Como integrar IA com T-FLEX: abandonando chatbots e migrando para agentes controlados

As tentativas de integrar grandes modelos de linguagem em software de engenharia como T-FLEX CAD geralmente terminam da mesma forma: o processo falha, a licença congela, o projeto é revertido. Engenheiros do Habr investigaram por que isso ocorre e demonstraram uma forma prática de corrigir.

Por que LLMs alucinam em SCADs

T-FLEX não é um aplicativo web. É um sistema fechado que funciona através de bibliotecas DLL e requer controle rigoroso de sessão, nomes de métodos API precisos e compatibilidade de tipos de dados. Um erro — e o sistema falha.

LLMs, por sua natureza, produzem respostas probabilísticas. O modelo pode gerar código que parece plausível: a sintaxe está correta, a lógica parece razoável. Mas os detalhes importam: pode haver um tipo de parâmetro incorreto, pode haver um erro de digitação no nome do método, pode haver uma referência a um campo de estrutura que não existe.

Em um aplicativo web, isso geraria um erro na página. Em um SCAD — é uma falha do processo. Engenheiros chamam isso de "alucinação". O modelo emite com confiança uma resposta incorreta. E quando dezenas dessas tentativas não funcionam consecutivamente, a abordagem convencional perde o sentido.

Como funciona o tflex_harness

Em vez de integrar LLM diretamente, engenheiros criaram o framework tflex_harness. Não é um chatbot. É um sistema de controle em camadas:

• Camada 1: modelo de linguagem — gera uma descrição textual da tarefa com base na solicitação do usuário
• Camada 2: loop de controle — analisa o resultado do LLM, verifica os comandos antes de enviá-los ao SCAD
• Camada 3: busca local na documentação da API — o sistema sugere ao modelo nomes corretos de métodos e tipos de parâmetros
• Camada 4: geração e compilação de código C# — o LLM escreve o código, o compilador o verifica antes de qualquer tentativa de execução
• Camada 5: execução isolada — o código é executado em uma sessão T-FLEX separada, erros não causam falha do processo principal

Resultado: se a compilação falhar, o modelo vê o erro específico e tenta novamente. O agente aprende. E o mais importante — apenas código verificado e compilado entra no SCAD.

Abandonando abstrações

Aqui está a diferença chave das soluções de IA típicas. tflex_harness abandona promessas elegantes. Em vez disso, o sistema funciona de forma mais concreta: o modelo não pode inventar métodos — é forçado a usar apenas os registrados na API. O código não existe apenas na mente da rede neural — ele é realmente compilado. Os erros não são verificados estatisticamente, mas mecanicamente. Isso soa como uma limitação. Na prática, é a única maneira de confiar no resultado.

O que isso significa

Para integrar LLM em software especializado, você não precisa do maior modelo ou da interface mais elegante. Você precisa de previsibilidade e controle em cada etapa. Para SCADs, sistemas CAM e software de engenharia em geral, essa abordagem abre um novo cenário: automação segura de tarefas de engenharia sem risco de perda de dados ou falha de licença.