LDraw-Nova permite que agentes de IA generen modelos CAD de LEGO construibles en LDraw

LDraw-Nova es un conjunto de herramientas de código abierto que proporciona a los agentes de programación de IA las primitivas, indicaciones y documentación necesarias para generar archivos fuente .ldr y .mpd — el lenguaje de ensamblaje de bajo nivel que describe modelos LEGO una instrucción de colocación a la vez. Estos archivos se renderizan como modelos CAD interactivos en herramientas como LDView, LeoCAD y Studio.

El autor iteró durante aproximadamente un año a través de varios intentos previos — ldbuilder-ai, py2bricks y py4bricks — antes de llegar a dos conclusiones funcionales:

• Existe una ruta de mínima resistencia hacia las matemáticas de geometría. Los agentes son mucho mejores generando código Python que produce las matemáticas que emitiendo rotaciones y posiciones por sí mismos. Por lo tanto, las herramientas evitan la geometría LDraw directa haciendo que los agentes escriban Python que la emita.
• Los agentes aprenden mejor del código Python que produce modelos que de los modelos mismos.

Qué obtienes al final de una compilación

• Fuente LDraw para el modelo
• Visor 3D, reproductor 3D y salida interactiva de VR (Meta Quest 3)
• glTF editable en Blender (.glb) con metainformación almacenada como Propiedades Personalizadas de Blender
• Historial completo de chat y el proceso de pensamiento del agente

Configuración

Necesitarás Git y Docker. La aplicación web vive en un repositorio hermano, así que clona ambos lado a lado en la misma etiqueta:

git clone --branch v0.6.0 https://github.com/anteloc/ldraw-nova.git
git clone --branch v0.6.0 https://github.com/anteloc/ldraw-nova-docker.git

Luego construye e inicia:

cd ldraw-nova-docker
docker compose build
docker compose up -d

La primera compilación tarda un rato y necesita alrededor de 5 GB de espacio en disco. La aplicación expone dos puertos:

• https://localhost:8443 — requerido para VR en Quest 3. Certificado autofirmado, así que espera una advertencia del navegador la primera vez.
• http://localhost:8765 — HTTP simple, sin advertencia de certificado. VR no funcionará aquí.

Otros dispositivos en la misma red lo alcanzan a través de la IP de tu máquina, por ejemplo https://192.168.1.20:8443. No hay inicio de sesión — solo ejecútalo en redes de confianza. Detén con docker compose down.

Búsqueda y reranking

Los agentes usan jev-rerank (también del mismo autor) para búsqueda semántica con re-ranking, respaldado por el Jev System One de TypeSafe. Si configuras TYPESAFE_API_KEY en la sección de Configuración de la aplicación, el reranking funciona. Sin ella, los agentes recurren a la búsqueda de texto completo, que el README advierte que puede producir modelos peores.

Proveedores y modelos

La aplicación web soporta OpenAI, Claude y OpenRouter como backends de agentes. El autor acredita a GPT-6 Astra y Opus 5.5 por hacer funcionar el pipeline. Los resultados de muestra se publican en anteloc.github.io/index-samples.html. Si quieres ver qué estaba pensando el agente mientras construía un modelo dado, abre el archivo .mpd en un editor de texto y lee la primera línea bajo el encabezado 0 FILE.

El repositorio tiene 157 estrellas, 32 commits, licencia estilo MIT mostrada como CC-BY-SA-4.0 en el árbol de archivos. Vale la pena echarle un vistazo si te interesa que los agentes produzcan resultados físicamente construibles en lugar de texto o imágenes.