Projet
Testez zéro, un, deux, un carré composé et le plafond, en rejetant les limites négatives, fractionnaires ou booléennes avant allocation.
Espace de développement avec IA
Cribles de nombres premiers bornés
Énumérez les nombres premiers jusqu’à une limite entière incluse avec un crible plafonné à 1000000.
● ● ●SieveFern●
Méthodes de travail · Cribles de nombres premiers bornés ×
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]✳Énumérez les nombres premiers jusqu’à une limite entière incluse avec un crible plafonné à 1000000.
✓ ModificationsVérifiez avant d’appliquer ↗
Illustration de l’espace de travail
Vérifiez avant d’appliquer
Comparez le comportement observé au résultat attendu. Si une vérification échoue, cherchez la cause avant de poursuivre les modifications.
Modèles
Configurez un endpoint compatible OpenAI ou Anthropic avec son URL de base et une clé API si nécessaire. Testez la connexion. Un serveur local doit fonctionner ; les outils distants peuvent transmettre des données séparément.
Méthodes de travail
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]Inclure la limite de charge dans la demande de modification
Une routine peut fournir la bonne réponse tout en acceptant plus de travail que l’application ne peut en gérer. SieveFern fournit un espace de programmation avec IA pour Windows où examiner cet écart dans le code du projet. Décrivez la charge acceptée, celle rejetée et la réponse à fournir aux appelants avant de demander au modèle de changer l’implémentation.
Vous pouvez, par exemple, apporter une routine bornée de génération de nombres premiers à la conversation. Demandez au modèle d’examiner où la limite d’entrée est vérifiée par rapport à l’allocation et au calcul. Incluez de petites entrées acceptées et une demande dépassant la limite indiquée, afin que le correctif proposé traite à la fois les résultats utiles et le rejet maîtrisé.
Examinez toute augmentation suggérée de la limite comme une décision distincte. Changer une constante peut affecter la mémoire nécessaire, la durée d’exécution et l’interface exposant l’opération. Exécutez les vérifications du projet sur les cas à prendre en charge et mesurez les ressources utilisées lorsque cela compte. Distinguez les observations mesurées des estimations proposées dans la conversation.
SieveFern permet de configurer des connexions de modèles compatibles OpenAI ou Anthropic prises en charge, avec des identifiants si nécessaire. Si votre point de terminaison propose un modèle d’IA sans censure, ses politiques réelles régissent toujours les réponses. Les outils disponibles et la capacité de contexte dépendent aussi du modèle et du serveur ; ils ne déterminent pas une limite de charge sûre pour votre application.
Examiner une fonction aux ressources bornées
Où faut-il rejeter une demande trop volumineuse ?
Vérifiez si la validation précède l’allocation ou l’opération coûteuse. Demandez au modèle de retracer cet ordre et la gestion des erreurs de l’appelant. Testez une demande juste au-delà de la borne acceptée pour confirmer que le rejet suit le circuit prévu.
Relever une limite de taille est-il un simple changement de configuration ?
Cela peut modifier considérablement la charge. Examinez le code et mesurez l’utilisation des ressources pertinentes dans votre environnement avant de l’augmenter. Vérifiez aussi si les appelants, les délais d’expiration ou les interfaces environnantes reposent sur l’ancien maximum.
Qu’est-ce qu’une observation de performance utile ?
Consignez l’entrée testée, l’environnement d’exécution et la méthode de mesure avec le résultat. Comparez des conditions équivalentes pour évaluer une proposition. Une estimation du modèle peut aider à préparer une expérience, mais ne mesure pas votre implémentation.
Puis-je supposer que les contrôles de ressources s’exécutent près d’un modèle local ?
Non. Un modèle local nécessite son propre serveur actif, tandis que les outils connectés peuvent s’exécuter ailleurs ou contacter des services distants. Confirmez la configuration réelle avant de considérer les mesures de mémoire ou de durée comme représentatives de la machine cible.
SieveFern · Mis à jour 2026-10-25