Ingeniero construyó un servicio RAG local para documentación de API CAD en Habr

Un ingeniero publicó en Habr un desglose de cómo ensambló un servicio RAG local para trabajar con documentación de API para sistemas de diseño asistido por computadora (CAD), explicando esto por la presión de los clientes en las empresas de ingeniería que están reduciendo presupuestos y plazos de proyectos.

Por qué la documentación de CAD se convirtió en candidata para la automatización

Según el autor, en los últimos años la ingeniería ha vivido bajo el lema "lo mismo, pero más barato y más rápido": los clientes reducen presupuestos y plazos, y los contratistas buscan qué procesos se pueden optimizar. La automatización del diseño es uno de los primeros candidatos para tal optimización, ya que hay muchas operaciones rutinarias en el diseño, y una porción significativa de ellas se puede delegar a scripts y pequeñas utilidades de software en lugar de ser realizadas manualmente por un ingeniero.

• El autor es un ingeniero que construyó independientemente un servicio RAG local para CAD API
• La razón del proyecto son operaciones de diseño rutinarias que pueden ser delegadas a scripts
• El contexto general es la reducción de presupuesto y plazo de los clientes de servicios de ingeniería

Estamos hablando específicamente sobre APIs de sistemas de diseño asistido por computadora, no sobre los dibujos en sí: scripts y utilidades se escriben más a menudo para acciones repetitivas como generación de informes por lotes, verificación de parámetros para cumplimiento con estándares internos, o procesamiento por lotes de archivos — tareas que un ingeniero realiza manualmente docenas de veces por proyecto, pero que se pagan mal como trabajo creativo.

Qué proporciona RAG local en este escenario

RAG (generación aumentada por recuperación) es un enfoque donde el modelo, antes de responder, busca fragmentos relevantes en su propia base de documentos en lugar de confiar solo en lo que aprendió durante el entrenamiento. Para la documentación de CAD API, esto es especialmente apropiado: tales APIs a menudo se describen en manuales voluminosos, fragmentados y actualizados regularmente, y el despliegue local hace posible mantener datos de ingeniería sensibles y documentación propietaria dentro del perímetro de la empresa, sin enviarla a servicios en la nube externos.

Esta es precisamente la razón por la que el autor optó por una solución local en lugar de un asistente de IA en la nube listo para usar: para datos de ingeniería, el problema de confidencialidad es a menudo más importante que la comodidad de configuración, y el acceso a la versión actual de la documentación de API es crítico, ya que los sistemas CAD regularmente cambian sus interfaces y métodos. La implementación "interna", sin enviar solicitudes a un servicio externo, también elimina la pregunta de adónde se filtran las formulaciones de especificaciones técnicas internas y fragmentos de documentación de proveedores cerrados.

Qué dificultades usualmente surgen en tales proyectos

La documentación técnica de API es material inconveniente para un pipeline RAG clásico: contiene muchas tablas con parámetros, enlaces a otras secciones, notas de versión, y terminología específica de una plataforma CAD particular, que no se desglosa bien en fragmentos por métodos estándar. Los desarrolladores de tales servicios típicamente tienen que pensar por separado en dividir documentos en fragmentos semánticos, actualizar el índice cuando se lanza una nueva versión de API, y verificar que el modelo no confunda métodos con nombres similares pero comportamiento diferente. Este es trabajo manual y meticuloso que generalmente es invisible en el resultado final, pero toma una porción significativa del tiempo para tal proyecto.

Qué significa esto

La historia refleja una tendencia más amplia: mientras que los grandes proveedores lanzan asistentes de IA universales, ingenieros individuales y pequeños equipos cada vez más ensamblan herramientas RAG locales estrechamente especializadas para rutinas específicas — trabajar con documentación, operaciones de plantilla y estándares internos. Para organizaciones de ingeniería y proyectos donde la confidencialidad de dibujos y el cumplimiento preciso de la versión de API importan, tales herramientas locales caseras a menudo resultan más prácticas que conectar un servicio de IA en la nube externo a toda la base de documentación de la empresa.