Awesome GitHub RepositoriesNotebook Tooling

Ruff is a high-performance static analysis and code formatting tool designed for Python. Built in Rust, it functions as a comprehensive engine that scans source code to detect programming errors, security vulnerabilities, and deviations from established coding standards. By parsing source code into a structured tree representation, it provides both automated linting and style enforcement across entire projects. The tool distinguishes itself through its speed and deep integration into the development lifecycle. It utilizes parallelized file processing to maximize throughput on large codebases

This project is a high-performance static type checker and comprehensive development toolkit for Python. It functions as a core analysis engine that identifies type inconsistencies and enforces code correctness, while simultaneously providing a language server implementation to deliver real-time diagnostics and intelligence directly within development environments. The tool distinguishes itself through a parallelized execution engine that maximizes performance across large-scale codebases and monorepo structures. It supports gradual type adoption, allowing developers to integrate type checkin

Jupytext is a synchronization tool and text converter for Jupyter Notebooks. It transforms notebook files into plain text formats, such as Markdown or Python scripts, to enable line-by-line diffs and peer reviews within version control systems. The tool pairs notebook files with corresponding text files to maintain a dual representation of the same content. It uses bidirectional synchronization to update linked files based on the most recent modifications, allowing notebook content to be edited inside standard text editors. Beyond file conversion and synchronization, the project provides cap

Ce projet est un framework complet pour la programmation lettrée qui permet aux développeurs de construire des bibliothèques Python prêtes pour la production entièrement au sein de Jupyter Notebooks. En traitant les notebooks comme la source de vérité principale, il intègre le code, la documentation et les tests dans un pipeline de développement unifié qui s'exporte directement vers des modules Python standard. Le framework se distingue par des outils spécialisés conçus pour surmonter les défis inhérents à l'utilisation de notebooks dans l'ingénierie logicielle professionnelle. Il inclut des hooks Git personnalisés et des pilotes de fusion qui assainissent les métadonnées volatiles des notebooks, éliminant efficacement les diffs bruyants et résolvant les conflits de fusion. De plus, il utilise des directives basées sur les cellules pour contrôler la visibilité du code, les tests et la génération de documentation, permettant aux développeurs de maintenir un code source propre et modulaire tout en travaillant dans un environnement interactif. Au-delà de son flux de travail de développement principal, le projet fournit une suite robuste d'outils d'automatisation pour l'ensemble du cycle de vie logiciel. Cela inclut un moteur de site statique pour rendre une documentation de qualité publication avec prise en charge des équations mathématiques et du référencement croisé des symboles, ainsi que des utilitaires pour gérer les dépendances du projet, le versionnage et les tests automatisés. Il prend également en charge les flux de travail d'intégration continue pour déployer la documentation et publier des paquets vers des registres standard. Le projet fournit un processus d'amorçage standardisé pour initialiser de nouveaux dépôts avec des pipelines pré-configurés pour les tests, la documentation et le contrôle de version.

AgentLaboratory is a multi-agent research system that automates the entire scientific experimentation process, from literature review through experiment execution to report generation, using a sequence of specialized AI agents. The system orchestrates a team of language-model-driven agents—a literature reviewer, experimental planner, executor, and report writer—to autonomously complete an end-to-end research workflow. The system distinguishes itself by saving progress at every checkpoint, enabling seamless recovery and continuation after interruptions or failures. Agents build on each other's

Lit is a machine learning interpretability framework and model debugging tool designed to analyze model behavior and performance. It serves as an interpretability dashboard for large language models and a general performance analyzer for text, image, and tabular datasets. The project distinguishes itself through a comprehensive suite of interpretability tools, including salience map generation for feature attribution, the creation of synthetic and counterfactual examples to test robustness, and the projection of high-dimensional embeddings into visual spaces via UMAP or PCA. It further enable