Порахуйте цілі числа від одиниці до n, взаємно прості з n, функцією Ейлера при n до 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 resultПеревірте одиницю, прості числа та повторні множники, відхиляючи нуль, від’ємні, дробові й логічні значення.
Порівняйте фактичну поведінку з очікуваним результатом. Якщо перевірка не проходить, з’ясуйте причину перед наступними змінами.
Налаштуйте OpenAI-сумісний або Anthropic endpoint із базовою URL-адресою та API-ключем, якщо він потрібен. Перевірте з’єднання. Локальний сервер моделі має працювати; віддалені інструменти можуть окремо передавати дані.
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 — це середовище програмування з ШІ у Windows для просування в незнайомому коді. Відкрийте каталог проєкту й попросіть підключену модель пояснити одну функцію у зв’язку з її даними, кодом викликів і тестами. Мета — корисний наступний крок розробки: уточнити припущення, покращити шлях помилки або внести обмежену зміну, яку можна перевірити.
Наприклад, totient.py дає відправну точку для перевірки числової допоміжної функції з явними межами даних. Запитайте, навіщо коду виклику результат, чого він очікує для найменшого допустимого значення та як повідомляються неправильні значення. Приклад може підтримувати навчальне завдання проєкту, не перетворюючи середовище на обіцянку готових математичних функцій. Пов’язуйте пояснення з фактичним кодом, який збираєтеся супроводжувати.
Оберіть модель ШІ без фільтрів, якщо вона доступна через підтримувану кінцеву точку, сумісну з OpenAI, або Anthropic. Надайте налаштування сервісу й потрібні облікові дані, враховуючи межі контексту та інструментів. Перед редагуванням порівняйте пояснення з кодом і малими незалежно перевіреними випадками. Перегляньте отримане виправлення й запустіть відповідні тести проєкту. Це дає початківцю спосіб поставити відповідь під сумнів і будувати розуміння на доказах, а не приймати незнайомі терміни на віру.
Запитайте, який код викликів використовує результат і чого очікує, з посиланнями на відповідні файли. Сам математичний опис може не пояснювати призначення в застосунку. Явно позначайте відсутній контекст використання перед пропозицією покращення.
Оберіть малі дані з результатом, який можете встановити незалежно, і простежте їх через код. Запитайте про будь-яку невідповідність. Повторення прикладу самої моделі менш корисне, ніж перевірка випадку, що випробовує конкретне сумнівне твердження.
Спочатку дослідіть причину його існування та обробку відхилення кодом викликів. Воно може відображати вимогу навантаження чи інтерфейсу. Розширення допустимих даних змінює контракт і може потребувати нової перевірки, навіть якщо технічно видалити умову просто.
Оберіть спостережену проблему з чітким очікуваним результатом, наприклад повідомлення про помилку, неузгоджене з допустимими даними. Відокремлюйте зміни алгоритму, доки не зрозумієте наслідків. Перевірте різницю й залиште перевірку, яка демонструє фактичне покращення.
TotientRill · Оновлено 2026-10-25