TGINSIGHT SIMILAR POSTS
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
Пребарај: #harness
@abmedia_news · Post #23709 · 07.04.2026 г., 13:34
【🚀AI 人工智慧｜Agent Harness 才是關鍵：為什麼同一個 AI 模型在不同產品表現天差地遠 】 #Agent#Harness#AI 📍請見報導： https://abmedia.io/agent-harness-engineering-why-same-model-different-performance 📍訂閱鏈新聞頻道：https://linktr.ee/abmedia.io
@abmedia_news · Post #23801 · 11.04.2026 г., 09:30
【🚀AI 人工智慧｜Harness Engineering 是什麼？AI 的下一個戰場不是模型，而是模型外面的那層架構 】 #Harness#Engineering#AI 📍請見報導： https://abmedia.io/harness-engineering-ai-agent-framework-explained 📍訂閱鏈新聞頻道：https://linktr.ee/abmedia.io
Hashtags
@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
@desi_memes_funny_jokes · Post #5101 · 31.07.2024 г., 08:22
#TransformAnger#FuelForSuccess#Harness TheEnergy #PassionDriven#Success Mindset #RiseAboveChallenges #HappinessJourney#PracticeMakesPerfect#Mindfulness#Gratitude#KindnessMatters#JoyfulMoments#PersonalGrowth#HappinessIsAChoice#SpreadLove#LiveFully#MotivationalStudio#AashiqShekhMotivational#FitnessFuelHub#RemixedRhymes#LaughingStudio
Hashtags