✍️ Как создать ИИ-агента для инженерных задач

Нашли статью Ананде Бергмана (директора по развитию компании Viktor.ai и эксперта в области BIM), где он рассказывает, как создать своего ИИ-ассистента для проектирования. Ниже — инструкция тезисно.

Основная проблема большого ИИ на сегодня — его неточность. Ананде предлагает создать связку из LLM, скриптов и человека, чтобы эту проблему побороть.

⚫️ LLM понимает ваши запросы на естественном языке, принимает изображения и текст, управляет процессом.
⚫️ Инструменты (скрипты, модули) выполняют конкретные инженерные задачи — например, анализ изображений, расчёт методом конечных элементов (FEM).
⚫️Человек в цикле — инженер контролирует процесс, проверяет результаты и принимает финальные решения.

Выберите платформу и инструменты
🔵 Для прототипа подойдут Python и публичные API LLM (Claude, ChatGPT, Llama).
🔵 Для визуализации и расчётов добавьте свои скрипты на Python (например, matplotlib для графиков, numpy/scipy для расчётов).
🔵 Для интеграции используйте open-source проекты, например, Simple Truss Analysis agent.

Опишите системное сообщение и инструменты
🔵 Системное сообщение — это инструкция для LLM: кто он, что должен делать, какие правила соблюдать.
🔵 Описание инструментов — список функций, которые агент может вызывать (например, анализ изображения, расчёт FEM), с описанием входных и выходных данных.

Реализуйте посредника между LLM и инструментами
🔵 LLM не может напрямую запускать ваши скрипты. Он формирует запрос (например, «проанализируй это изображение»), а ваш агент выполняет нужную функцию и возвращает результат LLM.
🔵 Для Python это обычно цикл: получить запрос → вызвать нужный инструмент → вернуть результат агенту.

Проверьте работу на простых примерах
🔵 Начните с простого: дайте агенту изображение простой фермы, посмотрите, как он извлекает геометрию и запускает расчёт.
🔵 Проверьте, правильно ли агент интерпретирует нагрузки, опоры и элементы.
🔵 Исправляйте промпты и дорабатывайте инструменты по мере необходимости.

Добавьте контроль инженера
🔵 Всегда проверяйте результаты: агент может ошибаться, особенно на сложных чертежах.
🔵 Позвольте агенту запрашивать уточнения, если данных недостаточно.

Экспериментируйте и развивайте
🔵 Добавляйте новые функции: подбор профиля, проверка по нормам, генерация отчётов.
🔵 Для сложных задач используйте специализированные агенты (например, отдельный агент для анализа изображений).
🔵 Если нужно — дообучайте модель на своих данных.

MCP: как AI-агенты становятся умнее и самостоятельнее благодаря новому протоколу

В мире ИИ появился новый язык общения — Model Context Protocol (MCP). За несколько месяцев его подхватили OpenAI, Microsoft, Google, Amazon и другие гиганты. Но что это значит для бизнеса, и почему MCP может изменить рынок ИИ-агентов, разбирались аналитики BCG.

MCP — «переговорная комната» для ИИ
Представим, что каждый агент — гениальный одиночка: варится в своём «котле» данных, интеграция и координация сложные. MCP решает эту проблему, создавая единый протокол, позволяющий агентам:

⚫️быстро обмениваться данными, инструментами и знаниями;
⚫️координировать действия между собой и с людьми;
⚫️легко интегрироваться с корпоративными системами через REST/gRPC API и SDK с открытым исходным кодом на Python, JS, Go.

Протокол поддерживает работу с популярными платформами (LangChain, HuggingFace и др.), сборку без программирования и автоматизацию сложных процессов.

Зачем MCP бизнесу?
⚫️Ускорить внедрение AI: запускайте агентов за дни благодаря low-code-платформам и API. Подключайте новых агентов и интегрируйте их с существующими системами без головной боли. MCP позволяет создавать мультиагентные системы, в которых агенты разных производителей и на разных языках могут работать вместе.
⚫️Обеспечить безопасность: MCP включает контроль доступа, стандартизацию запросов и аудит, чтобы ваши данные были в безопасности.

Выводы
По выводам отчета каждые 7 месяцев ИИ-агенты удваивают время автономной работы без необходимости контроля со стороны человека — сегодня они могут работать без надзора уже час и приходить к вам с готовым результатом. Получается, к 2027-2028-му они смогут трудиться с 9 до 18, а к 2030-му — приходить с отчетом раз в месяц.

MCP ускоряет этот прогресс, превращая одиночных помощников в настоящую автономную команду, которую можно смело оставлять без постоянного надзора.

Подробнее — в прикрепленном файле

Immersive Factory — платформа для VR-тренировок и обучения в области безопасности на рабочем месте

Компания проводит обучение с помощью популярных гарнитур (Pico Neo 3, Meta Quest 2 и другие) и собственного ПО и работает с различными отраслями — например, со стройкой, фармой, логистикой и другими. Среди клиентов: Shell, Colas, Siemens, Moët Hennessy, Suez, Volvo, P&G, Engie, Airbus и другие.

Кейсы:
⚫️Tyson Foods сократила после обучения производственный травматизм на 20%. 89% учащихся заявили, что почувствовали себя более подготовленными после обучения в виртуальной реальности.
⚫️Компания Verizon обучала сотрудников действиям при вооружённом нападении на магазин. В результате 97% сотрудников заявили, что чувствуют себя готовыми к опасной ситуации.

В Deep Research в ChatGPT добавили интеграцию с GitHub — пока в бета-версии

Вайбкодеры, возрадуйтесь: теперь можно напрямую анализировать репозитории кода и связанные с ними документы, размещённые на GitHub.

Что можно
🔵задавать вопросы о конкретных репозиториях кода;
🔵запрашивать сводки структуры кода и шаблонов;
🔵понимать, как реализовывать API с помощью примеров, взятых непосредственно из подключённого контента GitHub.

Как работает
Подключаете репозиторий → ChatGPT выполняет расширенный анализ, по времени от 5 до 30 минут → после интерпретации кода и документации ИИ составляет структурированный отчёт со ссылками на конкретные строки кода.

Фича пока доступна подписчикам ChatGPT Plus, Pro и Team, но собираются раскатить и на пользователей Enterprise и Education.

CAD-Llama —  фреймворк, который адаптирует LLM для создания параметрических 3D-моделей по обычному текстовому описанию

В чём фишка? Обычные LLM хорошо пишут тексты и даже код, но вот с 3D-моделями всё не так просто: команды для CAD — это не их родной язык. Поэтому, если просто «скормить» LLM задание «сделай цилиндр с двумя выступами», она вряд ли выдаст что-то полезное.

Авторы CAD-Llama придумали, как научить LLM понимать структуру 3D-моделей. Они сделали специальный формат — Structured Parametric CAD Code (SPCC). Это такой «псевдокод» на Python, где подробно описывается каждая деталь и шаг построения. К этому добавляются текстовые описания — что за деталь, где она находится, как связана с другими.

В итоге CAD-Llama может по сложному тексту («создай цилиндр с двумя выступами, как у шестерёнки») выдать не просто картинку, а полноценную параметрическую модель, которую реально можно дорабатывать и использовать дальше.

Как работает
Вся магия CAD-Llama строится на двух вещах: иерархических аннотациях и специальном обучении модели.

1. Иерархические аннотации
⚫️Сначала для каждой детали 3D-модели делается подробное текстовое описание. Например: «Центральный цилиндр с двумя прямоугольными выступами по бокам, вытянут вверх на 12 единиц».
⚫️Потом для всей сборки пишется общий обзор и объясняется, как детали соединяются между собой. Это нужно, чтобы модель «видела» не только отдельные части, но и их взаимное расположение.

2. Обучение
⚫️Модель сначала «кормят» этим структурированным кодом и аннотациями, чтобы она научилась связывать текст с реальными CAD-командами.
⚫️Потом её дообучают на задачах вроде «допиши недостающую часть модели», «удали компонент» или «опиши, что делает этот кусок кода».

Зачем всё это?
Авторы исследования пишут, что такой подход позволяет LLM не просто повторять шаблоны, а реально генерировать сложные, редактируемые CAD-модели по тексту. Причём CAD-Llama уже обгоняет по точности и сложности моделей не только старые методы, но даже такие мощные LLM, как GPT-4 и Llama3.

«Преобразует набор данных DeepCAD в удобный для LLM текстовый формат, а инструкция настраивает модель Llama-8B для генерации и редактирования САПР. Точность увеличивается в 4 раза по сравнению с GPT4, в 2 раза по сравнению с инструкцией на более "сыром" представлении САПР», — отметил Артур Ишмаев, руководитель направления отдела ИИ ПИК Digital.

Исследование ученых Школы компьютерных наук и технологий Университета Фудань.

Главные тренды ИИ в 2025 — BCG AI Radar 2025

⚫️Инвестиции в генеративный ИИ вырастут на 60% за 3 года. Каждая третья из 1800 опрошенных компаний планирует потратить более $25 млн в 2025.

⚫️75% руководителей считают ИИ приоритетом, но только 25% видят реальную пользу. ИИ повышает производительность на 10-20%, эффективность процессов — на 30-50%, помогает создавать новые продукты.

⚫️76% компаний считают, что кибербезопасность ИИ требует улучшения. Главные риски: защита данных и контроль решений ИИ.

⚫️67% компаний считают, что ИИ-агенты (автономные помощники) ускорят работу в 3 раза и улучшат взаимодействие с клиентами. Важно ставить реалистичные цели.

⚫️60% компаний не отслеживают финансовую отдачу от ИИ. Лучшие тратят 10% усилий на алгоритмы, 20% — на технологии, 70% — на обучение и процессы.

⚫️В 70% компаний хотя бы четверть сотрудников обучены работать с ИИ, 68% планируют продолжать обучение.

⚫️Рекомендации BCG: сосредоточьтесь на 2-3 ключевых задачах, внедряйте KPI, усиливайте безопасность и начинайте с небольших проектов с ИИ-агентами.

Подробнее — в приложенном отчете👆