Armazene chaves de até 1024 bytes num filtro Bloom de um 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))Uma verificação preliminar rápida pode se tornar um erro quando o código chamador trata sua resposta como definitiva. BloomFjord é um ambiente de programação com IA para Windows para revisar esse limite com um modelo conectado. Traga a estrutura de dados e o código consumidor para a conversa do projeto e declare quais evidências a aplicação exige antes de agir.
Como tarefa concreta, peça ao assistente que examine um filtro de Bloom de pertinência usado antes de uma consulta à fonte definitiva. Descreva o que o código chamador deve fazer após uma possível correspondência e após uma ausência definitiva. Solicite uma proposta que preserve essa distinção em nomes, ramificações e testes, em vez de depender de um comentário junto a um booleano ambíguo.
Revise a integração com casos de teste controlados. Inclua chaves inseridas e ausentes e confira se uma possível correspondência ainda segue o fluxo de confirmação exigido. Examine as premissas de validação e configuração antes de aceitar mudanças na largura ou no hashing. Execute os testes do projeto para estabelecer o comportamento necessário em vez de tratar o filtro como garantia de pertinência exata.
BloomFjord suporta conexões a endpoints compatíveis com OpenAI ou da Anthropic. Um modelo de IA abliterado é uma opção selecionável onde o provedor o oferecer, com contexto, suporte a ferramentas e restrições determinados por essa configuração. O ambiente permite discutir e examinar a proposta enquanto o contrato da aplicação orienta sua decisão final.
Siga o fluxo de confirmação da fonte definitiva da aplicação quando a pertinência exata for importante. Peça ao assistente que mostre essa ramificação no código chamador. Um resultado probabilístico não deve se tornar silenciosamente permissão para pular a verificação ou tratar um registro como confirmado.
Não. Ele verifica esse caso, não todas as chaves possíveis. Use testes para verificar a integração e preservar a incerteza documentada. Evite mudar o nome da API ou a lógica do chamador de formas que impliquem que o filtro oferece pertinência exata.
Inserções e consultas precisam representar a mesma chave lógica consistentemente. Inclua o código que converte valores da aplicação em bytes e examine diferenças de normalização ou serialização antes de alterar a própria implementação de pertinência.
Mantenha alterações de configuração separadas, a menos que sejam necessárias para o problema relatado. Elas podem alterar o comportamento do filtro e o uso de recursos. Solicite uma explicação e verificações adequadas em vez de aceitar uma nova largura como melhoria incidental.
BloomFjord · Atualizado 2026-10-25