Spočítejte celá čísla od jedné do n nesoudělná s n pomocí Eulerovy funkce s mezí n do 1000000000.
def totient(value):
if type(value) is not int or not 1 <= value <= 1000000000:
raise ValueError("value.range")
remaining, result, factor = value, value, 2
while factor * factor <= remaining:
if remaining % factor == 0:
result -= result // factor
while remaining % factor == 0:
remaining //= factor
factor += 1
if remaining > 1:
result -= result // remaining
return resultOvěřte jedničku, prvočísla a opakované faktory a odmítněte nulu, záporné, zlomkové a booleovské vstupy.
Porovnejte skutečné chování s očekávaným výsledkem. Pokud kontrola selže, před dalšími změnami zjistěte příčinu.
Nastavte endpoint kompatibilní s OpenAI nebo Anthropic pomocí základní URL a případného API klíče. Otestujte připojení. Lokální server modelu musí běžet; vzdálené nástroje mohou data odesílat samostatně.
def totient(value):
if type(value) is not int or not 1 <= value <= 1000000000:
raise ValueError("value.range")
remaining, result, factor = value, value, 2
while factor * factor <= remaining:
if remaining % factor == 0:
result -= result // factor
while remaining % factor == 0:
remaining //= factor
factor += 1
if remaining > 1:
result -= result // remaining
return resultTotientRill je programovací prostředí s AI pro Windows k pokroku v neznámém zdrojovém kódu. Otevřete složku projektu a požádejte připojený model o vysvětlení jedné funkce ve vztahu ke vstupům, volajícím a testům. Cílem je užitečný další krok vývoje: vyjasnit předpoklad, zlepšit chybovou cestu nebo udělat vymezenou změnu, kterou můžete prověřit.
Například totient.py nabízí východisko pro kontrolu numerické pomocné funkce s výslovnými limity vstupu. Ptejte se, proč volající potřebují výsledek, co očekávají pro nejmenší přijímaný vstup a jak se hlásí neplatné hodnoty. Ukázka může podpořit projektovou úlohu zaměřenou na učení, aniž by se prostředí měnilo v příslib hotových matematických funkcí. Vysvětlení udržujte propojené se skutečným kódem, který hodláte udržovat.
Zvolte nefiltrovaný model AI, pokud je dostupný přes podporovaný koncový bod kompatibilní s OpenAI nebo koncový bod Anthropic. Dodejte nastavení služby a potřebné přihlašovací údaje a vezměte v úvahu její limity kontextu a nástrojů. Před úpravou porovnejte vysvětlení se zdrojem a malými nezávisle ověřenými případy. Prověřte výslednou opravu a spusťte příslušné testy projektu. Začátečník tak může zpochybnit odpověď a budovat porozumění pomocí důkazů místo důvěřivého přijímání neznámých termínů.
Ptejte se, kteří volající využívají výsledek a co očekávají, s odkazy na příslušné soubory. Samotný matematický popis nemusí vysvětlit účel v aplikaci. Před návrhem zlepšení výslovně ponechte viditelný chybějící kontext použití.
Vyberte malý vstup, jehož výsledek dokážete určit nezávisle, a sledujte jej zdrojem. Ptejte se na nesoulad. Opakování příkladu samotného modelu je méně užitečné než kontrola případu testujícího konkrétní pochybné tvrzení.
Nejprve zjistěte jeho důvod a zpracování odmítnutí volajícími. Může odrážet požadavek zátěže nebo rozhraní. Rozšíření přijímaných vstupů mění pravidla a může vyžadovat nové ověření, i když je odstranění podmínky technicky jednoduché.
Zvolte pozorovaný problém s jasným očekávaným výsledkem, například chybovou zprávu neodpovídající přijímaným vstupům. Změny algoritmu ponechte oddělené, dokud nerozumíte důsledkům. Prověřte rozdíl a zachovejte kontrolu prokazující skutečné zlepšení.
TotientRill · Aktualizováno 2026-10-25