Hotdry.
归档
compiler-design

SFX 语言运行时精确十进制算术：一等上下文实现 0.1+0.2=0.3

SFX语言通过一等十进制算术上下文，提供范围限定精度与舍入控制，确保 0.1+0.2=0.3 的数学诚实性。详述 runtime 参数配置、监控阈值与回滚策略。

在传统编程语言中，浮点数运算常因二进制表示限制导致精度丢失，如 JavaScript 或 Python 中的 0.1 + 0.2 结果为 0.30000000000000004，而非精确的 0.3。这源于 IEEE 754 标准下十进制小数无法精确转为有限二进制小数，适用于科学计算却隐患重重于金融、会计等领域。

SFX（Situation Framework eXchange）语言以 “mathematical honesty” 为设计原则，默认 Number 类型采用任意精度十进制算术（基于 Rust BigDecimal），确保 0.1 + 0.2 = 0.3。其核心创新在于引入一等上下文（first-class contexts），作为可传递、嵌套的值对象，支持作用域限定精度、舍入模式与异常陷阱，实现精确控制而无需全局配置。

为什么需要一等上下文？

传统 decimal 库如 Python decimal 模块依赖全局 getcontext()，易导致线程不安全或配置污染。一等上下文将上下文提升为值类型：

  • 可传递：作为函数参数或返回值。
  • 作用域限定：with Context{...} 块内生效，退出自动恢复。
  • 嵌套：子上下文继承并覆盖父级。
  • 零开销抽象：Rust 编译时优化。

证据：在 SFX 示例中：

Result is 0.1 + 0.2  # 默认上下文：prec=28, half-even → 精确 0.3

相较 IEEE 754 f64 的 15 位有效精度，SFX Number 支持数百位任意精度，避免累积误差。

Runtime 实现要点

SFX runtime（Rust 树遍历解释器 + Cranelift JIT）中，DecimalContext 结构体封装：

  • 精度（prec）：有效数字位数，默认 28（匹配 Python）。
  • 舍入模式（rounding）：8 种选项，如 ROUND_HALF_EVEN（银行家舍入，避免偏置）。
  • 指数限（Emin/Emax）：防溢出，默认 -999999999 / 999999999。
  • 陷阱（traps）：如 Inexact、Overflow，触发异常而非静默舍入。
  • 信号标志（flags）：累积操作状态，便于审计。

内部表示：系数（BigInt）、指数（i64）、符号。运算使用 Karatsuba 乘法 + SRT 除法，确保 O (n log n) 性能。

JIT 优化：热路径（>100 调用）内联上下文检查，生成专用机器码，2-5x 加速。

可落地参数配置清单

金融场景推荐配置：

  1. 高精度模式（会计）：

    FinanceCtx is Context{prec=38, rounding=ROUND_HALF_UP, traps=[Inexact, Rounded]}
with FinanceCtx:
    Total is 0.1 * 1000000  # 精确 100000，无陷阱抛异常
    • prec=38：ISO 20022 标准。
    • ROUND_HALF_UP：商业向上舍入。

  2. 科学模式（模拟）：

    SciCtx is Context{prec=16, rounding=ROUND_HALF_EVEN, Emin=-308}
with SciCtx:
    PiApprox is 22 / 7  # 3.142857，偶数舍入

  3. 性能模式（fallback）：

    FastCtx is Context{prec=10, use_fast_number=true}  # 降级 f64

配置优先级：局部 with > 当前 Situation > 全局默认。

监控与阈值要点

生产部署需监控上下文滥用：

  • 精度阈值：prec > 50 告警（perf 降 10x），回滚至 28。
  • 陷阱率：Inexact > 1% 触发日志，检查输入数据。
  • JIT 命中：上下文变更 > 10% 热函数，强制重编译。
  • 内存峰值：BigDecimal 系数 > 1KB / 值，切换 FastNumber。

示例监控代码（SFX stdlib）：

When Ctx.Flags.Inexact changes:
    Log "Inexact op: prec=" + Ctx.Prec
    if Ctx.Prec > 40:
        Switch to FastCtx

回滚策略：

  1. 检测陷阱 → 增 prec +10，重试。
  2. perf 降 >20% → 采样切换 FastNumber。
  3. 异常率 >5% → 全局 ROUND_DOWN，通知运维。

实际案例：金融总计

Concept: Invoice
    Items: List{Amount, Qty, TaxRate}

    To ComputeTotal with Ctx:
        Total is 0 with Ctx
        For each Item in This.Items:
            Subtotal is Item.Amount * Item.Qty
            Tax is Subtotal * Item.TaxRate
            Total += Subtotal + Tax
        Return Total

Story:
    Inv is Create Invoice
    Inv.Items.Add {Amount=99.99, Qty=2, TaxRate=0.08}
    PreciseTotal is Inv.ComputeTotal with FinanceCtx  # 215.5856 精确
    Print PreciseTotal  # 无尾巴误差

性能：JIT 后，1M 发票 / 秒（prec=28）。

局限与权衡

  • 开销：BigDecimal 乘法～10x f64，但 JIT 缓解。
  • 内存：高 prec 系数膨胀，限 prec<100。
  • 兼容：JSON 序列化需指定 prec。

SFX 通过一等上下文平衡精确与实用，适用于 AI 时代需 “诚实数学” 的场景。

资料来源：

  • SFX GitHub Repo：BigDecimal 实现与示例。
  • Python decimal 文档：上下文规范参考，“decimal numbers can be represented exactly”。
查看归档