Comment intégrer l'IA avec T-FLEX : abandonnez les chatbots et passez aux agents contrôlés

Les tentatives d'intégration de grands modèles de langage dans les logiciels d'ingénierie comme T-FLEX CAO finissent généralement de la même manière : le processus s'effondre, la licence se fige, le projet doit être annulé. Des ingénieurs de Habr ont compris pourquoi cela se produit et ont montré un moyen pratique de corriger cela.

Pourquoi les LLM hallucinent dans les SPAО

T-FLEX n'est pas une application web. C'est un système fermé qui fonctionne via des bibliothèques DLL et nécessite un contrôle strict de la session, des noms de méthodes API exacts et une correspondance de types de données. Une erreur — et le système s'effondre.

Les LLM, par nature, fournissent des réponses probabilistes. Le modèle peut générer du code qui semble plausible : la syntaxe est correcte, la logique semble raisonnable. Mais les détails sont importants : le type de paramètre peut être incorrect, il peut y avoir une faute de frappe dans le nom de la méthode, il peut y avoir un accès à un champ de structure qui n'existe pas réellement.

Dans une application web, cela afficherait une erreur à la page. Dans SPAО — c'est l'effondrement du processus. Les ingénieurs appellent cela une « hallucination ». Le modèle produit avec confiance une réponse incorrecte. Et quand des dizaines de telles tentatives d'affilée ne fonctionnent pas, l'approche habituelle perd son sens.

Comment fonctionne tflex_harness

Au lieu de connecter directement le LLM, les ingénieurs ont créé le framework tflex_harness. Ce n'est pas un chatbot. C'est un système de contrôle multicouche :

• Couche 1 : modèle de langage — génère une description textuelle de la tâche basée sur la demande de l'utilisateur
• Couche 2 : boucle de contrôle — analyse le résultat du LLM, vérifie les commandes avant de les envoyer au SPAО
• Couche 3 : recherche locale dans la documentation de l'API — le système suggère au modèle les noms de méthodes corrects et les types de paramètres
• Couche 4 : génération et compilation de code C# — le LLM écrit le code, le compilateur le vérifie avant même de tenter l'exécution
• Couche 5 : exécution isolée — le code s'exécute dans une session T-FLEX séparée, les erreurs ne causent pas l'effondrement du processus principal

Résultat : si la compilation échoue, le modèle voit une erreur spécifique et essaie à nouveau. L'agent apprend. Et surtout, seul le code vérifié et compilé entre dans le SPAО.

Abandon des abstractions

C'est la différence clé par rapport aux solutions d'IA typiques. tflex_harness rejette les belles promesses. Au lieu de cela, le système fonctionne de manière plus concrète : le modèle ne peut pas inventer de méthodes — il est forcé d'utiliser uniquement celles enregistrées dans l'API. Le code n'existe pas seulement dans l'esprit du réseau de neurones — il est réellement compilé. Les erreurs ne sont pas vérifiées statistiquement, mais mécaniquement.

Cela semble une limitation. En pratique, c'est le seul moyen de faire confiance au résultat.

Ce que cela signifie

Pour intégrer un LLM dans des logiciels spécialisés, vous n'avez pas besoin du plus grand modèle et de l'interface la plus élégante. Vous avez besoin de prévisibilité et de contrôle à chaque étape. Pour les SPAО, les systèmes CAO et les logiciels d'ingénierie en général, cette approche ouvre un nouveau scénario : l'automatisation sûre des tâches d'ingénierie sans risque de perte de données ou d'effondrement de la licence.