标签

Python

Kimi Code 全面转向 TypeScript:Python CLI 工具的语言迁移实践

来源: oschina.net 46
Moonshot AI 的 Kimi Code 产品线刚完成了一次硬核的技术栈切换——曾经以 Python 为主力语言的 kimi-cli 正式进入停止维护阶段,取而代之的是以 TypeScript 构建的 kimi-code。从 GitHub 仓库的语言占比来看,这次迁移不是"加一点 TS 补补短板",而是彻底翻转:kimi-cli 仓库 Pytho...

VirtualEnv 21.4.0:Python 虚拟环境工具的持续精简

来源: oschina.net 43
Python 项目多了,依赖冲突几乎是必然事件——A 项目要 Django 3.2,B 项目要 Django 4.1,全局 一装就打架。VirtualEnv 从根上解决这个问题:每个项目一套独立运行环境,互不干扰,部署时整包带走,服务器上不用再折腾依赖。 21.4.0 版本延续了近几个版本的"瘦身"路线,改动不大但方向明确。 从 changelog 看...

用 Python 发邮件:从纯文本到批量个性化,SMTP 实战全流程

来源: realpython.com 30
邮件自动化是后台系统里最常见的需求之一——注册确认、告警通知、周报推送,几乎都离不开它。Python 标准库自带 和 ,不用装任何第三方包就能把邮件从代码里发出去。但"能发"和"发得好"之间,隔着 HTML 格式、附件处理、批量个性化这几道坎。下面逐个拆解。 SMTP 协议的核心流程只有三步:连接服务器 → 登录认证 → 发送消息。 把这三步封装成了方...

用 Python 标准库发邮件:从纯文本到附件、HTML 与回复路由

来源: realpython.com 52
日常开发中,发邮件的需求比想象中更频繁——监控告警、定时报表、用户通知,甚至 CI 流程里的构建结果推送。很多人第一时间想到第三方 SDK,但 Python 标准库的 + 已经覆盖了绝大多数场景,不需要额外依赖,也不受服务商 API 限制。 下面从最简单的纯文本邮件起步,逐步叠加 HTML、附件和回复路由,每一步都给出可直接运行的代码。 Python ...

Azure Logic Apps 里跑 Python 和 JS:沙箱代码解释器让集成工作流变成 Agent 平台

来源: infoq.com 42
Logic Apps 过去是"连线工"——用预置连接器把 SaaS 服务串起来,逻辑靠条件分支和表达式拼凑。现在它多了一项硬能力:沙箱代码解释器。工作流中的 Agent 可以在运行时动态生成 Python、JavaScript、C#、PowerShell 代码,并在 Hyper-V 隔离会话中执行。这意味着 Logic Apps 从"编排引擎"正式跨入...

AlmaLinux 双版本齐发:9.8 与 10.2 稳定版升级要点与实操

来源: oschina.net 35
AlmaLinux OS Foundation 这次一口气放出了两个稳定版——9.8 "Olive Jaguar" 和 10.2 "Lavender Lion"。对于从 CentOS 迁移过来的团队而言,双线并行发布意味着你既可以在成熟的 9.x 系列上稳扎稳打,也能在 10.x 新分支上提前验证未来基础设施。下面拆解两个版本的关键变化,并给出可直接跑...

用 Python MCP Server 把大模型接上你的真实数据

来源: realpython.com 46
大模型能写代码、能聊天,但一到"查公司内部数据库""读项目私有文档"就卡壳——它根本看不到你的数据。MCP(Model Context Protocol)就是解决这个断层的协议:你写一个 MCP Server,把数据暴露成 工具、资源、提示词 三类能力,AI 客户端(Cursor、Claude Desktop 等)就能像调用本地函数一样直接操作你的数据...

Python 爬虫四件套实战速查:Requests、Beautiful Soup、Scrapy、Selenium

来源: realpython.com 31
学完爬虫基础后做总结测验,最容易暴露的不是"忘了某个 API",而是"遇到真实场景不知道该选哪个工具"。Requests、Beautiful Soup、Scrapy、Selenium 各有明确的主场,混用或错用会让简单任务变复杂、复杂任务变失控。这篇文章用可运行的代码把四件套的核心用法和适用边界串一遍,当作你测验前的最后一轮实操复习。 Requests...

Python 数据科学基本功:CSV、JSON、pandas 与 NumPy 实战要点

来源: realpython.com 30
做数据科学项目,最常打交道的就是文件读写、表格操作和数值计算。看似基础,但细节一错,后续分析全跑偏。这篇文章围绕 CSV/JSON 文件处理、pandas DataFrame 操作和 NumPy 数组计算三个核心板块,把容易踩坑的地方和实用模式梳理清楚,最后附一段可直接运行的整合示例。 CSV 是数据交换最普遍的格式,但它的"简单"只是表象。 读取时的...