Oblicz płaską sekwencję wartości logicznych połączonych AND i OR z pierwszeństwem 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])Sprawdź True OR False AND False i odrzuć puste wejście, źle ustawione operatory, nawiasy i nielogiczne operandy bez wykonywania tekstu.
Porównaj rzeczywiste zachowanie z oczekiwanym wynikiem. Jeśli sprawdzenie się nie powiedzie, wyjaśnij przyczynę przed kolejnymi zmianami.
Dodaj endpoint zgodny z OpenAI lub Anthropic, podając bazowy URL i klucz API, jeśli jest wymagany. Sprawdź połączenie. Lokalny serwer modelu musi działać; zdalne narzędzia mogą przesyłać dane oddzielnie.
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 to środowisko programistyczne AI dla Windows dla programistów analizujących zachowanie warunkowe istniejącego projektu. Otwórz folder i wskaż decyzję dającą nieoczekiwany wynik. Podłączony model może pomóc sprawdzić odpowiedni kod i omówić ukierunkowaną zmianę, a rozmowa utrzymuje oczekiwane zachowanie na widoku podczas oceny.
Przykład boolean_tokens.py sugeruje zadanie z płaskimi wyrażeniami logicznymi. Zapytaj, czy w Twojej aplikacji akceptowane wejście, priorytety operatorów i zachowanie przy błędzie odpowiadają oczekiwaniom kodu wywołującego. Przed zleceniem zmian podaj kilka wyrażeń o znanych wynikach. Dzięki temu przykład jest użytecznym kontekstem projektu, bez zamieniania strony głównej w samouczek języka ani sugerowania, że oprogramowanie zawiera silnik reguł.
Model AI bez filtrów można wybrać, jeśli jest dostępny przez obsługiwany punkt końcowy zgodny z OpenAI lub Anthropic. Skonfiguruj wymagany adres i dane uwierzytelniające oraz uwzględnij rzeczywisty kontekst i obsługę narzędzi modelu. Po sprawdzeniu poprawki przetestuj wyrażenia odróżniające zamierzone zachowanie od starego, a także nieprawidłowe wejścia. Oddziel zmiany semantyki wyrażeń od porządkowania formatowania. Wynik przeglądu powinien wyjaśniać, które decyzje się zmieniły, dlaczego i jak zauważy to kod wywołujący.
Użyj wyrażenia łączącego obsługiwane operatory, którego wynik różni się przy konkurencyjnych interpretacjach. Zapisz zamierzony wynik i powód, dla którego aplikacja go oczekuje. Poproś model o prześledzenie obecnego kodu przed zaproponowaniem zmiany semantyki.
Tylko jeśli należy to do wymaganego kontraktu. Dodanie składni zmienia zakres i może wymagać innego parsera oraz nowej obsługi błędów. Ogranicz naprawę istniejących płaskich wyrażeń, chyba że projekt wyraźnie potrzebuje szerszego języka.
Uwzględnij brakujące argumenty, nieznane operatory i wartości niewłaściwego typu. Zweryfikuj, jak kod wywołujący otrzymuje każdy błąd. Zgłoszenie błędu przez funkcję jest użyteczne tylko wtedy, gdy otaczająca aplikacja obsługuje go zgodnie z własnym kontraktem.
Może opisać widoczne zachowanie, ale nie ustali niewyrażonego zamiaru. Podaj cel reguły i akceptowane wyniki, następnie porównaj te wymagania z implementacją. Oznacz niejednoznaczne przypadki jako wymagające decyzji, zamiast przyjmować wiarygodną interpretację za zasadę.
LogicStitch · Zaktualizowano 2026-10-25