Evaluați o secvență plată de valori booleene unite prin AND și OR cu prioritate 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])Testați True OR False AND False și respingeți intrări goale, operatori deplasați, paranteze sau operanzi nebooleani fără executarea textului.
Compară comportamentul real cu rezultatul așteptat. Dacă o verificare eșuează, cercetează cauza înainte de alte modificări.
Configurează un endpoint compatibil OpenAI sau Anthropic cu URL-ul de bază și cheia API, dacă este necesară. Testează conexiunea. Serverul local trebuie să ruleze; instrumentele externe pot transmite date separat.
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 este un spațiu de programare cu IA pentru Windows, destinat dezvoltatorilor care trebuie să analizeze comportamentul condițional într-un proiect existent. Deschideți folderul și numiți decizia care produce un rezultat neașteptat. Un model conectat poate ajuta la examinarea codului relevant și discutarea unei revizii concentrate, iar conversația menține comportamentul așteptat explicit în timpul verificării.
Exemplul boolean_tokens.py sugerează o sarcină cu expresii booleene plate. În aplicație, întrebați dacă intrarea acceptată, precedența operatorilor și comportamentul la eroare corespund așteptărilor apelantului. Furnizați câteva expresii cu rezultate cunoscute înainte de a solicita editări. Astfel, exemplul devine context util de proiect, fără a transforma pagina principală într-un tutorial de limbaj și fără a sugera că software-ul include un motor de reguli.
Un model IA fără filtrare poate fi selectat dacă este disponibil prin endpointul acceptat compatibil cu OpenAI sau Anthropic. Configurați adresa și acreditările cerute și luați în calcul suportul real al modelului pentru context și instrumente. După examinarea modificării, testați expresii care disting comportamentul dorit de cel vechi, alături de intrări incorecte. Separați schimbările semanticii expresiilor de curățarea formatării. Verificarea rezultată trebuie să explice ce decizii s-au schimbat, de ce și cum vor observa apelanții schimbarea.
Folosiți o expresie care combină operatorii acceptați și al cărei rezultat diferă între interpretările concurente. Notați rezultatul dorit și motivul pentru care aplicația îl așteaptă. Cereți modelului să urmărească mai întâi codul actual, înainte de a propune o schimbare semantică.
Numai dacă fac parte din contractul solicitat. Adăugarea sintaxei schimbă domeniul sarcinii și poate necesita alt analizor și tratare nouă a erorilor. Păstrați limitată remedierea expresiilor plate, dacă proiectul nu cere explicit un limbaj mai amplu.
Includeți operanzi lipsă, operatori necunoscuți și valori de tip greșit. Verificați cum primește apelantul fiecare eroare. Ridicarea unei erori de către funcție este utilă numai dacă aplicația o tratează conform propriului contract.
Poate descrie comportamentul aparent, dar nu poate stabili intenția neprecizată. Furnizați scopul regulii și rezultatele acceptate, apoi comparați cerințele cu implementarea. Marcați cazurile ambigue pentru o decizie, fără a accepta o interpretare plauzibilă drept politică.
LogicStitch · Actualizat 2026-10-25