Proyek
Uji sisa negatif serta masukan kosong, tolak komponen Boolean atau faktor bersama, lalu kembalikan solusi nonnegatif terkecil dan periode gabungan.
Ruang kerja kode dengan AI
Penggabungan kongruensi koprima berpasangan
Gabungkan hingga delapan kongruensi dengan sisa dalam ±10^9 dan modulus saling prima dari 2 sampai 10^6.
● ● ●Congrua●
Alur kerja · Penggabungan kongruensi koprima berpasangan ×
import math
def merge_congruences(pairs):
if type(pairs) is not list or len(pairs) > 8:
raise ValueError("crt.input")
answer, period = 0, 1
for pair in pairs:
if type(pair) not in (list, tuple) or len(pair) != 2 or any(type(x) is not int for x in pair):
raise ValueError("crt.pair")
residue, modulus = pair
if abs(residue) > 10**9 or not 2 <= modulus <= 10**6 or math.gcd(period, modulus) != 1:
raise ValueError("crt.modulus")
step = ((residue-answer)*pow(period, -1, modulus)) % modulus
answer += period*step
period *= modulus
answer %= period
return answer, period
✳Penggabungan kongruensi koprima berpasangan
✓ PerubahanTinjau sebelum menerapkan ↗
Ilustrasi ruang kerja
Tinjau sebelum menerapkan
Bandingkan perilaku sebenarnya dengan hasil yang diharapkan. Jika pemeriksaan gagal, cari penyebabnya sebelum membuat perubahan lain.
Model
Atur endpoint kompatibel OpenAI atau Anthropic dengan URL dasar dan kunci API jika diperlukan. Uji koneksi. Server model lokal harus berjalan; alat jarak jauh dapat mengirim data secara terpisah.
Alur kerja
import math
def merge_congruences(pairs):
if type(pairs) is not list or len(pairs) > 8:
raise ValueError("crt.input")
answer, period = 0, 1
for pair in pairs:
if type(pair) not in (list, tuple) or len(pair) != 2 or any(type(x) is not int for x in pair):
raise ValueError("crt.pair")
residue, modulus = pair
if abs(residue) > 10**9 or not 2 <= modulus <= 10**6 or math.gcd(period, modulus) != 1:
raise ValueError("crt.modulus")
step = ((residue-answer)*pow(period, -1, modulus)) % modulus
answer += period*step
period *= modulus
answer %= period
return answer, period
Tunjukkan kombinasi yang tidak didukung kepada pemanggil
Congrua memberi pengembang ruang kerja pemrograman AI Windows untuk perubahan yang menggabungkan beberapa masukan berdasarkan asumsi bersama. Buka proyek dan nyatakan kombinasi yang didukung sebelum meminta perubahan implementasi kepada model. Hasil yang berguna adalah kode yang hasil diterima maupun kasus ditolaknya sesuai kontrak aplikasi.
Sebagai contoh, minta peninjauan penggabungan syarat modular yang modulusnya harus saling relatif prima. Berikan kombinasi valid dan kombinasi di luar asumsi itu, lalu minta model memeriksa validasi serta perilaku pemanggil. Ini menetapkan tugas proyek terbatas tanpa menyiratkan ruang kerja berisi pemecah matematika umum.
Baca usulan tambalan untuk mencari penanganan cadangan diam-diam yang mengubah masukan tidak didukung menjadi jawaban yang tampak masuk akal. Pemanggil mungkin membutuhkan penolakan jelas, bukan pendekatan atau hasil sembarang. Jalankan pengujian terkait, periksa keluaran yang diterima terhadap setiap syarat masukan, dan periksa cara aplikasi menyajikan kombinasi gagal kepada pengguna.
Congrua terhubung ke endpoint yang didukung, baik yang kompatibel dengan OpenAI maupun Anthropic, dengan kredensial bila diperlukan. Pilih model AI abliterasi jika tersedia melalui koneksi itu. Pembatasan, batas konteks, dan alat tetap bergantung pada model serta server; gunakan bantuannya untuk mengembangkan dan memeriksa kode, lalu evaluasi sendiri hasil sebenarnya.
Memeriksa perubahan batasan dengan banyak masukan
Haruskah model otomatis menggeneralisasi kombinasi yang tidak didukung?
Hanya jika Anda meminta kontrak lebih luas dan meninjau konsekuensinya. Identifikasi dahulu alasan implementasi saat ini menolak masukan. Generalisasi dapat memerlukan logika dan perilaku pemanggil berbeda, jadi pisahkan dari koreksi dalam asumsi yang ada.
Bagaimana memverifikasi hasil gabungan yang diterima?
Periksa terhadap setiap syarat masukan, bukan hanya satu syarat perwakilan. Gunakan juga contoh harapan independen. Tinjau periode gabungan atau metadata hasil lain jika pemanggil bergantung padanya, karena nilai yang tampak benar dapat disertai informasi pendukung yang salah.
Apa yang harus ditampilkan aplikasi ketika asumsi gagal?
Pilih hasil jelas yang membedakan masukan tidak didukung dari kegagalan internal. Minta model menelusuri penolakan hingga antarmuka atau respons API. Lalu uji jalur itu agar kombinasi gagal tidak ditampilkan sebagai hasil valid.
Konteks apa yang membantu tanpa membebani model?
Berikan dahulu fungsi penggabung, validasinya, satu pemanggil, dan data uji kecil. Kapasitas konteks bergantung pada endpoint. Tinjau juga tujuan alat: server model lokal yang berjalan terpisah tidak membuat setiap alat yang terhubung menjadi lokal.
Congrua · Diperbarui 2026-10-25