Коротко
Автор ldraw-nova создал открытый веб-инструмент, где ИИ-агенты проектируют модели LEGO из реальных деталей и выдают исходники LDraw, визуализации и редактируемый файл Blender. Главная идея — поручать агенту писать Python-генератор модели, а не рассчитывать геометрию деталей напрямую; результат проверяется итеративным рендерингом.
Контекст
Автор проекта ldraw-nova хотел приблизить агентные LLM к проектированию физических объектов, пригодных для сборки. После экспериментов с ChatGPT, Claude и предшествующими проектами ldbuilder-ai, py2bricks и py4bricks он пришёл к выводу, что модели лучше справляются с Python-кодом, создающим геометрию, чем с ручным вычислением координат и поворотов в LDraw. В статье также упоминаются GPT-6 Astra и Claude Opus 5.5 как модели, с помощью которых удалось довести инструмент до рабочего вида.
Главное
- Проект называется ldraw-nova и позиционируется как открытый веб-инструмент для агентного создания собираемых LEGO-моделей из настоящих деталей.
- Выходной файл модели — LDraw; дополнительно доступны 3D-просмотр, 3D-плеер, VR для Meta Quest 3, изображения и редактируемый
.glbс Blender Custom Properties. - Ключевой архитектурный выбор: агент составляет план в JSON и пишет Python-генератор, который производит LDraw-файл; модель не строится простым прямым размещением деталей агентом.
- Агент сначала изучает
instructions.mdи профильные руководства, затем планирует детали, подмодели и дизайн, генерирует модель, проверяет рендеры и вносит исправления. - Инструментарий поддерживает поиск подходящих деталей и примеров, обнаружение коллизий и зазоров, а также headless-рендеринг.
- Поиск использует авторский
jev-rerank, основанный на модели TypeSafe Jev System One. Для семантического поиска нуженTYPESAFE_API_KEY; иначе используется FTS, который может давать худшие результаты. - Для локального запуска нужны репозитории
ldraw-novaиldraw-nova-docker, клонированные рядом и на тегеv0.6.0; первая сборка требует около 5 ГБ диска. - Docker-команды из инструкции:
docker compose build,docker compose up -d, а для остановки —docker compose down. Приложение доступно на портах 8443 (HTTPS, нужен VR) и 8765 (HTTP, без VR). - В статье упомянуты ранние эксперименты
ldbuilder-ai,py2bricksиpy4bricks; автор связывает развитие инструмента с GPT-6 Astra и Claude Opus 5.5. - Автор перечисляет нерешённые задачи: производительность VR, ускорение генерации, поддержка более слабых моделей, улучшение генерации космических кораблей, Technic-моделей, людей и животных, а также построения по инструкциям.
Как сделано
Пользователь задаёт идею модели. Агент читает instructions.md и связанные руководства по LDraw и построению моделей, собирает сведения и планирует детали, подмодели и внешний вид. Затем он описывает модель в plan.json, пишет Python-скрипт-генератор и запускает его для создания файлов LDraw, например .mpd.
Агент повторяет цикл: получает рендеры текущей модели, осматривает их и корректирует положение деталей и эстетику. Инструменты помогают находить детали и примеры конструкций, проверять коллизии и зазоры, а также выполнять рендеринг без графического интерфейса. Результаты включают LDraw-исходники, разные виды и плеер 3D, VR-режим, изображения, редактируемый glTF-файл .glb с метаданными Blender Custom Properties, историю чата и ход работы агента.
Для запуска нужны Git и Docker, а также два соседних репозитория одной версии: ldraw-nova и ldraw-nova-docker. В инструкции указан тег v0.6.0 и команды docker compose build, docker compose up -d и docker compose down. HTTPS доступен на https://localhost:8443 и нужен для VR на Meta Quest 3; HTTP на http://localhost:8765 обходится без предупреждения о сертификате, но VR через него не работает. Первый Docker-сборочный запуск занимает время и требует около 5 ГБ диска. Семантический поиск с переранжированием использует jev-rerank и модель TypeSafe Jev System One; без TYPESAFE_API_KEY применяется резервный полнотекстовый поиск (FTS).
Результаты
Проект предоставляет работающий агентный конвейер, который преобразует запрос в план, Python-генератор и модель в формате LDraw, с визуальной проверкой и несколькими форматами выдачи. Автор сообщает о хороших результатах в ранних экспериментах, но не приводит количественных метрик точности, скорости или стоимости и подчёркивает, что прежде полученные модели не были достаточно надёжны. Для крупных и корректных моделей пока требуются дорогие высокопроизводительные модели; сам процесс медленный.
Ограничения
Это первый релиз, и в статье нет систематических бенчмарков, сравнений качества или измерений стоимости генерации. Генерация крупных корректных моделей требует дорогих моделей высокого класса и занимает много времени; возможности VR на Meta Quest 3 страдают от проблем с обработкой моделей и производительностью. Поддержка слабых моделей, космических кораблей, Technic-механизмов и людей или животных нуждается в улучшении; создание модели по инструкции работает лишь частично и лучше при подаче страниц в виде изображений. Без ключа TypeSafe семантический поиск с переранжированием недоступен. У веб-приложения нет входа в систему, поэтому автор рекомендует запускать его только в доверенной сети; HTTPS использует самоподписанный сертификат.
Что взять себе
- Для задач с геометрией полезно просить модель написать код, который создаёт объект, а не заставлять её самостоятельно вычислять все координаты и повороты.
- Промежуточное представление-план и генераторный скрипт делают процесс более управляемым и позволяют повторно использовать примеры конструкций.
- Визуальный цикл «рендер — осмотр — исправление» важен: одного успешного выполнения генератора недостаточно, чтобы считать модель правильной.
- Перед запуском оцените требования к ресурсам и приватности: сборка занимает около 5 ГБ, генерация медленная, а приложение без аутентификации.
Читать оригинал, если…
Откройте оригинал, если нужны ссылки на репозитории и руководства, пошаговая настройка Docker, примеры рабочих процессов или подробности о поддерживаемых типах моделей.