TGTGInsighttelegram intelligenceLIVE / telegram public index
← Python Заметки

TGINSIGHT SIMILAR POSTS

Најди сличен содржај

Изворен канал @pythonotes · Post #381 · 23 окт.

Установить свойства виджета в PySide можно не только через соответствующие методы и конструктор класса. Можно их изменять с помощью метода setProperty по имени. btn = QPushButton("Click Me") btn.setProperty("flat", True) Это аналогично вызову btn.setFlat(True) Если указать несуществующее свойство, то оно просто создается btn.setProperty("btnType", "super") Получить его значение можно методом .property(name) btn_type = btn.property("btnType") Когда это может быть полезно? ▫️Можно просто хранить какие то данные в виджете и потом их доставать обратно widget = QWidget() widget.setProperty('my_data', 123) print(widget.property('my_data')) ▫️ Назначая эти свойства разным виджетам можно потом отличить виджеты во время итераци по ним. Например, найти все кнопки со свойством my_data="superbtn". Но ведь вместо кастомного свойства можно использовать objectName, будет тот же результат. Да, но y ObjectName есть ограничение - только строки. ▫️ Если нам потребуется не просто поиск а, например, сортировка по числу, то свойства позволяют нам это сделать. Поддерживается любой тип данных widget.setProperty('my_data', {'Key': 'value'}) widget.setProperty('order', 1) all_widgets.sort(key=w: w.property('order')) Но ведь Python позволяет всё вышеперечисленное сделать простым созданием атрибута у объекта widget.order = 1 widget.my_data = 123 Да, но я думаю что не надо объяснять почему не стоит так делать. К тому же, если у виджета нет свойства то метод .property(name) вернет None, а отсутствующий атрибут выбросит исключение. ▫️ Действительно полезное применение кастомным свойствам - контроль стилей. Здесь атрибутами не обойтись, нужны именно свойства. Дело в том, что в селекторах стилей можно указывать конкретные свойства виджетов на которые следует назначать стиль. Просто запустите этот код from PySide2.QtWidgets import * if __name__ == "__main__": app = QApplication([]) widget = QWidget(minimumWidth=300) layout = QVBoxLayout(widget) btn1 = QPushButton("Action 1") btn2 = QPushButton("Action 2") btn3 = QPushButton("Action 3", flat=True) layout.addWidget(btn1) layout.addWidget(btn2) layout.addWidget(btn3) # добавим кастомное свойство одной кнопке btn1.setProperty("btnType", "super") # добавляем стили widget.setStyleSheet( """ QPushButton[btnType="super"] { background-color: yellow; color: red; } QPushButton[flat="true"] { color: yellow; } """ ) widget.show() app.exec_() С помощью селектора мы избирательно назначили стили на конкретные кнопки. Как получить список всех кастомный свойств? Функция получения списка кастомных свойств отличается от получения дефолтных. def print_widget_dyn_properties(widget): for prop_name in widget.dynamicPropertyNames(): property_name = prop_name.data().decode() property_value = widget.property(property_name) print(f"{property_name}: {property_value}") #tricks#qt

Hashtags

Резултати

Пронајдени 5 слични објави

Пребарај: #langgraph

当前筛选 #langgraph清除筛选
Data Science Jobs

@datasciencejobs · Post #2701 · 28.04.2025 г., 15:03

#LangChain#LangGraph#LLM#AI#вакансии Друзья, всем привет! Ищем Автора для разработки текстового асинхронного курса по фреймворкам LangChain и LangGraph для действующих специалистов DS уровня Jun+. О нас: Standard Data – проектируем и реализуем образовательные решения под заказ крупных компаний в сферах ИИ, дата-инжиниринга и веб-разработки. Кого ищем: Data Scientist уровней middle и senior для создания текстового курса. Ожидания от кандидата: • Опыт работы с LLM в коммерческих проектах от 1 года; • Опыт работы в Data Science от 1,5 лет; • Высшее профильное образование; • Глубокое знание Python и интересуешься языковыми моделями и машинным обучением; • Желание делиться знаниями. Что нужно делать: • Разрабатывать уроки для курса по фреймворкам LangChain и LangGraph; • Писать текстовые материалы; • Работать в команде с тех-лидом, редактором и дизайнером. Что мы предлагаем: • Вознаграждение за один урок (3-5 страниц текста в Google Документах): 7к - 12к; • Гибкий график; • Сумма вознаграждения возможна и больше, всё зависит от опыта, публикаций и результатов собеседования; • Классную команду единомышленников. Ждем тебя в нашей команде, пишите в тг, или сразу кидайте резюме: @KaterinkaGl _____ За успешную рекомендацию по традиции бонус! Суммарно 15к: при прохождении тестового 5к, еще 10к. после 2 месяцев хорошей работы. Если у тебя классный кандидат с большим опытом, то пишите в ЛС, согласуем другой бонус!

GitHub Trends

@githubtrending · Post #15565 · 16.03.2026 г., 11:30

#python#ai#deepagents#langchain#langgraph Deep Agents is a ready-to-use AI agent framework that comes with built-in planning, file management, and task delegation tools. It breaks down complex tasks into manageable steps, maintains context across conversations, and can spawn specialized sub-agents to handle focused work independently. You benefit from getting a working agent immediately without building from scratch, while retaining full customization options for your specific needs. The framework handles context management automatically, making it ideal for multi-step projects that traditional agents struggle with. https://github.com/langchain-ai/deepagents

GitHub Trends

@githubtrending · Post #15419 · 17.01.2026 г., 09:30

#python#agent#ai#aippt#editable_pptx#langgraph#paper2slides#ppt_generator Paper2Any turns paper PDFs, images, or text into editable diagrams, technical roadmaps, experiment plots, PPT slides, and more with one click. Key tools include Paper2Figure for scientific visuals, Paper2PPT for custom decks with table extraction, PDF2PPT for layout-perfect conversions, and AI beautification. Install via GitHub on Python 3.11+, Linux preferred; try online demo or scripts. You save hours recreating figures or slides for research, talks, or reports, getting pro-quality, customizable outputs fast. https://github.com/OpenDCAI/Paper2Any

GitHub Trends

@githubtrending · Post #15523 · 25.02.2026 г., 12:30

#typescript#agent#agentic#agentic_framework#agentic_workflow#ai#ai_agents#bytedance#deep_research#harness#langchain#langgraph#langmanus#llm#multi_agent#nodejs#podcast#python#superagent#typescript DeerFlow 2.0 is an open-source super agent harness that orchestrates multiple sub-agents, memory systems, and sandboxed execution environments to accomplish complex tasks. Built on LangGraph and LangChain, it combines research, coding, and content creation capabilities with extensible skills and tools. The platform features isolated Docker containers for safe execution, long-term memory that learns your preferences, and the ability to spawn sub-agents that work in parallel on different task angles. You benefit from dramatically reduced research and automation time—tasks that typically take hours complete in minutes—while maintaining full transparency and control over agent decisions through human-in-the-loop collaboration. Whether you need deep research reports, data analysis, slide decks, or custom workflows, DeerFlow handles multi-step complexity without requiring extensive coding knowledge. https://github.com/bytedance/deer-flow

GitHub Trends

@githubtrending · Post #14662 · 02.05.2025 г., 12:00

#typescript#aceternity_ui#agent#agents#ai#chrome_extension#extension#fastapi#glean#langchain#langgraph#nextjs#nextjs15#notebooklm#notion#ollama#perplexity#python#rag#slack#typescript SurfSense is a highly customizable AI research tool that helps you organize and search your personal knowledge base. It connects to many external sources like search engines, Slack, Notion, YouTube, and GitHub. You can upload various file types and interact with your saved content using natural language. SurfSense provides cited answers and supports local AI models, making it a powerful tool for research. It's also self-hostable and open-source, allowing you to control your data and customize it as needed. This helps you manage information more efficiently and privately. https://github.com/MODSetter/SurfSense