T-Meetup: Python

Обсудим с вами, какие существуют подходы к архитектуре репозиториев, учитывая особенности Python-стека:

Когда продукт вышел за стадию MVP, нужно не просто писать код, а писать его так, чтобы он оставался понятным, тестируемым и поддерживаемым на протяжении долгого времени. Как перейти от «быстрого прототипа» к «долгосрочной поддержке», сохранив при этом скорость разработки и качество кода?

Я расскажу об опыте инфраструктурной команды по улучшению качества кода в процессе масштабирования продукта после MVP.

Разберу, как мы пересмотрели тестирование, улучшили архитектуру, выработали командные стандарты кодирования и как это повлияло на стабильность и скорость дальнейшей разработки

В 2025 году все чаще и чаще решение задачи крутится вокруг больших моделей, и сейчас для этого уже не нужен никто, кроме обычного разработчика. Большие модели — как самая ужасная база данных, с которой вам приходилось работать, но если бы они не были так полезны, мы бы никогда их не использовали.

Расскажу о новой библиотеке PydanticAI, которая упростила создание агентов так же, как когда-то упростила валидацию данных в наших сервисах. Сейчас уже нельзя представить сервис без моделей Pydantic, а FastAPI стал стандартом.

Я считаю, что PydanticAI станет стандартом в создании агентов, поэтому подробно разберу этапы создания сервиса с LLM-агентом и популярные подходы