Numără întregii de la unu la n coprimi cu n prin funcția Euler, limitând n la 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 resultVerifică unu, numere prime și factori repetați, respingând zero, negative, fracții și valori booleene.
Compară comportamentul real cu rezultatul așteptat. Dacă o verificare eșuează, cercetează cauza înainte de alte modificări.
Configurează un endpoint compatibil OpenAI sau Anthropic cu URL-ul de bază și cheia API, dacă este necesară. Testează conexiunea. Serverul local trebuie să ruleze; instrumentele externe pot transmite date separat.
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 este un spațiu de lucru Windows pentru programare cu IA, destinat progresului în cod sursă nefamiliar. Deschide dosarul unui proiect și cere modelului conectat să explice o funcție în relație cu intrările, apelanții și testele sale. Scopul este un pas util de dezvoltare: clarificarea unei ipoteze, îmbunătățirea unui flux de eroare sau o modificare delimitată pe care o poți inspecta.
De exemplu, totient.py oferă un punct de plecare pentru analiza unei funcții numerice auxiliare cu limite explicite ale intrărilor. Întreabă de ce au nevoie apelanții de rezultat, ce așteaptă pentru cea mai mică intrare acceptată și cum sunt raportate valorile nevalide. Exemplul poate sprijini o sarcină de proiect orientată spre învățare fără a transforma spațiul de lucru într-o promisiune de funcții matematice gata făcute. Leagă explicația de codul efectiv pe care intenționezi să îl întreții.
Selectează un model IA nefiltrat dacă este disponibil prin endpointul compatibil OpenAI sau Anthropic acceptat. Furnizează setările serviciului și datele de autentificare necesare, ținând cont de limitele contextului și instrumentelor. Apoi compară explicația cu sursa și cazuri mici verificate independent înainte de editare. Examinează corecția rezultată și rulează testele relevante ale proiectului. Astfel, un începător poate contesta un răspuns și construi înțelegerea prin dovezi, fără a accepta pe încredere terminologia nefamiliară.
Întreabă ce apelanți folosesc rezultatul și ce așteaptă aceștia, cu referințe la fișierele relevante. O descriere matematică singură poate să nu explice scopul din aplicație. Păstrează explicit orice context de utilizare lipsă înainte de a propune o îmbunătățire.
Alege o intrare mică al cărei rezultat îl poți stabili independent și urmărește-o prin sursă. Întreabă despre orice nepotrivire. Repetarea exemplului modelului este mai puțin utilă decât verificarea unui caz care testează afirmația specifică de care te îndoiești.
Investighează mai întâi de ce există și cum tratează apelanții respingerea. Poate reflecta o cerință privind volumul de lucru sau interfața. Extinderea intrărilor acceptate schimbă contractul și poate necesita verificări noi, chiar dacă ștergerea condiției este tehnic simplă.
Alege o problemă observată cu un rezultat așteptat clar, precum un mesaj de eroare inconsecvent cu intrările acceptate. Păstrează schimbările de algoritm separate până când le înțelegi consecințele. Verifică diferențele și păstrează un test care demonstrează îmbunătățirea efectivă.
TotientRill · Actualizat 2026-10-25