ماذا أقدم إلى جانب نتيجة تبدو خاطئة؟
أدرج المدخلات الدقيقة والنتيجة المتوقعة أو الطريقة المرجعية والنتيجة المرصودة وهامش تسامح التطبيق. حدد بيئة التشغيل وخطوات التحويل. يمنح ذلك التحقيق هدفا ملموسا بدلا من معاملة كل اختلاف عددي صغير كمشكلة واحدة.
مساحة عمل برمجية بالذكاء الاصطناعي
مجاميع عائمة معوضة
اجمع حتى 1000 عدد منته بمقدار لا يتجاوز 1e100 مع حد تعويض.
● ● ●SumHarrier●
سير العمل · مجاميع عائمة معوضة ×
def compensated_sum(values):
values = tuple(values)
if len(values) > 1000 or any(type(v) not in (int, float) or
not -1e100 <= v <= 1e100 for v in values):
raise ValueError("values.range")
total = correction = 0.0
for value in values:
value = float(value)
next_total = total + value
correction += ((total - next_total) + value if abs(total) >= abs(value)
else (value - next_total) + total)
total = next_total
return total + correction✳اجمع حتى 1000 عدد منته بمقدار لا يتجاوز 1e100 مع حد تعويض.
✓ التغييراتراجع قبل التطبيق ↗
رسم توضيحي لمساحة العمل
- النماذج
- اضبط نقطة اتصال متوافقة مع OpenAI أو Anthropic باستخدام العنوان الأساسي ومفتاح API عند الحاجة. اختبر الاتصال. يجب أن يعمل خادم النموذج المحلي؛ وقد ترسل الأدوات البعيدة البيانات بشكل منفصل.
- المشروع
- اختبر الإلغاء حول حد صغير والمدخل الفارغ وارفض القيم المنطقية وغير المنتهية قبل الجمع.
- راجع قبل التطبيق
- قارن السلوك الفعلي بالنتيجة المتوقعة. إذا فشل فحص، تحقّق من السبب قبل إجراء تغييرات إضافية.
سير العمل
def compensated_sum(values):
values = tuple(values)
if len(values) > 1000 or any(type(v) not in (int, float) or
not -1e100 <= v <= 1e100 for v in values):
raise ValueError("values.range")
total = correction = 0.0
for value in values:
value = float(value)
next_total = total + value
correction += ((total - next_total) + value if abs(total) >= abs(value)
else (value - next_total) + total)
total = next_total
return total + correctionراجع التعديل العددي وفقا للنتيجة التي تحتاجها
قد يأتي اختلاف صغير في نتيجة عددية من إعداد المدخلات أو ترتيب الحساب أو التمثيل المستخدم أثناءه. SumHarrier بيئة برمجة بالذكاء الاصطناعي على Windows لاستقصاء هذه الاحتمالات في مشروعك. أحضر مدخلات ممثلة واشرح الدقة التي يحتاجها تطبيقك. اطلب فحص الحساب ومستهلكيه قبل اقتراح أن تعديلا حسابيا واحدا سيحل الاختلاف.
يوفر مثال الجمع المعوض مهمة محددة للنقاش. يمكنك فحص مجال المدخلات المقبول والتحويل إلى الفاصلة العائمة والنتيجة التي تستخدمها الشيفرة اللاحقة. اطلب مقترحا بحالات مقارنة واضحة وراجع أثره في توقعات دقة التطبيق. افصل النتائج المقاسة عن اسم الطريقة: وجود متغير تصحيح لا يثبت استيفاء كل نتيجة لمتطلباتك.
اختر نموذجا أزيلت آليات رفضه عبر نقطة نهاية مدعومة متوافقة مع OpenAI أو تابعة لـ Anthropic حيث يتوفر، مع بيانات الاعتماد حسب الحاجة. يحدد النموذج والخادم القيود والسياق والأدوات. راجع التعديلات وشغل اختبارات المشروع العددية وقارن بمرجع مناسب. خادم النموذج المحلي الذي يعمل منفصلا لا يجعل كل أداة محلية ولا يغني عن الاختبار في بيئة التشغيل التي ستنفذ الحساب.
أسئلة لمهمة صيانة عددية
هل يضمن الجمع المعوض مجاميع عشرية دقيقة تماما؟
لا تستنتج ذلك من المثال. لا يزال يعمل بقيم فاصلة عائمة وعقد مدخلات محدد. إن احتاج تطبيقك كميات دقيقة تماما، فصرح بالمتطلب قبل اختيار التمثيل أو قبول التنفيذ المقترح.
لماذا أفحص الشيفرة التي تستهلك المجموع؟
قد يغير التقريب أو التنسيق أو مقارنات العتبات اللاحقة السلوك الظاهر. راجع الاستخدامات قبل افتراض مسؤولية المجمع. ينبغي أن يشمل فحص القبول القرار الذي يتخذه التطبيق بالمجموع، لا قيمة الدالة المساعدة فقط.
كيف أقارن تنفيذين مقترحين؟
استخدم المدخلات الممثلة نفسها ومرجعا مناسبا وسجل الأخطاء وظروف التنفيذ. شغل اختبارات المشروع الحالية أيضا. اختر وفقا لمتطلبات التطبيق بدلا من وصف النموذج الواثق للجودة العددية.
SumHarrier · آخر تحديث 2026-10-25