Lokale RAG voor CAD-API: Hoe de Kennisachterstand van een Propriëtaire Interface te Overwinnen
Hexagon
Een ingenieur had behoefte aan automatisering in Smart3D, maar API-kennis vormde een knelpunt. Hij bouwde een lokale RAG-pijplijn: decompileerde bibliotheken, extraheerde feiten, verrijkte deze via een LLM, creëerde embedding-indexen en implementeerde een agent met verificatie — zodat het model code genereert die alleen vertrouwt op daadwerkelijke API-entiteiten.
Een auteur die werkt met het CAD-systeem Hexagon Smart3D (Intergraph Smart 3D) stond voor een automatiseringsuitdaging: kennis van de propriëtaire API was duur en moeilijk toegankelijk, terwijl publieke LLM's fictieve methoden genereerden vanwege dataschaarste. Hij besloot een lokale RAG-pijplijn te bouwen die kennis uit de eigen bibliotheken van het systeem haalt. Eerst decompileerde hij de gecompileerde Smart3D-assembly's en schreef een parser om handtekeningen, XML-documentatie en feiten uit methodebody's (aanroepen, uitzonderingen, aangemaakte objecten) te extraheren. Vervolgens gebruikte hij een taalmodel om deze gegevens te verrijken: het formuleren van gebruiksscenario's en zoektips, strikt beperkt tot alleen bevestigde feiten. Voor embeddings koos hij het meertalige model bge-m3, omdat de query's van ingenieurs tweetalig zijn (Russisch en Engels). Entiteitskaarten dienden als chunks, met de handtekening, beschrijving, feiten en tips. Het resultaat was een agent die via vectorsearch relevante entiteiten vindt, deze als context gebruikt voor het genereren van C#-code en het resultaat verifieert door te verwijzen naar de brongegevens. Het systeem wordt al gebruikt in een echt project om automatisering te versnellen.
Bron: Habr — хаб NLP —
origineel