ควรขออะไรเมื่อจุดประสงค์ฟังก์ชันไม่ชัด?
ถามว่าผู้เรียกใดใช้ผลและคาดหวังอะไร พร้อมอ้างอิงไฟล์ที่เกี่ยวข้อง คำอธิบายคณิตศาสตร์อย่างเดียวอาจไม่อธิบายจุดประสงค์ในแอปพลิเคชัน ระบุบริบทการใช้ที่ยังขาดให้ชัดก่อนเสนอปรับปรุง
พื้นที่เขียนโค้ดด้วย AI
การนับด้วยฟังก์ชันทอเทียนต์ออยเลอร์
นับจำนวนเต็มหนึ่งถึง n ที่เป็นจำนวนเฉพาะสัมพัทธ์กับ n ด้วยฟังก์ชันทอเทียนต์โดยจำกัด n ที่ 1000000000.
● ● ●TotientRill●
ขั้นตอนการทำงาน · การนับด้วยฟังก์ชันทอเทียนต์ออยเลอร์ ×
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 result✳นับจำนวนเต็มหนึ่งถึง n ที่เป็นจำนวนเฉพาะสัมพัทธ์กับ n ด้วยฟังก์ชันทอเทียนต์โดยจำกัด n ที่ 1000000000.
✓ การเปลี่ยนแปลงตรวจสอบก่อนนำไปใช้ ↗
ภาพประกอบพื้นที่ทำงาน
โปรเจกต์
ทดสอบหนึ่ง จำนวนเฉพาะและตัวประกอบซ้ำ พร้อมปฏิเสธศูนย์ ค่าลบ เศษส่วนและบูลีน.
ตรวจสอบก่อนนำไปใช้
เปรียบเทียบการทำงานจริงกับผลที่คาดหวัง หากการตรวจสอบไม่ผ่าน ให้หาสาเหตุก่อนแก้ไขเพิ่มเติม
โมเดล
ตั้งค่า endpoint ที่รองรับ OpenAI หรือ Anthropic ด้วย URL หลักและคีย์ API หากจำเป็น ทดสอบการเชื่อมต่อ เซิร์ฟเวอร์โมเดลในเครื่องต้องทำงานอยู่ เครื่องมือระยะไกลอาจส่งข้อมูลแยกต่างหาก
ขั้นตอนการทำงาน
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 resultเปลี่ยนฟังก์ชันที่ยังไม่เข้าใจเป็นงานที่ตรวจได้
TotientRill เป็นพื้นที่ทำงานเขียนโค้ดด้วย AI บน Windows สำหรับเดินหน้าในซอร์สที่ไม่คุ้นเคย เปิดโฟลเดอร์โครงการและขอให้โมเดลที่เชื่อมต่ออธิบายหนึ่งฟังก์ชันสัมพันธ์กับข้อมูลเข้า ผู้เรียก และการทดสอบ เป้าหมายคือขั้นพัฒนาถัดไปที่มีประโยชน์ เช่น ชี้สมมติฐานให้ชัด ปรับเส้นทางข้อผิดพลาด หรือแก้ขอบเขตจำกัดที่คุณตรวจได้
ตัวอย่างเช่น totient.py เป็นจุดเริ่มตรวจฟังก์ชันช่วยเชิงตัวเลขที่มีขีดจำกัดข้อมูลเข้าชัดเจน ถามว่าผู้เรียกต้องการผลไปทำไม คาดหวังอะไรสำหรับค่าต่ำสุดที่รับ และรายงานค่าไม่ถูกต้องอย่างไร ตัวอย่างช่วยงานเรียนรู้ในโครงการได้โดยไม่ทำให้พื้นที่ทำงานกลายเป็นคำสัญญาว่ามีฟีเจอร์คณิตศาสตร์สำเร็จรูป ผูกคำอธิบายกับโค้ดจริงที่ตั้งใจดูแล
เลือกโมเดล AI ไม่กรองหากมีผ่านปลายทางที่รองรับซึ่งเข้ากันได้กับ OpenAI หรือ Anthropic ของคุณ ให้การตั้งค่าบริการและข้อมูลรับรองที่จำเป็นโดยคำนึงถึงขีดจำกัดบริบทและเครื่องมือ จากนั้นเทียบคำอธิบายกับซอร์สและกรณีเล็กที่ตรวจอิสระก่อนแก้ ตรวจแพตช์ที่ได้และรันการทดสอบโครงการที่เกี่ยวข้อง วิธีนี้ให้ผู้เริ่มต้นท้าทายคำตอบและสร้างความเข้าใจด้วยหลักฐานแทนเชื่อคำศัพท์ไม่คุ้นโดยไม่ตรวจ
จากคำอธิบายสู่การมีส่วนร่วมเล็ก ๆ
ผู้เริ่มต้นท้าทายคำอธิบายโมเดลได้อย่างไร?
เลือกข้อมูลเข้าเล็กที่หาผลอิสระได้แล้วติดตามผ่านซอร์ส ถามถึงความไม่ตรงกัน การทำซ้ำตัวอย่างของโมเดลเองมีประโยชน์น้อยกว่าตรวจกรณีที่ทดสอบข้ออ้างเฉพาะที่คุณสงสัย
ควรลบขีดจำกัดข้อมูลเข้าที่ดูตั้งขึ้นเองหรือไม่?
ตรวจเหตุผลที่มีและวิธีที่ผู้เรียกจัดการการปฏิเสธก่อน มันอาจสะท้อนข้อกำหนดภาระงานหรืออินเทอร์เฟซ การขยายข้อมูลที่รับเปลี่ยนข้อกำหนดและอาจต้องตรวจใหม่ แม้ลบเงื่อนไขจะง่ายทางเทคนิค
แพตช์แรกที่เหมาะสมในโค้ดตัวเลขไม่คุ้นคืออะไร?
เลือกปัญหาที่พบจริงพร้อมผลคาดหวังชัด เช่น ข้อความผิดพลาดไม่สอดคล้องกับข้อมูลที่รับ แยกการเปลี่ยนอัลกอริทึมจนกว่าจะเข้าใจผลกระทบ ตรวจผลต่างและเก็บการตรวจที่แสดงการปรับปรุงจริง
TotientRill · อัปเดต 2026-10-25