Agda项目中嵌套隐藏`with`子句的模式匹配问题分析
2025-06-29 02:25:59作者:董宙帆
问题背景
在Agda类型检查器的开发过程中,发现了一个与嵌套with子句相关的模式匹配问题。这个问题特别出现在使用隐藏参数(hidden arguments)的情况下,会导致类型检查器错误地处理模式匹配参数。
问题重现
考虑以下Agda代码示例:
open import Agda.Builtin.Nat
data Vec (A : Set) : Nat → Set where
[] : Vec A 0
_∷_ : ∀ {n} → A → Vec A n → Vec A (suc n)
infixr 5 _∷_ _++_
_++_ : ∀ {A m n} → Vec A m → Vec A n → Vec A (m + n)
[] ++ ys = ys
(x ∷ xs) ++ ys = x ∷ xs ++ ys
T : ∀ {A n} → Vec A n → Set
T [] = Nat
T (x ∷ xs) = Vec Nat 0
foo : ∀ {A} m n (xs : Vec A m) (ys : Vec A n) → T (xs ++ ys)
foo m n xs ys with {m + n} | xs ++ ys
foo m n xs ys | [] = 0
foo m n xs ys | z ∷ zs with {m + n} | xs ++ ys
foo m n xs ys | z ∷ zs | v ∷ vs = []
这段代码会被Agda拒绝,并显示错误信息:"Too many arguments given in with-clause"。
技术分析
根本原因
问题的根源在于Agda类型检查器在处理嵌套with子句时,特别是当with子句包含隐藏参数时,对模式匹配参数的计算出现了错误。
具体来说,在类型检查器的实现中,当处理嵌套的with子句时,代码会计算父级子句的with表达式数量(包括隐藏的with表达式)。然后使用这个数量来分割当前with子句的模式参数。然而,由于这个数量包含了隐藏的with表达式,导致分割过早,从而错误地处理了模式匹配参数。
影响范围
这个问题主要影响以下场景:
- 使用嵌套的
with子句 - 其中至少一个
with子句包含隐藏参数(使用{}语法) - 模式匹配涉及多个参数
相关案例
另一个类似的案例展示了相同的问题:
open import Agda.Builtin.Equality
open import Agda.Builtin.Nat
postulate
com : ∀ n m → n + m ≡ m + n
thm : ∀ a b c → a + (b + c) ≡ (c + b) + a
thm a b c with {b + c} | com b c
... | refl with c + b
... | cb with com a cb
... | p rewrite p = refl
这个例子同样会触发"Too many arguments given in with-clause"错误,并展示了类型检查器在处理重写规则时的类似问题。
解决方案
修复这个问题的正确方法是:
- 在处理
with子句的模式匹配时,只计算显式的with表达式数量 - 确保隐藏的
with表达式不会影响模式参数的分割逻辑 - 在类型检查器中正确跟踪隐藏参数的位置信息
总结
这个bug揭示了Agda类型检查器在处理复杂模式匹配场景时的一个边界情况。它特别强调了在处理嵌套结构和隐藏参数组合时的潜在陷阱。对于Agda用户来说,了解这个限制可以帮助他们避免在编写涉及复杂模式匹配的代码时遇到类似问题。对于Agda开发者而言,这个案例提供了关于如何改进类型检查器处理模式匹配逻辑的重要见解。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
Spark-Prover-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
315
2.74 K
deepin linux kernel
C
24
7
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
639
246
仓颉编译器源码及 cjdb 调试工具。
C++
124
852
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
470
Ascend Extension for PyTorch
Python
155
178
暂无简介
Dart
606
136
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
240
85
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
364
3.02 K
React Native鸿蒙化仓库
JavaScript
238
310