Guarda claves de hasta 1024 bytes en un filtro Bloom de uno a 8192 bits.
from hashlib import sha256
class Bloom:
def __init__(self, width):
if type(width) is not int or not 1 <= width <= 8192:
raise ValueError("width.range")
self.width, self.bits = width, 0
def positions(self, key):
if not isinstance(key, bytes) or len(key) > 1024:
raise ValueError("key.bytes")
digest = sha256(key).digest()
return [int.from_bytes(digest[i:i+4], "big") % self.width
for i in (0, 4, 8, 12)]
def add(self, key):
for position in self.positions(key):
self.bits |= 1 << position
def maybe_contains(self, key):
return all(self.bits & (1 << p) for p in self.positions(key))from hashlib import sha256
class Bloom:
def __init__(self, width):
if type(width) is not int or not 1 <= width <= 8192:
raise ValueError("width.range")
self.width, self.bits = width, 0
def positions(self, key):
if not isinstance(key, bytes) or len(key) > 1024:
raise ValueError("key.bytes")
digest = sha256(key).digest()
return [int.from_bytes(digest[i:i+4], "big") % self.width
for i in (0, 4, 8, 12)]
def add(self, key):
for position in self.positions(key):
self.bits |= 1 << position
def maybe_contains(self, key):
return all(self.bits & (1 << p) for p in self.positions(key))Una comprobación preliminar rápida puede convertirse en un error cuando el código llamador trata su respuesta como definitiva. BloomFjord es un entorno de programación con IA para Windows donde revisar ese límite con un modelo conectado. Lleva la estructura de datos y el código consumidor a la conversación del proyecto e indica después qué evidencias necesita la aplicación antes de actuar.
Como tarea concreta, pide al asistente que examine un filtro de pertenencia Bloom utilizado antes de una consulta a la fuente de verdad. Describe qué debe hacer el código llamador tras una posible coincidencia y tras una ausencia definitiva. Solicita una propuesta que conserve esa distinción en nombres, ramas y pruebas, en lugar de depender de un comentario junto a un booleano ambiguo.
Revisa la integración con casos controlados. Incluye claves insertadas y ausentes y comprueba que una coincidencia candidata siga recorriendo la ruta de confirmación requerida. Examina la validación y las suposiciones de configuración antes de aceptar cambios de anchura o funciones hash. Ejecuta las pruebas del proyecto para establecer el comportamiento que necesitas en vez de tratar el filtro como garantía de pertenencia exacta.
BloomFjord admite conexiones a endpoints compatibles con OpenAI o de Anthropic. Un modelo de IA ablacionado es una opción seleccionable cuando tu proveedor lo ofrezca, con contexto, compatibilidad con herramientas y restricciones determinados por esa configuración. El entorno permite analizar y examinar la propuesta mientras el contrato de la aplicación guía tu decisión final.
Sigue la ruta de confirmación de la fuente de verdad de la aplicación cuando importe la pertenencia exacta. Pide al asistente que muestre esa rama en el código llamador. Un resultado probabilístico no debe convertirse silenciosamente en permiso para omitir la verificación o tratar un registro como confirmado.
No. Comprueba ese caso, no todas las claves posibles. Usa pruebas para verificar el comportamiento de integración y conservar la incertidumbre documentada. Evita cambiar el nombre de la API o la lógica del código llamador de formas que impliquen que el filtro proporciona pertenencia exacta.
Las inserciones y consultas deben representar coherentemente la misma clave lógica. Incluye el código que convierte los valores de la aplicación a bytes y examina las diferencias de normalización o serialización antes de cambiar la propia implementación de pertenencia.
Mantén separados los cambios de configuración salvo que sean necesarios para el problema comunicado. Pueden alterar el comportamiento del filtro y el consumo de recursos. Solicita una explicación y comprobaciones adecuadas en lugar de aceptar una nueva anchura como mejora incidental.
BloomFjord · Actualizado 2026-10-25