پیدا کردن کد اضافه در Lean با هوش مصنوعی
در پروژه ریاضی دنبال تعریف یا فایل تکراری بگردید، ولی پیش از پیشنهاد حذف، بررسی کنید کجاها واقعا از اون استفاده میشه.
پیدا کردن کد اضافه در Lean با هوش مصنوعی برای پروژهای مفیده که چند مسیر رسمیسازی پیدا کرده و حالا معلوم نیست کدوم تعریف هنوز لازمه. اسکیل find-simplification به ایجنتتون کمک میکنه دنبال کار تکراری، مسیر بدون استفاده یا لایهای بگرده که فقط یک اسم رو به اسم دیگه وصل میکنه. هر مورد باید مدرکی درباره مصرفکنندههای واقعی داشته باشه. شبیه بودن دو گزاره به تنهایی دلیل کافی برای حذف یکی نیست.
مثلا یک نتیجه محلی شبیه لمی در Mathlib به نظر میرسه. قبل از اینکه ده فایل رو تغییر بدید، باید ببینید فرضها و نوع خروجی واقعا یکی هستن یا نه. شاید ارجاعی در طرح ریاضی پروژه یا یک تست وجود داشته باشه که با نگاه به یک پوشه دیده نمیشه. ایجنت میتونه تفاوت رو ثبت کنه، اثر حذف یا جایگزینی رو بسنجه و موردی رو که هزینه بررسیش از فایده تغییر بیشتره کنار بذاره.
کاربردها
- برای پیدا کردن تعریف تکراری، گزارههای هممعنی رو همراه فرضها و نوع خروجی مقایسه کنید.
- در بررسی وابستگی فایل، ارجاعهای کد، تست و سند مرتبط رو جدا از متن آرشیوی ببینید.
- برای مرور لمهای محلی، نام و رفتار گزینه مشابه در Mathlib رو قبل از پیشنهاد تعویض چک کنید.
- هنگام سبک کردن پروژه، تغییر کوچیکی انتخاب کنید که اثرش رو با ساخت مجدد بشه سنجید.
- موردهایی رو که قبلا حذف و برگردونده شدن در تاریخچه ببینید تا یک بررسی قدیمی رو بیدلیل تکرار نکنید.
نصب و استفاده
- یک ایجنت کدنویسی، پروژه مجاز Lean، تاریخچه Git و محیط ساخت محلی لازم دارید. ابزارهای بررسی اختیاری همراه اسکیل با Python کار میکنن.
- بگید «فعلا فقط سه نامزد سادهسازی پیدا کن. برای هر کدوم مدرک استفاده، گزینه جایگزین و دلیل نگه داشتن احتمالی رو بنویس».
- قبل از حذف واقعی، دامنه تغییر رو تایید کنید، ساخت پروژه و مصرفکنندههای شناختهشده رو بررسی کنید و مورد مبهم رو دستنخورده نگه دارید.
سوالات متداول
منبع
ساخته Texra (texra-ai). نام اصلی: find-simplification، منتشرشده در GitHub با مجوز MIT.
مشاهده در GitHub