Rozumowanie dla kodu i debugowania
Na tej stronie
Lekcja zaktualizowana 2 listopada 2026 r. Oryginalne przykłady wykorzystywały model Magistral, który został wycofany 31 lipca 2026 r. Obecnie używają one Mistral Small 4 (
mistral-small-2603) lub Mistral Large 4 (mistral-large-4-0) z parametremreasoning_effort="high", a odpowiedź jest parsowana za pomocą funkcjiseparerz Lekcji 3. Źródło: Reasoning (dokumentacja Mistral).
Debugowanie: problem wymagający rozumowania
Dlaczego debugowanie korzysta z rozumowania bardziej niż generowanie kodu? Ponieważ generowanie kodu to ćwiczenie z przywoływania wiedzy – model widział miliony funkcji sortujących – podczas gdy debugowanie to ćwiczenie z konfrontacji. Musisz jednocześnie utrzymać w umyśle dwie rzeczy: co kod powinien robić i co rzeczywiście robi, a następnie zlokalizować rozbieżność. To dokładnie ten rodzaj zadania, w którym przemyślenie odpowiedzi przed jej udzieleniem zmienia wynik.
Znalezienie błędu jest fundamentalnie ćwiczeniem z rozumowania. Musisz zrozumieć intencję, prześledzić wykonanie, zidentyfikować rozbieżność między oczekiwanym a rzeczywistym zachowaniem i sformułować naprawę. To właśnie tutaj rozumowanie robi różnicę.
Klasyczne debugowanie
Zwróć uwagę na formę żądania w tym przykładzie. Nie mówimy „napraw ten kod“. Zamiast tego opisujemy objaw – co miało się stać w kontraście do tego, co się dzieje. To ta sama dyscyplina, której używasz z ludzkim kolegą: diagnoza zaczynająca się od objawu znajduje przyczynę, podczas gdy gołe „napraw to“ bez kontekstu często prowadzi do przepisania kodu, które maskuje błąd, zamiast go rozwiązać.
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}"}
],
)
Model zidentyfikuje, że funkcja nie obsługuje pozostałych elementów po pętli while (brakuje dodania ogonów list1[i:] i list2[j:]).
Analiza złożonego kodu
Zrozumienie kodu legacy to drugi główny przypadek użycia i ma on ciekawą właściwość: ślad rozumowania jest tak samo cenny jak sama odpowiedź. Czytając, w jaki sposób model zrekonstruował logikę – jakie hipotezy sformułował, jakie sprawdzenia wykonał – otrzymujesz mapę do czytania kodu, której proste końcowe wyjaśnienie nie jest w stanie dostarczyć.
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}"""}
]
)
Debugowanie konkretnych błędów
Błędy typów
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}"}
]
)
Problemy z wydajnością
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}"}
]
)
Architektura i refaktoryzacja
Rozumowanie stosuje się również do wyborów architektonicznych:
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}
],
)
Wzorzec: Asystent przeglądu kodu
Połącz rozumowanie z systematyczną analizą:
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 czy Large 4 do kodu?
W przypadku debugowania i analizy kodu wybór między tymi dwoma podejściami zależy od głębi problemu. Prosty błąd – błąd składni, jawny wyjątek, oczywista optymalizacja – jest bardzo dobrze obsługiwany przez Mistral Small 4 (mistral-small-2603) z parametrem reasoning_effort="high" przy umiarkowanym koszcie tokenów. Zarezerwuj Mistral Large 4 (mistral-large-4-0, w wersji Public Preview) na przypadki, w których przyczyna nie jest widoczna w samym kodzie: analizy architektoniczne, subtelne błędy, takie jak warunki wyścigu czy wycieki pamięci pojawiające się tylko w produkcji, oraz złożone przeglądy kodu, w których musisz zrównoważyć poprawność, wydajność i bezpieczeństwo.
# 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}]
)
Kluczowe wnioski
- Debugowanie to idealne ćwiczenie z rozumowania dla parametru
reasoning_effort="high" - Prowadź model za pomocą monitu systemowego, który strukturyzuje metodę diagnostyczną
- Rozumowanie błyszczy przy subtelnych błędach, analizach wydajności i architekturze
- Small 4 w trybie
highwystarcza do typowych błędów; przetestuj Large 4 na subtelnych błędach i w architekturze - Połącz rozumowanie z systematycznym przeglądem kodu, aby zmaksymalizować jakość
- Zawsze żądaj testu weryfikacyjnego wraz z proponowaną naprawą