Policz liczby całkowite od jednego do n względnie pierwsze z n za pomocą funkcji Eulera, ograniczając 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 resultSprawdź jeden, liczby pierwsze i powtarzające się czynniki, odrzucając zero, liczby ujemne, ułamkowe i logiczne.
Porównaj rzeczywiste zachowanie z oczekiwanym wynikiem. Jeśli sprawdzenie się nie powiedzie, wyjaśnij przyczynę przed kolejnymi zmianami.
Dodaj endpoint zgodny z OpenAI lub Anthropic, podając bazowy URL i klucz API, jeśli jest wymagany. Sprawdź połączenie. Lokalny serwer modelu musi działać; zdalne narzędzia mogą przesyłać dane oddzielnie.
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 to środowisko programistyczne AI dla Windows do robienia postępów w nieznanym kodzie źródłowym. Otwórz folder projektu i poproś podłączony model o wyjaśnienie jednej funkcji w odniesieniu do jej wejść, wywołań i testów. Celem jest przydatny następny krok programistyczny: wyjaśnienie założenia, poprawienie ścieżki błędu lub ograniczona zmiana, którą możesz sprawdzić.
Na przykład totient.py daje punkt wyjścia do przeglądu numerycznej funkcji pomocniczej z jawnymi limitami wejścia. Zapytaj, dlaczego kod wywołujący potrzebuje wyniku, czego oczekuje dla najmniejszego akceptowanego wejścia i jak zgłaszane są nieprawidłowe wartości. Przykład może wspierać zadanie edukacyjne w projekcie bez zamieniania środowiska w obietnicę gotowych funkcji matematycznych. Powiąż wyjaśnienie z rzeczywistym kodem, który zamierzasz utrzymywać.
Wybierz model AI bez filtrów, jeśli jest dostępny przez obsługiwany punkt końcowy zgodny z OpenAI lub punkt końcowy Anthropic. Podaj ustawienia usługi i wymagane dane uwierzytelniające, uwzględniając jej limity kontekstu i narzędzi. Następnie przed edycją porównaj wyjaśnienie z kodem i małymi, niezależnie sprawdzonymi przypadkami. Przejrzyj powstałą poprawkę i uruchom odpowiednie testy projektu. Pozwala to początkującej osobie kwestionować odpowiedź i budować zrozumienie na dowodach zamiast przyjmować nieznaną terminologię na wiarę.
Zapytaj, które miejsca wywołujące korzystają z wyniku i czego oczekują, z odniesieniami do odpowiednich plików. Sam opis matematyczny może nie wyjaśniać celu w aplikacji. Przed propozycją ulepszenia jawnie wskaż brakujący kontekst użycia.
Wybierz małe wejście, którego wynik możesz ustalić niezależnie, i prześledź je w kodzie. Zapytaj o każdą rozbieżność. Powtarzanie przykładu modelu jest mniej przydatne niż sprawdzenie przypadku testującego konkretną wątpliwą tezę.
Najpierw zbadaj, dlaczego istnieje i jak kod wywołujący obsługuje odrzucenie. Może wynikać z wymagań obciążenia lub interfejsu. Rozszerzenie akceptowanych danych zmienia kontrakt i może wymagać nowej weryfikacji, nawet jeśli usunięcie warunku jest technicznie proste.
Wybierz zaobserwowany problem z jasnym oczekiwanym wynikiem, na przykład komunikat błędu niespójny z akceptowanymi danymi. Zachowaj zmiany algorytmu osobno, aż zrozumiesz ich konsekwencje. Przejrzyj różnice i zachowaj kontrolę wykazującą rzeczywiste ulepszenie.
TotientRill · Zaktualizowano 2026-10-25