プロジェクト
ゼロ、1、2、合成数の平方、上限を確認し、負数、分数、真偽値はメモリ確保前に拒否します。
● ● ●SieveFern●
ワークフロー · 上限付き素数ふるい ×
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]✳1000000を上限とするふるいで整数の指定上限を含む素数一覧を求めます。
✓ 変更内容適用前に確認 ↗
ワークスペースのイメージ
適用前に確認
実際の動作を期待する結果と比較します。検証に失敗した場合は、次の変更を加える前に原因を調べてください。
モデル
OpenAI互換またはAnthropicのエンドポイントを、ベースURLと必要なAPIキーで設定し、接続をテストします。ローカルのモデルサーバーは起動が必要です。リモートツールは別途データを送信する場合があります。
ワークフロー
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]変更依頼に処理量の上限を含める
処理が正しい答えを出しても、アプリケーションが扱える以上の作業を受け付けてしまう場合があります。SieveFernは、プロジェクトのコードでこの隔たりを調べるWindows用AIコーディング作業環境です。実装の変更をモデルに頼む前に、受け付ける処理量、拒否する処理量、呼び出し元に返すべき応答を説明してください。
例えば、上限付きの素数生成処理を会話に持ち込めます。メモリ確保や計算との順序関係の中で、どこで入力上限を確認しているかモデルに調べてもらいましょう。受け付ける小さな入力と、定めた上限を超える要求を含め、有用な結果と制御された拒否の両方をパッチ案に考慮させます。
上限の引き上げが提案されたら、別個の判断としてレビューしてください。定数の変更は、必要メモリ、実行時間、処理を公開するインターフェースに影響し得ます。対応するつもりのケースでプロジェクトのチェックを実行し、必要な箇所ではリソース使用量を測定しましょう。実測した観察結果と、会話で示された推定は区別してください。
SieveFernでは対応するOpenAI互換またはAnthropicのモデル接続を設定でき、必要な場合は認証情報も指定します。接続先が無検閲AIモデルを提供している場合でも、応答には実際のポリシーが適用されます。利用できるツールとコンテキスト容量もモデルとサーバーに依存し、アプリケーションに安全な処理量の上限を決めるものではありません。
リソース上限のある機能をレビューする
大きすぎる要求はどこで拒否すべきですか？
高コストのメモリ確保や処理より前に検証するか確認してください。その順序と呼び出し元のエラー処理を追跡するようモデルに依頼します。許容境界を少し超える要求をテストし、意図した経路で拒否されることを確認しましょう。
サイズ上限の引き上げは単なる設定変更ですか？
処理量を大きく変える可能性があります。引き上げ前に実装をレビューし、自分の環境で関連するリソース使用量を測定してください。呼び出し元、タイムアウト、周辺のインターフェースが旧上限に依存していないかも確認しましょう。
有用な性能の観察記録には何が必要ですか？
結果とともに、テストした入力、実行環境、測定方法を記録します。提案を評価する際は条件をそろえて比較してください。モデルの推定は実験計画に役立つことがありますが、自分の実装を測定した値ではありません。
ローカルモデルと同じ場所でリソースチェックが動くと考えてよいですか？
いいえ。ローカルモデルには独自の稼働サーバーが必要ですが、接続ツールは別の場所で動いたり、リモートサービスに接続したりする場合があります。メモリや時間の測定結果を対象マシンの代表値と解釈する前に、実際の実行構成を確認してください。
SieveFern · 更新日 2026-10-25