TGTGInsighttelegram intelligenceLIVE / telegram public index
← Python Заметки

TGINSIGHT SIMILAR POSTS

Најди сличен содржај

Изворен канал @pythonotes · Post #425 · 20 апр.

Недавно делал быстрый прототип асинхронного приложения в котором требовалось вызывать много синхронного кода. Да, я знаю, что это не лучший дизайн, но нужно было быстрое решение на один процесс и без очередей. Поэтому я выполнял код в потоках. Выглядело это примерно так: from fastapi.concurrency import run_in_threadpool async def execute(data: DataRequest) -> DataResponse: try: result = await run_in_threadpool(sync_function, data) return DataResponse(data=result) except Exception as e: return DataResponse( error=str(e), success=False, ) В общем работает нормально. Для всех вызовов под капотом используется общий тредпул, всё работает предсказуемо. Но потребовалось изменить количество запускаемых в пуле потоков (по умолчанию создается 40 воркеров). Так как дело происходит с FastAPI, делается это через lifespan используя настройки anyio: import anyio @asynccontextmanager async def lifespan(app: FastAPI): limiter = anyio.to_thread.current_default_thread_limiter() limiter.total_tokens = 100 yield # если вдруг нужно вернуть обратно limiter.total_tokens = 40 Зачем менять количество воркеров? - уменьшить, если оперативки мало (один тред занимает ~8мб) - увеличить чтобы выдержать нагрузку Если есть предложения получше при тех же вводных - предлагайте😉 #async

Hashtags

Резултати

Пронајдени 1 слични објави

Пребарај: #deeplearningai

当前筛选 #deeplearningai清除筛选
Machinelearning

@ai_machinelearning_big_data · Post #8713 · 07.10.2025 г., 18:06

🧠 Новый курс от Andrew Ng - Agentic AI! Создание AI-агентов становится одной из самых востребованных профессий на рынке. Теперь вы можете научиться этом на курсе. Курс научит вас реализовывать четыре ключевых паттерна дизайна агентов: - Reflection - как агент анализирует свои ответы и улучшает их - Tool use - модель выбирает, какие инструменты использовать (поиск, почта, календарь, код и т.д.) - **Planning**- ИИ планирует и разбивает задачу на подзадачи - Multi-agent collaboration - взаимодействие нескольких агентов, как сотрудников в команде Andrew Ng делает акцент на оценке (evals) и анализе ошибок - ключевых навыках для успешной отладки агентных систем. В курсе есть практика, где можно создадите deep research-агента, который умеет искать, синтезировать и формировать отчёты, применяя все эти паттерны. 🟢Особенности курса: - Все уроки и код на Python - Очень подробно и пошагало объяснены все вунтренности - В курсе рассматриваются для самые популярные фреймворками для создания ИИ агентнов 🟢Формат: self-paced (проходите курс в удобном для себя темпе) Требование для учащихся - базовые знания Python 🟠Записаться:https://deeplearning.ai/courses/agentic-ai/ @ai_machinelearning_big_data #AI#AgenticAI#AndrewNg#DeepLearningAI#AIagents