LDraw-Nova permet aux agents IA de générer des modèles CAO LEGO constructibles dans LDraw

LDraw-Nova est une boîte à outils open source qui fournit aux agents de codage IA les primitives, les prompts et la documentation nécessaires pour générer des fichiers sources .ldr et .mpd — le langage d'assemblage de bas niveau qui décrit les modèles LEGO une instruction de placement à la fois. Ces fichiers s'affichent sous forme de modèles CAO interactifs dans des outils comme LDView, LeoCAD et Studio.

L'auteur a itéré pendant environ un an à travers plusieurs tentatives précédentes — ldbuilder-ai, py2bricks et py4bricks — avant d'aboutir à deux conclusions fonctionnelles :

• Il existe un chemin de moindre résistance vers les mathématiques de la géométrie. Les agents sont bien meilleurs pour générer du code Python qui produit les mathématiques que pour émettre eux-mêmes les rotations et les positions. L'outillage contourne donc la géométrie LDraw directe en faisant écrire aux agents du Python qui la génère.
• Les agents apprennent mieux à partir de code Python qui produit des modèles qu'à partir des modèles eux-mêmes.

Ce que vous obtenez à la fin d'une construction

• Le source LDraw du modèle
• Une visionneuse 3D, un lecteur 3D et une sortie interactive VR (Meta Quest 3)
• Un glTF éditable dans Blender (.glb) avec les métadonnées stockées comme propriétés personnalisées Blender
• L'historique complet du chat et le processus de réflexion de l'agent

Installation

Vous aurez besoin de Git et Docker. L'application web se trouve dans un dépôt voisin, alors clonez les deux côte à côte au même tag :

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

Puis construisez et démarrez :

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

La première construction prend du temps et nécessite environ 5 Go d'espace disque. L'application expose deux ports :

• https://localhost:8443 — requis pour la VR sur Quest 3. Certificat auto-signé, attendez-vous donc à un avertissement du navigateur la première fois.
• http://localhost:8765 — HTTP simple, sans avertissement de certificat. La VR ne fonctionnera pas ici.

Les autres appareils du même réseau y accèdent via l'IP de votre machine, par ex. https://192.168.1.20:8443. Il n'y a pas de connexion — ne l'exécutez que sur des réseaux de confiance. Arrêtez avec docker compose down.

Recherche et reranking

Les agents utilisent jev-rerank (également du même auteur) pour la recherche sémantique avec re-classement, propulsée par Jev System One de TypeSafe. Si vous définissez TYPESAFE_API_KEY dans la section Paramètres de l'application, le reranking fonctionne. Sans cela, les agents se rabattent sur la recherche en texte intégral, ce qui, selon le README, peut donner de moins bons modèles.

Fournisseurs et modèles

L'application web prend en charge OpenAI, Claude et OpenRouter comme backends d'agents. L'auteur remercie GPT-6 Astra et Opus 5.5 pour avoir fait fonctionner le pipeline. Des exemples de sorties sont publiés sur anteloc.github.io/index-samples.html. Si vous voulez voir ce que l'agent pensait pendant la construction d'un modèle donné, ouvrez le fichier .mpd dans un éditeur de texte et lisez la première ligne sous l'en-tête 0 FILE.

Le dépôt compte 157 étoiles, 32 commits, une licence de type MIT affichée comme CC-BY-SA-4.0 dans l'arborescence. Cela vaut le coup d'œil si vous vous intéressez à la façon de faire produire aux agents des résultats physiquement constructibles plutôt que du texte ou des images.