Zählen Sie die zu n teilerfremden Ganzzahlen von eins bis n mit der Euler-Funktion und n bis 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 resultPrüfen Sie eins, Primzahlen und wiederholte Faktoren und weisen Sie null, negative, gebrochene sowie boolesche Werte zurück.
Vergleichen Sie das tatsächliche Verhalten mit dem erwarteten Ergebnis. Klären Sie fehlgeschlagene Prüfungen vor weiteren Änderungen.
Richten Sie einen OpenAI-kompatiblen oder Anthropic-Endpunkt mit Basis-URL und gegebenenfalls API-Schlüssel ein. Testen Sie die Verbindung. Ein lokaler Modellserver muss laufen; entfernte Werkzeuge können Daten separat übertragen.
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 ist eine KI-Programmierumgebung für Windows, um in unbekanntem Quellcode voranzukommen. Öffnen Sie einen Projektordner und lassen Sie das verbundene Modell eine Funktion in Bezug auf Eingaben, Aufrufer und Tests erklären. Ziel ist ein nützlicher nächster Entwicklungsschritt: eine Annahme klären, einen Fehlerpfad verbessern oder eine begrenzte, überprüfbare Änderung vornehmen.
Beispielsweise bietet totient.py einen Einstieg in die Prüfung einer numerischen Hilfsfunktion mit ausdrücklichen Eingabegrenzen. Fragen Sie, warum Aufrufer das Ergebnis benötigen, was sie für die kleinste zulässige Eingabe erwarten und wie ungültige Werte gemeldet werden. Das Beispiel kann eine lernorientierte Projektaufgabe unterstützen, ohne fertige mathematische Funktionen der Umgebung zu versprechen. Halten Sie die Erklärung mit dem tatsächlichen Code verbunden, den Sie warten möchten.
Wählen Sie ein ungefiltertes KI-Modell, wenn es über Ihren unterstützten OpenAI-kompatiblen oder Anthropic-Endpunkt verfügbar ist. Geben Sie Diensteinstellungen und erforderliche Zugangsdaten an und beachten Sie Kontext- und Werkzeuggrenzen. Vergleichen Sie die Erklärung anschließend vor Änderungen mit Quellcode und kleinen, unabhängig geprüften Fällen. Prüfen Sie die resultierende Änderung und führen Sie relevante Projekttests aus. So können Einsteiger eine Antwort hinterfragen und Verständnis anhand von Belegen aufbauen, statt unbekannten Begriffen einfach zu vertrauen.
Fragen Sie, welche Aufrufer das Ergebnis verwenden und was sie erwarten, mit Verweisen auf relevante Dateien. Eine mathematische Beschreibung allein erklärt möglicherweise nicht den Anwendungszweck. Halten Sie fehlenden Nutzungskontext ausdrücklich fest, bevor Sie eine Verbesserung vorschlagen.
Wählen Sie eine kleine Eingabe mit unabhängig feststellbarem Ergebnis und verfolgen Sie sie durch den Quellcode. Fragen Sie bei Abweichungen nach. Das eigene Modellbeispiel zu wiederholen ist weniger hilfreich als ein Fall, der gezielt die bezweifelte Aussage prüft.
Untersuchen Sie zuerst ihren Zweck und den Umgang der Aufrufer mit Ablehnung. Sie kann Arbeitslast- oder Schnittstellenanforderungen widerspiegeln. Die Erweiterung zulässiger Eingaben ändert die Vereinbarung und kann neue Prüfungen erfordern, selbst wenn das Löschen der Bedingung technisch einfach ist.
Wählen Sie ein beobachtetes Problem mit klarem Sollresultat, etwa eine nicht zu zulässigen Eingaben passende Fehlermeldung. Halten Sie Algorithmusänderungen getrennt, bis Sie ihre Folgen verstehen. Prüfen Sie den Vergleich und behalten Sie eine Prüfung, die die tatsächliche Verbesserung nachweist.
TotientRill · Aktualisiert 2026-10-25