Переход от простого автозаполнения и использования плагинов в Revit к реальным ИИ-инструментам часто упирается в «стену» из непонятных аббревиатур.
Вот основные термины, которые сейчас меняют правила игры в BIM-автоматизации.
MCP
MCP, или Model context protocol - пожалуй, самый важный стандарт на сегодня. Представьте, что у вас есть крутой ИИ-чат, но он заперт в браузере и не видит файлы на диске или данные в BIM360. По сути, это коннектор, который позволяет ИИ подключаться к вашим локальным данным или софту и учит нейронку пользоваться вашими инструментами напрямую.
Реальный пример: Частый пример использования Claude или любой другой LLM - вы подключаете MCP-сервер к своей базе данных в Revit. Теперь можно написать ИИ: «Найди в модели все воздуховоды без заполненных параметров и выгрузи их в Google Таблицу». ИИ сам «постучится» в модель через этот протокол, возьмет данные и выполнит задачу без вашего участия в копипасте.
RAG (Retrieval-Augmented Generation)
Нейронки часто ошибаются и «галлюцинируют», если их спрашивать о чем-то специфическом, например, о внутренних регламентах вашей компании. Чтобы этого избежать, используют метод RAG — это режим «экзамена с открытой книгой». Вместо того чтобы вспоминать всё из головы, ИИ сначала ищет информацию в предоставленных вами документах (PDF, таблицы, базы) и только на их основе пишет ответ.
Реальный пример: Вы загружаете в систему ваш EIR и BEP. Когда новый сотрудник спрашивает ИИ: «Как мы именуем задвижки в этом проекте?», система не выдумывает ответ, а мгновенно находит нужный пункт в вашем конкретном файле и цитирует его.
LLM (Large Language Model)
Это «мозг» системы — такие модели, как GPT-4, Claude или Llama. В контексте BIM они важны не просто как чат-боты, а как высококлассные переводчики с человеческого языка на программный код. Они понимают контекст задачи и могут связывать разрозненные требования в единую логику.
Реальный пример: Вы пишете запрос: «Сделай скрипт на Python, который перекрасит все стены толщиной более 300 мм в красный цвет». LLM понимает техническую суть задачи и выдает готовый код для Dynamo или Revit API, экономя время на написание простых плагинов.
Контекстное окно (Context Window)
Это объем информации, который ИИ может «удержать в голове» за один раз. В нашей сфере это критично, так как описание даже одного раздела проекта — это огромный массив данных. Контекстное окно можно сравнить с оперативной памятью: если оно маленькое, ИИ быстро «забудет», о чем вы говорили в начале длинной спецификации.
Реальный пример: Если вы пытаетесь скормить ИИ огромный текстовый лог коллизий по всему жилому комплексу, модель с маленьким окном просто выдаст ошибку или проигнорирует часть данных. С большим окном (от 100к токенов и выше) ИИ может проанализировать тысячи ошибок разом и найти общую проблему, например, системную ошибку в привязке высотных отметок у смежников.
Агенты (AI Agents)
Это не просто чат, а автономная программа, у которой есть цель и доступ к инструментам. Агент может сам планировать шаги для достижения результата, работая как виртуальный помощник. Ему не нужно пошагово объяснять, что делать — он сам выстраивает цепочку действий: «сначала скачаю, потом отфильтрую, потом отправлю».
Реальный пример: Вы запускаете агента и даете задачу: «Проверь статус замечаний в Autodesk Construction Cloud и, если срок просрочен, напиши исполнителю в Telegram». Агент сам идет в API, сверяет даты и выполняет рассылку, пока вы заняты координацией.
Токены (Tokens)
Это своего рода «валюта» и единица измерения данных. ИИ не видит слова целиком, он разбивает их на части (токены). В BIM-задачах передача огромных JSON-файлов с параметрами элементов тратит много токенов, а значит — увеличивает стоимость или нагрузку на систему.
Реальный пример: Когда вы просите проанализировать 500 параметров из Revit-модели, стоимость или скорость работы будут зависеть именно от количества токенов. Поэтому перед отправкой данных в ИИ их часто предварительно чистят от лишнего «шума», чтобы не переплачивать за пустые строки и ненужные свойства.
