Абьюзер СhatGPT 💄 REBORN

‼️ Даю пушку (!) для тех, кто точно не хочет быть замененным нейросетями :D Репозиторий llm-engineer-toolkit на GitHub представляет собой тщательно подобранный список из более чем 120 библиотек для работы с большими языковыми моделями (LLM). Эти инструменты сгруппированы по различным категориям применения. В этом наборе вы найдете ресурсы для: - Обучения и донастройки LLM - Фреймворков для разработки приложений на основе LLM - Подготовки данных и доступа к нескольким API - Retrieval-Augmented Generation (RAG) с использованием LLM - Инференса и развертывания LLM - Извлечения и генерации данных - Создания и оценки агентов на базе LLM - Мониторинга - Инженерии промптов - Получения структурированных выводов - Обеспечения безопасности - Работы с моделями вложений (embedding models) 🚀 Чтобы не остаться за бортом, нужно учиться парни (и не дай бог тут есть девушки). P.S. ваш дурень поспешил и дал пост без ссылки. Вот репозиторий.

🚀 Часто в инфо-поле начал появляться n8n. Хочу о нем рассказать, может кто-то не знаком. И главный вопрос: Что лучше для автоматизации — использовать готовый инструмент типа n8n или писать все с нуля, то есть заниматься ручной разработкой? 🤷‍♂️ Что такое n8n? n8n — это платформа для визуальной автоматизации. Вы соединяете кубики-«ноды» (приложения и сервисы) между собой, чтобы они обменивались данными и выполняли задачи без вашего участия. Гибко, наглядно и не всегда требует навыков программирования. Что же выбрать: n8n или код? 🤔 🏹 n8n — ваш выбор, если: - Скорость — главный приоритет. Собрать рабочий сценарий в n8n можно за минуты, а не за дни или недели; - Бюджет ограничен. Использование готовых интеграций и визуального конструктора значительно дешевле, чем оплата часов разработчика; - Задача типовая. Нужно связать популярные сервисы (Telegram, Google Sheets, CRM, Trello)? В n8n для этого уже все готово; - Нужна гибкость без хардкора. Вы не программист, но хотите иметь возможность легко менять логику процесса. 👨‍💻 Ручная разработка — ваш выбор, если: - Нужна 100% кастомизация. У вас уникальная бизнес-логика, нестандартные API или требования к интерфейсу; - Требуется максимальная производительность. Для высоконагруженных систем, обрабатывающих тысячи запросов в секунду, кастомный код, написанный под конкретную задачу, будет эффективнее; - Интеграция очень специфична. Нужно подключить редкий или внутренний корпоративный софт, для которого нет готовых «нод»; - Полный контроль над кодом и окружением является критически важным в серьезных проектах. Итог таков: не стоит противопоставлять эти два подхода. Это инструменты для разных задач. Для 60% стандартных кейсов автоматизации n8n будет быстрее, дешевле и проще в поддержке. Например, бот для записи на маникюр, в больницу и т.д. Для масштабных же проектов, рассчитанных на тысячи пользователей, n8n - это шутка. Где нужна уникальная логика и высокая производительность, — без ручной разработки не обойтись. ⚙

😜 Я - деградировал. И вот почему: Все мы (я тоже) злоупотребляем "Ctrl+C", "Ctrl+V". Мне постоянно кажется, что я экономлю время, но на самом деле - обкрадываю сам себя 🤷‍♂️ Когда просто копируешь чужой код, мозг не работает. Ты не вникаешь в суть, не учишься решать проблемы, а просто затыкаешь дыры. Эти пробелы в знаниях потом больно бьют по карьере, уж поверьте. 🔥Я видел, как проекты тонули в техническом долге из-за таких «быстрых» решений. Скопированный код часто неоптимален и плохо вписывается в архитектуру. Вместо роста и чистого кода - получаем хаос, который потом приходится расхлебывать часами. Поэтому мой вам совет - в следующий раз, когда рука потянется к копированию, остановитесь. Напишите решение сами, пусть даже оно будет неидеальным. Это ваш самый ценный опыт. Хотя бы иногда практикуйте, ибо когда в очередной раз сервера openai/Gemini упадут - придется брать отпуск :D P.S. но параллельно у меня очень сильно поднялся скилл в "обьяснении чего я хочу", в плане

🚀 Часто в инфо-поле начал появляться n8n. Хочу о нем рассказать, может кто-то не знаком. И главный вопрос: Что лучше для автоматизации — использовать готовый инструмент типа n8n или писать все с нуля, то есть заниматься ручной разработкой? 🤷‍♂️ Что такое n8n? n8n — это платформа для визуальной автоматизации. Вы соединяете кубики-«ноды» (приложения и сервисы) между собой, чтобы они обменивались данными и выполняли задачи без вашего участия. Гибко, наглядно и не всегда требует навыков программирования. Что же выбрать: n8n или код? 🤔 🏹 n8n — ваш выбор, если: - Скорость — главный приоритет. Собрать рабочий сценарий в n8n можно за минуты, а не за дни или недели; - Бюджет ограничен. Использование готовых интеграций и визуального конструктора значительно дешевле, чем оплата часов разработчика; - Задача типовая. Нужно связать популярные сервисы (Telegram, Google Sheets, CRM, Trello)? В n8n для этого уже все готово; - Нужна гибкость без хардкора. Вы не программист, но хотите иметь возможность легко менять логику процесса. 👨‍💻 Ручная разработка — ваш выбор, если: - Нужна 100% кастомизация. У вас уникальная бизнес-логика, нестандартные API или требования к интерфейсу; - Требуется максимальная производительность. Для высоконагруженных систем, обрабатывающих тысячи запросов в секунду, кастомный код, написанный под конкретную задачу, будет эффективнее; - Интеграция очень специфична. Нужно подключить редкий или внутренний корпоративный софт, для которого нет готовых «нод»; - Полный контроль над кодом и окружением является критически важным в серьезных проектах. Итог таков: не стоит противопоставлять эти два подхода. Это инструменты для разных задач. Для 60% стандартных кейсов автоматизации n8n будет быстрее, дешевле и проще в поддержке. Например, бот для записи на маникюр, в больницу и т.д. Для масштабных же проектов, рассчитанных на тысячи пользователей, n8n - это шутка. Где нужна уникальная логика и высокая производительность, — без ручной разработки не обойтись. ⚙

🖥 В целом мой курс будет начинаться с предложения скачать вот такой вот софт. Это не обязательно но многим может упростить их путь в начале: 1) Поможет скачать последнюю актуальную версию IDE под ОС пользователя; 2) А также Python из последних актуальных релизов. Будут и рекомендации по правильной установке. 📱 Будет кросс-платформа. Софт сам определяет, на какой платформе запущен, от этого и делает выбор, для какой платформы качать установщик". Страничку с choco я еще заполню командами. Сейчас там уже есть вкладки (медиа, разработка, веб-разработка и т.д.) с командами для экспресс-установки рабочих инструментов. В одну строчку можно установить все те же IDE, Python, Node JS, драйвера, кодеки и даже Steam :D 🧠 На третьей страничке - ссылки на ресурсы, которые явно помогут в обучении, особенно на начальном этапе. Постарался собрать там и RU/Eng источники, чтобы всем все было понятно. Пока что так. .exe под Windows мб дам сюда сегодня-завтра.

🚀 Парни, код для свапа лиц между двумя фото. При первом запуске подкачает модельку. import requests import cv2 import os from insightface.app import FaceAnalysis from insightface.model_zoo import get_model app = FaceAnalysis(name='buffalo_l') app.prepare(ctx_id=0, det_size=(640, 640)) def download_model(url, model_path): if not os.path.exists(model_path): print(f"Загрузка модели с {url}...") response = requests.get(url) response.raise_for_status() with open(model_path, 'wb') as file: file.write(response.content) print(f"Модель сохранена как {model_path}") model_url = "https://huggingface.co/ezioruan/inswapper_128.onnx/resolve/main/inswapper_128.onnx?download=true" model_path = "inswapper_128.onnx" download_model(model_url, model_path) swapper = get_model(model_path) def swap_face_between_images(source_image_path, target_image_path, output_image_path): source_img = cv2.imread(source_image_path) if source_img is None: print(f"Ошибка: Не удалось загрузить изображение-источник по пути: {source_image_path}") return target_img = cv2.imread(target_image_path) if target_img is None: print(f"Ошибка: Не удалось загрузить изображение-цель по пути: {target_image_path}") return print("Анализ лиц на изображении-источнике...") source_faces = app.get(source_img) if not source_faces: print("Ошибка: Лица на изображении-источнике не найдены.") return source_face = source_faces[0] print("Анализ лиц на изображении-цели...") target_faces = app.get(target_img) if not target_faces: print("Ошибка: Лица на изображении-цели не найдены.") return target_face_to_replace = target_faces[0] print("Выполнение замены лица...") result_img = target_img.copy() result_img = swapper.get(result_img, target_face_to_replace, source_face) cv2.imwrite(output_image_path, result_img) print(f"Изображение с замен

🖥 В целом мой курс будет начинаться с предложения скачать вот такой вот софт. Это не обязательно но многим может упростить их путь в начале: 1) Поможет скачать последнюю актуальную версию IDE под ОС пользователя; 2) А также Python из последних актуальных релизов. Будут и рекомендации по правильной установке. 📱 Будет кросс-платформа. Софт сам определяет, на какой платформе запущен, от этого и делает выбор, для какой платформы качать установщик". Страничку с choco я еще заполню командами. Сейчас там уже есть вкладки (медиа, разработка, веб-разработка и т.д.) с командами для экспресс-установки рабочих инструментов. В одну строчку можно установить все те же IDE, Python, Node JS, драйвера, кодеки и даже Steam :D 🧠 На третьей страничке - ссылки на ресурсы, которые явно помогут в обучении, особенно на начальном этапе. Постарался собрать там и RU/Eng источники, чтобы всем все было понятно. Пока что так. .exe под Windows мб дам сюда сегодня-завтра.

👀 Интересный OCR-проект, который буквально только что увидел. MORT — это бесплатный real-time переводчик, который работает поверх любой игры. 🤯 Он сканирует текст прямо с экрана и мгновенно выдает перевод. Идеально для JRPG и визуальных новелл, у которых нет перевода на нужный Вам язык. 🚀 Главные плюсы: - Перевод "на лету" через OCR; - Удобный игровой оверлей; - Полностью бесплатно. У меня установлена Guild Wars 2. Проверял на ней - для статичного текста вроде квестов и диалогов он подойдет. Правда, придется потратить время на настройку области захвата. Но если вы английского не знаете - этого того стоит :) ⭐️ Смотрим на крутой open-source проект на GitHub.

🗿 Сделали сайт и хотите показать кенту? Или нужно выводить картинку с подключенной к локальному ПК камеры? Не проблема, есть ngrock 🖥 (если не хотите возиться с настройками роутера). 🚀 Ngrok — это удобный инструмент, который позволяет временно сделать ваш локальный сервер доступным через интернет. Это очень полезно, если вы: - Разрабатываете сайт или приложение и хотите показать результат друзьям или заказчику до развертывания. - Тестируете вебхуки или API-интерфейсы. - Хотите быстро проверить работу вашего сервиса вне вашей локальной сети. 👨‍💻 Как это работает? Вы запускаете локальный сервер (например, сайт на Flask или Node.js), затем запускаете ngrok и получаете публичный URL, по которому любой пользователь в интернете сможет получить доступ к вашему локальному серверу. Например: ngrok http 8080 Теперь ваш локальный сервер на порту 8080 доступен через URL, который сгенерирует ngrok (например, https://abcd1234.ngrok.io). ✨ Можно делиться своим шедевро-сайтом, скамом, фишингом и т.д. с миром...

🚀 Парни, код для свапа лиц между двумя фото. При первом запуске подкачает модельку. import requests import cv2 import os from insightface.app import FaceAnalysis from insightface.model_zoo import get_model app = FaceAnalysis(name='buffalo_l') app.prepare(ctx_id=0, det_size=(640, 640)) def download_model(url, model_path): if not os.path.exists(model_path): print(f"Загрузка модели с {url}...") response = requests.get(url) response.raise_for_status() with open(model_path, 'wb') as file: file.write(response.content) print(f"Модель сохранена как {model_path}") model_url = "https://huggingface.co/ezioruan/inswapper_128.onnx/resolve/main/inswapper_128.onnx?download=true" model_path = "inswapper_128.onnx" download_model(model_url, model_path) swapper = get_model(model_path) def swap_face_between_images(source_image_path, target_image_path, output_image_path): source_img = cv2.imread(source_image_path) if source_img is None: print(f"Ошибка: Не удалось загрузить изображение-источник по пути: {source_image_path}") return target_img = cv2.imread(target_image_path) if target_img is None: print(f"Ошибка: Не удалось загрузить изображение-цель по пути: {target_image_path}") return print("Анализ лиц на изображении-источнике...") source_faces = app.get(source_img) if not source_faces: print("Ошибка: Лица на изображении-источнике не найдены.") return source_face = source_faces[0] print("Анализ лиц на изображении-цели...") target_faces = app.get(target_img) if not target_faces: print("Ошибка: Лица на изображении-цели не найдены.") return target_face_to_replace = target_faces[0] print("Выполнение замены лица...") result_img = target_img.copy() result_img = swapper.get(result_img, target_face_to_replace, source_face) cv2.imwrite(output_image_path, result_img) print(f"Изображение с замен

🐳 Я иногда даю тут проекты, которые Docker-ready. Вы спрашиваете, как запустить... И клиенты тоже иногда интересуются, как это запустить на своем сервере... Так вот, полный список команд с объяснениями (Linux!!!): 1) Установка и проверка: # Обновляем список пакетов sudo apt update # Устанавливаем Docker sudo apt install -y docker.io # Запускаем и добавляем Docker в автозагрузку sudo systemctl start docker sudo systemctl enable docker # Устанавливаем Docker Compose sudo apt install -y docker-compose Чтобы проверить, что все сделали четко: docker --version docker-compose --version Должно показать версии Docker и Docker-compose. 2) Разворачивание, запуск контейнера. После того, как вы установили это все (делать нужно 1 раз(!!!)), нужно перейти в директорию с файлами проекта (где лежат Dockerfile, docker-compose.yml). Пример: cd /root/dialog_bot/ После этого, пишите команду: sudo docker-compose up --build -d Если сделали все четко, контейнер соберется и сразу же будет в работе. Вот что делают "флажки": - up: Создает и запускает контейнеры. - --build: Принудительно пересобирает образ перед запуском. Это полезно, если ты внес изменения в Dockerfile или файлы проекта. - -d: Запускает контейнеры в фоновом (detached) режиме. Просмотреть логи с контейнера после можно по команде: sudo docker-compose logs -f 3) А что на Windows? Чтобы запустить на Win 10, 11, нужно: 1. Перейдите на официальный сайт Docker и скачай установщик для Windows. 2. Установите Docker Desktop: - Запустите скачанный установщик. - Следуйте инструкциям на экране. Очень важно: убедитесь, что выбрана опция "Use WSL 2 instead of Hyper-V" (Использовать WSL 2 вместо Hyper-V), если она доступна и твой Windows 10 это поддерживает (версия 2004 и выше, сборка 19041 и - выше). WSL 2 обеспечивает лучшую производительность. Если опции нет или твоя система старее, Docker Desktop может использовать Hyper-V. - Установка может потребовать включения функций "Контейнеры" и "Подсистема Windows

В ТикТоке еще не показывал, сначала решил кинуть сюда. Интересный, как мне кажется, проект, который делает из Вашей веб-камеры камеру видео-наблюдения, которая отправляет уведомления в Телеграм. Применение придумаете сами. Хочу сюда еще прицепить распознавание лиц. Тогда можно будет цеплять к электронному замку из Али и вешать в подъезде, чтобы открывать двери в квартиру. Но пока так. В боте через инлайн-кнопки можно включать/выключать мониторинг, а также выбирать режим: фото или видео. Фото делает фото с камеры раз в 30 секунд, если обнаруежает в кадре человека/собаку (у меня есть пес, поэтому прицепил для прикола). Правда, собака распознается по принципу "не человек = пес". Точное определение можно докрутить, если нужно. Видео же пишется с момента, как человек попал в кадр, до момента как вышел. Само собой, распознается количество людей/собак в кадре. Берите, допиливайте под свои нужды, знакомьтесь :)

🚀 Все, должно работать. Скачать можно тут. Думаю, не стоит объяснять, почему вес такой большой. torch, модели и т.д., весит все это не мало... В целом, тестируйте. Создал еще три вкладки: - "Дорисовка кадров" - задел на будущее. Уже работаю над этим. Думал, засунуть в эту версию, но очень не стабильно, пока что; - "Статус" - здесь вы узнаете, видит ли софт вашу видеокарту, на чем будет происходить работа - CUDA или же процессор. Для работы CUDA НУЖНО ОБЯЗАТЕЛЬНО УСТАНОВИТЬ CUDA Toolkit (‼️) Об этом сказано и в приложении, и ссылка там тоже есть. После установки, перегрузите систему, и если у вас карта Nvidia, у которой есть CUDA ядра - все заработает быстро; - "О приложении" - общее описание приложения с моими контактами, ссылкой на CUDA Toolkit и предупреждением, что его нужно установить для корректной и быстрой работы. 😳 На будущее, хочу оптимизировать размер приложения, а также добавить: - ту самую дорисовку кадров, чтобы делать видео более плавными; - возможность не только ставить маркеры на фильтрах, но и регулировать интенсивность каждого "ползунками"; - модифицировать область предпросмотра, чтобы можно было сравнить результат до/после в одном окне; - сделать общие настройки и перенести их в отдельную вкладку, чтобы не перенасыщать интерфейс; - добавить возможность удалить фон с изображений, видео. Пока что план таков. Когда будет - не понятно, ибо я 1, работы много, а это проект не коммерческий, так что занимаюсь им только когда есть время и силы... И все правки явно не 5-ти минутные. 😳 Надеюсь, вам понравится и у вас заработает! P.S. тестировал перевод 60 FPS FHD видео в 4К, конечно, долго, на моей RTX 2070 SUPER, но это и ожидаемо. Порядка 3-4 минут на 5 секунд.

🚀 Для тех, кто работает с User-bot'ами может быть полезно. Скрипт демонстрирует, как можно через Telethon не только присоединится к каналу, но и к связанной с ним группе. Простая реализация. В правильных руках и с масштабированием можно создать мощный рекламный инструмент шлюхобота. Получаем: linked_chat_id через telethon.tl.functions.channels.GetFullChannelRequest Который принимает в качестве параметра channel идентификатор канала (аналогично JoinChannelRequest – имя пользователя, ID, объект сущности и т.д.) и возвращает детальную информацию. Запрос GetFullChannelRequest возвращает объект типа messages.ChatFull. Этот объект является контейнером и имеет сложную структуру. Ключевыми для нашей задачи являются следующие его компоненты : - full_chat: Этот атрибут содержит объект ChannelFull (для каналов), который, в свою очередь, хранит расширенную информацию о самом канале, включая искомый linked_chat_id. - chats: Это список, содержащий объекты сущностей (User, Chat, Channel) для основного канала, а также для всех связанных с ним чатов (включая группу обсуждения, если она есть) и упомянутых пользователей. Идентификатор связанной группы обсуждений хранится в атрибуте linked_chat_id объекта full_chat (т.е., response.full_chat.linked_chat_id). Этот ID является "маркированным" идентификатором Telegram, который уже включает префикс, указывающий на тип сущности (например, -100... для каналов/супергрупп). 👨‍💻 Правда, лучше делать это на Pyrofork. Но там уже разберетесь, кому нужно.

🖥 Короткий скрипт опишете, что изображено на фото: from transformers import BlipProcessor, BlipForConditionalGeneration import torch from PIL import Image processor = BlipProcessor.from_pretrained("Salesforce/blip-image-captioning-base") model = BlipForConditionalGeneration.from_pretrained("Salesforce/blip-image-captioning-base") image_path = "img_4.jpg" image = Image.open(image_path) inputs = processor(images=image, return_tensors="pt") with torch.no_grad(): output = model.generate(**inputs) description = processor.decode(output[0], skip_special_tokens=True) print("Image description:", description) requirements.txt: transformers torch Pillow