Evalúa una secuencia plana de booleanos unidos por AND y OR dando prioridad a AND.
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])Prueba True OR False AND False y rechaza entradas vacías, operadores mal situados, paréntesis u operandos no booleanos sin ejecutar texto.
Compara el comportamiento real con el resultado esperado. Si una prueba falla, investiga la causa antes de hacer más cambios.
Configura un endpoint compatible con OpenAI o Anthropic usando la URL base y, si hace falta, una clave API. Prueba la conexión. Un servidor local debe estar en ejecución; las herramientas remotas pueden enviar datos por separado.
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 es un entorno de programación con IA para Windows destinado a desarrolladores que necesitan razonar sobre comportamiento condicional en un proyecto existente. Abre la carpeta e identifica la decisión que produce un resultado inesperado. Un modelo conectado puede ayudar a inspeccionar el código pertinente y analizar una revisión específica, mientras la conversación mantiene explícito el comportamiento esperado durante la revisión.
El ejemplo boolean_tokens.py sugiere una tarea con expresiones booleanas planas. En tu aplicación, pregunta si la entrada aceptada, la precedencia de operadores y el comportamiento ante fallos coinciden con lo que espera el código que llama a la función. Proporciona varias expresiones con resultados conocidos antes de solicitar cambios. Así el ejemplo sirve de contexto del proyecto sin convertir la página de inicio en un tutorial de lenguaje ni implicar que el software incluya un motor de reglas.
Puedes seleccionar un modelo de IA sin filtros cuando esté disponible en tu endpoint compatible con OpenAI o de Anthropic admitido. Configura la dirección y las credenciales que requiera, y considera el contexto y las herramientas que realmente admite el modelo. Tras examinar el parche, prueba expresiones que distingan el comportamiento previsto del anterior, junto con entradas mal formadas. Separa los cambios de significado de las expresiones de la limpieza de formato. La revisión resultante debe explicar qué decisiones cambiaron, por qué y cómo lo observará el código que las utiliza.
Usa una expresión que mezcle los operadores admitidos y cuyo resultado difiera según las interpretaciones en conflicto. Anota el resultado previsto y por qué lo espera la aplicación. Pide al modelo que siga el código actual antes de proponer un cambio de significado.
Solo si forma parte del contrato solicitado. Añadir sintaxis cambia el alcance y puede requerir otro analizador y nueva gestión de errores. Mantén acotada la reparación de expresiones planas existentes salvo que el proyecto necesite explícitamente un lenguaje más amplio.
Incluye operandos ausentes, operadores desconocidos y valores de tipo incorrecto. Verifica cómo recibe cada fallo el código que llama a la función. Que una función lance un error solo es útil si la aplicación lo gestiona conforme a su propio contrato.
Puede describir el comportamiento aparente, pero no determinar una intención no expresada. Proporciona la finalidad de la regla y los resultados aceptados, y compara esos requisitos con la implementación. Marca los casos ambiguos para decidirlos en lugar de aceptar una interpretación plausible como política.
LogicStitch · Actualizado 2026-10-25