TGTGInsightтелеграм анализLIVE / telegram public index
← Такты, стеки, два колеса

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #672 · 28.11

Впервые сделал крупный проект (под NDA, так что не расскажу, какой) на облачных функциях. Впечатления противоречивые. Изначально программисты арендовали компьютер в датацентре: или целиком или кусочек. На нём теоретически можно делать что угодно, но для запуска своих программ нужно было настроить операционную систему, безопасность и авторизацию, установить нужные исполнительные модули, программы для удобства деплоя, мониторинг нагрузки итд. Поэтому появились сервисы, которые это всё делают за тебя, а тебе дают буквально окно, куда можно написать свой код и запускать его удалённо на чужой машине. Конкретно я пользовался решением от Яндекса, чей протокол скопирован напрямую с Amazon Web Services. Причём, в документации не только открыто об этом говорится, но ещё и в некоторых местах перенаправляют на доки от Amazon. И SDK предлагают тоже использовать амазоновский. До санкций я бы сказал, что это не так плохо — можно использовать что-то привычное тем, кто уже работал с Amazon. Но сейчас привязка к американскому сервису выглядит скорее жирным минусом. Не знаю, есть ли у Яндекса ресурсы на какое-то серьёзное разделение. Судя по состоянию документации и платформы в целом — нет. Yandex Cloud кажется системой, которая активно развивалась несколько лет назад, а сейчас подзаброшена. Среда выполнения .NET отстаёт от актуальной на две версии (3.1 вместо 6, четвёртой версии не существует). Изначально мой проект был написан как обычное контейнеризированное приложение на .NET 6, а потом я переводил его на функции. Пришлось пройтись по всему коду и переписать несовместимые куски с C#10 на C#8, это было не слишком приятно. Документации фактически нет, а там, где есть, много путаницы. В примерах написано одно, по факту другое: например в функцию вместо объекта Request приходит просто строка, а разбирать её надо самому. Авторизацию я нашёл только на Stackoverflow. Интересно, что адекватных доков про неё не было ни у Яндекса, ни у Amazon. Функция выполняется и выгружается, поэтому ваша программа не должна рассчитывать на наличие постоянно живущего процесса. Мне пришлось вытащить из неё большой словарь, который грузится при старте, и положить уже подготовленные данные из него в Object Storage — это такое горячее файловое хранилище, там же рядом с функциями. Справедливости ради, работает это всё быстрее, чем я думал. Удалось запихнуть в функции даже сравнительно большой проект с кучей классов, создающий при запуске несколько десятков объектов и производящий загрузку из сети с декомпрессией. Другой важный плюс — бесплатная квота довольно внушительная: миллион вызовов и 10Гб*часов оперативной памяти в месяц. Для пет проекта вы сможете вообще не покупать сервер. Но если сервер у вас всё-таки есть, деплой вы уже настроили, то удобнее будет, конечно, делать как привычно. И гибкости больше. #dev

Hashtags

Резултати

Намерени 3 подобни публикации

Търсене: #modelcontextprotocol

当前筛选 #modelcontextprotocol清除筛选
GitHub Trends

@githubtrending · Post #15076 · 19.08.2025 г., 13:00

#python#aws#mcp#mcp_client#mcp_clients#mcp_host#mcp_server#mcp_servers#mcp_tools#modelcontextprotocol AWS MCP Servers use the Model Context Protocol (MCP), an open standard that connects AI tools with AWS data and services in a simple, secure way. These servers improve AI responses by providing up-to-date AWS documentation, best practices, and workflow automation for cloud development, infrastructure, and operations. You can run MCP servers locally for development or use AWS-managed remote servers for easy access and scalability. MCP servers support many AWS services like Lambda, DynamoDB, EKS, and more, helping you build, manage, and optimize AWS resources efficiently with AI assistance. Installation is easy with one-click options for popular tools like VS Code and Cursor. This makes cloud development faster, more accurate, and cost-effective. https://github.com/awslabs/mcp

GitHub Trends

@githubtrending · Post #15008 · 31.07.2025 г., 09:30

#python#csharp#java#javascript#javascript_applications#mcp#mcp_client#mcp_security#mcp_server#model#model_context_protocol#modelcontextprotocol#python#typescript You can learn the Model Context Protocol (MCP), a new standard for connecting AI models with applications, through a free, open-source curriculum that includes hands-on coding examples in C#, Java, JavaScript, Python, and TypeScript. The curriculum covers basics, security, building servers and clients, advanced topics, and best practices, with multi-language support and community help via Discord. You can also join MCP Dev Days, a free online event for deep technical learning and networking. This resource helps you quickly gain practical skills to build and integrate AI tools effectively, boosting your development capabilities in AI workflows. https://github.com/microsoft/mcp-for-beginners

GitHub Trends

@githubtrending · Post #14896 · 02.07.2025 г., 12:30

#python#ai#authentication#authorization#claude#cursor#fastapi#llm#mcp#mcp_server#mcp_servers#modelcontextprotocol#openapi#windsurf FastAPI-MCP is a tool that lets you easily turn your FastAPI web API endpoints into Model Context Protocol (MCP) tools, which AI agents can use directly. It requires almost no setup—just connect it to your FastAPI app, and it automatically preserves your request/response data models and documentation. It also includes built-in authentication using your existing FastAPI security methods. You can run the MCP server inside your app or separately, and it communicates efficiently using FastAPI’s ASGI interface. This makes it simple to integrate AI capabilities with your existing FastAPI services without rewriting code, saving you time and effort while keeping your API secure and well-documented[1][5]. https://github.com/tadata-org/fastapi_mcp