Enumera triángulos rectángulos enteros primitivos con hipotenusa limitada por un entero de cero a 500.
from math import gcd
def primitive_triples(limit):
if type(limit) is not int or not 0 <= limit <= 500:
raise ValueError("hypotenuse.limit")
result, m = [], 2
while m * m + 1 <= limit:
for n in range(1, m):
c = m * m + n * n
if c <= limit and (m - n) % 2 and gcd(m, n) == 1:
a, b = sorted((m * m - n * n, 2 * m * n))
result.append((a, b, c))
m += 1
return sorted(result, key=lambda t: (t[2], t[0], t[1]))Compara el comportamiento real con el resultado esperado. Si una prueba falla, investiga la causa antes de hacer más cambios.
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.
Comprueba el resultado vacío y 3-4-5, excluye copias escaladas y devuelve cada terna una vez con los catetos ordenados.
from math import gcd
def primitive_triples(limit):
if type(limit) is not int or not 0 <= limit <= 500:
raise ValueError("hypotenuse.limit")
result, m = [], 2
while m * m + 1 <= limit:
for n in range(1, m):
c = m * m + n * n
if c <= limit and (m - n) % 2 and gcd(m, n) == 1:
a, b = sorted((m * m - n * n, 2 * m * n))
result.append((a, b, c))
m += 1
return sorted(result, key=lambda t: (t[2], t[0], t[1]))TripleMistral ofrece un entorno de programación con IA para Windows destinado a desarrollar pequeños componentes de cálculo que deben integrarse en una aplicación mayor. Empieza por el resultado esperado y los límites de entrada; después, pide al asistente que examine el código del proyecto que llamará al componente. Una conversación útil sobre programación aborda la estructura del resultado y el comportamiento ante fallos, además del cálculo que produce los valores.
Una tarea basada en triples.py podría examinar una enumeración acotada de ternas pitagóricas primitivas. Pide al modelo que explique cómo se relacionan el límite elegido y el orden de los resultados con el código que los utiliza, y revisa después una corrección propuesta con algunos ejemplos comprobables a mano. El objetivo no es convertir la página de inicio en una lección de matemáticas, sino mostrar cómo un requisito preciso se transforma en un componente que puedes inspeccionar y probar.
Ejecuta las comprobaciones del proyecto con las entradas significativas más pequeñas y el límite superior admitido. Confirma que los duplicados y el orden cumplen el contrato antes de utilizar la salida en otro lugar. TripleMistral puede conectarse a endpoints compatibles con OpenAI o de Anthropic admitidos, incluido un modelo sin filtros cuando se ofrezca. Pueden ser necesarias credenciales, y el modelo y el servidor elegidos determinan las políticas, la capacidad de contexto y las herramientas. Separa la verificación de la descripción del modelo: una explicación convincente no demuestra que una enumeración esté completa.
Documenta si el orden forma parte del contrato o es simplemente un detalle de implementación. Si los consumidores muestran o comparan la secuencia, prueba explícitamente el orden requerido antes de aceptar una refactorización que cambie cómo se acumulan los resultados.
Elige entradas pequeñas cuyos resultados esperados puedas enumerar de forma independiente y compara la salida completa. Revisa también las condiciones de generación, porque eliminar duplicados puede ocultar trabajo repetido o una regla subyacente incorrecta.
Distingue las entradas válidas sin resultados de las que quedan fuera del contrato admitido. Indica al asistente cuáles deben rechazarse y prueba la respuesta del código consumidor para que los parámetros no válidos no parezcan silenciosamente un cálculo vacío satisfactorio.
Ofrece una tarea de desarrollo concreta, no un catálogo de herramientas integradas. Aporta tu proyecto y tus requisitos, examina la propuesta y utiliza comprobaciones adecuadas para el componente y el entorno donde se ejecutará.
TripleMistral · Actualizado 2026-10-25