Cuenta los enteros de uno a n coprimos con n mediante la función de Euler, con n limitado a 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 resultComprueba uno, primos y factores repetidos, rechazando cero, negativos, fracciones y booleanos.
Compara el comportamiento real con el resultado esperado. Si una prueba falla, investiga la causa antes de hacer más cambios.
Configura un endpoint compatible con OpenAI o Anthropic usando la URL base y, si hace falta, una clave API. Prueba la conexión. Un servidor local debe estar en ejecución; las herramientas remotas pueden enviar datos por separado.
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 es un entorno de programación con IA para Windows que permite avanzar en código desconocido. Abre una carpeta de proyecto y pide al modelo conectado que explique una función en relación con sus entradas, llamadores y pruebas. El objetivo es un siguiente paso útil de desarrollo: aclarar una suposición, mejorar una ruta de error o hacer un cambio acotado que puedas examinar.
Por ejemplo, totient.py ofrece un punto de partida para revisar una función numérica auxiliar con límites de entrada explícitos. Pregunta por qué el código llamador necesita el resultado, qué espera para la entrada mínima aceptada y cómo se comunican los valores no válidos. El ejemplo puede apoyar una tarea de aprendizaje en el proyecto sin convertir el entorno en una promesa de funciones matemáticas listas para usar. Mantén la explicación conectada con el código real que pretendes mantener.
Selecciona un modelo de IA sin filtros si está disponible a través de tu endpoint compatible con OpenAI o de Anthropic admitido. Proporciona los ajustes del servicio y las credenciales necesarias, teniendo en cuenta sus límites de contexto y herramientas. Después compara la explicación con el código y casos pequeños comprobados de forma independiente antes de editar. Revisa el parche resultante y ejecuta las pruebas pertinentes del proyecto. Esto permite a quien empieza cuestionar una respuesta y construir su comprensión mediante evidencias en lugar de aceptar terminología desconocida por confianza.
Pregunta qué código llamador usa el resultado y qué espera, con referencias a los archivos pertinentes. Una descripción matemática por sí sola puede no explicar la finalidad en la aplicación. Mantén explícito cualquier contexto de uso que falte antes de proponer una mejora.
Elige una entrada pequeña cuyo resultado puedas establecer de forma independiente y síguela a través del código. Pregunta por cualquier discrepancia. Repetir el propio ejemplo del modelo es menos útil que comprobar un caso que ponga a prueba la afirmación concreta que dudas.
Investiga primero por qué existe y cómo trata el código llamador el rechazo. Puede reflejar un requisito de carga de trabajo o de interfaz. Ampliar las entradas aceptadas cambia el contrato y puede requerir nuevas verificaciones, aunque eliminar la condición sea técnicamente sencillo.
Elige un problema observado con un resultado esperado claro, como un mensaje de error incoherente con las entradas aceptadas. Mantén separados los cambios algorítmicos hasta entender sus consecuencias. Revisa las diferencias y conserva una comprobación que demuestre la mejora real.
TotientRill · Actualizado 2026-10-25