Werten Sie eine flache Folge Boolescher Werte mit AND vor OR aus.
def evaluate_flat(tokens):
if not tokens or len(tokens) % 2 == 0:
raise ValueError("logic.shape")
if any(type(x) is not bool for x in tokens[::2]):
raise ValueError("logic.value")
if any(x not in ("AND", "OR") for x in tokens[1::2]):
raise ValueError("logic.operator")
terms, term = [], tokens[0]
for i in range(1, len(tokens), 2):
if tokens[i] == "AND":
term = term and tokens[i + 1]
else:
terms.append(term)
term = tokens[i + 1]
return any([*terms, term])Testen Sie True OR False AND False und verwerfen Sie leere Eingaben, falsch platzierte Operatoren, Klammern und andere Operandentypen ohne Textausführung.
Vergleichen Sie das tatsächliche Verhalten mit dem erwarteten Ergebnis. Klären Sie fehlgeschlagene Prüfungen vor weiteren Änderungen.
Richten Sie einen OpenAI-kompatiblen oder Anthropic-Endpunkt mit Basis-URL und gegebenenfalls API-Schlüssel ein. Testen Sie die Verbindung. Ein lokaler Modellserver muss laufen; entfernte Werkzeuge können Daten separat übertragen.
def evaluate_flat(tokens):
if not tokens or len(tokens) % 2 == 0:
raise ValueError("logic.shape")
if any(type(x) is not bool for x in tokens[::2]):
raise ValueError("logic.value")
if any(x not in ("AND", "OR") for x in tokens[1::2]):
raise ValueError("logic.operator")
terms, term = [], tokens[0]
for i in range(1, len(tokens), 2):
if tokens[i] == "AND":
term = term and tokens[i + 1]
else:
terms.append(term)
term = tokens[i + 1]
return any([*terms, term])LogicStitch ist eine KI-Programmierumgebung für Windows für Entwickler, die bedingtes Verhalten in einem bestehenden Projekt verstehen müssen. Öffnen Sie den Ordner und benennen Sie die Entscheidung, die ein unerwartetes Ergebnis erzeugt. Ein verbundenes Modell kann den relevanten Code untersuchen und eine gezielte Änderung besprechen, während das Gespräch das erwartete Verhalten während Ihrer Prüfung sichtbar hält.
Das Beispiel boolean_tokens.py legt eine Aufgabe mit flachen booleschen Ausdrücken nahe. Fragen Sie für Ihre Anwendung, ob akzeptierte Eingaben, Operatorrangfolge und Fehlerverhalten den Erwartungen des Aufrufers entsprechen. Geben Sie vor Änderungsanfragen einige Ausdrücke mit bekannten Ergebnissen an. So dient das Beispiel als Projektkontext, ohne die Startseite zu einem Sprachtutorial zu machen oder eine mitgelieferte Regel-Engine anzudeuten.
Ein ungefiltertes KI-Modell ist auswählbar, sofern Ihr unterstützter OpenAI-kompatibler oder Anthropic-Endpunkt es anbietet. Konfigurieren Sie die erforderliche Adresse und Zugangsdaten und berücksichtigen Sie den tatsächlichen Kontext und die Werkzeugunterstützung des Modells. Testen Sie nach der Patch-Prüfung Ausdrücke, die das gewünschte vom bisherigen Verhalten unterscheiden, sowie fehlerhafte Eingaben. Trennen Sie Änderungen der Ausdruckssemantik von Formatierungsbereinigungen. Die Prüfung sollte erklären, welche Entscheidungen sich geändert haben, warum und wie Aufrufer dies wahrnehmen.
Verwenden Sie einen Ausdruck mit gemischten unterstützten Operatoren, dessen Ergebnis sich je nach Auslegung unterscheidet. Notieren Sie das gewünschte Ergebnis und warum die Anwendung es erwartet. Lassen Sie das Modell vor einer Semantikänderung den aktuellen Code nachvollziehen.
Nur wenn dies zur angeforderten Vereinbarung gehört. Zusätzliche Syntax erweitert den Umfang und kann einen anderen Parser sowie neue Fehlerbehandlung erfordern. Begrenzen Sie die Reparatur flacher Ausdrücke, sofern das Projekt nicht ausdrücklich eine umfassendere Sprache benötigt.
Berücksichtigen Sie fehlende Operanden, unbekannte Operatoren und Werte falschen Typs. Prüfen Sie, wie jeder Fehler beim Aufrufer ankommt. Ein Fehler aus einer Hilfsfunktion ist nur nützlich, wenn die umgebende Anwendung ihn gemäß ihrer eigenen Vereinbarung behandelt.
Es kann das erkennbare Verhalten beschreiben, aber keine unausgesprochene Absicht feststellen. Geben Sie Zweck und akzeptierte Ergebnisse der Regel an und vergleichen Sie diese Anforderungen mit der Implementierung. Markieren Sie mehrdeutige Fälle zur Entscheidung, statt eine plausible Auslegung als Regel zu übernehmen.
LogicStitch · Aktualisiert 2026-10-25