Абьюзер СhatGPT 💄 REBORN

👨‍💻 Сюда многие пришли за программой, которая следит за активностью. Скажу честно, никак не дойдут руки ее до-тестировать, доделать до конца все, что хотел.

Не уверен, когда посетит вдохновение, поэтому даю как есть. Да, там 100% будут баги, но я думаю, кому надо - тот под себя адаптирует и "пофиксит".

🚀 Скачать можно тут (код).

🚀 Python-бот, который отслеживает указанные YouTube-каналы и автоматически отправляет уведомления в группы/каналы Telegram при появлении новых видео.

- 🔄 Отслеживание нескольких YouTube-каналов в реальном времени
- 📢 Мгновенные уведомления в Telegram при публикации новых видео
- 🎯 Чистый и профессиональный формат уведомлений с миниатюрами (thumbnail)
- 👥 Поддержка отправки уведомлений в несколько групп/каналов Telegram
- 🔐 Управление доступом только для администраторов
- ⚙️ Простая конфигурация через переменные окружения
- 💾 Постоянное хранение данных о каналах и настройках чатов
- 🚀 Автоматический повтор уведомлений при сбоях отправки
- 🛡 Обработка ошибок и корректное завершение работы бота

🖥 Для работы нужно указать свои:

1) Токен бота.
2) YOUTUBE_API_KEY.
3) Интервал в котором будет совершаться проверка на пост новых видео.
4) ID админов (для доступа к панели админов 🥹)

Поможет следить за контентом, первыми делать нарезки и т.д., работает надежнее колокольчика.

Cкачать можно тут.

🖥 Короткий скрипт опишете, что изображено на фото:

from transformers import BlipProcessor, BlipForConditionalGeneration
import torch
from PIL import Image

processor = BlipProcessor.from_pretrained("Salesforce/blip-image-captioning-base")
model = BlipForConditionalGeneration.from_pretrained("Salesforce/blip-image-captioning-base")

image_path = "img_4.jpg"
image = Image.open(image_path)

inputs = processor(images=image, return_tensors="pt")

with torch.no_grad():
output = model.generate(**inputs)

description = processor.decode(output[0], skip_special_tokens=True)

print("Image description:", description)

requirements.txt:

transformers
torch
Pillow

🚀 Все, должно работать.

Скачать можно тут.

Думаю, не стоит объяснять, почему вес такой большой. torch, модели и т.д., весит все это не мало...

В целом, тестируйте. Создал еще три вкладки:

- "Дорисовка кадров" - задел на будущее. Уже работаю над этим. Думал, засунуть в эту версию, но очень не стабильно, пока что;

- "Статус" - здесь вы узнаете, видит ли софт вашу видеокарту, на чем будет происходить работа - CUDA или же процессор. Для работы CUDA НУЖНО ОБЯЗАТЕЛЬНО УСТАНОВИТЬ CUDA Toolkit (‼️) Об этом сказано и в приложении, и ссылка там тоже есть. После установки, перегрузите систему, и если у вас карта Nvidia, у которой есть CUDA ядра - все заработает быстро;

- "О приложении" - общее описание приложения с моими контактами, ссылкой на CUDA Toolkit и предупреждением, что его нужно установить для корректной и быстрой работы.

😳 На будущее, хочу оптимизировать размер приложения, а также добавить:

- ту самую дорисовку кадров, чтобы делать видео более плавными;
- возможность не только ставить маркеры на фильтрах, но и регулировать интенсивность каждого "ползунками";
- модифицировать область предпросмотра, чтобы можно было сравнить результат до/после в одном окне;
- сделать общие настройки и перенести их в отдельную вкладку, чтобы не перенасыщать интерфейс;
- добавить возможность удалить фон с изображений, видео.

Пока что план таков. Когда будет - не понятно, ибо я 1, работы много, а это проект не коммерческий, так что занимаюсь им только когда есть время и силы... И все правки явно не 5-ти минутные.

😳 Надеюсь, вам понравится и у вас заработает!

P.S. тестировал перевод 60 FPS FHD видео в 4К, конечно, долго, на моей RTX 2070 SUPER, но это и ожидаемо. Порядка 3-4 минут на 5 секунд.

🐳 Я иногда даю тут проекты, которые Docker-ready. Вы спрашиваете, как запустить... И клиенты тоже иногда интересуются, как это запустить на своем сервере...

Так вот, полный список команд с объяснениями (Linux!!!):

1) Установка и проверка:

# Обновляем список пакетов
sudo apt update

# Устанавливаем Docker
sudo apt install -y docker.io

# Запускаем и добавляем Docker в автозагрузку
sudo systemctl start docker
sudo systemctl enable docker

# Устанавливаем Docker Compose
sudo apt install -y docker-compose

Чтобы проверить, что все сделали четко:

docker --version
docker-compose --version

Должно показать версии Docker и Docker-compose.

2) Разворачивание, запуск контейнера.

После того, как вы установили это все (делать нужно 1 раз(!!!)), нужно перейти в директорию с файлами проекта (где лежат Dockerfile, docker-compose.yml).

Пример:
cd /root/dialog_bot/

После этого, пишите команду:

sudo docker-compose up --build -d

Если сделали все четко, контейнер соберется и сразу же будет в работе.

Вот что делают "флажки":

- up: Создает и запускает контейнеры.
- --build: Принудительно пересобирает образ перед запуском. Это полезно, если ты внес изменения в Dockerfile или файлы проекта.
- -d: Запускает контейнеры в фоновом (detached) режиме.

Просмотреть логи с контейнера после можно по команде:

sudo docker-compose logs -f

3) А что на Windows?

Чтобы запустить на Win 10, 11, нужно:

1. Перейдите на официальный сайт Docker и скачай установщик для Windows.
2. Установите Docker Desktop:
- Запустите скачанный установщик.
- Следуйте инструкциям на экране. Очень важно: убедитесь, что выбрана опция "Use WSL 2 instead of Hyper-V" (Использовать WSL 2 вместо Hyper-V), если она доступна и твой Windows 10 это поддерживает (версия 2004 и выше, сборка 19041 и - выше). WSL 2 обеспечивает лучшую производительность. Если опции нет или твоя система старее, Docker Desktop может использовать Hyper-V.
- Установка может потребовать включения функций "Контейнеры" и "Подсистема Windows для Linux" (WSL). Установщик обычно предлагает сделать это автоматически или дает инструкции.
3. Запусти Docker Desktop после установки. Иконка кита появится в системном трее. При первом запуске может потребоваться некоторое время на инициализацию. Убедись, что Docker Desktop показывает, что он запущен (иконка кита в трее статична и не анимирована).

Важно: каждый раз, когда захотите собрать контейнер на Win 10, 11, нужно запускать Docker Desktop!

Дальше можете прямо в IDE, в папке с проектом в консоли писать:

docker-compose up --build -d

И все. Команды тут те же, что и на Linux.

Полезно?

🚀 Парни, код для свапа лиц между двумя фото. При первом запуске подкачает модельку.

import requests
import cv2
import os
from insightface.app import FaceAnalysis
from insightface.model_zoo import get_model

app = FaceAnalysis(name='buffalo_l')
app.prepare(ctx_id=0, det_size=(640, 640))


def download_model(url, model_path):
if not os.path.exists(model_path):
print(f"Загрузка модели с {url}...")
response = requests.get(url)
response.raise_for_status()
with open(model_path, 'wb') as file:
file.write(response.content)
print(f"Модель сохранена как {model_path}")


model_url = "https://huggingface.co/ezioruan/inswapper_128.onnx/resolve/main/inswapper_128.onnx?download=true"
model_path = "inswapper_128.onnx"

download_model(model_url, model_path)

swapper = get_model(model_path)


def swap_face_between_images(source_image_path, target_image_path, output_image_path):
source_img = cv2.imread(source_image_path)
if source_img is None:
print(f"Ошибка: Не удалось загрузить изображение-источник по пути: {source_image_path}")
return

target_img = cv2.imread(target_image_path)
if target_img is None:
print(f"Ошибка: Не удалось загрузить изображение-цель по пути: {target_image_path}")
return

print("Анализ лиц на изображении-источнике...")
source_faces = app.get(source_img)
if not source_faces:
print("Ошибка: Лица на изображении-источнике не найдены.")
return
source_face = source_faces[0]

print("Анализ лиц на изображении-цели...")
target_faces = app.get(target_img)
if not target_faces:
print("Ошибка: Лица на изображении-цели не найдены.")
return
target_face_to_replace = target_faces[0]

print("Выполнение замены лица...")
result_img = target_img.copy()
result_img = swapper.get(result_img, target_face_to_replace, source_face)

cv2.imwrite(output_image_path, result_img)
print(f"Изображение с замененным лицом сохранено как: {output_image_path}")


if __name__ == "__main__":
path_to_source_photo = 'rojers.jpg'
path_to_target_photo = 'stark.jpg'
output_filename = 'swapped_result.png'

if not os.path.exists(path_to_source_photo):
print(
f"Файл источника не найден: {path_to_source_photo}. Пожалуйста, создайте его или укажите правильный путь.")
elif not os.path.exists(path_to_target_photo):
print(f"Файл цели не найден: {path_to_target_photo}. Пожалуйста, создайте его или укажите правильный путь.")
else:
swap_face_between_images(path_to_source_photo, path_to_target_photo, output_filename)

requirements.txt:

opencv-python
onnxruntime
insightface

Чем лучше качество исходных фоток, тем лучше будет результат.

🗿 Сделали сайт и хотите показать кенту? Или нужно выводить картинку с подключенной к локальному ПК камеры?

Не проблема, есть ngrock 🖥 (если не хотите возиться с настройками роутера).

🚀 Ngrok — это удобный инструмент, который позволяет временно сделать ваш локальный сервер доступным через интернет. Это очень полезно, если вы:

- Разрабатываете сайт или приложение и хотите показать результат друзьям или заказчику до развертывания.
- Тестируете вебхуки или API-интерфейсы.
- Хотите быстро проверить работу вашего сервиса вне вашей локальной сети.

👨‍💻 Как это работает?

Вы запускаете локальный сервер (например, сайт на Flask или Node.js), затем запускаете ngrok и получаете публичный URL, по которому любой пользователь в интернете сможет получить доступ к вашему локальному серверу.

Например:

ngrok http 8080

Теперь ваш локальный сервер на порту 8080 доступен через URL, который сгенерирует ngrok (например, https://abcd1234.ngrok.io).

✨ Можно делиться своим шедевро-сайтом, скамом, фишингом и т.д. с миром...

🖥 В целом мой курс будет начинаться с предложения скачать вот такой вот софт. Это не обязательно но многим может упростить их путь в начале:

1) Поможет скачать последнюю актуальную версию IDE под ОС пользователя;
2) А также Python из последних актуальных релизов.

Будут и рекомендации по правильной установке.

📱 Будет кросс-платформа. Софт сам определяет, на какой платформе запущен, от этого и делает выбор, для какой платформы качать установщик".

Страничку с choco я еще заполню командами. Сейчас там уже есть вкладки (медиа, разработка, веб-разработка и т.д.) с командами для экспресс-установки рабочих инструментов. В одну строчку можно установить все те же IDE, Python, Node JS, драйвера, кодеки и даже Steam :D

🧠 На третьей страничке - ссылки на ресурсы, которые явно помогут в обучении, особенно на начальном этапе. Постарался собрать там и RU/Eng источники, чтобы всем все было понятно.

Пока что так. .exe под Windows мб дам сюда сегодня-завтра.

🚀 Парни, код для свапа лиц между двумя фото. При первом запуске подкачает модельку.

import requests
import cv2
import os
from insightface.app import FaceAnalysis
from insightface.model_zoo import get_model

app = FaceAnalysis(name='buffalo_l')
app.prepare(ctx_id=0, det_size=(640, 640))


def download_model(url, model_path):
if not os.path.exists(model_path):
print(f"Загрузка модели с {url}...")
response = requests.get(url)
response.raise_for_status()
with open(model_path, 'wb') as file:
file.write(response.content)
print(f"Модель сохранена как {model_path}")


model_url = "https://huggingface.co/ezioruan/inswapper_128.onnx/resolve/main/inswapper_128.onnx?download=true"
model_path = "inswapper_128.onnx"

download_model(model_url, model_path)

swapper = get_model(model_path)


def swap_face_between_images(source_image_path, target_image_path, output_image_path):
source_img = cv2.imread(source_image_path)
if source_img is None:
print(f"Ошибка: Не удалось загрузить изображение-источник по пути: {source_image_path}")
return

target_img = cv2.imread(target_image_path)
if target_img is None:
print(f"Ошибка: Не удалось загрузить изображение-цель по пути: {target_image_path}")
return

print("Анализ лиц на изображении-источнике...")
source_faces = app.get(source_img)
if not source_faces:
print("Ошибка: Лица на изображении-источнике не найдены.")
return
source_face = source_faces[0]

print("Анализ лиц на изображении-цели...")
target_faces = app.get(target_img)
if not target_faces:
print("Ошибка: Лица на изображении-цели не найдены.")
return
target_face_to_replace = target_faces[0]

print("Выполнение замены лица...")
result_img = target_img.copy()
result_img = swapper.get(result_img, target_face_to_replace, source_face)

cv2.imwrite(output_image_path, result_img)
print(f"Изображение с замененным лицом сохранено как: {output_image_path}")


if __name__ == "__main__":
path_to_source_photo = 'rojers.jpg'
path_to_target_photo = 'stark.jpg'
output_filename = 'swapped_result.png'

if not os.path.exists(path_to_source_photo):
print(
f"Файл источника не найден: {path_to_source_photo}. Пожалуйста, создайте его или укажите правильный путь.")
elif not os.path.exists(path_to_target_photo):
print(f"Файл цели не найден: {path_to_target_photo}. Пожалуйста, создайте его или укажите правильный путь.")
else:
swap_face_between_images(path_to_source_photo, path_to_target_photo, output_filename)

requirements.txt:

opencv-python
onnxruntime
insightface

Чем лучше качество исходных фоток, тем лучше будет результат.

🖥 В целом мой курс будет начинаться с предложения скачать вот такой вот софт. Это не обязательно но многим может упростить их путь в начале:

1) Поможет скачать последнюю актуальную версию IDE под ОС пользователя;
2) А также Python из последних актуальных релизов.

Будут и рекомендации по правильной установке.

📱 Будет кросс-платформа. Софт сам определяет, на какой платформе запущен, от этого и делает выбор, для какой платформы качать установщик".

Страничку с choco я еще заполню командами. Сейчас там уже есть вкладки (медиа, разработка, веб-разработка и т.д.) с командами для экспресс-установки рабочих инструментов. В одну строчку можно установить все те же IDE, Python, Node JS, драйвера, кодеки и даже Steam :D

🧠 На третьей страничке - ссылки на ресурсы, которые явно помогут в обучении, особенно на начальном этапе. Постарался собрать там и RU/Eng источники, чтобы всем все было понятно.

Пока что так. .exe под Windows мб дам сюда сегодня-завтра.

🚀 Часто в инфо-поле начал появляться n8n. Хочу о нем рассказать, может кто-то не знаком.

И главный вопрос:

Что лучше для автоматизации — использовать готовый инструмент типа n8n или писать все с нуля, то есть заниматься ручной разработкой?

🤷‍♂️ Что такое n8n?

n8n — это платформа для визуальной автоматизации. Вы соединяете кубики-«ноды» (приложения и сервисы) между собой, чтобы они обменивались данными и выполняли задачи без вашего участия. Гибко, наглядно и не всегда требует навыков программирования.

Что же выбрать: n8n или код? 🤔

🏹 n8n — ваш выбор, если:

- Скорость — главный приоритет. Собрать рабочий сценарий в n8n можно за минуты, а не за дни или недели;
- Бюджет ограничен. Использование готовых интеграций и визуального конструктора значительно дешевле, чем оплата часов разработчика;
- Задача типовая. Нужно связать популярные сервисы (Telegram, Google Sheets, CRM, Trello)? В n8n для этого уже все готово;
- Нужна гибкость без хардкора. Вы не программист, но хотите иметь возможность легко менять логику процесса.

👨‍💻 Ручная разработка — ваш выбор, если:

- Нужна 100% кастомизация. У вас уникальная бизнес-логика, нестандартные API или требования к интерфейсу;
- Требуется максимальная производительность. Для высоконагруженных систем, обрабатывающих тысячи запросов в секунду, кастомный код, написанный под конкретную задачу, будет эффективнее;
- Интеграция очень специфична. Нужно подключить редкий или внутренний корпоративный софт, для которого нет готовых «нод»;
- Полный контроль над кодом и окружением является критически важным в серьезных проектах.

Итог таков: не стоит противопоставлять эти два подхода. Это инструменты для разных задач. Для 60% стандартных кейсов автоматизации n8n будет быстрее, дешевле и проще в поддержке. Например, бот для записи на маникюр, в больницу и т.д.

Для масштабных же проектов, рассчитанных на тысячи пользователей, n8n - это шутка. Где нужна уникальная логика и высокая производительность, — без ручной разработки не обойтись. ⚙️

#automation #n8n #dev #nocode #tools

🚀 Python-бот, который отслеживает указанные YouTube-каналы и автоматически отправляет уведомления в группы/каналы Telegram при появлении новых видео.

- 🔄 Отслеживание нескольких YouTube-каналов в реальном времени
- 📢 Мгновенные уведомления в Telegram при публикации новых видео
- 🎯 Чистый и профессиональный формат уведомлений с миниатюрами (thumbnail)
- 👥 Поддержка отправки уведомлений в несколько групп/каналов Telegram
- 🔐 Управление доступом только для администраторов
- ⚙️ Простая конфигурация через переменные окружения
- 💾 Постоянное хранение данных о каналах и настройках чатов
- 🚀 Автоматический повтор уведомлений при сбоях отправки
- 🛡 Обработка ошибок и корректное завершение работы бота

🖥 Для работы нужно указать свои:

1) Токен бота.
2) YOUTUBE_API_KEY.
3) Интервал в котором будет совершаться проверка на пост новых видео.
4) ID админов (для доступа к панели админов 🥹)

Поможет следить за контентом, первыми делать нарезки и т.д., работает надежнее колокольчика.

Cкачать можно тут.

🗿 Сделали сайт и хотите показать кенту? Или нужно выводить картинку с подключенной к локальному ПК камеры?

Не проблема, есть ngrock 🖥 (если не хотите возиться с настройками роутера).

🚀 Ngrok — это удобный инструмент, который позволяет временно сделать ваш локальный сервер доступным через интернет. Это очень полезно, если вы:

- Разрабатываете сайт или приложение и хотите показать результат друзьям или заказчику до развертывания.
- Тестируете вебхуки или API-интерфейсы.
- Хотите быстро проверить работу вашего сервиса вне вашей локальной сети.

👨‍💻 Как это работает?

Вы запускаете локальный сервер (например, сайт на Flask или Node.js), затем запускаете ngrok и получаете публичный URL, по которому любой пользователь в интернете сможет получить доступ к вашему локальному серверу.

Например:

ngrok http 8080

Теперь ваш локальный сервер на порту 8080 доступен через URL, который сгенерирует ngrok (например, https://abcd1234.ngrok.io).

✨ Можно делиться своим шедевро-сайтом, скамом, фишингом и т.д. с миром...

⌛️ Время идет и Python не стоит на месте.

Хочу поделиться тем, какие новые стандарты в Python уже приняты или станут обязательными в ближайший год, и насколько это радикально меняет практику. После перехода от requirements.txt к pyproject.toml (о котором я говорил раньше) это следующий этап эволюции экосистемы.

⌛ Вот краткая выжимка:

1) PEP 735 - Dependency Groups в pyproject.toml

Теперь вместо нескольких файлов requirements‑dev.txt, requirements‑test.txt и пр. можно удобно описать группы зависимостей прямо в pyproject.toml в блоке [dependency-groups]. Например, группа dev может включать тестовые, линтеры и прочие зависимости с логическим именованием. Инструменты вроде pip, uv и IDE научатся распознавать эти именованные группы и устанавливать их командой pip install --dependency-groups=dev,test

2) PEP 751 - единый формат lock‑файла pylock.toml

Теперь «состояние» зависимостей фиксируется в стандартизированном файле pylock.toml, который описывает точные версии, хэши, источники, extras и платформенные условия. Установщик может выполнить установку без резолвера, ориентируясь на lock‑файл, что делает процесс быстрее, безопаснее и воспроизводимым. Lock-файл написан в TOML‑формате и совместим с несколькими инструментами упаковки - pip, Poetry, PDM, uv и др.

3) PEP 761 - Sigstore вместо PGP для подписи релизов CPython

С Python 3.14 PGP‑подписи больше не обязательны - теперь релизы CPython подписываются через Sigstore - открытый, более удобный механизм. Sigstore поддерживает OpenID-идентификацию и даже офлайн‑верификацию, проще в автоматизации и внедрении. Это реально упрощает процесс проверки целостности скачанных архивов и повышает криптографическую надёжность распределения

4) PEP 784 - compression.zstd в стандартной библиотеке Python

В Python 3.14 появляется модуль compression.zstd и новый namespace compression.*, который объединяет zlib, bz2, gzip и другие под единым API. Теперь можно сжимать и распаковывать данные с помощью алгоритма Zstandard без внешних библиотек, с API, схожим на lzma или bz2. Zstd обеспечивает высокий уровень сжатия и скорость разжатия, особенно полезен для лонов или large‑файловых архивов.

5. PEP 771 - Default Extras («рекомендуемые» extras по умолчанию)

PEP 771 вводит возможность указать default-optional-dependencies в [project], чтобы extras автоматически включались при обычной установке пакета. Это удобно для пакетов с опциональными компонентами вроде recommended или all, которые не хочется заставлять включать вручную. Пока это черновой этап (Draft), но активно обсуждается и ожидается реализация в 2026 году. 👀 Например, pip install foo сам активирует [recommended], если оно задано по умолчанию.

🕙 Все эти улучшения уже либо действуют (PEP 735, 751, 761, 784), либо находятся в финальной стадии обсуждения (PEP 771). В 2025–2026 годах они станут отраслевым стандартом — самое время подготовиться и внедрить их заранее.

‼️ В больше части это касается тех, кто уже серьезно работает. Если только начали учиться - не забивайте пока голову.

😜 Я - деградировал. И вот почему:

Все мы (я тоже) злоупотребляем "Ctrl+C", "Ctrl+V". Мне постоянно кажется, что я экономлю время, но на самом деле - обкрадываю сам себя 🤷‍♂️

Когда просто копируешь чужой код, мозг не работает. Ты не вникаешь в суть, не учишься решать проблемы, а просто затыкаешь дыры. Эти пробелы в знаниях потом больно бьют по карьере, уж поверьте.

🔥Я видел, как проекты тонули в техническом долге из-за таких «быстрых» решений. Скопированный код часто неоптимален и плохо вписывается в архитектуру. Вместо роста и чистого кода - получаем хаос, который потом приходится расхлебывать часами.

Поэтому мой вам совет - в следующий раз, когда рука потянется к копированию, остановитесь. Напишите решение сами, пусть даже оно будет неидеальным. Это ваш самый ценный опыт. Хотя бы иногда практикуйте, ибо когда в очередной раз сервера openai/Gemini упадут - придется брать отпуск :D

P.S. но параллельно у меня очень сильно поднялся скилл в "обьяснении чего я хочу", в плане

🚀 Часто в инфо-поле начал появляться n8n. Хочу о нем рассказать, может кто-то не знаком.

И главный вопрос:

Что лучше для автоматизации — использовать готовый инструмент типа n8n или писать все с нуля, то есть заниматься ручной разработкой?

🤷‍♂️ Что такое n8n?

n8n — это платформа для визуальной автоматизации. Вы соединяете кубики-«ноды» (приложения и сервисы) между собой, чтобы они обменивались данными и выполняли задачи без вашего участия. Гибко, наглядно и не всегда требует навыков программирования.

Что же выбрать: n8n или код? 🤔

🏹 n8n — ваш выбор, если:

- Скорость — главный приоритет. Собрать рабочий сценарий в n8n можно за минуты, а не за дни или недели;
- Бюджет ограничен. Использование готовых интеграций и визуального конструктора значительно дешевле, чем оплата часов разработчика;
- Задача типовая. Нужно связать популярные сервисы (Telegram, Google Sheets, CRM, Trello)? В n8n для этого уже все готово;
- Нужна гибкость без хардкора. Вы не программист, но хотите иметь возможность легко менять логику процесса.

👨‍💻 Ручная разработка — ваш выбор, если:

- Нужна 100% кастомизация. У вас уникальная бизнес-логика, нестандартные API или требования к интерфейсу;
- Требуется максимальная производительность. Для высоконагруженных систем, обрабатывающих тысячи запросов в секунду, кастомный код, написанный под конкретную задачу, будет эффективнее;
- Интеграция очень специфична. Нужно подключить редкий или внутренний корпоративный софт, для которого нет готовых «нод»;
- Полный контроль над кодом и окружением является критически важным в серьезных проектах.

Итог таков: не стоит противопоставлять эти два подхода. Это инструменты для разных задач. Для 60% стандартных кейсов автоматизации n8n будет быстрее, дешевле и проще в поддержке. Например, бот для записи на маникюр, в больницу и т.д.

Для масштабных же проектов, рассчитанных на тысячи пользователей, n8n - это шутка. Где нужна уникальная логика и высокая производительность, — без ручной разработки не обойтись. ⚙️

#automation #n8n #dev #nocode #tools