩展性方面的优势，以及在实践中遇到的挑战。

12、为什么编程语言的文档还如此糟糕？

作者无情吐槽几乎所有编程语言的官方文档都有质量问题，包括结构不当、搜索功能不足和示例不充分等。作者赞扬了 Rust 的文档，并一一举例 Python、C#、Java、C/C++、Go 和 JavaScript 等语言文档的问题……

🐿️项目&资源

1、sherlock：按名称查找社交网络上的账号

从 400+ 社交网络中，按用户名搜索存在的账号。支持批量搜索。（star 58.6K）

2、WindowsDowndate：接管 Windows 更新，可自定义降级漏洞

接管 Windows 的更新功能，自定义降级已修复的漏洞，包括操作系统组件、DLL、驱动、NT 内核、安全内核等等。

3、pyedifice：Python 和 Qt 的声明式 GUI 框架

借鉴自 Web 开发的现代声明式 UI 范式，纯 Python 开发，通过热重载实现开始迭代。

4、uvtrick：从一个 venv 中运行其它 venv 代码

使用 uv 和 pickle，实现跨 venv 的 Python 代码调用。

5、smartcut：无需写代码，剪切视频文件

一个 CLI 视频剪辑工具，根据指定的时间做保留和剪切操作，支持多种格式和编解码器，近乎无损的音频和视频质量。

6、pyrtls：基于 rustls 的 Python 现代 TLS

提供对 rustls 的 Python 绑定，旨在替换 ssl 模块（但不完全兼容），将安全性和性能带到 Python 世界。

7、pocketpy：现代 C 语言开发的可移植 Python 3.x 解释器

用 C11 开发的轻量级（~15K LOC）Python 3.x 解释器，主要用于游戏脚本，旨在替代 lua。（star 1.6K）

8、wifi-crack-tool：WiFi 密码暴力破解工具

Python 开发的有图形界面的 Wifi 密码破解器，支持 WPA/WPA2/WPA3、多开并发、自动破解、自定义密码本、自动生成密码字典。（star 1.4K）

9、finic：创建基于 Playwright 的浏览器代理

一个云平台，简化基于浏览器的自动化代理的部署和管理，可快速启动机器人、爬虫程序、RPA 集成和其它依赖多重身份验证的 Web 服务。（star 2.1K）

10、papermill：参数化、执行和分析 Jupyter Notebook

为 notebook 中的代码提供参数，使同一个 notebook 根据不同参数多次执行。（star 5.9K）

11、Local_Knowledge_Graph：基于 Llama 的本地知识图谱

一个基于 Flask 的 Web 程序，利用本地 Llama 大模型来处理用户查询，生成分步推理，并将思维过程可视化为交互式知识图谱。

12、纯文本会计（PTA）的大量资源

PTA 是指用纯文本文件和可编写脚本、命令行友好的软件（如 Ledger、hledger 或 Beancount）进行记账和会计的方法。这个网站收录了大量的工具、视频、文档和实践。

🐢播客&视频

1、Python Bytes：庆祝第 400 期节目

Python Bytes 播客迎来了第 400 期！祝贺这一个长寿的 Python 播客！

2、Python 中 13 个让人惊讶的特性

视频分享了 13 个有点怪异的 Python 特性，详细解释了这些问题的原因。

🐧 往年回顾

Python 潮流周刊#20：三种基准测试的方法、为什么代码在函数中运行得更快？（2023.09.16）

🐱欢迎订阅

欢迎留言，说说你最喜欢本期的哪一则分享？大家反馈得越多，我今后分享的也会越多！

欢迎将本专栏分享给同样爱学习的同学，当有人通过你分享的海报或者链接，购买了专栏，那么你将获得高额的返利。

3、为什么我要从 Pandas 切换用 Polars？

⚡关联阅读

上一期：Python 潮流周刊#69：是时候停止使用 Python 3.8了

下一期：Python 潮流周刊#71：PyPI 应该摆脱掉它的赞助依赖

Python 潮流周刊#69：是时候停止使用 Python 3.8了

豌豆花下猫 — Sun, 15 Sep 2024 00:00:00 GMT

你好，我是猫哥。这里每周分享优质的 Python、AI 及通用技术内容，大部分为英文。另有电报频道作为副刊，补充发布更加丰富的资讯，欢迎关注。

本期分享了 12 篇文章，12 个开源项目，全文 2100 字。

🦄文章&教程

1、是时候停止使用 Python 3.8 了

Python 3.8 发布于 2019 年 10 月，将在今年 10 月 End Of Life，之后即便有安全漏洞，也不会再发布修复版本！一些三方库和框架，也将停止对 Python 3.8 的支持，因此，尽快升级到较新版本吧。（附：下个月要发布 Python 3.13 了，什么时候升级到 Python 3.13 比较好？）

2、多版本 Python 库的思考

如何让一个库同时依赖多个版本的其它库，例如 pydantic 1.x 和 2.x？作者在思考它的可能性，并提出了一种端到端的解决方案，讨论了需要解决的技术问题。

作者决定将自己的 Pandas 项目切换到 Polars，文章解释了这么做的原因：起决定作用的并不是因为 Polars 更快，而是因为它语法直观，更易于记忆和使用。文章对比了 Polars、Pandas、Tidyverse 和 Base R 处理 CSV 文件的代码。

4、我们如何将 Jupyter Notebook 的加载速度提高 10 倍？

作者的产品中嵌入了 Jupyter iframe，加载耗时很长。通过将 JupyterLab 的 UI 与后端服务分离、并行加载、模拟静态请求、预渲染扩展 UI 等措施，最终得到 87% 提升。

5、异步 IO：下一个 10 亿美元的错误？

作者提出一个疑问，异步IO（非阻塞IO）算得上是“十亿美元错误”么？在平行宇宙中，如果我们花的二十年是在提升操作系统的线程性能，会不会有更好的结果？

6、使用各种 Web 框架开发相同的程序

用不同的 Web 框架来开发相同功能的项目，能够看出些什么？作者分别用 FastAPI + Jinja + HTML + CSS + JavaScript、FastHTML、Next.JS、SvelteKit、FastAPI + Svelte 做了实验。FastHTML 的表现让人眼前一亮。

7、用 Weaviate 和 Streamlit 开发一个电影推荐应用

Weaviate 是一个 AI 原生数据库，可简化数据存储、检索和查询的复杂性，并与 AI 模型集成。文章介绍用它和 Streamlit 开发一个接受自然语言的电影推荐应用，支持关键词、语义和混合搜索模式。

8、用于 Docker 构建的 PyPI 代理

能否通过在本地缓存 PyPI 数据来改进 CI 系统？作者探索了两种方法：在构建期间挂载缓存，使用代理服务器 Proxpi。介绍了如何使用 Docker 和 Docker Compose 来设置Proxpi。

9、被 Unicode 咬伤了

作者遇到了一个 Unicode 问题，因为连字符在视觉上与减号相似（HYPHEN-MINUS 和 HYPHEN），导致负数金额错误使用了连字符而被解析为正数。文章介绍了如何用标准库 unicodedata 来识别和区分这两种符号。

10、Rust 用于小型任务？那么 Python 呢？

Rust 在数据工程的特定任务重越来越受欢迎，例如 Polars，但是由于它代码冗长，在许多场景中并不及 Python 的简单易用。文章作了简单代码对比，能看出 Python 在快速开发和原型设计中更具优势。

11、Go 与 Python 无服务器应用：性能、成本和易用性

Serverless 让开发者关注于开发应用，而无需担心底层的基础设施。那么，Go 和 Python 在无服务器应用开发中，有何优劣呢？文章从三个维度对它们作了比较。

12、Google Trends API 替代方案：维基百科网页浏览统计

Google Trends 没有官方的 Python API，但非官方的 API 并不可靠，因此作者寻找替代方案来了解搜索及话题趋势。文章介绍了维基百科相关 API 的使用。

🐿️项目&资源

1、polar：开源的 Lemon Squeezy 替代品

面向开源和独立开发者的一体化的资金和商业化平台，售卖数字产品和订阅制产品，包括 Github 代码库、Discord 频道、文件下载和许可证等。（star 2.6K）

2、gigi：用于实时渲染的原型设计和开发框架

用于快速原型设计和开发实时渲染技术。包括编辑器、查看器和编译器三个组件，支持 DirectX 12 代码生成。

3、nestedtext：一种用户友好的数据格式

一种保存结构化数据的文件格式，与 JSON 类似，可直观输入、编辑和查看。只支持字符串类型，不支持其它类型（整数、实数、布尔类型等）。

4、maestro-cli：在命令行中播放音乐或任意音频

一个命令行工具，可播放音频。支持 YouTube、YouTube Music 和 Spotify 的歌曲，支持歌词、剪辑、按标签过滤、统计数量、音频可视化、音乐发现。

5、repo2file：选定代码仓多文件，转储成单个文件

将代码仓的文件转储到单文件中，便于在 RAG 和 LLM 中使用。支持整个代码仓、遵循 .gitignore、可按文件类型筛选。

6、edx-platform：Open edX LMS 和 Studio

一个面向服务的平台，用于编写和提供任意规模的在线学习。提供内容管理服务和学习管理服务。（star 7.3K）

7、langflow：用于 RAG 和多代理 AI 的低代码应用开发工具

基于 Python，与模型、API、数据源和数据库无关。可视化 IDE，支持拖拽。多代理编排和对话管理。集成 LangSmith、LangFuse 和 LangWatch，实现可观测性。（star 28.3K）

8、crawl4ai：LLM 友好的网络爬虫和抓取器

简化了网络爬取和数据提取，使其可用于大语言模型和 AI 应用。支持同时爬取多个 URL、提取所有内外部链接、在爬取前执行自定义 JavaScript、支持 CSS 选择器。（star 2.7K）

9、litecli：SQLite 的 CLI，支持自动补全和语法高亮

用 Python 开发的 SQLite 命令行客户端，支持常规数据库操作、自动补全命令、语法高亮。（star 2.5K）

10、defusedxml：拆除 XML 炸弹和其它漏洞

提供安全的方式来处理 XML 文件，通过修改标准库中的 XML 解析器，移除可能导致安全漏洞的功能。

11、sail：使命是统一流处理、批处理和计算密集型（AI）工作负载

在单进程设置中提供了 Spark SQL 和 Spark DataFrame API 的直接替代品。

12、dbos-transact-py：超轻量级的持久执行

当出现中断或崩溃，它会自动从最后完成的步骤恢复，达到持久执行的效果。使用 Postgre 保存执行状态，用 OpenTelemetry 跟踪工作流。

🐧 往年回顾

Python 潮流周刊#19：Mojo 终于提供下载了！（2023.09.09）

🐱欢迎订阅

欢迎留言，说说你最喜欢本期的哪一则分享？大家反馈得越多，我今后分享的也会越多！

欢迎将本专栏分享给同样爱学习的同学，当有人通过你分享的海报或者链接，购买了专栏，那么你将获得高额的返利。

2、为什么在 Docker 中我仍然要用 Python 虚拟环境？

🎭关联阅读

上一期：Python 潮流周刊#68：2023 年 Python 开发者调查结果

下一期：Python 潮流周刊#70：微软 Excel 中的 Python 正式发布！

Python 潮流周刊#68：2023 年 Python 开发者调查结果

豌豆花下猫 — Sat, 07 Sep 2024 00:00:00 GMT

你好，我是猫哥。这里每周分享优质的 Python、AI 及通用技术内容，大部分为英文。另有电报频道作为副刊，补充发布更加丰富的资讯，欢迎关注。

本期分享了 12 篇文章，12 个开源项目，2 则热门讨论，全文 2100 字。

🦄文章&教程

1、2023 年 Python 开发者调查结果

Python 官方的第 7 个年度开发者调查结果公布了，近 200 个国家和地区的 25000 多名 Python 开发者参与了问卷调查，看看这一年有什么新趋势、哪些东西变了以及哪些东西如旧？

在使用 Docker 开发 Python 项目时，还有必要用虚拟环境么？作者的建议是用，文章分享了几点原因：目录结构的可预测性与熟悉度、统一标准方便沟通、减少导入代码的查找、等等。

3、我如何用 Python 做数据分析项目？

作者是个计算生物学家，分享了自己用 Python 作数据分析的相关经验，包括虚拟环境、依赖包管理、模块管理、编程实践建议等内容。

4、用 Python 试玩十亿行挑战

如何用最短时间处理包含十亿气象数据的文件？作者用 Python 做了这个挑战，在本地环境从 8 分钟优化到半分多钟，分享了一些 Python 优化技巧。

5、介绍 Python 中的模板方法设计模式

通过一个准备咖啡与茶的例子，介绍了 Template Method 设计模式的使用，用于创建灵活且可重用的代码结构，更易于维护和扩展。

6、鲜为人知的 Python 标准库

Python 标准库中的“冷门”部分，有几个其实挺常用，比如collection 和 contextlib ，但也有确实很少见的如fractions 、webbrowser 和 zipapp 。

7、如何用 Python 实现基于时间的 LRU 缓存？

有两种常用的缓存策略：基于时间和最近最少使用。文章介绍了这两种缓存方案，并从头用 Python 实现了一种缓存算法，将两种缓存策略结合起来。

8、CPython 虚拟机的设计和实现

深入探讨了 CPython 虚拟机的设计和实现，包括字节码格式、解释器的字节码求值循环，以及如何使用栈帧和计算跳转技术来优化性能。最后分析了一个简单的 Python 程序的执行过程，展示了虚拟机如何管理和执行编译后的字节码。

9、我们如何用 chDB 使得查询 Pandas DataFrames 的速度提高 87 倍？

chDB 是 ClickHouse 的嵌入式版本，在进程内运行。它的 2.0 版本比 1.0 版本查询 Pandas DataFrames 快 87 倍，文章解释了是如何做到的：减少序列化及反序列化的步骤、直接读取 Python 对象、批量数据复制以及用 C++ 重写 Python 字符串编码和解码逻辑。

10、如何让 macOS 逃脱 Anaconda 的束缚

初学者在 macOS 上安装 Anaconda 后，可能找不到运行官方 Python 的方法。文章介绍了一种简单的解决方案，将 .zshrc 文件移出主目录来摆脱 Anaconda 对 Python 环境的控制。

11、用 tracemalloc 计算 Python 分配的总内存

tracemalloc 是 Python 的标准库，可跟踪内存分配。文章介绍用它实现简单的内存估算函数，与 sys.getsizeof() 对比，并查看了 import numpy 的内存大小。（附：Python 在计算内存时应该注意的问题？）

12、优秀软件工程师的 12 个习惯

高效的优秀软件工程师有哪些习惯？作者总结了一些重要的点，例如不仅关注代码本身、追求效率、修补的乐趣、系统性思考、知识迁移、简化处理复杂问题，等等。

🐿️项目&资源

1、supertree：用 Python 作决策树可视化

以交互式方式在 Jupyter Notebooks、Jupyter Lab、Google Colab 和其它支持 HTML 渲染的笔记本中可视化决策树。

2、kazam：AI 赋能的 Linux 录屏、广播、截屏和 OCR

一个多功能工具箱，支持屏幕录制、音频录制、广播、OCR、网络摄像头等功能。

3、python-training：面向业务分析师和交易员的 Python 培训课

来自摩根大通的面向业务分析师和交易员的 Python 培训课程。（star 5.7K）

4、pymobiledevice3：用于 iDevices 的纯 python3 实现

用于与 iPhone 等设备交互，支持设备发现、TCP 端口转发、查看 syslog、APP 管理、文件管理、固件更新、通知监听与触发、截图、备份等。（star 1.3K）

5、xiaomusic: 使用小爱音箱播放音乐

用小爱音箱播放音乐，音乐使用 yt-dlp 下载。支持多项口令，多种音箱设备，以及多种音乐格式。（star 1.4K）

6、amine：监控鼠标和键盘的防分心工具

可自定义番茄钟，严格防分心（禁用可能干扰专注的组合键、防止鼠标移到屏幕边缘），强制全屏，用户友好的界面。

7、asyncpal：适用于零星工作负载的抢占式并发和并行

专为抢占式并发和并行而设计，使用线程池实现并发，并扩展到多进程以实现并行。线程池支持空闲自动收缩。

8、tinystatus：用 Python 脚本生成状态页面

简单可自定义的状态页面生成器，可监控各种服务的状态，如 HTTP 接口、ping 主机、检查端口等。

9、graphiti：构建和查询动态的可感知时间的知识图谱

构建知识图谱，并表示出实体间随时间变化的复杂关系。支持提取非结构化和结构化数据，可通过时间、全文、语义和图形算法等方法来查询生成的图形。

10、librosa：用作音频和音乐分析的 Python 库

功能强大的音乐及音频分析工具。（star 7K）

11、Nettacker：自动渗透测试框架-开源漏洞扫描程序-漏洞管理

旨在自动收集信息、扫描漏洞并生成报告，包括服务、bug、漏洞、错误配置等信息。利用 TCP SYN、ACK、ICMP 和其它协议来检测和绕过防火墙/IDS/IPS 设备。（star 3.3K）

12、HivisionIDPhotos: 一个轻量级的AI证件照制作工具

智能的证件照制作工具，可实现轻量级抠图、生成不同尺寸证件照。（star 7.2K）

🥂讨论&问题

1、GoLang 和 Python ，哪个更适合做 Java 程序员的第二语言？

2、0 基础自学 Python ，这个付费 Python 课程如何？请大佬给点建议

🐧 往年回顾

Python 潮流周刊#18：Flask、Streamlit、Polars 的学习教程（2023.09.02）

🐱欢迎订阅

欢迎留言，说说你最喜欢本期的哪一则分享？大家反馈得越多，我今后分享的也会越多！

欢迎将本专栏分享给同样爱学习的同学，当有人通过你分享的海报或者链接，购买了专栏，那么你将获得高额的返利。