Modelos
Configura un endpoint compatible con OpenAI o Anthropic usando la URL base y, si hace falta, una clave API. Prueba la conexión. Un servidor local debe estar en ejecución; las herramientas remotas pueden enviar datos por separado.
Espacio de programación con IA
Convolución discreta completa
Calcula la convolución discreta completa de dos secuencias numéricas finitas.
● ● ●KernelQuay●
Flujos de trabajo · Convolución discreta completa ×
import math
def convolve(values, kernel):
if not all(map(math.isfinite, [*values, *kernel])):
raise ValueError("finite inputs required")
if not values or not kernel: return []
result = [0] * (len(values) + len(kernel) - 1)
for i, value in enumerate(values):
for j, weight in enumerate(kernel):
result[i + j] += value * weight
if not all(map(math.isfinite, result)):
raise ValueError("non-finite result")
return result✳Calcula la convolución discreta completa de dos secuencias numéricas finitas.
✓ CambiosRevisa antes de aplicar ↗
Vista ilustrativa
Proyecto
Prueba entradas vacías, un solo valor y un núcleo asimétrico, verificando que la longitud sea la suma de longitudes no vacías menos uno.
Revisa antes de aplicar
Compara el comportamiento real con el resultado esperado. Si una prueba falla, investiga la causa antes de hacer más cambios.
Flujos de trabajo
import math
def convolve(values, kernel):
if not all(map(math.isfinite, [*values, *kernel])):
raise ValueError("finite inputs required")
if not values or not kernel: return []
result = [0] * (len(values) + len(kernel) - 1)
for i, value in enumerate(values):
for j, weight in enumerate(kernel):
result[i + j] += value * weight
if not all(map(math.isfinite, result)):
raise ValueError("non-finite result")
return resultRelaciona un cambio numérico con el software que lo consume
Una función numérica auxiliar forma parte de un contrato de aplicación: el código que la llama depende tanto de la forma de salida, las entradas aceptadas y el comportamiento ante fallos como de la aritmética. KernelQuay es un entorno de programación con IA para Windows donde revisar esas conexiones. Aporta la implementación y un pequeño conjunto de resultados esperados a la conversación antes de pedir un cambio.
Por ejemplo, solicita una revisión de la convolución discreta completa en un módulo de procesamiento. Muestra al modelo conectado cómo utiliza la salida el código que llama y si las secuencias vacías tienen sentido. Pídele que explique los límites propuestos con un pequeño ejemplo asimétrico, que permite detectar una inversión accidental más fácilmente que una prueba convenientemente simétrica.
Mantén la gestión de errores en la misma revisión. Las entradas finitas aún pueden producir resultados fuera del rango numérico previsto, y un consumidor posterior puede requerir una respuesta de fallo específica. Inspecciona el código propuesto, ejecuta tus comprobaciones numéricas y prueba el código que llama tanto con resultados válidos como con entradas rechazadas. El objetivo es un límite de software fiable, no una fórmula presentada sin integración.
KernelQuay permite configurar un endpoint compatible con OpenAI o de Anthropic admitido, con credenciales cuando sean necesarias. Un modelo de IA desrestringido mediante ablación disponible puede ayudar en la conversación sobre el código; su servidor determina las herramientas disponibles y el contexto. Tus ejemplos y resultados de ejecución dan una base concreta a la revisión.
Relaciona un cambio numérico con el software que lo consume: preguntas antes de editar
¿Por qué incluir el código que llama a una función numérica auxiliar?
El código que llama establece la longitud de salida y el comportamiento ante fallos que necesita la aplicación. Una función auxiliar puede producir números plausibles y aun así romper la integración por una forma de salida o una excepción diferente. Revisa ambos lados antes de aceptar una refactorización numérica.
¿Qué hace útil aquí a un ejemplo pequeño?
Usa valores distintos y asimétricos con un resultado que puedas comprobar de forma independiente. Explica la operación prevista y el orden de salida. Un caso así ayuda a revelar una inversión o un error de límites que valores repetidos o simétricos podrían ocultar.
¿Deben comprobarse las salidas no válidas además de las entradas?
Si la aplicación exige resultados finitos, inspecciona ambos límites. Los operandos finitos válidos no garantizan automáticamente que todos los resultados calculados cumplan ese requisito. Prueba el comportamiento de rechazo esperado y cómo lo gestiona el código que llama.
¿Puedo aceptar una optimización tras coincidir un solo ejemplo?
Un ejemplo es un punto de partida. Compara longitudes representativas, el comportamiento con entradas vacías y los casos de fallo que incluye tu contrato. Revisa cualquier supuesto modificado antes de medir el tiempo de la implementación y después ejecuta tú mismo las comprobaciones pertinentes del proyecto.
KernelQuay · Actualizado 2026-10-25
