Mutlak değeri en fazla 1000 olan bir ile 32 tamsayı katsayılı sürekli kesrin tüm yakınsaklarını döndürün.
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 outNegatif ilk terimi ve 3-7-16 dizisini sınayın; pozitif olmayan sonraki terimleri reddedip pay-payda çiftlerini kesin tutun.
Gerçek davranışı beklenen sonuçla karşılaştırın. Bir kontrol başarısız olursa yeni değişikliklerden önce nedenini araştırın.
Temel URL ve gerekiyorsa API anahtarıyla OpenAI uyumlu veya Anthropic endpoint yapılandırın. Bağlantıyı test edin. Yerel model sunucusu çalışıyor olmalıdır; uzak araçlar ayrıca veri aktarabilir.
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, sayısal kaynak değişikliklerini bunlara ihtiyaç duyan projeyle birlikte tartışmak için bir Windows yapay zeka kodlama çalışma alanıdır. Klasörü açın ve uygulamanın hesaplamayı nasıl kullandığını açıklayın. Bağlı modelden düzenleme önermeden önce işlevi, çağıran kodları ve ilgili testleri incelemesini isteyin. Bu bağlam, matematiksel olarak makul bir yeniden yazımın yazılımın gerçek sözleşmesiyle uyumlu kalmasına yardımcı olur.
convergents.py örneği, rasyonel yaklaşımlar dizisine ilişkin bir göreve temel olabilir. Kısa bir girdi ve beklediğiniz kesin pay-payda çiftlerini sağlayın, ardından ara sonuçların tüketiciye nasıl ulaştığını sorun. Kabul edilen terim sınırlarını ve çıktı sıralamasını açık gereksinimler olarak ele alın. Örnek somut bir inceleme hedefi sunar; uygulama ve doğrulama ise kendi proje dosyalarınız üzerinde yürütülen görevler olarak kalır.
Filtresiz bir yapay zeka modeli, bunu sunan desteklenen bir OpenAI uyumlu veya Anthropic uç noktası üzerinden seçilebilir. Bağlantıyı ve kimlik bilgilerini gerektiği şekilde yapılandırın; bağlam kapasitesi ve araç kullanılabilirliği hizmete göre değişir. Önerilen değişiklikleri inceleyin ve sonuçları bağımsız belirlenmiş durumlarla karşılaştırın. Sonraki kod çıktıyı ondalığa dönüştürüyorsa kesin aritmetik gereksinimlerini görünür tutun. Her dönüşümün belirtilmiş bir amacı ve anlamın değişebileceği sınırda bir denetimi olduğunda yamayı değerlendirmek kolaylaşır.
Ondalıklar gösterim veya yuvarlama farkını gizleyebilir. İşlevin sözleşmesi pay-payda çiftleri döndürüyorsa önce doğrudan bunları denetleyin. Ardından sonraki ondalık dönüşümlerini kendi hassasiyet gereksinimleri olan ayrı bir adım olarak değerlendirin.
Gerekçeler önerebilir; ancak kabul edilen girdileri proje gereksinimleri belirlemelidir. Aralığı genişletmeden önce doğrulamayı ve çağıran kodları inceleyin. Daha büyük değerler veya daha uzun diziler, ilk görevin içermediği ek kaynak ve çıktı denetimleri gerektirebilir.
Çağıran kodlar ara diziyi kullanıyorsa hayır. Son çiftin yanı sıra beklenen sırayı ve önceki temsili sonuçları da ekleyin. Bir işlev, yanlış veya yeniden sıralanmış ara girdiler döndürürken makul bir son değere ulaşabilir.
Yama kararını duraklatın ve küçük bir durumu kaynak boyunca izleyin. Beklenen değeri bağımsız olarak denetleyin ve test varsayımlarını inceleyin. Ne akıcı akıl yürütme ne de mevcut bir doğrulama, ortaya konmuş bir uyuşmazlığı araştırmadan geçersiz saymalıdır.
ConvergeHazel · Güncellendi 2026-10-25