Modelle
Richten Sie einen OpenAI-kompatiblen oder Anthropic-Endpunkt mit Basis-URL und gegebenenfalls API-Schlüssel ein. Testen Sie die Verbindung. Ein lokaler Modellserver muss laufen; entfernte Werkzeuge können Daten separat übertragen.
KI-Arbeitsumgebung für Code
Jaccard-Ähnlichkeit von Mengen
Berechnen Sie die Jaccard-Ähnlichkeit zweier Sammlungen mit jeweils höchstens 1000 Ganzzahlen ohne Duplikate.
● ● ●SetTamar●
Arbeitsabläufe · Jaccard-Ähnlichkeit von Mengen ×
def jaccard(left, right):
left, right = tuple(left), tuple(right)
if len(left) > 1000 or len(right) > 1000:
raise ValueError("collection.limit")
if any(type(v) is not int for v in left + right):
raise ValueError("member.integer")
left, right = set(left), set(right)
union = left | right
return len(left & right) / len(union) if union else 1.0✳Berechnen Sie die Jaccard-Ähnlichkeit zweier Sammlungen mit jeweils höchstens 1000 Ganzzahlen ohne Duplikate.
✓ ÄnderungenVor dem Anwenden prüfen ↗
Illustration der Arbeitsumgebung
Projekt
Prüfen Sie disjunkte und identische Mengen und definieren Sie zwei leere Mengen als eins; weisen Sie boolesche und nicht ganzzahlige Elemente zurück.
Vor dem Anwenden prüfen
Vergleichen Sie das tatsächliche Verhalten mit dem erwarteten Ergebnis. Klären Sie fehlgeschlagene Prüfungen vor weiteren Änderungen.
Arbeitsabläufe
def jaccard(left, right):
left, right = tuple(left), tuple(right)
if len(left) > 1000 or len(right) > 1000:
raise ValueError("collection.limit")
if any(type(v) is not int for v in left + right):
raise ValueError("member.integer")
left, right = set(left), set(right)
union = left | right
return len(left & right) / len(union) if union else 1.0Vergleichsergebnisse an den Datenregeln ausrichten
Die Bedeutung eines Vergleichswerts kann sich schon vor der Berechnung ändern, allein weil wiederholte Werte entfernt werden. SetTamar bringt diese Annahmen in eine KI-Programmierumgebung für Windows. Öffnen Sie das Projekt und lassen Sie ein verbundenes Modell prüfen, wie Sammlungen in den Vergleich eingehen und wie der resultierende Wert die Anwendung beeinflusst.
Betrachten Sie eine Aufgabe zur Jaccard-Ähnlichkeit von Mengen aus Kennungen. Zeigen Sie Beispiele mit Duplikaten, disjunkten Elementen und leeren Sammlungen und nennen Sie die vom Aufrufer erwarteten Ergebnisse. Das Gespräch sollte klären, ob Mengensemantik zur Aufgabe passt, bevor eine Implementierungsänderung wiederholte Beobachtungen aus der Berechnung entfernt.
Verfolgen Sie den Änderungsvorschlag durch Eingabevalidierung und nachfolgende Entscheidungen. Eine Konvention für zwei leere Mengen kann Rangfolge oder Filterung beeinflussen, selbst wenn die Formel sonst konsistent arbeitet. Prüfen Sie diese Konvention mit dem nutzenden Code und führen Sie Projekttests für zulässige Eingaben und abgelehnte Fälle aus. Trennen Sie die Interpretation des Vergleichswerts von seiner numerischen Berechnung.
SetTamar unterstützt Verbindungen zu OpenAI-kompatiblen oder Anthropic-Endpunkten. Ist über Ihren Dienst ein unzensiertes KI-Modell verfügbar, können Sie es unter Berücksichtigung seines tatsächlichen Verhaltens und der Serverfähigkeiten wählen. Decken Sie im Gespräch Annahmen auf und übernehmen Sie nur Änderungen, deren Auswirkungen Sie untersucht und geprüft haben.
Vergleichsergebnisse und Datenregeln – Fragen vor Änderungen
Sollten doppelte Kennungen den Vergleichswert beeinflussen?
Diese Anforderung ist vor der Änderung zu klären. Ein mengenbasierter Vergleich entfernt Duplikate, sodass Häufigkeit nicht mehr beiträgt. Sind wiederholte Beobachtungen für Ihre Anwendung wichtig, verlangen Sie eine Entwurfsbesprechung, statt stillschweigend Mengensemantik anzuwenden.
Warum die Konvention für leere Mengen mit Aufrufern besprechen?
Ein Wert für zwei leere Sammlungen kann Rangfolge oder Schwellenentscheidungen beeinflussen, obwohl keine Elemente beobachtet wurden. Nennen Sie die gewählte Bedeutung und prüfen Sie nachfolgenden Code; nehmen Sie den Fall anschließend in die Projekttests mit erwarteten Ergebnissen auf.
Welcher Kontext hilft bei der Prüfung einer schwellenbasierten Funktion?
Liefern Sie Vergleichsfunktion und Code zur Interpretation ihres Werts. Erklären Sie die beabsichtigte Bedeutung der Schwelle und geben Sie Beispiele auf beiden Seiten. Nehmen Sie nicht an, dass das Modell Produktentscheidungen allein aus der mathematischen Formel ableiten kann.
Belegt eine neu geschriebene Funktion die Qualität des Ähnlichkeitsmaßes?
Sie lässt sich auf das festgelegte Verhalten prüfen, doch der Nutzen hängt von Ihren Daten und Anwendungszielen ab. Trennen Sie Implementierungstests von der Bewertung der Vergleichsregel an repräsentativen Fällen, bevor Sie sich auf das neue Ergebnis verlassen.
SetTamar · Aktualisiert 2026-10-25