Как интегрировать AI с T-FLEX: отказ от чат-ботов и переход к контролируемым агентам

Попытки встроить большие языковые модели в инженерное ПО вроде T-FLEX CAD обычно заканчиваются одинаково: процесс падает, лицензия зависает, проект откатывается. Инженеры с Habr разобрались, почему это происходит, и показали практический способ, как это исправить.

Почему LLM галлюцинируют в САПР T-FLEX — это не веб-приложение.

Это закрытая система, которая работает через DLL-библиотеки и требует жёсткого контроля сессии, точного названия методов API и соответствия типов данных. Одна ошибка — и система падает. LLM же по своей сути выдают вероятностные ответы. Модель может сгенерировать код, который выглядит правдоподобно: синтаксис верен, логика кажется разумной. Но деталь важна: может быть неправильный тип параметра, может быть опечатка в имени метода, может быть обращение к полю структуры, которого на самом деле нет. В веб-приложении это выведет ошибку на страницу. В САПР — это падение процесса. Инженеры называют это «галлюцинацией». Модель уверенно выдаёт неправильный ответ. И когда десятки таких попыток подряд не срабатывают, обычный подход теряет смысл.

Как устроен tflex_harness

Вместо того чтобы подключить LLM напрямую, инженеры создали фреймворк tflex_harness. Это не чат-бот. Это многослойная система контроля: Слой 1: языковая модель — генерирует текстовое описание задачи на основе запроса пользователя Слой 2: контур управления — парсит результат LLM, проверяет команды перед отправкой в САПР Слой 3: локальный поиск по API-документации — система подсказывает модели правильные названия методов и типы параметров Слой 4: генерация и компиляция C#-кода — LLM пишет код, компилятор проверяет его ещё до попытки выполнения * Слой 5: изолированное выполнение — код запускается в отдельной сессии T-FLEX, ошибки не приводят к краху основного процесса Результат: если компиляция упала, модель видит конкретную ошибку и пытается заново.

Агент учится. А главное — в САПР попадает только проверенный, скомпилированный код.

Отказ от абстракций

Здесь ключевое отличие от типовых AI-решений. tflex_harness отказывается от красивых обещаний. Вместо этого система работает конкретнее: модель не может выдумывать методы — она вынуждена использовать только те, что зарегистрированы в API. Код не существует только в голове нейросети — он реально компилируется. Ошибки проверяются не статистически, а механически. Это звучит как ограничение. На практике это — единственный способ верить результату.

Что это значит

Для интеграции LLM в специализированное ПО нужна не самая большая модель и не самый изящный интерфейс. Нужна предсказуемость и контроль на каждом шаге. Для САПР, CAM-систем и инженерного ПО вообще такой подход открывает новый сценарий: безопасная автоматизация инженерных задач без риска потери данных или краха лицензии.