Zwróć wszystkie redukty ułamka łańcuchowego o jednym do 32 całkowitych współczynnikach z modułem do 1000.
def convergents(terms):
terms = tuple(terms)
if not 1 <= len(terms) <= 32 or any(type(a) is not int or abs(a) > 1000 for a in terms):
raise ValueError("fraction.terms")
if any(a <= 0 for a in terms[1:]):
raise ValueError("fraction.tail")
p0, p1, q0, q1, out = 0, 1, 1, 0, []
for a in terms:
p, q = a*p1+p0, a*q1+q0
out.append((p, q))
p0, p1, q0, q1 = p1, p, q1, q
return outSprawdź ujemny pierwszy wyraz i 3-7-16, odrzuć niedodatnie dalsze wyrazy i zachowaj dokładne pary licznika i mianownika.
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 convergents(terms):
terms = tuple(terms)
if not 1 <= len(terms) <= 32 or any(type(a) is not int or abs(a) > 1000 for a in terms):
raise ValueError("fraction.terms")
if any(a <= 0 for a in terms[1:]):
raise ValueError("fraction.tail")
p0, p1, q0, q1, out = 0, 1, 1, 0, []
for a in terms:
p, q = a*p1+p0, a*q1+q0
out.append((p, q))
p0, p1, q0, q1 = p1, p, q1, q
return outConvergeHazel to środowisko programowania z AI dla Windows do omawiania zmian kodu numerycznego razem z projektem, który ich potrzebuje. Otwórz folder i wyjaśnij, jak aplikacja korzysta z obliczenia. Poproś podłączony model o sprawdzenie funkcji, jej wywołań i odpowiednich testów przed zaleceniem edycji. Ten kontekst pomaga utrzymać matematycznie wiarygodną przeróbkę w zgodzie z rzeczywistym kontraktem oprogramowania.
Przykład convergents.py może być podstawą zadania dotyczącego ciągu przybliżeń wymiernych. Podaj krótkie wejście i dokładne oczekiwane pary licznik–mianownik, a następnie zapytaj, jak wyniki pośrednie docierają do odbiorcy. Traktuj dopuszczalne granice wyrazów i kolejność wyników jako jawne wymagania. Przykład daje konkretny cel przeglądu, a implementacja i weryfikacja pozostają zadaniami wykonywanymi na plikach Twojego projektu.
Model AI bez filtrów można wybrać przez obsługiwany punkt końcowy zgodny z OpenAI lub Anthropic, który go oferuje. Skonfiguruj połączenie i dane uwierzytelniające według wymagań; pojemność kontekstu i dostępność narzędzi różnią się między usługami. Przejrzyj proponowane zmiany i porównaj wyniki z niezależnie ustalonymi przypadkami. Zachowaj widoczność wymagań dokładnej arytmetyki, jeśli późniejszy kod konwertuje wynik na postać dziesiętną. Łatwiej ocenić poprawkę, gdy każde przekształcenie ma określony cel i kontrolę na granicy, gdzie znaczenie może się zmienić.
Liczby dziesiętne mogą ukrywać różnicę reprezentacji lub zaokrąglenia. Jeśli kontrakt funkcji zwraca pary licznik–mianownik, najpierw sprawdź je bezpośrednio. Następnie oceń późniejszą konwersję dziesiętną jako osobny etap z własnymi wymaganiami precyzji.
Może proponować uzasadnienia, ale przyjmowane dane powinny wynikać z wymagań projektu. Sprawdź walidację i wywołania przed rozszerzeniem zakresu. Większe wartości lub dłuższe ciągi mogą wymagać dodatkowych kontroli zasobów i wyników, których pierwotne zadanie nie obejmowało.
Nie, jeśli kod wywołujący korzysta z ciągu pośredniego. Uwzględnij oczekiwaną kolejność i reprezentatywne wcześniejsze wyniki oraz ostatnią parę. Funkcja może osiągnąć wiarygodną wartość końcową, zwracając błędne lub przestawione elementy pośrednie.
Wstrzymaj decyzję o poprawce i prześledź mały przypadek w kodzie. Niezależnie sprawdź wartość oczekiwaną i zbadaj założenia testu. Ani płynne rozumowanie, ani istniejąca asercja nie powinny przeważać nad wykazaną rozbieżnością bez zbadania jej.
ConvergeHazel · Zaktualizowano 2026-10-25