Multiplique matrizes inteiras retangulares com até 64 linhas e colunas cada.
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]Compare o comportamento real com o resultado esperado. Se uma verificação falhar, investigue a causa antes de fazer outras alterações.
Configure um endpoint compatível com OpenAI ou Anthropic com a URL base e uma chave API, quando necessária. Teste a conexão. O servidor local precisa estar em execução; ferramentas remotas podem transmitir dados separadamente.
Teste entradas vazias e de uma célula, rejeitando linhas irregulares, dimensões incompatíveis e células booleanas sem alterar as matrizes.
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 oferece um ambiente de programação com IA para Windows para trabalhar em código que aceita dados numéricos estruturados. Traga os arquivos relevantes do projeto e descreva as dimensões permitidas, os tipos de valores e o resultado esperado pelo código chamador. Peça ao modelo que examine validação e cálculo juntos. Isso facilita revisar se uma alteração proposta preserva a estrutura exigida pela aplicação, mesmo quando os cálculos individuais parecem razoáveis.
Em uma tarefa envolvendo matrix.py, você pode examinar como dimensões incompatíveis ou linhas de tamanhos diferentes são rejeitadas antes da multiplicação de matrizes. Peça ao assistente que explique as premissas atuais e proponha uma correção de escopo restrito, se necessária. Use exemplos explícitos de entrada e saída, incluindo as estruturas vazias permitidas pelo projeto. O objetivo é melhorar sua implementação com evidências revisáveis, e não deduzir correção matemática de uma função bem organizada.
Execute as verificações do projeto após examinar as alterações e confirme como uma entrada inválida chega ao consumidor. Inclua os tamanhos-limite que você realmente suporta em vez de confiar apenas em um pequeno exemplo bem-sucedido. Um modelo sem filtros pode ser conectado por um endpoint suportado compatível com OpenAI ou da Anthropic quando for oferecido, com credenciais quando exigidas. No MatrixCairn, ferramentas, capacidade de contexto e restrições do modelo dependem desse serviço configurado; o ambiente de software apoia a discussão enquanto você verifica o cálculo.
Defina se a aplicação a rejeita ou a transforma antes do cálculo. Não deixe uma regra incidental de iteração decidir. Peça ao assistente que examine onde essa política deve ficar e verifique o erro observado pelo código chamador.
Confira também as dimensões de saída e a correspondência entre linhas e colunas. Alguns valores corretos não estabelecem que o resultado tenha a estrutura esperada pelo código posterior, especialmente após mudanças no tratamento de entradas vazias.
Declare os limites suportados e examine onde são aplicados. Teste os tamanhos-limite aceitos e um caso que os exceda. Limites de um exemplo não são garantia de desempenho para a aplicação nem autorização para omitir verificações em tempo de execução.
Decida se esse tipo pertence ao contrato e examine explicitamente a conversão ou rejeição. Uma alteração permissiva pode afetar a aritmética e a serialização depois, portanto revise todo o fluxo em vez de ampliar os valores aceitos sem motivo.
MatrixCairn · Atualizado 2026-10-25
