BOM Voyage

LEO — специализированный ИИ-компаньон Dassault Systèmes для сложных задач проектирования в CATIA и 3DEXPERIENCE. Его развитие отражает постепенную стратегию внедрения ИИ в CAD: от справочного диалогового интерфейса, помогающего находить информацию, понимать инструменты и разбираться в существующих моделях, к ИИ, непосредственно работающему с контекстом изделия и инженерными данными. В 2026 году эта концепция заметно смещается в сторону полноценного агента. LEO | Mechanical Engineering уже не только объясняет устройство модели, но и может управлять изменениями геометрических параметров, связей, каркасной геометрии и структуры изделия. Появляются генерация редактируемых деталей по мультимодальным исходным данным, создание базовых конструктивных элементов CATIA — Sketch, Pad, Pocket, Hole — и автоматическая сборка изделия с определением механических интерфейсов между деталями. На видео пример с комментарием:

Как только конструкция создана, LEO сразу применяет свои знания из разных инженерных областей для её анализа. Соответствует ли она требованиям по прочности? Можно ли её изготовить? Соблюдены ли ограничения по допускам? Насколько хорошо она отвечает одновременно нескольким конкурирующим критериям — массе, жёсткости, стоимости или требованиям к материалам? Так замыкается цикл между генерацией и проверкой: он выполняется автономно и выносит на ваше рассмотрение только действительно важные результаты. Больше не нужны ручные проверки, снижается риск упустить важные компромиссы. LEO генерирует варианты, анализирует их, оценивает и совершенствует, а затем предлагает лучший результат, готовый к вашему утверждению.

И раз уж я сам про AVEVA знал достаточно мало, небольшая справка AVEVA — британская компания, один из старейших разработчиков программного обеспечения для промышленного проектирования. Она возникла в Кембридже в 1967 году как CADCentre и была одним из пионеров САПР: уже в 1976 году компания разработала одну из первых систем трёхмерного проектирования промышленных установок. В 2001 году CADCentre была переименована в AVEVA, а со временем из специализированного CAD-разработчика выросла в крупного поставщика промышленного ПО. С 2023 года AVEVA полностью принадлежит Schneider Electric. Исторически ключевой продукт компании — PDMS (Plant Design Management System), позднее развитый в AVEVA E3D Design. Это специализированная САПР для проектирования крупных промышленных объектов: заводов, энергетических установок, нефтегазовой инфраструктуры, морских сооружений и судов. В отличие от классических механических CAD, AVEVA строится вокруг общей информационной модели объекта: оборудование, трубопроводы, резервуары, металлоконструкции и другие элементы являются типизированными объектами с атрибутами, связями и пространственным положением. Система рассчитана на модели с огромным количеством элементов и одновременную работу множества специалистов разных дисциплин. Сегодня возможности E3D входят в AVEVA Unified Engineering — единую data-centric среду, объединяющую 1D-, 2D- и 3D-проектирование, инженерные данные и совместную работу. Фокус AVEVA при этом значительно шире CAD: портфель охватывает проектирование, управление инженерной информацией, строительство, эксплуатацию, промышленную автоматизацию, моделирование процессов и цифровые двойники. После объединения с программным бизнесом Schneider Electric и приобретения OSIsoft с её PI System компания фактически позиционируется как поставщик единой информационной среды для всего жизненного цикла промышленного объекта — от проектирования до эксплуатации. Модель данных AVEVA E3D исторически построена по принципу database-centric CAD: первичным является не CAD-файл, а объект в специализированной объектной СУБД DABACON. Оборудование, трубопроводы, резервуары, клапаны, конструкции и другие элементы представлены типизированными объектами с идентичностью, атрибутами, ссылками и пространственным положением. Объекты организованы в строгую иерархию владения, например SITE → ZONE → EQUIPMENT или PIPE → BRANCH → COMPONENT. Наряду с иерархией существуют произвольные ссылки между объектами, пользовательские атрибуты и вычисляемые свойства. Характерная особенность — разделение экземпляра и каталожного определения. Клапан или фитинг в проекте обычно не содержит самостоятельную геометрическую модель, а ссылается на параметризованный компонент каталога и спецификацию, определяющие геометрию, размеры, точки подключения и допустимость применения. Поэтому 3D-геометрия во многом является представлением инженерной объектной модели, а не её основой. Семантика сохраняется непосредственно в данных: система знает, что объект является трубой, насосом, соплом или клапаном, как он соединён с другими объектами и какими инженерными параметрами обладает. Большой проект при этом физически разделяется на несколько специализированных баз DABACON — для модели, каталогов, чертежей, изометрии, инженерных данных и других областей, которые объединяются в единое логическое пространство через MDB (Multiple Database). Такая архитектура изначально рассчитана на огромные модели и параллельную работу большого числа инженеров: изменения ведутся через сессии и историю, а пользователи работают с общей объектной моделью вместо обмена и блокировки больших CAD-файлов. В результате AVEVA по модели данных ближе к специализированной объектной инженерной информационной системе со встроенным 3D, чем к традиционной файловой САПР.

AVEVA E3D, агент автономно конструирует промышленный резервуар Model: Claude Opus 5, Medium Fast Generated tokens: 22.8k Context: 220k–240k

Bild — cloud-native PDM/PLM, попытка сделать для инженерных данных то, что современные SaaS-инструменты сделали для разработки ПО: убрать тяжёлое администрирование и сложность традиционных PDM/PLM и дать инженерам относительно простой web-first инструмент. Основной слой — Cloud PDM. Bild хранит исходные CAD-файлы, понимает структуру сборок и свойства CAD, ведёт версии и revisions, реализует check-out/check-in и блокировки от параллельного редактирования. Есть web-viewer, история изменений, поиск, metadata/data cards, автоматическое создание STEP/STL и BOM из CAD-сборок. При этом система multi-CAD: заявлена поддержка SolidWorks, Creo, NX, Inventor, Solid Edge, AutoCAD, Revit, Altium и нейтральных STEP/STL, а также обычных документов. Поверх PDM они постепенно строят PLM: lifecycle states, BOM Management, approvals, change orders/ECO и release-процессы. Они описывают классический PDM примерно как hardware-аналог GitHub с versioning/check-in/check-out, а Bild расширяет эту модель в сторону управления продуктом. У Bild есть двунаправленный REST API и готовые интеграции с Arena, Propel, NetSuite, Jira, First Resonance, Slack, Teams и другими системами. Например, инженер может release'нуть конструкцию в Bild, после чего CAD, metadata, BOM и автоматически полученные нейтральные форматы можно программно передать в ERP/MES/PLM. Это делает Bild потенциально удобным именно как engineering data hub между CAD и корпоративными системами. Практически Bild занимает интересное место между двумя крайностями: Dropbox / SharePoint / network drive → Bild → SolidWorks PDM / 3DEXPERIENCE / Teamcenter / Windchill Но со временем он движется вправо и уже претендует на часть функций полноценного PLM. Их основной аргумент против традиционного PDM/PLM — меньшая инфраструктурная сложность, cloud-first deployment, современный UI, multi-CAD и более открытая интеграционная модель. Отдельно сейчас развивается AI-направление Meru AI. На сайте выделены как минимум Delta — анализ различий между CAD-моделями, Echo — semantic search и готовящийся Sigma — automated reporting. То есть AI здесь пытаются привязать непосредственно к инженерному контексту и CAD/PDM-данным, а не просто добавить общий чат к PLM. https://www.getbild.com

В привычных системах управления и планирования не хватает таких сущностей, как возможности, риски, ограничения, проблемы (болевые точки), допущения, свидетельства (факты), выводы и решения. Они могут стать источниками проектов, требований и задач в будущем, но не обязательно прямо сейчас. Их лучше сохранять и периодически к ним возвращаться, пока общая картина не сложится в конкретные проекты, задачи, управленческие решения. Intelligence Management, система управления знаниями для принятия решений и координации. Централизовано, с возможностью комментирования, ссылки (например в письме), эскалации, предложений, историей. Не в личном блокнотике и, тем более, не в надежде на собственную память, с участием коллектива, но и (если оно надо) — с разными областями видимости. При разработке средствами полчищ AI агентов, когда разработка ведется со скоростью, которая ставит под сомнение нашу способность её контролировать, это становится едва ли не основным.

Для контраста: презентация Synera использования AI Workflow для автоматизации процессов в Autodesk Moldflow. 20 минут, формат гораздо лучше, содержательно, смотреть стоит

43-хминутная презентация британской aibuild OS о которой рассказывал здесь: https://t.me/BOM_Voyage/14 Не очень впечатлило, сыровато и над форматом презентации им работать и работать. Тем кто работает в этом направлении можно взглянуть, но многого не ждите.

https://partmode.com Просто ещё CAD в браузере и интеграцией ИИ. Достаточно неплохой

11-ого числа, вторник, в 16 00 по Берлину будет вебинар Synera где они презентуют новую версию их решения. Напомню, что Synera - это вроде как n8n для мира PLM, система конструирования AI Workflow разрабатываемая в Германии и уже внедрённая на BMW, Airbus, Hyundai, NASA и т.п. - не то чтобы обычный стартап с неясными перспективами, а серьёзные люди вышедшие из немецких концернов и занимающиеся таким вот. Регистрация: https://www.synera.ai/webinar-registration/product-release-26-07-quick-quilla

^^ На всякий случай поясню, Agent Harness — своего рода операционная система для AI-агента: программный каркас в котором он исполняется, который даёт модели инструменты, память, среду исполнения и управляет процессом решения задачи. Все кто разрабатывают агентские системы так или иначе пишут этот самый Harness.

^^ Protolabs и Xometry решают похожую задачу: превращают заказ изготовления деталей в цифровой сервис. Инженер загружает CAD-модель, указывает материал, допуски, покрытие, количество и срок, после чего система быстро выдаёт цену, DFM-проверки и возможность сразу разместить заказ. Обе компании покрывают CNC, 3D-печать, литьё под давлением, листовой металл и другие процессы, поэтому для заказчика они выглядят как единая «точка входа» в большое количество производственных технологий. Protolabs исторически ближе к автоматизированной фабрике. Компания начала с быстрого изготовления пресс-форм и постепенно построила собственные производственные мощности, глубоко автоматизировав путь от CAD до изготовления. Это позволяет очень быстро выпускать прототипы и небольшие серии с относительно стандартизированными требованиями. Позже Protolabs добавила Protolabs Network — сеть внешних производственных партнёров для заказов, которые требуют большей мощности, более широкого набора процессов, сложных допусков или крупных серий. Таким образом, сейчас у Protolabs гибридная модель: собственные высокоавтоматизированные заводы плюс внешняя сеть. Xometry изначально построена скорее как marketplace производственных мощностей. Она сама выступает единым поставщиком для клиента, но физическое изготовление в основном распределяется между тысячами проверенных производителей. Центральный продукт Xometry — программная платформа, которая анализирует загруженную геометрию, автоматически оценивает стоимость и срок, даёт DFM-feedback, а затем подбирает подходящего производителя из сети. Компания прямо называет Instant Quoting Engine AI-powered и использует data science для расчёта цены и lead time. Сейчас сеть насчитывает несколько тысяч активных производственных партнёров и позволяет масштабировать заказ от единичных деталей до крупных серий. Упрощённо различие можно представить так: Protolabs — «мы построили автоматизированный завод и добавили к нему сеть подрядчиков», Xometry — «мы построили программный рынок, который превращает существующие заводы в одну виртуальную фабрику». Поэтому Protolabs сильнее контролирует сам технологический процесс на собственных мощностях, а Xometry сильнее в маршрутизации заказов, динамическом ценообразовании и использовании распределённой производственной ёмкости. На этом фоне Hadrian идёт ещё дальше по вертикальной интеграции. Xometry в основном оптимизирует связь «заказчик <=> производитель», Protolabs автоматизирует изготовление внутри стандартизированной цифровой фабрики, а Hadrian пытается программно автоматизировать практически весь завод: технологическую подготовку, оборудование, операторов, scheduling, inspection и качество. Поэтому условную эволюцию можно представить как Xometry — marketplace manufacturing, Protolabs — digital manufacturing, Hadrian — software-defined factory.

^^ ИИ у Hadrian используется прежде всего внутри Opus — программной платформы, которая связывает инженерную документацию, подготовку производства, оборудование, контроль качества и управление фабрикой. ИИ помогает интерпретировать CAD-данные, чертежи, спецификации и в том числе старую неструктурированную документацию, извлекая из них производственные требования. Далее система автоматизирует значительную часть работы, которую на традиционном предприятии выполняют технологи и производственные инженеры: определение последовательности операций, выбор оборудования и инструментов, подготовку производства и организацию контроля. Цель — сократить количество ручных решений между получением документации заказчика и запуском детали в производство. Кроме того, — в управление самой фабрикой. ИИ и алгоритмы оптимизации используются для планирования заданий, распределения их между станками и производственными ячейками, повышения загрузки оборудования и уменьшения простоев. Opus получает данные непосредственно из производственного процесса и объединяет их с информацией о заказах и требованиях. Благодаря этому Hadrian пытается превратить завод из набора отдельных CNC-станков, CAM, MES, QMS и действий операторов в единую программно управляемую систему. ИИ также участвует в контроле качества и обратной связи. Результаты измерений сопоставляются с требованиями к детали, отклонения связываются с конкретными этапами изготовления, а накопленные производственные данные могут использоваться для улучшения следующих циклов. Поэтому ИИ у Hadrian — не столько генерация CAD-моделей, сколько автоматизация роли технолога, специалиста по качеству и производственного диспетчера. Общая идея выглядит как CAD/чертёж → извлечение требований → технологический процесс → CNC → измерение и инспекция → анализ результатов → корректировка производства.

Hadrian, американская компания, занимающаяся строительством заводов и производством продукции для оборонной промышленности, привлекла $1,37 млрд в раунде Series D при оценке в почти $8 млрд. Идея компании — не просто продавать станки или ПО для завода, а строить и эксплуатировать производственные мощности как программно управляемую систему. Заказчик передаёт конструкторскую документацию и требования, а Hadrian берёт на себя изготовление деталей, контроль качества и, всё чаще, сборку более крупных изделий. Иными словами это Factory-as-a-Service, фабрика-как-сервис. Ключевой технологический компонент называется Opus. Hadrian описывает его как «операционную систему для автоматизации фабрики»: ПО интерпретирует в том числе старую конструкторскую документацию, автоматизирует подготовку производства, обработку и инспекцию изделий и старается максимально повысить загрузку оборудования. То есть это довольно близко к концепции software-defined manufacturing: CAD/чертёж → технологический процесс → станок → измерение → контроль качества образуют единую автоматизированную цепочку. Компания утверждает, что благодаря этому новых операторов можно обучать работе на производстве примерно за 30 дней. У Hadrian сейчас фактически три уровня продукта. Первый — обычное контрактное производство precision components, от прототипов до серийных деталей. Второй — Manufacturing-as-a-Service: Hadrian выделяет заказчику специализированные производственные или инспекционные ячейки, причём они могут находиться как на предприятии Hadrian, так и непосредственно у заказчика. Третий и наиболее интересный — Factories-as-a-Service: Hadrian проектирует, оснащает и эксплуатирует целый завод или производственную линию под конкретное изделие, сборку или программу. Hadrian фактически пытается автоматизировать тот слой, который в традиционном производстве размазан между технологами, CAM, MES, QMS, планированием, операторами станков и метрологией. Это попытка построить непрерывный цифровой pipeline: CAD/чертёж → распознавание требований → планирование производства → CAM/станок → измерение → inspection → данные качества → корректировка процесса. Концептуально близко к сочетанию Protolabs/Xometry, MES, CAM-автоматизации и роботизированной фабрики — только с существенно более глубоким вертикальным контролем над самим производством. Их основной продукт (сервис) фактически не software, а производственная способность. Их Opus нужен для того, чтобы эту способность можно было быстро клонировать. Hadrian утверждает, что новую фабрику на своей платформе можно вводить в строй менее чем за шесть месяцев. Если этот подход действительно масштабируется, это похоже на попытку применить к физическому производству модель облачных дата-центров: стандартизированная архитектура фабрики, общий software stack и возможность быстро добавлять новые «инстансы» производственной мощности. https://www.hadrian.co

Не могу не похвастаться тем, какие у меня агенты молодцы. Сегодня утром обнаружил что задачи начали публиковать статистику в деньгах - сколько стоила бы реализация выполненных задач, если бы токены были API, а не по персональной квоте по подписке. В целом, а так же в разрезе по этапам - планирование, кодинг, ревью и т.п. Оказалось ночью research агенты сами придумали такую фичу, проголосавали за реализацию, сделали и накатили обновление. До этого оценка производилась только в токенах. Кроме того прикрутили бюджетирование и автоподбор моделей для задачи исходя не только из её сложности, но и из бюджета, если он на задачу установлен. Каждую ночь оркестр агентов у меня не только делает задачи, если они есть в очереди, но и анализирует кодовую базу и документацию, ищет и исправляет ошибки, неточности. Но кроме того агенты ищут и идеи для дальнейшего развития, в том числе смотрят на другие подобные решения в интернете — можно ли что-то заимствовать, оценивают идеи консенсусом, несколько разных LLM, могут сразу сделать, либо оставить мне на рассмотрение. До запуска SkyNet остаётся примерно год.

И россияне — Dmitrii Zhemchuzhnikov (Москва) и Marina Barannikov (Париж). CADENA - ещё одна AI-реконструкции параметрического CAD по геометрии (mesh). На входе система получает например результат 3D-сканирования детали, а на выходе строит параметрический CAD. Формируемая последовательность CAD операций записывается как программа на Python/CadQuery: фактически задача формулируется как mesh → CAD code. Главная идея CADENA — отказаться от генерации всего дерева построения за один проход. Предыдущие модели пытались сразу предсказать полную последовательность операций и поэтому сильно зависели от типичных последовательностей, встречавшихся в обучающих данных. CADENA работает примерно так, как инженер вручную восстанавливает деталь: добавляет одну операцию, исполняет получившуюся CAD-программу, получает промежуточную геометрию, сравнивает её с исходной деталью и только затем выбирает следующую операцию. Если очередной шаг не улучшает соответствие, он отбрасывается. Получается замкнутый цикл «предположение → построение → геометрическая проверка → следующий шаг». Это существенно интереснее обычного text-to-CAD или mesh-to-CAD с autoregressive-декодированием. Модель получает обратную связь не только через токены программы, но и через фактически построенную геометрию. Поэтому ей необязательно заранее угадать правильную полную историю построения. Особенно заметно преимущество на сложных и нетипичных деталях — именно там статистическое воспроизведение знакомых CAD-последовательностей начинает плохо работать. Наиболее важен именно характер результата. Это не reverse engineering в традиционном смысле «подогнать NURBS/B-Rep поверхности под облако точек». CADENA пытается восстановить инженерную логику построения детали. Например, результат концептуально может выглядеть как: создать эскиз → extrusion → добавить цилиндрический boss → сделать отверстие → fillet → pattern. Такую модель затем можно параметрически менять, а не просто использовать как геометрическую копию исходной поверхности. Одновременно выпущен CADENA-Bench — 3396 реальных механических деталей, классифицированных по обычным инженерным семействам: валы, зубчатые колёса, корпуса, крепёж и т. п. Это важно, поскольку многие существующие CAD-ML benchmarks состоят из данных, распределение которых довольно далеко от реального набора промышленных деталей. На CADENA-Bench система выигрывает в пяти из шести категорий и по среднему результату. На BenchCAD авторы сообщают восстановление 91% целевого объёма против 71% у frontier-моделей общего назначения и 75% у специализированных решений. Код, веса модели и benchmark опубликованы открыто. GitHub: https://github.com/zhemdi/cadena Научная работа: https://arxiv.org/abs/2608.00799

Пока что без сборки, но думаю выложат

Наконец-то 100% китайское, живут и работают тоже в Китае. Правда до этого автор жила, училась и работала в США, но сейчас уже в Китае. https://github.com/Pan-Chera/Multi-Agent-CAD Multi-Agent-CAD, или MAC, — экспериментальная система text-to-CAD. Пользователь описывает деталь обычным текстом, а программа строит исполняемый Python-скрипт на build123d и получает из него 3D-модель в форматах STEP и STL. Дополнительно сохраняются исходный код модели, результаты измерений, диагностика неудачных операций и, при запуске через веб-интерфейс, GLB для просмотра в браузере. Основная идея проекта — создать полноценный гибридный CAD-конвейер. LLM отвечает за формализацию требований, геометрический план и сложные исправления; повторяемая часть выполняется детерминированным переводчиком; build123d/OCP строит точную модель; два QA-движка проверяют STEP и STL; Aider замыкает цикл. Главная архитектурная ценность — компактные структурированные границы между этапами и сохранение всех промежуточных артефактов. Заявлены результаты внутреннего бенчмарка на 10 деталях и 141 проверяемом признаке: 99,3 % пройденных признаков, примерно в 116 раз меньше токенов и в 13 раз меньшая стоимость по сравнению с использованным авторами single-agent baseline. Эти числа являются опубликованными авторами результатами, а не результатом локального воспроизведения при данном разборе. LLM можно использовать любую - хоть китайскую DeepSeek, хоть западные модели. src: https://x.com/xyz2maureen/status/2085346460032496025