Évaluez une suite plate de booléens reliés par AND et OR en donnant priorité à 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])Testez True OR False AND False et rejetez entrée vide, opérateurs mal placés, parenthèses ou opérandes non booléens sans exécuter de texte.
Comparez le comportement observé au résultat attendu. Si une vérification échoue, cherchez la cause avant de poursuivre les modifications.
Configurez un endpoint compatible OpenAI ou Anthropic avec son URL de base et une clé API si nécessaire. Testez la connexion. Un serveur local doit fonctionner ; les outils distants peuvent transmettre des données séparément.
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 est un espace de programmation avec IA sous Windows pour les développeurs qui doivent raisonner sur les comportements conditionnels d’un projet existant. Ouvrez le dossier et identifiez la décision produisant un résultat inattendu. Un modèle connecté peut aider à examiner le code pertinent et discuter d’une révision ciblée, tandis que la conversation maintient le comportement attendu explicite pendant votre examen.
L’exemple boolean_tokens.py suggère une tâche portant sur des expressions booléennes sans imbrication. Dans votre application, demandez si les entrées acceptées, la priorité des opérateurs et le comportement en cas d’échec correspondent aux attentes de l’appelant. Fournissez quelques expressions aux résultats connus avant de demander des modifications. L’exemple devient ainsi un contexte de projet utile sans transformer la page d’accueil en tutoriel de langage ni laisser entendre que le logiciel fournit un moteur de règles.
Un modèle d’IA sans filtre est sélectionnable lorsqu’il est disponible via votre point de terminaison compatible OpenAI ou Anthropic pris en charge. Configurez l’adresse et les identifiants requis, et tenez compte du contexte et des outils réellement pris en charge par le modèle. Après examen du correctif, testez des expressions distinguant le comportement voulu de l’ancien, ainsi que des entrées mal formées. Séparez les changements de sens des expressions du nettoyage de leur mise en forme. L’examen doit expliquer quelles décisions ont changé, pourquoi et comment les appelants l’observeront.
Utilisez une expression mêlant les opérateurs pris en charge dont le résultat diffère selon les interprétations concurrentes. Notez le résultat voulu et pourquoi l’application l’attend. Demandez au modèle de suivre le code actuel avant de proposer un changement de sens.
Seulement si cela fait partie du contrat demandé. Ajouter de la syntaxe change le périmètre et peut nécessiter un autre analyseur et une nouvelle gestion des erreurs. Limitez la réparation d’expressions sans imbrication, sauf si le projet exige explicitement un langage plus large.
Incluez des opérandes manquants, des opérateurs inconnus et des valeurs de type incorrect. Vérifiez comment l’appelant reçoit chaque échec. Une fonction qui lève une erreur n’est utile que si l’application environnante la traite conformément à son propre contrat.
Il peut décrire le comportement apparent, mais ne peut établir une intention non formulée. Fournissez l’objectif de la règle et les résultats acceptés, puis confrontez ces exigences à l’implémentation. Signalez les cas ambigus pour décision plutôt que d’adopter une interprétation plausible comme règle.
LogicStitch · Mis à jour 2026-10-25