Multiplica matrices rectangulares enteras de hasta 64 filas y columnas cada una.
def matrix_product(left, right):
left, right = [tuple(r) for r in left], [tuple(r) for r in right]
widths = []
for matrix in (left, right):
width = len(matrix[0]) if matrix else 0
if len(matrix) > 64 or width > 64 or any(len(r) != width for r in matrix):
raise ValueError("matrix.shape")
if any(type(v) is not int for r in matrix for v in r):
raise ValueError("cell.integer")
widths.append(width)
if widths[0] != len(right):
raise ValueError("matrix.incompatible")
return [[sum(row[k] * right[k][j] for k in range(widths[0]))
for j in range(widths[1])] for row in left]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.
Prueba entradas vacías y de una celda, rechazando filas irregulares, dimensiones incompatibles y celdas booleanas sin modificar las matrices.
def matrix_product(left, right):
left, right = [tuple(r) for r in left], [tuple(r) for r in right]
widths = []
for matrix in (left, right):
width = len(matrix[0]) if matrix else 0
if len(matrix) > 64 or width > 64 or any(len(r) != width for r in matrix):
raise ValueError("matrix.shape")
if any(type(v) is not int for r in matrix for v in r):
raise ValueError("cell.integer")
widths.append(width)
if widths[0] != len(right):
raise ValueError("matrix.incompatible")
return [[sum(row[k] * right[k][j] for k in range(widths[0]))
for j in range(widths[1])] for row in left]MatrixCairn ofrece un entorno de programación con IA para Windows destinado a trabajar en código que acepta datos numéricos estructurados. Aporta los archivos pertinentes del proyecto y describe las dimensiones permitidas, los tipos de valores y el resultado que espera el código llamador. Pide al modelo que examine juntas la validación y la computación. Así resulta más fácil revisar si un cambio propuesto conserva la estructura que necesita tu aplicación, incluso cuando los cálculos individuales parecen razonables.
Para una tarea relacionada con matrix.py, puedes examinar cómo se rechazan dimensiones incompatibles o filas desiguales antes de multiplicar matrices. Pide al asistente que explique las suposiciones actuales y proponga una corrección de alcance limitado si es necesaria. Usa ejemplos explícitos de entrada y salida, incluidas las estructuras vacías que permita tu proyecto. El objetivo es mejorar tu implementación con evidencias revisables, no inferir corrección matemática de una función ordenada.
Ejecuta las comprobaciones del proyecto después de examinar los cambios y confirma cómo llega una entrada no válida al consumidor. Incluye los tamaños límite que realmente admites en lugar de depender solo de un pequeño ejemplo correcto. Puede conectarse un modelo sin filtros mediante un endpoint compatible con OpenAI o de Anthropic admitido cuando se ofrezca, con credenciales cuando sean necesarias. En MatrixCairn, las herramientas, la capacidad de contexto y las restricciones del modelo dependen de ese servicio configurado; el entorno de software apoya la conversación mientras tú verificas el cálculo.
Define si la aplicación la rechaza o la transforma antes del cálculo. No dejes que una regla incidental de iteración lo decida. Pide al asistente que examine dónde corresponde esa política y verifica el error que observa el código llamador.
Comprueba también las dimensiones de salida y la correspondencia entre filas y columnas. Unos pocos valores correctos no establecen que el resultado tenga las dimensiones esperadas por el código posterior, especialmente tras cambios en el tratamiento de entradas vacías.
Indica los límites admitidos y examina dónde se aplican. Prueba los tamaños límite aceptados y un caso que los supere. Los límites de un ejemplo no son una garantía de rendimiento para tu aplicación ni permiso para omitir comprobaciones en tiempo de ejecución.
Decide si ese tipo forma parte del contrato y examina explícitamente su conversión o rechazo. Un cambio permisivo puede afectar después a la aritmética y serialización, por lo que debes revisar la ruta completa en lugar de ampliar los valores aceptados sin motivo.
MatrixCairn · Actualizado 2026-10-25