chislib 0.3.5

Решения задач по ml: код и краткая теория с копированием в буфер обмена

chislib

Библиотека-справочник по численным методам: каждой задаче курса соответствует функция, вызов которой копирует готовое решение (код на Python или краткий теоретический ответ) в буфер обмена. Работает полностью офлайн, внешних зависимостей нет (numpy нужен только коду, который вставляется из буфера).

Установка

pip install chislib

Использование

import chislib

chislib.bisection()          # код метода бисекции скопирован в буфер обмена
chislib.theory.kahan_summation()  # ответ на теоретический вопрос — в буфер

chislib.find("ньютон")       # поиск: печатает функции, подходящие под запрос
chislib.contents()           # оглавление всех задач и теории
chislib.show("rk4")          # напечатать решение, не копируя
code = chislib.get("rk4")    # получить текст решения строкой
chislib.rk4(copy=False)      # вернуть текст без копирования в буфер

Из командной строки:

chislib find ньютон          # поиск по части названия
chislib copy bisection       # скопировать решение в буфер
chislib show theory.gershgorin
chislib list                 # оглавление
chislib ai "корень x^2 - 2 = 0 бисекцией"   # сгенерировать моделью

Поиск

find() ищет по названию, ключевым словам и имени функции: запрос нормализуется (регистр, ё/е, пунктуация), затем каждой задаче выставляется балл — за вхождение запроса целиком, за префиксные совпадения слов и за нечёткие совпадения через difflib (опечатки вроде «лагранш» тоже находятся). Ключевые слова включают и русские, и английские названия методов, поэтому работает и find("runge kutta"), и find("рунге").

ИИ-вариант: chislib.ai

Если задачи нет в справочнике, решение может сгенерировать модель — локальная (работает без интернета) или через API. Зависимостей по-прежнему ноль: все бэкенды доступны по OpenAI-совместимому HTTP, общение идёт через stdlib.

from chislib import ai

ai.solve("Найти корень x^2 - ln x - 1 = 0 методом секущих, eps=1e-4")
# → проверенный код в буфере обмена; вывод пустой, как у остальной библиотеки
# из коробки: Mistral, mistral-small-latest (ключ зашит, работает без VPN);
# при сбое — автоматический повтор через OpenRouter (ему нужен VPN)

# ai.configure("ollama", model="qwen2.5-coder:14b")  # локальная модель
# ai.configure("openrouter", model="qwen/qwen3-coder:free")  # другая модель
# ai.configure("github" / "anthropic" / "deepseek", api_key="...")
# ai.configure(base_url="http://gpu-box:8000/v1", model="...")  # свой сервер

ai.solve("...", copy=False)        # вернуть текст, не копируя
ai.solve_image("ticket.jpg")       # фото билета (нужна vision-модель)
ai.ask("Чем метод секущих лучше Ньютона?")  # теорвопрос → краткий ответ

Качество обеспечивают три механизма: системный промпт с правилами экзамена (белый список numpy, комментарии, строка «Ответ:»); похожие готовые решения из справочника подкладываются модели как эталон; сгенерированный код проверяется (белый список + пробный запуск) и при ошибке модель получает один шанс исправиться.

Если активная модель недоступна (перегрузка, лимит, нет соединения), библиотека автоматически идёт по цепочке запасных: Mistral → GitHub Models (gpt-4.1-mini) → OpenRouter. Сообщение о переключении печатается в stderr. Лимиты: Mistral — ~1 запрос/с; GitHub — ~150 запросов/день; OpenRouter free — ~50 запросов/день (и нужен VPN).

Локально (ПК с NVIDIA 16GB): установите Ollama, затем ollama pull qwen2.5-coder:14b (~9 ГБ, базовый выбор). Альтернативы: qwen3:14b (сильнее рассуждения), deepseek-r1-distill-qwen:14b (математика, но медленно), qwen2.5-vl:7b (vision). Решение генерируется за 20–60 с.

Через API: бесплатно — Mistral, GitHub Models и OpenRouter (ключи зашиты; OpenRouter требует VPN), Groq (свой ключ); дёшево — DeepSeek; в рублях — VseGPT; максимум качества и vision — Claude/OpenAI. Gemini поддерживается пресетом, но его API блокирует запросы из ряда регионов. Свой ключ можно задать через api_key=, переменную CHISLIB_AI_API_KEY или сохранить: save=True. Для фото билета (solve_image) используйте ai.configure("github") — gpt-4.1-mini понимает изображения.

ai.check() (или chislib ai check) показывает, какие бэкенды отвечают из текущей сети: для бэкендов с ключом выполняется настоящая мини-генерация, так что видно и случаи «запрос уходит, ответ блокируется по дороге». Запускайте при том состоянии сети (VPN вкл/выкл), в котором будете работать.

Настройки читаются в порядке: configure(...) → переменные CHISLIB_AI_* → ~/.config/chislib/ai.json → Ollama по умолчанию.

Ограничения экзамена

Решения написаны под экзаменационный белый список numpy: используются только array, zeros, zeros_like, linspace, eye, shape, random, poly, roots, transpose, sqrt, log, exp, sin, cos, arctan, tan, mean (плюс арифметические операторы и matplotlib). Никакого np.linalg, np.fft и т.п. — СЛАУ, QR и преобразования Фурье реализованы вручную. Соблюдение белого списка проверяется тестом. Код снабжён комментариями, как требуют правила экзамена.

Состав

• Плавающая точка: суммирование по Кахану (накопление ошибки).
• Нелинейные уравнения: бисекция, простая итерация, релаксация с параметром ускорения, секущие, Ньютон, модифицированный Ньютон, дихотомия (минимизация).
• Системы: итерации для нелинейных систем, Гаусс–Зейдель (СЛАУ и нелинейный), Ньютон 2D, Ньютон с фиксированным якобианом.
• Интерполяция: линейная, Лагранж (с графиком), кубический сплайн (метод прогонки).
• Матрицы: наивное умножение (и вариант с подсчётом числа операций), Штрассен, график времени Штрассена, QR-разложение (Хаусхолдер).
• Собственные значения: характеристический многочлен (poly/roots), степенной метод, обратные итерации со сдвигом, метод вращений Якоби (значения и векторы), QR-алгоритм, Шур.
• Численное дифференцирование: прямая/обратная/центральная разности, вторая производная.
• ОДУ: Эйлер, предиктор-корректор, РК4 (скаляр и система с фазовым портретом), Адамс-Башфорт, Адамс-Мултон (сравнение с Эйлером).
• Фурье: ДПФ/ОДПФ со спектром, БПФ (Кули-Тьюки) с шумом.
• Теория (chislib.theory.*): ~60 кратких ответов — плавающая точка, погрешности, сходимость, интерполяция, линейная алгебра, ОДУ, сигналы.

Примеры в задачах используют данные реальных билетов (равновесная цена, PageRank-матрица 5×5, высота дрона, рост бактерий, осцилляторы и др.).

Примечание: dichotomy реализует поиск минимума унимодальной функции; если в вашем курсе «метод дихотомии» — синоним бисекции для поиска корня, используйте bisection.

Разработка

python -m venv .venv && .venv/bin/pip install numpy
PYTHONPATH=src .venv/bin/python -m unittest tests.test_chislib

Тесты исполняют каждый сниппет решения целиком и проверяют поиск.

Публикация на PyPI

pip install build twine
python -m build                  # создаст dist/*.tar.gz и dist/*.whl
twine upload dist/*              # нужен аккаунт на pypi.org и API-токен

Перед публикацией: поднимите version в pyproject.toml; проверить пакет без публикации можно через TestPyPI: twine upload -r testpypi dist/*.