Συλλογιστική για Κώδικα και Αποσφαλμάτωση
Σε αυτήν τη σελίδα
Μάθημα ενημερώθηκε στις 2 Νοεμβρίου 2026. Τα αρχικά παραδείγματα χρησιμοποιούσαν το Magistral, το οποίο αποσύρθηκε στις 31 Ιουλίου 2026. Τώρα καλούν το Mistral Small 4 (
mistral-small-2603) ή το Mistral Large 4 (mistral-large-4-0) μεreasoning_effort="high"και αναλύουν την απάντηση χρησιμοποιώντας τη συνάρτησηseparerαπό το Μάθημα 3. Πηγή: Reasoning (Mistral documentation).
Αποσφαλμάτωση: Ένα Πρόβλημα Συλλογιστικής
Γιατί η αποσφαλμάτωση ωφελείται περισσότερο από τη συλλογιστική από ό,τι η παραγωγή κώδικα; Επειδή η παραγωγή κώδικα είναι μια άσκηση ανάκτησης—το μοντέλο έχει δει εκατομμύρια συναρτήσεις ταξινόμησης—ενώ η αποσφαλμάτωση είναι μια άσκηση αντιπαράθεσης. Πρέπει να κρατήσετε στο μυαλό σας ταυτόχρονα δύο πράγματα: τι θα έπρεπε να κάνει ο κώδικας και τι κάνει πραγματικά, και στη συνέχεια να εντοπίσετε το κενό. Αυτό είναι ακριβώς το είδος της εργασίας όπου η σκέψη πριν την απάντηση αλλάζει το αποτέλεσμα.
Η εύρεση ενός σφάλματος είναι θεμελιωδώς μια άσκηση συλλογιστικής. Πρέπει να κατανοήσετε την πρόθεση, να ιχνηλατήσετε την εκτέλεση, να εντοπίσετε την απόκλιση μεταξύ της αναμενόμενης και της πραγματικής συμπεριφοράς και να διατυπώσετε μια διόρθωση. Εδώ ακριβώς κάνει τη διαφορά η συλλογιστική.
Κλασική Αποσφαλμάτωση
Παρατηρήστε τη μορφή του αιτήματος σε αυτό το παράδειγμα. Δεν λέμε «διόρθωσε αυτόν τον κώδικα». Αντίθετα, περιγράφουμε το σύμπτωμα—τι επρόκειτο να συμβεί σε αντίθεση με το τι συμβαίνει. Αυτή είναι η ίδια πειθαρχία που χρησιμοποιείτε με έναν ανθρώπινο συνάδελφο: μια διάγνωση που ξεκινά από το σύμπτωμα βρίσκει την αιτία, ενώ ένα απλό «διόρθωσέ το» χωρίς πλαίσιο συχνά παράγει μια επανεγγραφή που καλύπτει το σφάλμα αντί να το λύνει.
from mistralai.client import Mistral
client = Mistral(api_key="YOUR_API_KEY")
buggy_code = """
def merge_sorted_lists(list1, list2):
result = []
i = j = 0
while i < len(list1) and j < len(list2):
if list1[i] <= list2[j]:
result.append(list1[i])
i += 1
else:
result.append(list2[j])
j += 1
return result
# Test: merge_sorted_lists([1, 3, 5], [2, 4, 6])
# Expected result: [1, 2, 3, 4, 5, 6]
# Actual result: [1, 2, 3, 4, 5]
"""
response = client.chat.complete(
model="mistral-small-2603",
reasoning_effort="high",
messages=[
{"role": "system", "content": """Python debugging expert.
Method:
1. Trace execution mentally
2. Identify where behavior diverges
3. Explain the root cause
4. Propose a fix with a test"""},
{"role": "user", "content": f"This code has a bug. Diagnose and fix it:\n\n{buggy_code}"}
],
)
Το μοντέλο θα εντοπίσει ότι η συνάρτηση αποτυγχάνει να διαχειριστεί τα υπόλοιπα στοιχεία μετά τον βρόχο while (λείπει η προσθήκη των ουρών list1[i:] και list2[j:]).
Ανάλυση Πολύπλοκου Κώδικα
Η κατανόηση παλαιού κώδικα (legacy code) είναι η δεύτερη κύρια περίπτωση χρήσης και έχει μια ενδιαφέρουσα ιδιότητα: το ίχνος συλλογιστικής είναι εξίσου πολύτιμο με την απάντηση. Διαβάζοντας πώς το μοντέλο ανασυγκρότησε τη λογική—ποιες υποθέσεις διατύπωσε, ποιους ελέγχους πραγματοποίησε—αποκτάτε έναν χάρτη ανάγνωσης του κώδικα που μια απλή τελική εξήγηση δεν μπορεί να προσφέρει.
complex_code = """
def process(data):
cache = {}
def helper(n, memo=cache):
if n in memo:
return memo[n]
if n < 2:
memo[n] = n
return n
result = helper(n-1) + helper(n-2)
memo[n] = result
return result
return [helper(x) for x in data if isinstance(x, int) and x >= 0]
"""
response = client.chat.complete(
model="mistral-small-2603",
reasoning_effort="high",
messages=[
{"role": "user", "content": f"""Analyze this code in depth:
1. What exactly does it do?
2. Are there any potential issues?
3. How can it be improved?
{complex_code}"""}
]
)
Αποσφαλμάτωση Συγκεκριμένων Σφαλμάτων
Σφάλματα Τύπου
type_error = """
TypeError: unsupported operand type(s) for +: 'NoneType' and 'int'
Code:
def calculate_total(items):
total = None
for item in items:
price = item.get('price')
total = total + price
return total
"""
response = client.chat.complete(
model="mistral-small-2603",
reasoning_effort="high",
messages=[
{"role": "user", "content": f"Explain this error and fix the code:\n\n{type_error}"}
]
)
Θέματα Απόδοσης
slow_code = """
def find_duplicates(lst):
duplicates = []
for i in range(len(lst)):
for j in range(i + 1, len(lst)):
if lst[i] == lst[j] and lst[i] not in duplicates:
duplicates.append(lst[i])
return duplicates
# This code is very slow on large lists (100,000+ elements)
"""
response = client.chat.complete(
model="mistral-small-2603",
reasoning_effort="high",
messages=[
{"role": "system", "content": "Analyze the algorithmic complexity and propose an optimized version."},
{"role": "user", "content": f"Optimize this code:\n\n{slow_code}"}
]
)
Αρχιτεκτονική και Αναδιάρθρωση
Η συλλογιστική εφαρμόζεται επίσης σε αρχιτεκτονικές επιλογές:
architecture = """My Flask application has this structure:
app.py (2000 lines):
- API routes (20 endpoints)
- Business logic
- Database access
- Data validation
- Error handling
How should I restructure this application?"""
response = client.chat.complete(
model="mistral-small-2603",
reasoning_effort="high",
messages=[
{"role": "system", "content": """Senior software architect.
Reason through SOLID principles, separation of concerns,
and long-term maintainability."""},
{"role": "user", "content": architecture}
],
)
Πρότυπο: Βοηθός Ανασκόπησης Κώδικα
Συνδυάστε τη συλλογιστική με συστηματική ανάλυση:
def code_review(client, code, language="python"):
"""Performs an in-depth code review with reasoning."""
review_prompt = f"""Perform a detailed code review of this {language} code.
Systematically analyze:
1. **Correctness**: Does the code do what it is supposed to do?
2. **Edge cases**: Are edge cases handled (None, empty, negative)?
3. **Performance**: What is the complexity? Is it optimal?
4. **Readability**: Is the code clear and well-named?
5. **Security**: Are there vulnerabilities (injection, XSS, etc.)?
For each issue found, indicate:
- The line number
- The severity (critical / major / minor)
- The recommended fix
Code to review:
```{language}
{code}
```"""
response = client.chat.complete(
model="mistral-small-2603",
reasoning_effort="high",
messages=[{"role": "user", "content": review_prompt}]
)
return separer(response.choices[0].message.content)[1] # the answer, without the reasoning
Small 4 ή Large 4 για Κώδικα;
Για την αποσφαλμάτωση και την ανάλυση κώδικα, η επιλογή μεταξύ των δύο προσεγγίσεων εξαρτάται από το βάθος του προβλήματος. Ένα απλό σφάλμα—συντακτικό λάθος, ρητή εξαίρεση, προφανής βελτιστοποίηση—διαχειρίζεται πολύ καλά από το Mistral Small 4 (mistral-small-2603) με reasoning_effort="high" με μέτριο κόστος tokens. Κρατήστε το Mistral Large 4 (mistral-large-4-0, σε Δημόσια Προεπισκόπηση) για περιπτώσεις όπου η αιτία δεν είναι ορατή στον ίδιο τον κώδικα: αρχιτεκτονικές αναλύσεις, λεπτομερή σφάλματα όπως συνθήκες ανταγωνισμού (race conditions) ή διαρροές μνήμης που εμφανίζονται μόνο στην παραγωγή, και πολύπλοκες αναθεωρήσεις κώδικα όπου πρέπει να εξισορροπήσετε την ορθότητα, την απόδοση και την ασφάλεια.
# Simple bug: Small is sufficient
simple_bug = "why does 'hello'.split('')[0] raise an error?"
response = client.chat.complete(
model="mistral-small-2603",
messages=[{"role": "user", "content": simple_bug}],
reasoning_effort="high"
)
# Complex bug: Large 4, evaluate on your own cases
complex_bug = "My Django application has a memory leak in production that does not appear in dev..."
response = client.chat.complete(
model="mistral-large-4-0",
reasoning_effort="high",
messages=[{"role": "user", "content": complex_bug}]
)
Βασικά σημεία
- Η αποσφαλμάτωση είναι μια ιδανική άσκηση συλλογιστικής για
reasoning_effort="high" - Καθοδηγήστε το μοντέλο με ένα prompt συστήματος που δομεί τη διαγνωστική μέθοδο
- Η συλλογιστική διαπρέπει σε λεπτομερή σφάλματα, αναλύσεις απόδοσης και αρχιτεκτονική
- Το Small 4 σε λειτουργία
highαρκεί για κοινά σφάλματα· αξιολογήστε το Large 4 σε λεπτομερή σφάλματα και αρχιτεκτονική - Συνδυάστε τη συλλογιστική με συστηματική αναθεώρηση κώδικα για να μεγιστοποιήσετε την ποιότητα
- Ζητάτε πάντα μια δοκιμή επαλήθευσης μαζί με την προτεινόμενη διόρθωση