Proyecto
Comprueba cero, uno, dos, un cuadrado compuesto y el máximo, rechazando límites negativos, fraccionarios o booleanos antes de reservar memoria.
Espacio de programación con IA
Cribas de primos acotadas
Enumera los primos hasta un límite entero inclusivo con una criba limitada a 1000000.
● ● ●SieveFern●
Flujos de trabajo · Cribas de primos acotadas ×
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]✳Enumera los primos hasta un límite entero inclusivo con una criba limitada a 1000000.
✓ CambiosRevisa antes de aplicar ↗
Vista ilustrativa
Revisa antes de aplicar
Compara el comportamiento real con el resultado esperado. Si una prueba falla, investiga la causa antes de hacer más cambios.
Modelos
Configura un endpoint compatible con OpenAI o Anthropic usando la URL base y, si hace falta, una clave API. Prueba la conexión. Un servidor local debe estar en ejecución; las herramientas remotas pueden enviar datos por separado.
Flujos de trabajo
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]Incluye el límite de carga de trabajo en la solicitud de cambio
Una rutina puede producir la respuesta correcta y aun así aceptar más trabajo del que la aplicación está preparada para gestionar. SieveFern proporciona un entorno de programación con IA para Windows donde examinar esa diferencia en el código del proyecto. Describe la carga admitida, la rechazada y la respuesta que debe recibir el código que llama a la rutina antes de pedir al modelo que cambie una implementación.
Por ejemplo, incorpora a la conversación una rutina de generación de primos con límite. Pide al modelo que inspeccione dónde se comprueba el límite de entrada respecto a la reserva de memoria y al cálculo. Incluye entradas pequeñas admitidas y una solicitud que supere el límite establecido para que el parche propuesto contemple tanto resultados útiles como un rechazo controlado.
Revisa cualquier aumento sugerido del límite como una decisión independiente. Cambiar una constante puede afectar a los requisitos de memoria, al tiempo de ejecución y a la interfaz que expone la operación. Ejecuta las comprobaciones del proyecto en los casos que pretendas admitir y mide el uso de recursos cuando sea pertinente. Distingue las observaciones medidas de las estimaciones ofrecidas en la conversación.
SieveFern permite configurar conexiones de modelos compatibles con OpenAI o Anthropic admitidas, incluidas credenciales cuando sean necesarias. Si tu servicio ofrece un modelo de IA sin censura, sus políticas reales siguen rigiendo las respuestas. Las herramientas disponibles y la capacidad de contexto también dependen del modelo y del servidor; no determinan un límite de carga seguro para tu aplicación.
Revisión de una función con recursos limitados
¿Dónde debe rechazarse una solicitud excesiva?
Inspecciona si la validación ocurre antes de la reserva de memoria u operación costosa. Pide al modelo que siga ese orden y la gestión de errores del código que llama a la función. Prueba una solicitud justo por encima del límite admitido para confirmar que el rechazo sigue el recorrido previsto.
¿Aumentar un límite de tamaño es solo un cambio de configuración?
Puede cambiar sustancialmente la carga de trabajo. Revisa la implementación y mide el uso pertinente de recursos en tu entorno antes de aumentarlo. Comprueba también si el código que llama a la función, los tiempos de espera o las interfaces circundantes dependen del máximo anterior.
¿Qué hace útil una observación de rendimiento?
Registra la entrada probada, el entorno de ejecución y el método de medición junto con el resultado. Compara condiciones equivalentes al evaluar una propuesta. Una estimación del modelo puede ayudar a planificar un experimento, pero no es una medición de tu implementación.
¿Puedo suponer que las comprobaciones de recursos se ejecutan junto a un modelo local?
No. Un modelo local necesita su propio servidor en ejecución, mientras que las herramientas conectadas pueden ejecutarse en otro lugar o contactar con servicios remotos. Confirma la configuración real de ejecución antes de interpretar resultados de memoria o tiempo como representativos de tu equipo de destino.
SieveFern · Actualizado 2026-10-25