الأرقام الرومانية القياسية
حول عدداً صحيحاً من 1 إلى 3999 إلى رقم روماني قياسي بأحرف كبيرة.
def roman_numeral(n):
if type(n) is not int or not 1 <= n <= 3999:
raise ValueError("roman.range")
values = [(1000,"M"),(900,"CM"),(500,"D"),(400,"CD"),
(100,"C"),(90,"XC"),(50,"L"),(40,"XL"),
(10,"X"),(9,"IX"),(5,"V"),(4,"IV"),(1,"I")]
parts = []
for value, symbol in values:
count, n = divmod(n, value)
parts.append(symbol * count)
return "".join(parts)| المشروع | اختبر الصيغ الطرحية مثل 4 و900 وارفض الصفر والأعداد خارج المجال والقيم غير الصحيحة. |
|---|---|
| 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. |
def roman_numeral(n):
if type(n) is not int or not 1 <= n <= 3999:
raise ValueError("roman.range")
values = [(1000,"M"),(900,"CM"),(500,"D"),(400,"CD"),
(100,"C"),(90,"XC"),(50,"L"),(40,"XL"),
(10,"X"),(9,"IX"),(5,"V"),(4,"IV"),(1,"I")]
parts = []
for value, symbol in values:
count, n = divmod(n, value)
parts.append(symbol * count)
return "".join(parts)امنح أداة التنسيق عقدا يمكن للشيفرة المستدعية الاعتماد عليه
يوفر NumeralHaven مساحة عمل للبرمجة على Windows لمناقشة تفاصيل التنفيذ مع نموذج ذكاء اصطناعي متصل. أعمال التنسيق نقطة بداية مفيدة لأن دالة صغيرة قد تحمل قواعد ظاهرة للمنتج. صف المدخل المقبول والمخرج الدقيق قبل طلب التغييرات، وأدرج الشيفرة التي تعرض النتيجة للمستخدم.
منسّق الأرقام الرومانية هو مثال المشروع المرفق. يمكنك طلب مراجعة نطاقه العددي المدعوم وصيغ الطرح، ثم شرح كيفية تعامل الشيفرة المستدعية مع القيم المرفوضة. الغرض تطوير شيفرتك بتوقعات واضحة، لا افتراض أن مساحة العمل تقدم خدمة مكتملة لتحويل الأرقام.
بعد توضيح العقد السلوكي، افحص ما إذا كان التعديل المقترح يغير كتابة المخرجات أو الأنواع المقبولة أو سلوك الفشل. شغّل حالات اختبار حول حدود النطاق وصيغ طرح ممثلة باستخدام أدوات مشروعك. افحص أيضا مسار العرض المحيط كيلا تتحول القيمة غير الصالحة إلى فراغ غير مفسر أو تسمية مضللة في الواجهة.
للعمل بمساعدة النماذج، صِل نقطة نهاية متوافقة مع OpenAI أو تابعة لـ Anthropic وقدم بيانات الاعتماد عند الحاجة. يكون نموذج ذكاء اصطناعي بلا تصفية خيارا إن كانت الخدمة توفره. تظل سعة سياقه وإتاحة أدواته وقيود استجابته خاصة بالخادم والنموذج المختارين؛ وتبقى المراجعة جزءا من سير التطوير.
قبل تغيير منسّق القيم
لماذا أدرج الشيفرة المستدعية للمنسّق في الطلب؟
تحدد الشيفرة المستدعية كيف تصل القيمة المرفوضة أو السلسلة المنسّقة إلى الواجهة. أدرج ذلك المسار ليشرح المساعد أثر تغيير قيمة الإرجاع أو الاستثناء، لا التحويل الداخلي وحده.
ما الأمثلة التي تجعل متطلب التنسيق دقيقا؟
قدم قيما مقبولة مع سلاسلها المتوقعة بالضبط، وقيما يجب رفضها. لمهمة الأرقام الرومانية، أدرج حدود النطاق وصيغ الطرح. تظهر هذه الحالات اصطلاحات المخرجات قبل اقتراح أي تنفيذ.
هل ينبغي للمنسّق قبول النص الرقمي بصمت؟
فقط إذا كان عقد تطبيقك يقتضي ذلك التحويل. حدد الأنواع المقبولة صراحة وراجع موضع التحليل. قد يخفي تحويل مريح داخل التنسيق خطأ في الشيفرة المستدعية أو يغير كيفية وصول القيم غير الصالحة إلى المستخدم.
هل يمكن لنموذج مختلف تغيير المخرج المطلوب من المنسّق؟
ينبغي ألا يغير تبديل النموذج المتصل متطلباتك المحددة. احتفظ بحالات الاختبار وقواعد القبول نفسها عند مقارنة الاقتراحات. قيّم كل تعديل وفق تلك القواعد بدلا من اعتبار الاصطلاح الذي يفضله النموذج مرجعا ملزما.
NumeralHaven · آخر تحديث 2026-10-25