مسافة تحرير ليفنشتاين
احسب مسافة ليفنشتاين بنقاط Unicode دون تطبيع النصوص.
def edit_distance(a, b):
if not isinstance(a, str) or not isinstance(b, str):
raise ValueError("text.required")
previous = list(range(len(b) + 1))
for i, left in enumerate(a, 1):
current = [i]
for j, right in enumerate(b, 1):
current.append(min(current[-1] + 1, previous[j] + 1,
previous[j - 1] + (left != right)))
previous = current
return previous[-1]راجع قبل التطبيق
قارن السلوك الفعلي بالنتيجة المتوقعة. إذا فشل فحص، تحقّق من السبب قبل إجراء تغييرات إضافية.
النماذج
اضبط نقطة اتصال متوافقة مع OpenAI أو Anthropic باستخدام العنوان الأساسي ومفتاح API عند الحاجة. اختبر الاتصال. يجب أن يعمل خادم النموذج المحلي؛ وقد ترسل الأدوات البعيدة البيانات بشكل منفصل.
المشروع
اختبر النص الفارغ واستبدال رمز تعبيري والأشكال المركبة أو المفككة دون ادعاء التكافؤ البصري.
def edit_distance(a, b):
if not isinstance(a, str) or not isinstance(b, str):
raise ValueError("text.required")
previous = list(range(len(b) + 1))
for i, left in enumerate(a, 1):
current = [i]
for j, right in enumerate(b, 1):
current.append(min(current[-1] + 1, previous[j] + 1,
previous[j - 1] + (left != right)))
previous = current
return previous[-1]حدد معنى المطابقة النصية قبل برمجتها
GlyphMetrum مساحة عمل برمجية على Windows لاستخدام نموذج ذكاء اصطناعي متصل في فحص تغييرات معالجة النصوص في مشروعك. ابدأ بوصف القرار الذي يحتاج التطبيق إلى اتخاذه: مقارنة مدخل أو اقتراح تسمية قريبة أو رفض قيمة لا تستوفي الشروط. اطلب من المساعد فحص الدالة المعنية ومستدعيها قبل اقتراح التغييرات، ليربط الحوار تفاصيل التنفيذ بالسلوك المرئي.
يمنح مثال distance.py هذه المناقشة نقطة بداية ملموسة عبر مقارنة تعديلات الأحرف. إنه سياق نموذجي للمشروع، وليس محرك بحث أو ميزة مطابقة مدمجة في GlyphMetrum. قد يحتاج تطبيقك إلى قراراته الخاصة بشأن حالة الأحرف والتطبيع ومقدار الاختلاف المقبول. راجع هذه القرارات منفصلة عن الآلية المستخدمة لحساب المسافة.
اختبر السلوك الناتج بأمثلة يمكنك شرح نتائجها المتوقعة، بما فيها النص الفارغ والسلاسل المتشابهة بصريًا والممثلة بصورة مختلفة. تحقق من كيفية تعامل المستدعي مع التعادل أو غياب مطابقة مقبولة. صِل نقطة نهاية مدعومة متوافقة مع OpenAI أو تابعة لـ Anthropic، مع إضافة بيانات الاعتماد عند الحاجة؛ ولا يمكن اختيار نموذج بلا قيود إلا حيث يتوفر. تظل قيود النموذج والأدوات المتاحة وحدود السياق مرتبطة بالخدمة المهيأة. تساعد مساحة العمل البرمجية على تنظيم العمل بينما تقرر مدى ملاءمة نتيجته للتطبيق.
قرارات مقارنة النصوص لمهمة برمجية
هل يحدد المثال سياسة مطابقة كاملة؟
لا. إنه يقدم آلية مقارنة للمناقشة. يجب أن يقرر تطبيقك التحويلات المسموح بها والنتيجة التي تُعد مطابقة، ثم يختبر هذه القرارات عبر المستدعي بدلًا من الاعتماد على المسافة وحدها.
هل ينبغي إضافة توحيد حالة الأحرف تلقائيًا؟
فقط حين يطابق السلوك المقصود. بعض المعرّفات حساسة لحالة الأحرف بينما قد لا تكون التسميات الظاهرة للمستخدم كذلك. قدّم للمساعد أمثلة ممثلة وراجع موضع أي تطبيع كي لا يؤثر في نص غير ذي صلة.
كيف أتحقق من الاقتراحات الملتبسة؟
أدرج حالات يتساوى فيها قرب عدة مرشحين وحدد كيف ينبغي أن يستجيب التطبيق. افحص منطق الاختيار إضافة إلى دالة المقارنة، لأن المسافة الصحيحة لا تختار سياسة مفيدة للتعادل.
هل GlyphMetrum خدمة بحث تقريبي جاهزة؟
لا يُدَّعى توفير هذه الخدمة. إنه مساحة برمجة يمكنك فيها مناقشة شيفرة معالجة النصوص في مشروعك ومراجعتها. تظل الفهرسة وسلوك التطبيق وأي بنية تحتية للبحث من مسؤوليات تنفيذك.
GlyphMetrum · آخر تحديث 2026-10-25