Evaluasi urutan boolean datar yang dihubungkan AND dan OR dengan prioritas 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])Uji True OR False AND False lalu tolak input kosong, operator salah tempat, kurung dan operand bukan boolean tanpa menjalankan teks.
Bandingkan perilaku sebenarnya dengan hasil yang diharapkan. Jika pemeriksaan gagal, cari penyebabnya sebelum membuat perubahan lain.
Atur endpoint kompatibel OpenAI atau Anthropic dengan URL dasar dan kunci API jika diperlukan. Uji koneksi. Server model lokal harus berjalan; alat jarak jauh dapat mengirim data secara terpisah.
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 adalah ruang kerja pemrograman AI Windows bagi pengembang yang perlu menalar perilaku kondisional dalam proyek yang sudah ada. Buka folder dan sebutkan keputusan yang menghasilkan hasil tak terduga. Model terhubung dapat membantu memeriksa kode terkait dan membahas revisi terfokus, sementara percakapan menjaga perilaku yang diharapkan tetap terlihat selama tinjauan.
Contoh boolean_tokens.py menyarankan tugas yang melibatkan ekspresi Boolean datar. Dalam aplikasi Anda, tanyakan apakah masukan yang diterima, prioritas operator, dan perilaku kegagalan sesuai dengan harapan kode pemanggil. Berikan beberapa ekspresi dengan hasil yang diketahui sebelum meminta suntingan. Ini membuat contoh berguna sebagai konteks proyek tanpa mengubah beranda menjadi tutorial bahasa atau menyiratkan bahwa mesin aturan disertakan dalam perangkat lunak.
Model AI tanpa filter dapat dipilih bila tersedia melalui endpoint kompatibel OpenAI atau Anthropic yang didukung. Konfigurasikan alamat dan kredensial yang diperlukan, serta pertimbangkan dukungan konteks dan alat model yang sebenarnya. Setelah memeriksa patch, uji ekspresi yang membedakan perilaku yang diinginkan dari perilaku lama, beserta masukan salah format. Pisahkan perubahan semantik ekspresi dari perapian format. Tinjauan yang dihasilkan harus menjelaskan keputusan mana yang berubah, alasannya, dan bagaimana kode pemanggil akan mengamatinya.
Gunakan ekspresi yang mencampurkan operator yang didukung dan menghasilkan nilai berbeda menurut penafsiran yang bersaing. Tuliskan hasil yang dimaksud dan alasan aplikasi mengharapkannya. Minta model menelusuri kode saat ini sebelum mengusulkan perubahan semantik.
Hanya jika itu bagian kontrak yang diminta. Penambahan sintaks mengubah cakupan dan mungkin memerlukan pengurai berbeda serta penanganan kesalahan baru. Batasi perbaikan ekspresi datar yang sudah ada kecuali proyek secara eksplisit memerlukan bahasa yang lebih luas.
Sertakan operand yang hilang, operator tidak dikenal, dan nilai bertipe salah. Verifikasi cara kode pemanggil menerima setiap kegagalan. Fungsi pembantu yang memunculkan kesalahan hanya berguna jika aplikasi di sekitarnya menangani kesalahan itu sesuai kontraknya sendiri.
Model dapat menjelaskan perilaku yang tampak tetapi tidak dapat menetapkan maksud yang tidak dinyatakan. Berikan tujuan aturan dan hasil yang diterima, lalu bandingkan persyaratan itu dengan implementasi. Tandai kasus ambigu untuk diputuskan, alih-alih menerima penafsiran masuk akal sebagai kebijakan.
LogicStitch · Diperbarui 2026-10-25