Revisa antes de aplicar
Compara el comportamiento real con el resultado esperado. Si una prueba falla, investiga la causa antes de hacer más cambios.
Espacio de programación con IA
Relaciones de amplitud en decibelios
Calcula una relación de amplitud en decibelios con logaritmos separados en vez de dividir las entradas.
● ● ●DecibelSpruce●
Flujos de trabajo · Relaciones de amplitud en decibelios ×
from math import log10
def amplitude_db(amplitude, reference):
if any(type(v) not in (int, float) or not 1e-300 <= v <= 1e300
for v in (amplitude, reference)):
raise ValueError("amplitude.range")
return 20 * (log10(amplitude) - log10(reference))✳Calcula una relación de amplitud en decibelios con logaritmos separados en vez de dividir las entradas.
✓ CambiosRevisa antes de aplicar ↗
Vista ilustrativa
Modelos
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.
Proyecto
Comprueba amplitudes iguales y extremos opuestos de 1e-300 a 1e300, rechazando cero, negativos y valores no finitos antes del cálculo.
Flujos de trabajo
from math import log10
def amplitude_db(amplitude, reference):
if any(type(v) not in (int, float) or not 1e-300 <= v <= 1e300
for v in (amplitude, reference)):
raise ValueError("amplitude.range")
return 20 * (log10(amplitude) - log10(reference))Rastrea un nivel mostrado hasta su contrato numérico
DecibelSpruce es un entorno de programación con IA para Windows destinado a desarrolladores que revisan cómo los valores numéricos llegan a un resultado de la aplicación. Abre el proyecto e identifica el cálculo, sus entradas y la etiqueta mostrada al usuario. Una conversación que incluya esos límites puede detectar una discrepancia de unidades antes de que se convierta en un cambio en una aritmética que por lo demás es coherente.
Como ejemplo de solicitud, aporta amplitude.py y pide al modelo que revise un cálculo relativo a una amplitud de referencia. Proporciona las unidades y el intervalo positivo aceptado y examina después qué ocurre cuando el código llamador aporta cero o un valor no admitido. Mantén la conversación conectada con la visualización o exportación que utiliza ese resultado, incluido el significado de su etiqueta.
Tras examinar el cambio propuesto, compara proporciones conocidas y casos de amplitudes iguales en tu propio entorno de pruebas. Incluye entradas extremas aceptadas para comprobar el contrato numérico declarado. Si cambias la referencia que utiliza la aplicación, revísalo como un cambio de comportamiento visible para los consumidores en lugar de ocultarlo dentro de una limpieza de la función auxiliar.
Un endpoint compatible con OpenAI o de Anthropic admitido proporciona el modelo, con credenciales cuando sean necesarias. Puedes seleccionar un modelo de IA ablacionado cuando esté disponible, aunque siguen aplicándose las restricciones del proveedor. El modelo y servidor elegidos determinan las herramientas y la capacidad de contexto; ni la etiqueta ni una explicación segura sustituyen las evidencias numéricas de tu proyecto.
Revisar los cálculos de nivel en su contexto
¿Qué información debe acompañar a un nivel mostrado sospechoso?
Incluye ambos valores de entrada, sus unidades, la definición de referencia y el resultado mostrado que esperabas. Muestra el código llamador pertinente además de la función auxiliar. Esto ayuda a distinguir un defecto de cálculo de una escala de entrada incorrecta o una etiqueta de interfaz que describe otra cosa.
¿Puede una amplitud cero usar el mismo contrato que las entradas positivas?
Eso requiere una política explícita. La función auxiliar mostrada solo acepta un intervalo positivo acotado, por lo que rechaza el cero. Si tu aplicación necesita una representación especial para el silencio, especifica cómo llega a la interfaz y prueba esa ruta por separado de los resultados numéricos ordinarios.
¿Cambiar la referencia altera las comparaciones almacenadas?
Puede cambiar el significado de los valores comunicados. Examina los consumidores, los resultados persistidos y las exportaciones que asumen la referencia anterior antes de aceptar el cambio. Pide al modelo que identifique esas dependencias a partir del código proporcionado en vez de tratar el cambio como cosmético.
¿Cómo debe evaluarse una prueba de entradas extremas?
Utiliza un comportamiento esperado derivado de forma independiente del intervalo declarado y la convención numérica. Comprueba los extremos aceptados y los valores fuera del límite y examina después el tratamiento de errores del código llamador. Un resultado que simplemente parezca finito no demuestra que la aplicación utilizara las magnitudes correctas.
DecibelSpruce · Actualizado 2026-10-25