Agent open source contre 1C Naparnik : le RAG hybride sur DeepSeek l'emporte en pratique

Une idée reçue veut que le modèle d'un éditeur, avec un accès complet à sa propre documentation, soit toujours meilleur. La pratique dit autre chose. Sur les questions complexes d'un développeur 1C 7-10, ce n'est pas la spécialisation étroite qui l'emporte, mais la qualité de l'indexation : recherche hybride, parsing des métadonnées, sources pertinentes. L'agent repose sur LangGraph (Deep Agents). Il combine une recherche plein texte via FTS PostgreSQL et une recherche vectorielle via pgvector + HNSW. Les résultats sont fusionnés par Reciprocal Rank Fusion. Le parseur de métadonnées s'oriente dans 236 mille fichiers de configurations standard 1C et 193 mille répertoires. Pour la recherche sur Internet, l'équipe utilise l'API de Yandex plutôt que les moteurs intégrés aux chatbots. • **Délais d'attente des verrous gérés** : l'agent a proposé un filtre sur les événements TLOCK (>1 s), TTIMEOUT, TDEADLOCK et une analyse des actions de la connexion bloquante ; Naparnik a fourni une configuration de base sans détails • **Raccordement d'un référentiel à la BSP** : l'agent a indiqué les types définissables, l'abonnement ZapisatVersiyuObyekta et le gestionnaire du gestionnaire de référentiel ; Naparnik a proposé une alternative via l'historique des données de la plateforme • **Interdiction d'annuler la comptabilisation** : l'agent a fourni un code prêt à l'emploi avec une requête sur le registre d'accumulation et a signalé la nécessité d'un verrou géré

Traité par IA depuis Habr AI ; édité par Hamidun News
Agent open source contre 1C Naparnik : le RAG hybride sur DeepSeek l'emporte en pratique
Source : Habr AI. Collage: Hamidun News.
Écouter l'article

La conclusion qui s'impose : l'éditeur a un accès complet à la documentation et un contexte illimité, donc son modèle est forcément meilleur. Ce n'est pas le cas. En pratique, l'écart de qualité entre un modèle spécialisé et un modèle cloud généraliste ne justifie souvent pas le coût du réentraînement, dès lors que le modèle s'appuie sur une bonne indexation et des sources de connaissances bien choisies.

Habr a pris de vraies questions de développeurs 1C et comparé un agent open source au Naparnik commercial. Les résultats sont inattendus.

Architecture : un RAG hybride sur LangGraph

Les modèles retenus appartiennent à la catégorie supérieure : deepseek-v4-flash, gpt-6.1-sol, glm-5.3-flash. Tous gèrent les outils de la même façon et disposent d'une fenêtre de contexte suffisante. Ce n'est pas le modèle qui s'est révélé déterminant, mais son environnement.

Le framework est LangGraph (Deep Agents), avec planification, délégation à des sous-agents et contrôle du contexte par résumé de l'historique.

Pour les connaissances, l'équipe a mis en place un RAG hybride. La branche plein texte s'appuie sur FTS PostgreSQL avec un dictionnaire russe, la branche vectorielle sur pgvector avec un index HNSW. Les deux sont fusionnées par Reciprocal Rank Fusion : les candidats bien classés dans chaque liste remontent dans le classement final.

Pour les sources des configurations standard, l'équipe a construit un index rapide de 236 mille fichiers et 193 mille répertoires. Elle a ajouté un parseur de métadonnées : il collecte les objets, les attributs et les liens entre eux. Il aide à se repérer dans les modules.

Pour Internet, l'agent utilise l'API de Yandex à la place de la recherche intégrée aux chatbots. Elle donne des résultats plus pertinents pour la Russie. L'agent agrège et résume tout ce qu'il trouve.

Trois tests sur des tâches réelles

1. Journal technologique pour les délais d'attente des verrous gérés.

L'agent a produit une configuration avec un filtre sur les attentes longues (événements TLOCK >1 s, TTIMEOUT, TDEADLOCK), analysé le champ WaitConnections pour trouver la connexion bloquante et proposé de suivre ses actions : requêtes longues, appels à des services externes, traitement prolongé dans une transaction.

Naparnik a lui aussi fourni une configuration et mentionné WaitConnections, mais il s'est concentré sur la collecte d'éléments pour l'enquête, sans analyser le côté bloquant.

2. Raccordement d'un référentiel non standard à la BSP de versionnage.

L'agent : ajouter le type aux types définissables VersioniruemyeDannye et VersioniruemyeDannyeObyekt, implémenter dans le gestionnaire du référentiel le gestionnaire PriOpredeleniiNastroekVersionirovaniyaObyektov, puis appeler l'initialisation dans le formulaire depuis l'événement PriSozdaniiNaServere. L'abonnement ZapisatVersiyuObyekta écoute déjà l'événement voulu. L'agent a fourni le code et précisé que, pour les référentiels, c'est bien cet abonnement qui est utilisé, et non ZapisatVersiyuDokumenta.

Naparnik a proposé un autre mécanisme : la propriété Istoriya dannykh (historique des données) du référentiel et une tâche planifiée sur IstoriyaDannykh.ObnovitIstoriyu(). C'est valide, mais il s'agit d'une alternative, pas d'un raccordement à la BSP standard.

3. Interdiction d'annuler la comptabilisation en cas de lots déjà sortis.

L'agent a fourni un gestionnaire ObrabotkaUdaleniyaProvedeniya avec une requête sur le registre TovaryPoPartiyam, un filtre sur les mouvements de sortie et une vérification via RezultatZaprosa.Pustoy(). Il a ajouté un avertissement important : pour se protéger d'une sortie simultanée, un verrou géré est nécessaire (il est absent de l'exemple).

Naparnik a fourni un schéma, sans approfondir les variantes.

Conclusion

Un modèle ouvert associé à une indexation de qualité (RAG hybride, parsing des métadonnées, choix judicieux des sources) donne souvent un résultat au moins aussi bon qu'un modèle spécialisé étroit. Mieux vaut investir dans l'infrastructure de recherche que dans le réentraînement. 1C Naparnik traite correctement les questions courantes, mais répond plus superficiellement aux questions complexes.

Dossier

Questions clés sur cet article

Que sait-on sur Architecture : un RAG hybride sur LangGraph ?

Les modèles retenus appartiennent à la catégorie supérieure : deepseek-v4-flash, gpt-6.1-sol, glm-5.3-flash. Tous gèrent les outils de la même façon et disposent d'une fenêtre de contexte suffisante. Ce n'est pas le modèle qui s'est révélé déterminant, mais son environnement. Le framework est LangGraph (Deep Agents), avec planification, délégation à des sous-agents et contrôle du contexte par résumé de l'historique. Pour les connaissances, l'équipe a mis en place un RAG hybride. La branche plein texte s'appuie sur FTS PostgreSQL avec un dictionnaire russe, la branche vector

Que sait-on sur Trois tests sur des tâches réelles ?

1. Journal technologique pour les délais d'attente des verrous gérés. L'agent a produit une configuration avec un filtre sur les attentes longues (événements TLOCK >1 s, TTIMEOUT, TDEADLOCK), analysé le champ WaitConnections pour trouver la connexion bloquante et proposé de suivre ses actions : requêtes longues, appels à des services externes, traitement prolongé dans une transaction. Naparnik a lui aussi fourni une configuration et mentionné WaitConnections, mais il s'est concentré sur la collecte d'éléments pour l'enquête, sans analyser le côté bloquant. 2. Raccordement d

ZK
Zhemal Khamidun — CPO d'Alpina Digital, product manager d'AlpinaGPT. Conçoit des produits IA depuis 2019. Hamidun News est un projet personnel devenu un agrégateur en production avec plus de 6 000 lecteurs.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
Qu'en pensez-vous ?
Chargement des commentaires…