Avalie uma sequência plana de booleanos ligados por AND e OR com prioridade de 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])Teste True OR False AND False e rejeite entrada vazia, operadores deslocados, parênteses ou operandos não booleanos sem executar texto.
Compare o comportamento real com o resultado esperado. Se uma verificação falhar, investigue a causa antes de fazer outras alterações.
Configure um endpoint compatível com OpenAI ou Anthropic com a URL base e uma chave API, quando necessária. Teste a conexão. O servidor local precisa estar em execução; ferramentas remotas podem transmitir dados separadamente.
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 é um ambiente de programação com IA para Windows destinado a desenvolvedores que precisam raciocinar sobre comportamentos condicionais em um projeto existente. Abra a pasta e identifique a decisão que produz um resultado inesperado. Um modelo conectado pode ajudar a examinar o código relevante e discutir uma revisão focada, enquanto a conversa mantém o comportamento esperado visível durante a revisão.
O exemplo boolean_tokens.py sugere uma tarefa envolvendo expressões booleanas sem aninhamento. No aplicativo, pergunte se as entradas aceitas, a precedência de operadores e o comportamento de falha correspondem às expectativas do chamador. Forneça algumas expressões com resultados conhecidos antes de solicitar edições. Isso torna o exemplo útil como contexto de projeto sem transformar a página inicial em um tutorial de linguagem ou sugerir que um motor de regras é fornecido com o software.
Um modelo de IA sem filtros pode ser selecionado quando disponível no seu endpoint suportado compatível com OpenAI ou da Anthropic. Configure o endereço e as credenciais exigidos e considere o contexto e o suporte a ferramentas reais do modelo. Depois de examinar a alteração, teste expressões que distingam o comportamento pretendido do anterior, junto com entradas malformadas. Separe mudanças na semântica das expressões de ajustes de formatação. A revisão resultante deve explicar quais decisões mudaram, por que mudaram e como os chamadores perceberão as mudanças.
Use uma expressão que misture os operadores suportados e cujo resultado varie entre as interpretações concorrentes. Registre o resultado pretendido e por que o aplicativo o espera. Peça ao modelo que percorra o código atual antes de propor uma mudança de semântica.
Somente se isso fizer parte do contrato solicitado. Adicionar sintaxe muda o escopo e pode exigir outro analisador e novo tratamento de erros. Mantenha limitada uma correção de expressões sem aninhamento, a menos que o projeto precise explicitamente de uma linguagem mais ampla.
Inclua operandos ausentes, operadores desconhecidos e valores do tipo errado. Verifique como o chamador recebe cada falha. Uma função auxiliar lançar um erro só é útil se o aplicativo ao redor tratar esse erro conforme seu próprio contrato.
Ele pode descrever o comportamento aparente, mas não estabelecer uma intenção não declarada. Forneça o propósito da regra e os resultados aceitos e compare esses requisitos com a implementação. Marque os casos ambíguos para decisão em vez de aceitar uma interpretação plausível como política.
LogicStitch · Atualizado 2026-10-25