TGTGInsighttelegram intelligenceLIVE / telegram public index
← Python Заметки

TGINSIGHT SIMILAR POSTS

Најди сличен содржај

Изворен канал @pythonotes · Post #191 · 14 дек.

Как разделить строку с shell-командой на отдельные аргументы в виде списка? Если сделать просто сплит по пробелу то получим то что надо, кроме случаев со вставками текста с пробелами. Например так: >>> '-arg "I Am Groot"'.split(' ') ['-arg', '"I', 'Am', 'Groot"'] Чтобы учитывать текст в кавычках как единый аргумент можно воспользоваться функцией shlex.split() Кто читает мой канал давно, уже в курсе. А что делать, если нужно обратное действие? Объединить аргументы из списка в строку и при этом добавить кавычки в аргумент с пробелами. Конечно, если вы используете subprocess то он сам всё разрулит. Но если вам нужна именно команда одной строкой, то можно воспользоваться готовой функцией в том же subprocess. >>> from subprocess import list2cmdline >>> list2cmdline(['-arg', 'I Am Groot']) '-arg "I Am Groot"' Он также позаботится об экранировании уже имеющихся кавычек >>> list2cmdline(['-arg', 'I Am "Groot"']) '-arg "I Am \"Groot\""' А вот так он может "схлопнуть" в команду JSON >>> list2cmdline(['--json', json.dumps({'key': 'value'})]) '--json "{\"key\": \"value\"}"' _______________ Возможно кто-то спросит, а зачем соединять аргументы в строку если subprocess сам это сделает а os.system не наш путь? Мне как-то потребовалось отправлять команду на удалённое выполнение и в API поддерживалось указание команды только строкой. Так что всякое бывает) #libs#basic

Hashtags

Резултати

Пронајдени 1 слични објави

Пребарај: #researchagent

当前筛选 #researchagent清除筛选
Machinelearning

@ai_machinelearning_big_data · Post #8450 · 04.09.2025 г., 13:20

🔥 NVIDIA представила Universal Deep Research (UDR) UDR — настраиваемый агент для глубокого ресёрча, который «оборачивается» вокруг любого LLM. Почему это важно: 🟠**Гибкая настройка агента без кода** — UDR не ограничивает жёсткими сценариями, как большинство тулзов. 🟠Можно создавать, редактировать и комбинировать стратегии поиска и анализа. 🟠В репо есть примеры стратегий (minimal, expansive, intensive), но главная сила — в кастомизации под свои задачи. По сути, это гибкий ресёрч-агент, который можно адаптировать под любой рабочий процесс. 🟢Project: https://research.nvidia.com/labs/lpr/udr 🟢Code: https://github.com/NVlabs/UniversalDeepResearch 🟢Lab: https://nv-dler.github.io @ai_machinelearning_big_data #NVIDIA#UDR#UniversalDeepResearch#AI#LLM#ResearchAgent#AIAgents#DeepResearch