المشروع
اختبر الصفر والواحد والاثنين ومربعا مركبا والحد الأعلى وارفض الحدود السالبة والكسرية والمنطقية قبل حجز الذاكرة.
مساحة عمل برمجية بالذكاء الاصطناعي
غرابيل أعداد أولية محدودة
اسرد الأعداد الأولية حتى حد صحيح شامل باستخدام غربال لا يتجاوز 1000000.
● ● ●SieveFern●
سير العمل · غرابيل أعداد أولية محدودة ×
from math import isqrt
def primes_through(limit):
if type(limit) is not int or not 0 <= limit <= 1000000:
raise ValueError("limit.range")
sieve = bytearray([1]) * (limit + 1)
sieve[0] = 0
if limit >= 1:
sieve[1] = 0
for p in range(2, isqrt(limit) + 1):
if sieve[p]:
for multiple in range(p * p, limit + 1, p):
sieve[multiple] = 0
return [i for i, prime in enumerate(sieve) if prime]✳اسرد الأعداد الأولية حتى حد صحيح شامل باستخدام غربال لا يتجاوز 1000000.
✓ التغييراتراجع قبل التطبيق ↗
رسم توضيحي لمساحة العمل
راجع قبل التطبيق
قارن السلوك الفعلي بالنتيجة المتوقعة. إذا فشل فحص، تحقّق من السبب قبل إجراء تغييرات إضافية.
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.
سير العمل
from math import isqrt
def primes_through(limit):
if type(limit) is not int or not 0 <= limit <= 1000000:
raise ValueError("limit.range")
sieve = bytearray([1]) * (limit + 1)
sieve[0] = 0
if limit >= 1:
sieve[1] = 0
for p in range(2, isqrt(limit) + 1):
if sieve[p]:
for multiple in range(p * p, limit + 1, p):
sieve[multiple] = 0
return [i for i, prime in enumerate(sieve) if prime]أدرج حد عبء العمل في طلب التغيير
قد يعطي روتين الإجابة الصحيحة ومع ذلك يقبل عملا يتجاوز قدرة التطبيق على المعالجة. يوفر SieveFern مساحة عمل للبرمجة بالذكاء الاصطناعي على Windows لفحص هذه الفجوة في شيفرة المشروع. صف عبء العمل المقبول والمرفوض والاستجابة التي ينبغي أن يتلقاها المستدعون قبل مطالبة النموذج بتغيير التنفيذ.
أدرج مثلا روتينا محدودا لتوليد الأعداد الأولية في المحادثة. اطلب من النموذج فحص موضع التحقق من حد المدخل بالنسبة إلى تخصيص الذاكرة والحساب. أدرج مدخلات صغيرة مقبولة وطلبا يتجاوز الحد المحدد، كي يراعي التعديل المقترح النتائج المفيدة والرفض المنضبط معا.
راجع أي زيادة مقترحة للحد كقرار مستقل. قد يؤثر تغيير ثابت في متطلبات الذاكرة وزمن التشغيل والواجهة التي تتيح العملية. شغّل فحوص المشروع للحالات التي تنوي دعمها، وقس استخدام الموارد حيث يهم. ميز الملاحظات المقاسة عن التقديرات المطروحة في المحادثة.
يتيح SieveFern ضبط اتصالات نماذج مدعومة متوافقة مع OpenAI أو تابعة لـ Anthropic، بما فيها بيانات الاعتماد عند الحاجة. إذا وفرت نقطة نهايتك نموذج ذكاء اصطناعي بلا رقابة، تظل سياساته الفعلية حاكمة للاستجابات. تعتمد الأدوات المتاحة وسعة السياق أيضا على النموذج والخادم؛ ولا تحدد حدا آمنا لعبء عمل تطبيقك.
مراجعة ميزة محدودة الموارد
أين ينبغي رفض طلب مفرط الحجم؟
افحص هل يحدث التحقق قبل التخصيص أو العملية المكلفة. اطلب من النموذج تتبع ذلك الترتيب ومعالجة أخطاء المستدعي. اختبر طلبا يتجاوز الحد المقبول بقليل للتأكد من أن الرفض يسلك المسار المقصود.
هل رفع حد الحجم مجرد تغيير إعداد؟
قد يغير عبء العمل كثيرا. راجع التنفيذ وقس استخدام الموارد المعنية في بيئتك قبل زيادته. تحقق أيضا من اعتماد المستدعين أو المهل أو الواجهات المحيطة على الحد الأقصى القديم.
ما الذي يجعل ملاحظة الأداء مفيدة؟
سجل المدخل المختبَر وبيئة التشغيل وطريقة القياس مع النتيجة. قارن ظروفا متماثلة عند تقييم اقتراح. قد يساعد تقدير النموذج على تخطيط تجربة، لكنه ليس قياسا لتنفيذك.
هل يمكن افتراض أن فحوص الموارد تعمل بجوار نموذج محلي؟
لا. يحتاج النموذج المحلي إلى خادم يعمل بصورة مستقلة، بينما قد تنفذ الأدوات المتصلة في مكان آخر أو تتصل بخدمات بعيدة. تحقق من إعداد التنفيذ الفعلي قبل تفسير نتائج الذاكرة أو التوقيت على أنها ممثلة لجهازك المستهدف.
SieveFern · آخر تحديث 2026-10-25