Comptez les entiers de un à n premiers avec n par la fonction indicatrice, avec n limité à 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 resultVérifiez un, nombres premiers et facteurs répétés, en rejetant zéro, négatifs, fractions et booléens.
Comparez le comportement observé au résultat attendu. Si une vérification échoue, cherchez la cause avant de poursuivre les modifications.
Configurez un endpoint compatible OpenAI ou Anthropic avec son URL de base et une clé API si nécessaire. Testez la connexion. Un serveur local doit fonctionner ; les outils distants peuvent transmettre des données séparément.
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 est un espace de programmation avec IA pour Windows permettant de progresser dans un code source inconnu. Ouvrez un dossier de projet et demandez au modèle connecté d’expliquer une fonction en lien avec ses entrées, ses appelants et ses tests. L’objectif est une prochaine étape de développement utile : clarifier une hypothèse, améliorer un chemin d’erreur ou effectuer une modification limitée et vérifiable.
Par exemple, totient.py offre un point de départ pour examiner une fonction numérique auxiliaire aux limites d’entrée explicites. Demandez pourquoi les appelants ont besoin du résultat, ce qu’ils attendent pour la plus petite entrée acceptée et comment les valeurs invalides sont signalées. L’exemple peut servir à une tâche d’apprentissage dans le projet sans faire de l’espace de travail une promesse de fonctions mathématiques prêtes à l’emploi. Gardez l’explication liée au code réel que vous comptez maintenir.
Sélectionnez un modèle d’IA sans filtre s’il est disponible via votre point de terminaison compatible OpenAI ou Anthropic pris en charge. Fournissez les paramètres du service et les identifiants requis, en tenant compte de ses limites de contexte et d’outils. Comparez ensuite l’explication au code et à de petits cas vérifiés indépendamment avant de modifier quoi que ce soit. Examinez le correctif obtenu et exécutez les tests concernés du projet. Cela permet à un débutant de remettre une réponse en question et de comprendre à partir de preuves plutôt que d’accepter aveuglément un vocabulaire inconnu.
Demandez quels appelants utilisent le résultat et ce qu’ils en attendent, avec des références aux fichiers concernés. Une description mathématique seule n’explique pas forcément son rôle applicatif. Gardez explicite tout contexte d’utilisation manquant avant de proposer une amélioration.
Choisissez une petite entrée dont vous pouvez établir le résultat indépendamment et suivez-la dans le code. Interrogez le modèle sur tout écart. Répéter son propre exemple est moins utile que vérifier un cas testant précisément l’affirmation dont vous doutez.
Examinez d’abord pourquoi elle existe et comment les appelants traitent le rejet. Elle peut refléter une exigence de charge ou d’interface. Élargir les entrées acceptées modifie le contrat et peut nécessiter de nouvelles vérifications, même si supprimer la condition est techniquement simple.
Choisissez un problème observé au résultat attendu clair, comme un message d’erreur incohérent avec les entrées acceptées. Séparez les changements d’algorithme tant que vous n’en comprenez pas les conséquences. Examinez les différences et conservez un test démontrant l’amélioration réelle.
TotientRill · Mis à jour 2026-10-25