Вайб кодинг для 1С
Лучший код - тот, который не написан.
Хватит кодить руками!
Хватит кодить руками!
MCP серверы обеспечивают модель необходимым контекстом
MCP серверы для вайб кодинга конечно основной товар. Но часть функционала также содержится в конструкторе MCP для 1С. В частности для вайбкодинга там есть инструменты "верификация запроса" и "выполнение кода".
Видео по теме вайб кодинга и 1С
Настройка среды для вайб кодинга на 1С
Пример решения простой задачи при помощи вайб кодинга
Исполнение фриланс заказа при помощи вайбкодинга
Использование MCP серверов прямо в браузере (!) с любыми сетями
Обзор Gemini CLI и использования с MCP серверами для кодинга на 1С
Использование Gemini CLI для вайбкодинга в 1С:EDT
Разворачивание локальной LLM модели для разработки
Конструктор MCP для 1С
Подробное описание MCP серверов
Технический директор Microsoft Кевин Скотт (Kevin Scott) сделал прогноз о будущем профессии программистов в подкасте 20VC британского венчурного инвестора Гарри Стеббингса (Harry Stebbings). Он заявил, что уже к 2030 г. 95% кода будет сгенерировано искусственным интеллектом (ИИ).
"Лучший код - который не написан".
"Вы всё ещё пишете код руками, тогда мы идём к вам".
Громкие заголовки, говорящие что через пару лет 90+% кода будет писать ИИ - не шутка.
Собственно уже на текущем уровне развития современных нейросетей код получается весьма неплохим (ну, по крайней мере меня устраивает).
Не могу призывать всех и каждого писать код только при помощи ИИ. Там есть свои нюансы, особенно при работе с огромной кодовой базой в которой куча Legacy. Не поверите, но ему ещё и учиться надо :). Но тем не менее, время эта штука при любом раскладе экономит порядочно. Поэтому кодить совсем без ИИ кажется роскошью в современном мире.
"Лучший код - который не написан".
"Вы всё ещё пишете код руками, тогда мы идём к вам".
Громкие заголовки, говорящие что через пару лет 90+% кода будет писать ИИ - не шутка.
Собственно уже на текущем уровне развития современных нейросетей код получается весьма неплохим (ну, по крайней мере меня устраивает).
Не могу призывать всех и каждого писать код только при помощи ИИ. Там есть свои нюансы, особенно при работе с огромной кодовой базой в которой куча Legacy. Не поверите, но ему ещё и учиться надо :). Но тем не менее, время эта штука при любом раскладе экономит порядочно. Поэтому кодить совсем без ИИ кажется роскошью в современном мире.
Тут всё просто: 1С всё-таки LowCode фреймворк, а им с сетями приходится непросто.
Генерация прекрасно работает для текстовой информации, но вот для такого "странного" понятия как "метаданные" естественно будут нюансы.
У меня пока вопросы генерации форм и метаданных полноценно не решены. И не уверен что имеет смысл их решать. При работе с кодом даже на языке разработки общего назначения прежде чем вы начинаете кодогенерацию лучшей практикой является описать (с помощью нейросети тоже, конечно) что вы в итоге собираетесь сделать.
Так вот как раз создание метаданных и форм отчасти решает этот вопрос. Итоговое приложение всё равно надо будет "придумать" и от этого вы никак не отвертитесь. Более того, метаданные это очень непростая история, как вам уже известно. Ошибка при решении этой задачи может "дорого стоить" системе. Нужно продумывать запросы, индексы, использование метаданных заранее. Необходимо учитывать возможную работу системы под нагрузкой, транзакционные блокировки и много ещё неочевидных вещей. Все их расписать для генерации нейросетью пожалуй дольше чем пара кликов мышки для создания.
Поэтому, если честно особой цели генерации метаданных и форм не ставил и в рамках данной публикации она решаться не будет. Насколько нужна ещё будем анализировать, в том числе читать комменты.
Данная публикация, кроме всего прочего, направлена главным образом на решение вопросов генерации кода.
Генерация прекрасно работает для текстовой информации, но вот для такого "странного" понятия как "метаданные" естественно будут нюансы.
У меня пока вопросы генерации форм и метаданных полноценно не решены. И не уверен что имеет смысл их решать. При работе с кодом даже на языке разработки общего назначения прежде чем вы начинаете кодогенерацию лучшей практикой является описать (с помощью нейросети тоже, конечно) что вы в итоге собираетесь сделать.
Так вот как раз создание метаданных и форм отчасти решает этот вопрос. Итоговое приложение всё равно надо будет "придумать" и от этого вы никак не отвертитесь. Более того, метаданные это очень непростая история, как вам уже известно. Ошибка при решении этой задачи может "дорого стоить" системе. Нужно продумывать запросы, индексы, использование метаданных заранее. Необходимо учитывать возможную работу системы под нагрузкой, транзакционные блокировки и много ещё неочевидных вещей. Все их расписать для генерации нейросетью пожалуй дольше чем пара кликов мышки для создания.
Поэтому, если честно особой цели генерации метаданных и форм не ставил и в рамках данной публикации она решаться не будет. Насколько нужна ещё будем анализировать, в том числе читать комменты.
Данная публикация, кроме всего прочего, направлена главным образом на решение вопросов генерации кода.
В публикации 3 Docker контейнера в которых 3 MCP сервера, но в одном из них 2 tool-а.
Функции следующие:
1) RAG поиск по метаданным
Почему важно: Нейросеть не знает ничего о вашей конфигурации. Можно пытаться "объяснить" собирая контекст руками, но это длительное и муторное занятие.
Можно закинуть все метаданные в контекст и надеяться на лучшее. Контекста может хватить (хотя вряд ли), но ещё идёт расход токенов (для многих сетей). Не говоря уже о том что закидывать контекст надо для каждого разработчика.
Что делает: MCP сервер индексирует отчет по метаданным и предоставляет нейросети информацию о них по запросу
Особенности: Векторная БД и модель ИИ используется. После старта контейнер выкачивает из сети модель ML и запускает индексацию. В зависимости от производительности машины и количества метаданных до полного старта может занять время. Также использование модели требует достаточно приличного объёма памяти (до нескольких гигабайт)
2) RAG поиск по коду
Почему важно: О вашем коде нейросеть соответственно тоже ничего не знает. Тут проще - если использовать специализированную IDE она код проиндексирует. Но во-первых делает она это иногда несколько странно, во-вторых, не у всех есть специализированная IDE и иногда хочется просто "спросить" без её использования
Что делает: MCP сервер индексирует код и предоставляет его части по запросу.
Особенности: Векторная БД и модель ИИ используется. После старта контейнер выкачивает из сети модель ML и запускает индексацию. В зависимости от производительности машины и количества метаданных до полного старта может занять время. Также использование модели требует достаточно приличного объёма памяти (до нескольких гигабайт)
3) Синтаксический контроль модулей
Почему важно: Нейросеть регулярно "выдумывает" не существующие методы, синтаксические конструкции, и ещё что то в этом роде. Для 1С, к сожалению, чаще чем для других языков программирования. Поэтому проверить сгенерированный код как с точки зрения синтаксиса так и с точки зрения лучших практик задача крайне важная. Для проверки используется BSL Language Server //infostart.ru/1c/articles/1789716/ широко известный в среде 1С как используемые для Sonar так и для VS Code.
Что делает: MCP сервер использует BSL Language Server для проверки кода. Получает код от сети и возвращает результат проверки
Особенности: Проверки могут занимать время. Не слишком много, но так или иначе увеличивают время работы ИИ
4) RAG Извлечение справки 1С и поиск по ней
Почему важно: Нейросеть "не знает" полного синтаксиса 1С. Более того, "знает" только синтаксис какой то из версий платформы, скорее всего устаревшей. Синтаксис меняется. Открытой документации нигде нет. А нейросети она очень сильно нужна. Когда она "выдумывает" функцию, то поиск по выдуманной в большинстве случаев приведёт к существующей. Кроме того, это существенно быстрее, чем исправление ошибок после синтаксического контроля. Опять же позволяет нейросети лишний раз не сёрфить по интернету в поисках часто весьма скудной документации 1С, что существенно дольше локального поиска.
Что делает: MCP сервер извлекает актуальную справку из нужной версии платформы, индексирует её и предоставляет доступ для поиска
Особенности: Векторная БД и модель ИИ используется. После старта контейнер извлекает справку из 1С, выкачивает из сети модель ML и запускает индексацию. В зависимости от производительности машины и количества метаданных до полного старта может занять время. Также использование модели требует достаточно приличного объёма памяти (до нескольких гигабайт)
Функции следующие:
1) RAG поиск по метаданным
Почему важно: Нейросеть не знает ничего о вашей конфигурации. Можно пытаться "объяснить" собирая контекст руками, но это длительное и муторное занятие.
Можно закинуть все метаданные в контекст и надеяться на лучшее. Контекста может хватить (хотя вряд ли), но ещё идёт расход токенов (для многих сетей). Не говоря уже о том что закидывать контекст надо для каждого разработчика.
Что делает: MCP сервер индексирует отчет по метаданным и предоставляет нейросети информацию о них по запросу
Особенности: Векторная БД и модель ИИ используется. После старта контейнер выкачивает из сети модель ML и запускает индексацию. В зависимости от производительности машины и количества метаданных до полного старта может занять время. Также использование модели требует достаточно приличного объёма памяти (до нескольких гигабайт)
2) RAG поиск по коду
Почему важно: О вашем коде нейросеть соответственно тоже ничего не знает. Тут проще - если использовать специализированную IDE она код проиндексирует. Но во-первых делает она это иногда несколько странно, во-вторых, не у всех есть специализированная IDE и иногда хочется просто "спросить" без её использования
Что делает: MCP сервер индексирует код и предоставляет его части по запросу.
Особенности: Векторная БД и модель ИИ используется. После старта контейнер выкачивает из сети модель ML и запускает индексацию. В зависимости от производительности машины и количества метаданных до полного старта может занять время. Также использование модели требует достаточно приличного объёма памяти (до нескольких гигабайт)
3) Синтаксический контроль модулей
Почему важно: Нейросеть регулярно "выдумывает" не существующие методы, синтаксические конструкции, и ещё что то в этом роде. Для 1С, к сожалению, чаще чем для других языков программирования. Поэтому проверить сгенерированный код как с точки зрения синтаксиса так и с точки зрения лучших практик задача крайне важная. Для проверки используется BSL Language Server //infostart.ru/1c/articles/1789716/ широко известный в среде 1С как используемые для Sonar так и для VS Code.
Что делает: MCP сервер использует BSL Language Server для проверки кода. Получает код от сети и возвращает результат проверки
Особенности: Проверки могут занимать время. Не слишком много, но так или иначе увеличивают время работы ИИ
4) RAG Извлечение справки 1С и поиск по ней
Почему важно: Нейросеть "не знает" полного синтаксиса 1С. Более того, "знает" только синтаксис какой то из версий платформы, скорее всего устаревшей. Синтаксис меняется. Открытой документации нигде нет. А нейросети она очень сильно нужна. Когда она "выдумывает" функцию, то поиск по выдуманной в большинстве случаев приведёт к существующей. Кроме того, это существенно быстрее, чем исправление ошибок после синтаксического контроля. Опять же позволяет нейросети лишний раз не сёрфить по интернету в поисках часто весьма скудной документации 1С, что существенно дольше локального поиска.
Что делает: MCP сервер извлекает актуальную справку из нужной версии платформы, индексирует её и предоставляет доступ для поиска
Особенности: Векторная БД и модель ИИ используется. После старта контейнер извлекает справку из 1С, выкачивает из сети модель ML и запускает индексацию. В зависимости от производительности машины и количества метаданных до полного старта может занять время. Также использование модели требует достаточно приличного объёма памяти (до нескольких гигабайт)
Любой компьютер или сервер на котором можно развернуть Docker контейнер. Скорее всего для вас это будет Docker Desktop. Ну и нужен ещё WSL2 если вдруг не активирован.
Около 20 ГБ на жестком диске (5-7 ГБ на контейнер). К сожалению RAG модели много весят, как и библиотеки для работы с ними. Но без них и векторной БД поиск, к сожалению, даёт не совсем те результаты, которые бы удовлетворяли задачам вайб кодинга.
Наибольший эффект вы почувствуете если в качестве IDE для вайб кодинга будете использовать Cursor, а в качестве IDE для отладки и работы с метаданными - EDT. В этом случае вы можете параллельно работать с одной кодовой базой и это не вызывает проблем. При этом при работе в конфигураторе тоже не проблема использовать генерацию кода. Выгрузить конфигурацию в файлы и загрузить конфигурацию из файлов вообщем то быстрая операция. Как и копирование кода, но копирование всё таки достаточно далеко от идеала...
Также MCP серверы улучшат работу с 1С любой нейросети или клиента, но только который поддерживает протокол MCP. В настоящий момент времени его поддерживают уже практически все крупные вендоры (даже OpenAI сдалась). Но на всякий случай убедитесь в поддержке как самой моделью так и клиентским приложением которым вы пользуетесь. Модели работают через http интерфейс (но конечно же по умолчанию localhost). Но приятная новость заключается в том что контейнеры можно развернуть на всю организацию (если работаете с одной системой это особенно удобно), можно вцелом организовать и публичный доступ для определенных сетей.
Если очень хочется использовать локальные сети - обратите внимание на LMStudio - абсолютно прекрасный продукт. Запускает LLM локально, многие даже на CPU. По уровню поддержки оборудования и удобства с классической ollama не сравнить. Cursor, к сожалению захочет чтобы модель была доступна извне, но проблем это вцелом не вызывает, как минимум ngrok позволяет решить. Сам кейс описан тут https://medium.com/@hyperfox_/run-cursor-ai-for-free-with-open-source-llm-55396c1411b1 но надо понимать что для приличного качества локальных моделей пока несколько хуже чем лучших облачных, а для хорошего качества хорошее оборудование потребуется и потребуется его немало. Для меня лично поделиться своим кодом с гуглом
Около 20 ГБ на жестком диске (5-7 ГБ на контейнер). К сожалению RAG модели много весят, как и библиотеки для работы с ними. Но без них и векторной БД поиск, к сожалению, даёт не совсем те результаты, которые бы удовлетворяли задачам вайб кодинга.
Наибольший эффект вы почувствуете если в качестве IDE для вайб кодинга будете использовать Cursor, а в качестве IDE для отладки и работы с метаданными - EDT. В этом случае вы можете параллельно работать с одной кодовой базой и это не вызывает проблем. При этом при работе в конфигураторе тоже не проблема использовать генерацию кода. Выгрузить конфигурацию в файлы и загрузить конфигурацию из файлов вообщем то быстрая операция. Как и копирование кода, но копирование всё таки достаточно далеко от идеала...
Также MCP серверы улучшат работу с 1С любой нейросети или клиента, но только который поддерживает протокол MCP. В настоящий момент времени его поддерживают уже практически все крупные вендоры (даже OpenAI сдалась). Но на всякий случай убедитесь в поддержке как самой моделью так и клиентским приложением которым вы пользуетесь. Модели работают через http интерфейс (но конечно же по умолчанию localhost). Но приятная новость заключается в том что контейнеры можно развернуть на всю организацию (если работаете с одной системой это особенно удобно), можно вцелом организовать и публичный доступ для определенных сетей.
Если очень хочется использовать локальные сети - обратите внимание на LMStudio - абсолютно прекрасный продукт. Запускает LLM локально, многие даже на CPU. По уровню поддержки оборудования и удобства с классической ollama не сравнить. Cursor, к сожалению захочет чтобы модель была доступна извне, но проблем это вцелом не вызывает, как минимум ngrok позволяет решить. Сам кейс описан тут https://medium.com/@hyperfox_/run-cursor-ai-for-free-with-open-source-llm-55396c1411b1 но надо понимать что для приличного качества локальных моделей пока несколько хуже чем лучших облачных, а для хорошего качества хорошее оборудование потребуется и потребуется его немало. Для меня лично поделиться своим кодом с гуглом
1) Cursor IDE 20$ в месяц и море удовольствия
2) MCP серверы по ссылкам ниже
3) Если что то серьёзное хочется разработать - сначала план
4) Если хочется потом модифицировать код - семантическая разметка
5) Сети для 1С: gemini, grok, claude. Локальные - лучшая Llama4
2) MCP серверы по ссылкам ниже
3) Если что то серьёзное хочется разработать - сначала план
4) Если хочется потом модифицировать код - семантическая разметка
5) Сети для 1С: gemini, grok, claude. Локальные - лучшая Llama4
После оплаты вам на почту приходит архив с лицензионными ключами и ссылками на контейнеры. Запускаются они одной командой, но есть опции, которые также описаны в архиве. Контейнеры предоставляются AS IS, без ограничений по сроку использования. Поддержка и возврат - в чате канала https://t.me/comol_it_does_matter но если есть сомнения в покупке - лучше отказаться. Суммы незначительные, отзыв лицензионных ключей история проблемная. Также консультации по работе OC и docker не входят в поддержку
