Engenheiro construiu um serviço RAG local para documentação de API CAD no Habr

Um engenheiro publicou no Habr um detalhamento de como montou um serviço RAG local para trabalhar com documentação de API para sistemas de design assistido por computador (CAD), explicando isso pela pressão de clientes nas empresas de engenharia que estão reduzindo orçamentos e prazos de projetos.

Por que a documentação CAD se tornou candidata para automação

Segundo o autor, nos últimos anos a engenharia tem vivido sob o lema "a mesma coisa, mas mais barato e mais rápido": clientes reduzem orçamentos e prazos, e contratados buscam quais processos podem ser otimizados. A automação de design é um dos primeiros candidatos para tal otimização, pois há muitas operações rotineiras em design, e uma porção significativa delas pode ser delegada a scripts e pequenos utilitários de software em vez de ser realizada manualmente por um engenheiro.

• O autor é um engenheiro que construiu independentemente um serviço RAG local para CAD API
• A razão do projeto são operações de design rotineiras que podem ser delegadas a scripts
• O contexto geral é redução de orçamento e prazo de clientes de serviços de engenharia

Estamos falando especificamente sobre APIs de sistemas de design assistido por computador, não sobre os próprios desenhos: scripts e utilitários são geralmente escritos para ações repetitivas como geração em lote de relatórios, verificação de parâmetros para conformidade com padrões internos, ou processamento em lote de arquivos — tarefas que um engenheiro realiza manualmente dezenas de vezes por projeto, mas que são mal remuneradas como trabalho criativo.

O que RAG local oferece neste cenário

RAG (geração aumentada por recuperação) é uma abordagem onde o modelo, antes de responder, busca fragmentos relevantes em sua própria base de documentos em vez de confiar apenas no que aprendeu durante o treinamento. Para documentação de CAD API, isso é especialmente apropriado: tais APIs são frequentemente descritas em manuais volumosos, fragmentados e atualizados regularmente, e a implantação local permite manter dados de engenharia sensíveis e documentação proprietária dentro do perímetro da empresa, sem enviá-los para serviços em nuvem externos.

Esta é precisamente a razão pela qual o autor optou por uma solução local em vez de um assistente de IA em nuvem pronto: para dados de engenharia, a questão de confidencialidade é frequentemente mais importante do que a conveniência de configuração, e o acesso à versão atual da documentação de API é crítico, pois sistemas CAD regularmente mudam suas interfaces e métodos. A implantação "interna", sem enviar solicitações para um serviço externo, também remove a questão de para onde vazam as formulações de especificações técnicas internas e fragmentos de documentação de fornecedor fechada.

Que dificuldades geralmente surgem em tais projetos

A documentação técnica de API é material inconveniente para um pipeline RAG clássico: contém muitas tabelas com parâmetros, links para outras seções, notas de versão, e terminologia específica de uma plataforma CAD particular, que não se decompõe bem em chunks pelos métodos padrão. Desenvolvedores de tais serviços geralmente precisam pensar separadamente sobre dividir documentos em pedaços semânticos, atualizar o índice quando uma nova versão de API é lançada, e verificar que o modelo não confunde métodos com nomes semelhantes, mas comportamentos diferentes. Este é trabalho manual e meticuloso que geralmente é invisível no resultado final, mas ocupa uma porção significativa do tempo para tal projeto.

O que isso significa

A história reflete uma tendência mais ampla: enquanto grandes fornecedores lançam assistentes de IA universais, engenheiros individuais e pequenas equipes cada vez mais montam ferramentas RAG locais estreitamente especializadas para rotinas específicas — trabalhar com documentação, operações de template e padrões internos. Para organizações de engenharia e projeto onde confidencialidade de desenhos e conformidade precisa com a versão de API importam, tais ferramentas locais caseiras geralmente se mostram mais práticas do que conectar um serviço de IA em nuvem externo a toda a base de documentação da empresa.