Разработчики активно используют нейросети в качестве рабочего инструмента. Но искусственному интеллекту часто недостает экспертных знаний, в частности, в сфере 1С, что приводит к ошибкам. Расскажем, как эту проблему решили благодаря MCP-серверам.
MCP-серверы – ключевое звено для адаптации 1С к эре ИИ-кодинга. Они закрывают фундаментальные пробелы нейросетей: незнание метаданных, устаревший синтаксис и отсутствие валидации. При развертывании в Docker решение масштабируется от персонального использования до корпоративных сред, делая прогноз Кевина Скотта (95% кода от ИИ к 2030 году) достижимым для экосистемы 1С.
«Писать код руками там, где его может сгенерировать ИИ – роскошь в 2025 году». ИИ не заменит разработчика, но увеличит его эффективность в 3-5 раз, особенно в legacy-проектах.
Бытует мнение, что код для 1С генерировать при помощи нейросетей не получится – все нужно писать руками. Это не так: ряд простых исследований – Вайб кодинг в 1С. Лучшие нейросети для генерации 1С кода или Вайб кодинг в 1С 2. Новые сети и инструменты – показывает, что некоторые нейросети вполне сносно генерируют 1С-ный код. Лидером среди них является Gemini, не намного отстают Grok и Claude. Есть и неплохо себя показывающие OpenSource-модели (LLama 4).
В отличие от традиционных языков программирования в случае генерации кода 1С при помощи искусственного интеллекта возникают определенные проблемы. Корень их заключается не в недостатке данных для обучения (хотя это тоже важно), а в отсутствии актуального контекста, собрать который для 1С бывает достаточно сложно.
Ключевые проблемы генерации ИИ-кода для 1С
«Слепота» ИИ к метаданным и коду
Нейросети не видят структуру конкретной конфигурации, соответственно, ничего о ней не знают. А в 1С код не отделен от данных и мало ценности в том, чтобы писать «абстрактный код в вакууме».
Можно, конечно, описать контекст и рассказать нейросети об имеющихся в конфигурации метаданных. Это тогда и займет большую часть работы по вайб кодингу. Что еще хуже – объем, который занимает контекст. Количество слов текста (токенов), которые вы можете передать модели в вашем сообщении, ограничено, хоть для русского языка эти ограничения увеличены вдвое. Можно ругать нейросети за «маленькое контекстное окно», а можно решать проблему красивым и элегантным образом.
Незнание актуального синтаксиса платформы и legacy-кода
В отличие от языков общего назначения для 1С существует недостаточно качественных обучающих датасетов. Синтаксис меняется между версиями платформы и нейросети часто предлагают устаревшие методы или вовсе не знают их и додумывают сами.
Беда в том, что под понятие «код на 1С» для нейросети попадает и код на 1С 7.7, на 1С 8.0, 8.1, 8.2… Не в каждом источнике указано, для какой версии платформы этот код. А открытого кода не так много, к сожалению.
Для классических языков программирования эта проблема стоит еще более остро. Недаром самый популярный MCP, который является must-have для любой среды разработки, это «Context7». 1C там, к сожалению, нет. Классический пример – функции хэширования или генерация случайных чисел, которые есть только в последних версиях платформы.
«Галлюцинации» и отсутствие автоматической валидации
ИИ регулярно изобретает несуществующие методы, иногда просто переводя на русский язык какой-нибудь код из языка Python, а ручная проверка таких ошибок отнимает до 40% времени разработчика.
Статистика тестов показывает, что даже передовые модели вроде Gemini и Claude допускают 2-3 ошибки на запрос при решении задач средней сложности, таких как FIFO-списание или работа с иерархическими списками. Конечно, эти ошибки хотелось бы получать автоматически из «Линтера» и отдавать.
Решение: MCP-серверы в Docker-контейнерах
Предложенная архитектура из трех специализированных серверов решает эти проблемы через реализацию протокола Model Context Protocol (MCP). Протокол поддерживают практически все современные модели, он используется в любых средах разработки (Cursor IDE, Claude Code, Claude Desktom, Windsurf), а с помощью «MCP SuperAssistant» взаимодействует с любой сетью прямо в браузере. Локальные модели тоже можно использовать.
RAG MCP-сервер поиска по метаданным и коду
Как работает
Индексирует отчет по метаданным конфигурации, используя векторную БД и Embedding модель. На запросы вида «Какие реквизиты у документа 'Заказ покупателя'?» возвращает сети описание объекта. Для получения наиболее релевантного результата необязательно знать точное имя объекта метаданных, процедуры или функции.
Преимущества
- Расход токенов снижается до минимума.
- Нет необходимости описывать модели весь контекст конфигурации, в которой вы работаете.
- Модель может использовать функции общих модулей, которые уже есть в конфигурации, или модифицировать существующие функции.
RAG MCP-сервер поиска по документации
Как работает
Индексирует актуальную справку из вашей версии платформы 1С (извлекает из установленного образа) и справку по языку запросов 1С:Предприятия.
Преимущества
- Для запроса «Как использовать получить случайное число в 1С» ИИ получает вменяемый ответ, что нужно «вспомнить» про «ГенераторСлучайныхЧисел», и пишет правильный код.
- Сервер позволяет избежать практически всех галлюцинаций и неточностей модели. А тех, с которыми он не справится, отловит SyntaxCheck.
Сервер синтаксической проверки (SyntaxCheck)
Как работает
Интегрирует BSL Language Server (движок из SonarQube/VS Code) для проверки сгенерированного кода. Обнаруживает синтаксические ошибки и рекомендации по стилю кода.
Преимущества
На выходе почти всегда получается приличный корректный код, еще и с учетом рекомендаций по стилю. Не каждый разработчик с большим опытом найдет в себе силы так написать.
Технические требования
|
Компонент |
Минимальные требования |
Сценарии использования |
|
Инфраструктура |
Docker, 20 ГБ на диске, |
Локальный ПК, |
Реальный пример эффективности – проект OneAPA, где 95% кода было сгенерировано ИИ с использованием MCP-серверов. А также OneRPA, где все современные изменения уже разработаны с помощью ИИ.
Вайб кодинг в 1С
Серверы, которые обеспечивают LLM необходимым контекстом для вайб кодинга в 1С
