От исходного описания к инженерному проекту

Разработали мультиагентную ИИ-систему для автоматизации подготовки инженерной документации и 3D-моделей. Она превращает описание технического проекта в связанные артефакты: техническое задание, технические характеристики, расчётные данные и цифровую сборку объекта.

Работа распределена между специализированными агентами. Оркестратор управляет их последовательностью, RAG-сервис находит информацию в документах компании, а отдельный агент проверяет результаты.

Проблема

Подготовка технического проекта начинается с разрозненной информации: требований заказчика, характеристик оборудования, нормативных документов, ранее подготовленных ТЗ и других материалов. Их нужно преобразовать в согласованный инженерный результат.

Недостаточно собрать всё в один текст. Необходимо сформировать ТЗ, рассчитать характеристики, выделить узлы и детали, определить их размеры и расположение, построить 3D-сборку и проверить согласованность между этапами.

При генерации всего проекта одной LLM трудно контролировать полноту требований и согласованность параметров: модель может пропустить важные условия или сформировать противоречащие друг другу результаты.

Бизнес-задачи

• Автоматизировать подготовку ТЗ. Сократить ручную работу при переходе от исходного описания проекта к структурированному документу.

• Рассчитывать технические характеристики. Формировать параметры объекта на основании требований проекта.

• Строить 3D-сборку. Определять состав конструкции, параметры и положение деталей на основании рассчитанных характеристик.

• Использовать знания компании. Подключить внутренние документы, нормативные материалы и примеры ТЗ через RAG.

• Контролировать качество. Проверять полноту, структуру и согласованность результатов работы агентов.

Как работает система

1. Исходное описание проекта.

2. Анализ требований и поиск контекста через RAG.

3. Генерация технического задания.

4. Расчёт технических характеристик.

5. Формирование состава и параметров деталей.

6. Параметрическая генерация геометрии.

7. Объединение деталей в 3D-сборку.

8. Аудит результата.

Каждый этап создаёт структурированный артефакт, который можно проверить, сохранить и передать на следующий этап. Оркестратор управляет последовательностью операций и данными между агентами.

Как мы решили задачу

1. Генерация технического задания

Система анализирует исходное описание проекта и определяет структуру будущего документа: разделы, требования и зависимости между ними. Специализированные агенты последовательно формируют отдельные части ТЗ.

Каждый агент получает исходный запрос, релевантную информацию из базы знаний и уже подготовленные материалы текущего проекта.

2. Расчёт технических характеристик

Следующие агенты преобразуют требования ТЗ в структурированные характеристики: параметры, значения, единицы измерения и зависимости. Расчётные значения формируются на основании уже известных характеристик и требований.

На вход следующего этапа поступает структурированный набор технических данных, который можно использовать при построении конструкции.

3. Построение 3D-сборки

Агенты определяют состав основных узлов и деталей, их геометрические параметры, размеры, координаты, ориентацию и взаимное расположение. При создании нового элемента учитываются уже сформированные части конструкции.

На основании этого описания генерируется параметрическая геометрия деталей, затем они объединяются в общую 3D-сборку. При изменении исходных параметров зависимые элементы конструкции могут перестраиваться.

4. Подключение корпоративных знаний через RAG

Отдельный RAG-сервис ищет релевантные фрагменты документации и передаёт их агентам. Это позволяет LLM опираться на внутренние источники компании: документы, нормативные материалы и накопленные примеры.

RAG вынесен в самостоятельный сервис, который может использоваться и в других продуктах компании.

5. Аудит результата

Генерация и проверка разделены. AuditAgent анализирует:

• полноту документа и противоречия между разделами;

• корректность технических характеристик и их соответствие ТЗ;

• согласованность параметров деталей;

• корректность итоговой 3D-сборки.

Что получили в результате

• Единый процесс подготовки инженерного проекта. Исходные требования последовательно преобразуются в ТЗ, рассчитанные характеристики и цифровую 3D-сборку.

• Разделение ответственности между агентами. Каждый компонент отвечает за свой участок работы, что делает процесс управляемее по сравнению с генерацией всего проекта одной LLM.

• Связь документации с 3D-моделью. Цифровая конструкция формируется на основании технических характеристик и продолжает работу с данными из ТЗ.

• Использование корпоративных знаний. Агенты получают контекст из внутренних документов, нормативных материалов и примеров через отдельный RAG-сервис.

• Расширяемая архитектура. Новые типы агентов, расчёты, проверки, источники данных и способы построения 3D-моделей можно добавлять независимо, без перестройки всего процесса.

Почему мультиагентный подход

Инженерный процесс разделён на отдельные зоны ответственности: одни агенты формируют ТЗ, другие рассчитывают характеристики, следующие работают с деталями и сборкой, а отдельные агенты проверяют результат.

Такой подход позволяет выстроить контролируемый процесс, в котором результат состоит из последовательности связанных инженерных артефактов. Оркестратор передаёт необходимые данные между этапами и управляет их выполнением.

Технологии и компетенции

Стек: Python, FastAPI, PostgreSQL, Qdrant, RAG, LLM, OpenAI-compatible API, параметрическая 3D-генерация.

Компетенции команды: мультиагентные ИИ-системы, векторный поиск, проектирование AI-оркестрации, автоматизация инженерных процессов, расчёт технических характеристик, генерация 3D-геометрии и цифровых сборок, структурированная генерация документов и валидация результатов нейросетей.