LLM внутри конфигурации

Библиотека интеграции 1С с GigaChat от Сбера: полный доступ к API для работы с диалогами и чатами (создание/удаление диалогов, создание, удаление и…

1С-функции для работы с LLM: генерация текста, преобразование текста в запросы 1С, векторные представления, распознавание и синтез речи, генерация и…

Работа с YandexGPT (генерация текста, выбор модели, температура, лимит токенов, таймаут) и YandexART (генерация изображений по описанию с выбором формата,…

Практическое сравнение GigaChat-2-Pro и локального Qwen3-Coder 30B на двух реальных конфликтах BSL при обновлении расширения. Обе модели решили первый случай, а во втором локальная модель ошиблась с уверенностью 95%; детерминированная проверка обнаружила расхождение. Автор честно ограничивает вывод малым числом тестов и приводит аппаратную конфигурацию, контекст и время выполнения. Главная ценность материала — схема контроля: алгоритм выделяет проблему, LLM предлагает решение, алгоритм проверяет сохранность изменений, после чего разработчик и тестовая база подтверждают результат.

Официальная инструкция объясняет подключение Битрикс24 к внешним ассистентам через MCP-сервер. На примерах ChatGPT и Yandex AI Studio показаны OAuth-авторизация, токен подключения, выдача доступа и отключение интеграции. После настройки из чата можно работать с CRM, задачами, структурой, приглашениями и почтой в пределах доступного набора действий. Материал важен для темы ИИ в Bitrix24 и MCP: он описывает не генерацию текста внутри портала, а управляемые операции внешнего агента. Администратору особенно полезны шаги отзыва доступа и указание, что интеграция по умолчанию выключена.

Учебная реализация маленькой языковой модели целиком на встроенном языке 1С показывает токенизацию, эмбеддинги, внимание, feed-forward слой и выбор следующего токена без скрытого внешнего API. Автор поясняет ограничения демонстрации, стоимость размера модели и различие между инференсом в 1С и обучением снаружи. Материал помогает разработчику понять, почему LLM работает с токенами, откуда берутся вероятностные ответы и почему уверенная формулировка не равна проверенному факту. Это не готовый промышленный ассистент, а наглядный инженерный эксперимент для понимания механики моделей.

Автор описывает шлюз для вопросов к 1С без входящего порта, расширения и отдельного сервера в контуре базы. Внешняя обработка сама забирает задания исходящим HTTPS, исполняет запросы с правами текущего сеанса и возвращает результат; читающий ключ физически не разрешает запись, а запись требует пробного прогона и подтверждения. Разобраны сценарии консультанта, бухгалтера и разработчика, включая старые УПП и обычные формы. Материал ценен честными ограничениями: модель может выбрать неверный период или вид цены, поэтому значимые цифры нужно сверять с отчётами.

Пошаговая сборка минимального RAG-помощника без Python: 1С отправляет HTTP-запросы, документы режутся на фрагменты, векторный поиск выбирает близкий контекст, после чего LLM формирует ответ. Автор показывает компоненты прототипа, структуру данных и код обращения к модели, а также объясняет отличие смыслового поиска от простого поиска по словам. Материал даёт компактную архитектуру для эксперимента и показывает, что перед эксплуатацией придётся усилить хранение секретов, обработку ошибок, качество чанков и проверку ответов.

Технический разбор архитектуры двух MCP-серверов для 1С: documents1c с поиском по документации платформы и metadata1c с поиском по конфигурациям. По шагам описан RAG-конвейер: чанкинг документации с «хлебными крошками», кеш эмбеддингов в Redis, векторный поиск на pgvector, слияние выдачи через reciprocal rank fusion, BM25-реранкинг и постобработка рассуждающей моделью. Объяснено, зачем автор отказался от готовых векторных баз и уложил поиск по миллионам чанков в ноутбук. Набор решений и граблей для тех, кто строит поиск по документации 1С, чтобы агент отвечал со ссылками на источники.

Сравнение семи LLM в одинаковом агентном сценарии: моделям дали доступ к проекту ЗУП и попросили самостоятельно изучить конфигурацию. Автор сопоставляет Claude, Kimi, GLM, GigaChat, Gemini, Grok и YandexGPT по работе с инструментами, пониманию архитектуры БСП и глубине анализа кода. Важная часть материала — не общий рейтинг, а наблюдаемые ошибки: пропущенные паттерны, поверхностное чтение структуры и неспособность начать tool-вызовы без подсказки. Статья помогает выбрать модель для агента 1С и спланировать собственный тест.

Автор представляет библиотеку-коннектор, которая скрывает различия API нескольких семейств моделей за единым интерфейсом 1С. В статье разобраны провайдеры и способы авторизации, автоматическое обновление OAuth-токенов, настройка справочника моделей, экспертов и тестовой обработки. Поддерживаются облачные сервисы и OpenAI-совместимые локальные серверы, включая Ollama. Материал полезен разработчику, которому нужно не просто отправить один HTTP-запрос, а построить заменяемый слой интеграции и переключать модели без переписывания прикладного кода.

Статья по материалам доклада показывает прикладной сценарий подключения LLM к 1С: из назначения банковского платежа нужно извлечь номер и дату счёта. Автор сравнивает GigaChat, YandexGPT, небольшие локальные модели и другие сервисы, обсуждает требования к видеопамяти и выбирает схему с промежуточным Python-веб-сервером. Отдельно показано использование кодовых моделей для подготовки клиента 1С и серверной части. Материал ценен не только готовой связкой, но и разбором границы применимости: простые модели не справляются, а для результата нужны проверяемый формат ответа и обработка ошибок.

Продолжение практического обзора моделей для генерации BSL-кода. Автор добавляет Claude Sonnet 4, модели OpenAI, Qwen, Llama и Grok, сравнивает ответы на одинаковых заданиях и обсуждает, насколько результат пригоден для разработки 1С. Материал показывает быстрый темп смены лидеров и необходимость повторять тесты на собственных задачах, а не выбирать модель по общим бенчмаркам. Полезен как набор примеров и критериев: корректность синтаксиса, знание платформы, способность учитывать контекст и цена исправления правдоподобного, но неработающего кода.

Видеоматериал показывает альтернативный сценарий OCR: изображение отправляется в сервис распознавания через бота, а тот возвращает извлечённый текст; тот же API можно вызвать непосредственно из 1С. Автор демонстрирует работу на документах и объясняет, какие данные получает интеграция. Запись полезна разработчикам, которым штатного ввода первички недостаточно и нужен общий канал «изображение — структурированный результат». При оценке решения важно отдельно проверить поддержку нужных форм документов, формат ответа и правила передачи изображений во внешний сервис.

Навигационная статья по библиотеке искусственного интеллекта для 1С: как установить расширение, настроить подключение к моделям и использовать готовые компоненты в прикладных решениях. Автор связывает библиотеку с серией примеров и объясняет общий интерфейс генерации текста, хранение настроек и варианты работы с YandexGPT. Материал немного старше стандартного окна в 18 месяцев, но включён как фундаментальная документация действующего инструмента из справочника. Он помогает понять архитектуру библиотеки до загрузки расширения и выбрать подходящий пример интеграции.

Библиотека для прямой интеграции конфигураций 1С с API GigaChat. README описывает получение токена, настройку клиента, отправку сообщений и использование ответов модели из встроенного языка. Репозиторий полезен как минимальный первоисточник для разработчика, которому не нужна универсальная прослойка над множеством провайдеров. По коду можно проверить формат HTTP-запросов, сериализацию и обработку авторизации, а затем обернуть вызовы собственными правилами журналирования и ошибок. Для продуктивного контура отдельно потребуется определить хранение секретов, лимиты и проверку результата.

Репозиторий универсального коннектора для 1С содержит исходный код, инструкции и примеры интеграции с несколькими LLM-провайдерами. Помимо единого API, README описывает агентскую петлю с function calling, RAG, MCP-сервер, анализ ошибок и генерацию диаграмм. Это техническое дополнение к обзорной статье: по репозиторию можно проверить структуру расширения, поддерживаемые сценарии и порядок установки. Материал полезен разработчикам, которым важно оценить открытый код и решить, использовать библиотеку целиком или взять отдельные компоненты подключения, авторизации и вызова инструментов.