Memorizza chiavi di massimo 1024 byte in un filtro Bloom da uno a 8192 bit.
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))Un controllo preliminare veloce può diventare un errore quando il chiamante tratta la risposta come definitiva. BloomFjord è un ambiente di programmazione con IA per Windows per esaminare questo confine con un modello connesso. Porta struttura dati e codice che la usa nella conversazione sul progetto, poi indica quali prove servano all'applicazione prima di agire.
Per un'attività concreta, chiedi all'assistente di esaminare un filtro di appartenenza Bloom usato prima di una ricerca nella fonte autorevole. Descrivi cosa deve fare il chiamante dopo una possibile corrispondenza e dopo un'assenza certa. Richiedi una proposta che preservi la distinzione nei nomi, nei rami e nei test, senza affidarsi a un commento accanto a un booleano ambiguo.
Esamina l'integrazione con casi controllati. Includi chiavi inserite e chiavi assenti e verifica che una possibile corrispondenza segua ancora il percorso di conferma richiesto. Esamina convalida e ipotesi di configurazione prima di accettare modifiche alla larghezza o all'hashing. Esegui i test del progetto per stabilire il comportamento necessario invece di trattare il filtro come garanzia di appartenenza esatta.
BloomFjord supporta connessioni a endpoint compatibili con OpenAI o Anthropic. Un modello IA abliterato è un'opzione selezionabile dove il fornitore lo offre, con contesto, strumenti supportati e restrizioni determinati dalla configurazione. L'ambiente permette di discutere ed esaminare la proposta mentre il contratto applicativo guida la decisione finale.
Segui il percorso di conferma della fonte autorevole dell’applicazione quando conta l’appartenenza esatta. Chiedi all’assistente di mostrare quel ramo nel chiamante. Un risultato probabilistico non deve diventare tacitamente il permesso di saltare la verifica o considerare confermato un record.
No. Verifica quel caso, non ogni chiave possibile. Usa i test per verificare l’integrazione e preservare l’incertezza documentata. Evita di cambiare nome dell’API o logica del chiamante in modi che suggeriscano che il filtro fornisca appartenenza esatta.
Inserimenti e ricerche devono rappresentare coerentemente la stessa chiave logica. Includi il codice che converte i valori applicativi in byte ed esamina differenze di normalizzazione o serializzazione prima di modificare l’implementazione dell’appartenenza stessa.
Tieni separate le modifiche di configurazione, salvo siano necessarie al problema segnalato. Possono alterare comportamento e uso delle risorse del filtro. Richiedi una spiegazione e controlli appropriati invece di accettare una nuova larghezza come miglioramento accessorio.
BloomFjord · Aggiornato 2026-10-25