Valuta una sequenza piatta di booleani collegati da AND e OR dando priorità ad 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])Prova True OR False AND False e rifiuta ingresso vuoto, operatori fuori posto, parentesi o operandi non booleani senza eseguire testo.
Confronta il comportamento effettivo con il risultato atteso. Se una verifica fallisce, indaga la causa prima di altre modifiche.
Configura un endpoint compatibile con OpenAI o Anthropic usando URL di base e chiave API, se necessaria. Prova la connessione. Il server locale deve essere in esecuzione; gli strumenti remoti possono trasmettere dati separatamente.
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 è un ambiente di programmazione con IA per Windows per sviluppatori che devono ragionare sul comportamento condizionale di un progetto esistente. Apri la cartella e identifica la decisione che produce un risultato inatteso. Un modello collegato può aiutarti a esaminare il codice pertinente e discutere una revisione mirata, mentre la conversazione mantiene esplicito il comportamento atteso durante l'esame.
L'esempio boolean_tokens.py suggerisce un'attività sulle espressioni booleane piatte. Nella tua applicazione, chiedi se input accettati, precedenza degli operatori e comportamento in caso di errore corrispondano alle aspettative del chiamante. Fornisci alcune espressioni con esiti noti prima di richiedere modifiche. Questo rende utile l'esempio come contesto del progetto senza trasformare la homepage in un tutorial sul linguaggio né implicare che il software includa un motore di regole.
Un modello di IA senza filtri è selezionabile quando disponibile tramite il tuo endpoint supportato compatibile con OpenAI o Anthropic. Configura l'indirizzo e le credenziali richiesti e considera il supporto effettivo del modello per contesto e strumenti. Dopo aver esaminato la modifica, testa espressioni che distinguano il comportamento desiderato da quello precedente, insieme a input malformati. Tieni separate le modifiche alla semantica delle espressioni dalla pulizia della formattazione. La revisione risultante dovrebbe spiegare quali decisioni sono cambiate, perché e come i chiamanti le osserveranno.
Usa un'espressione che combini gli operatori supportati e dia risultati diversi secondo le interpretazioni concorrenti. Scrivi l'esito desiderato e perché l'applicazione se lo aspetta. Chiedi al modello di seguire il codice attuale prima di proporre una modifica semantica.
Solo se fa parte del contratto richiesto. Aggiungere sintassi cambia la portata dell'intervento e può richiedere un parser diverso e una nuova gestione degli errori. Mantieni circoscritta la correzione di espressioni piatte, a meno che il progetto non richieda esplicitamente un linguaggio più ampio.
Includi operandi mancanti, operatori sconosciuti e valori di tipo errato. Verifica come il chiamante riceve ogni errore. Una funzione che genera un errore è utile solo se l'applicazione circostante lo gestisce secondo il proprio contratto.
Può descrivere il comportamento apparente, ma non stabilire intenzioni non dichiarate. Fornisci lo scopo della regola e gli esiti accettati, poi confronta questi requisiti con l'implementazione. Segnala i casi ambigui come decisioni da prendere invece di accettare un'interpretazione plausibile come regola.
LogicStitch · Aggiornato 2026-10-25