Cómo integrar IA con T-FLEX: adiós a los chatbots, hola a los agentes controlados

Los intentos de integrar grandes modelos de lenguaje en software de ingeniería como T-FLEX CAD suelen acabar igual: el proceso se cae, la licencia se queda colgada y el proyecto vuelve atrás. Ingenieros de Habr analizaron por qué ocurre y mostraron una forma práctica de solucionarlo.

Por qué los LLM alucinan en CAD

T-FLEX no es una aplicación web. Es un sistema cerrado que funciona mediante bibliotecas DLL y exige un control estricto de la sesión, nombres exactos de los métodos de la API y coincidencia de tipos de datos. Un solo error y el sistema se cae.

Por su naturaleza, los LLM dan respuestas probabilísticas. Un modelo puede generar código que parece verosímil: la sintaxis es correcta y la lógica parece razonable. Pero el detalle importa: puede haber un tipo de parámetro erróneo, una errata en el nombre de un método o una referencia a un campo de una estructura que en realidad no existe. En una aplicación web, eso muestra un error en la página. En un CAD, tumba el proceso.

Los ingenieros lo llaman «alucinación»: el modelo da con total seguridad una respuesta incorrecta. Y cuando decenas de intentos seguidos fallan, el enfoque habitual pierde sentido.

Cómo funciona tflex_harness

En lugar de conectar el LLM directamente, los ingenieros crearon el framework tflex_harness. No es un chatbot. Es un sistema de control multicapa:

• Capa 1: modelo de lenguaje — genera una descripción textual de la tarea a partir de la petición del usuario
• Capa 2: bucle de control — analiza el resultado del LLM y verifica los comandos antes de enviarlos al CAD
• Capa 3: búsqueda local en la documentación de la API — el sistema sugiere al modelo los nombres correctos de métodos y los tipos de parámetros
• Capa 4: generación y compilación de código C# — el LLM escribe el código y el compilador lo verifica antes de intentar ejecutarlo
• Capa 5: ejecución aislada — el código se ejecuta en una sesión separada de T-FLEX, de modo que los errores no tumban el proceso principal

El resultado: si la compilación falla, el modelo ve el error concreto y lo intenta de nuevo. El agente aprende. Y, sobre todo, al CAD solo llega código verificado y compilado.

Fuera las abstracciones

Aquí está la diferencia clave con las soluciones de IA habituales. tflex_harness renuncia a las grandes promesas. En su lugar, el sistema trabaja de forma más concreta: el modelo no puede inventar métodos y se ve obligado a usar solo los registrados en la API. El código no existe únicamente en la cabeza de la red neuronal: se compila de verdad. Los errores se comprueban de forma mecánica, no estadística.

Suena a limitación. En la práctica, es la única manera de fiarse del resultado.

Qué significa esto

Para integrar LLM en software especializado no hace falta el modelo más grande ni la interfaz más elegante. Hace falta previsibilidad y control en cada paso. Para CAD, sistemas CAM y software de ingeniería en general, este enfoque abre un nuevo escenario: automatización segura de tareas de ingeniería sin riesgo de perder datos ni de que se caiga la licencia.