Вайб-кодинг в 1С = Infostart MCP серверы

Windows 10/11 x64 или Linux x64
8 Гб RAM
20 Гб HDD
4 ядра CPU (не ARM)
установленный Docker с Docker Compose плагином

Это тот минимум, на котором запустится и будет работать. При первом запуске происходит большая предобработка (индексация), и она будет сильно разной по времени в зависимости от объёма конфигурации (метаданных), мощности ПК (CPU/RAM) и выбранной модели векторизации. По умолчанию выбрана небольшая модель sergeyzh/BERTA, которая быстро отработает даже на минимальных требованиях.

Микросервисная архитектура решения позволяет вспомогательные контейнеры запускать на одном общем мощном ПК/сервере. А на ПК разработчиков запускать только MCP-контейнеры (контейнеры, связанные с взаимодействием с IDE / LLM-агентом).

Как установить и запустить Docker на новой Windows машине:
https://rutube.ru/video/711231ab858d36a3cdca00bc09286b44/

Решение поставляется в виде набора Docker-контейнеров, описанных в файле docker-compose.yml.

Вспомогательные контейнеры:

• Векторная БД Qdrant (контейнер qdrant)
• Сервис векторизации (контейнер embedding-service)
• Сервис загрузки (индексации) данных (контейнер loader)
• Клиент MCP для тестов/проверок (контейнер mcp-inspector)

Основные контейнеры:

• MCP поиска по метаданным (контейнер mcp-metadata)
• MCP поиска по справке-синтакс-помощника (контейнер mcp-help)
• MCP проверки синтаксиса (контейнер mcp-bsl-checker)

Дополнительные материалы:

• Примеры настроек MCP для разных IDE
• Пример файла agents.md с описанием MCP-инструментов для LLM-агентов

Подготовительная часть:

1. Предварительно нужно проиндексировать (векторизовать) описание метаданных конфигурации 1С и файл справки синтакс-помощника.
2. Для работы проверки синтаксиса через bsl-language-server необходимо выгрузить исходники 1С и настроить проброс этой директории в контейнер.
3. Прописать в настройках IDE / LLM-агента параметры подключения к MCP.

LLM-агент при выполнении задачи принимает решение запросить описание какого-либо объекта метаданных. Агент делает запрос к MCP 1c-metadata, например: «Структура данных документа Заказ клиента» или «регистр запасы на складах». Запрос может включать указание типа объекта (справочник, документ, регистр и т.д.).

MCP векторизует запрос с помощью сервиса embedding-service и выполняет гибридный поиск в векторной БД Qdrant: одновременно семантический (нечёткий) и по ключевым словам. Топ-K результатов возвращается LLM-агенту — это краткий список подходящих метаданных без полных описаний.

LLM-агент выбирает наиболее релевантный объект и делает второй запрос к MCP — уже за полным описанием структуры данных. Обычно хватает одной итерации; в редких случаях агент переформулирует запрос и повторяет поиск.

Таких циклов будет столько, сколько объектов метаданных упомянуто в исходной задаче.

Этот подход называется RAG (Retrieval-Augmented Generation) — генерация, усиленная извлечением данных из внешних систем.

Принцип аналогичен работе с метаданными, но адаптирован под структуру справки 1С.

LLM-агент запрашивает описание глобальных методов или типов данных (например: «Генерация случайного числа» или «запись в регистр сведений») через MCP 1c-help.

Запрос векторизуется и обрабатывается гибридным поиском в Qdrant. В ответе — названия статей + краткое пояснение (описание из справки или список методов/свойств).

Этого достаточно, чтобы LLM-агент выбрал нужную статью и запросил её полное содержимое.

Как и в случае с метаданными, обычно хватает одной итерации.

В контейнер mcp-bsl-checker пробрасывается директория с исходниками 1С (конфигурация, расширение, обработка и т.д.).

LLM-агент передаёт путь к файлу (не текст!), например: modul.bsl. MCP преобразует путь к внутреннему расположению в контейнере и запускает проверку через bsl-language-server.

При первом запуске для полной конфигурации можно инициализировать рабочее пространство (улучшает качество проверки). Для расширений и обработок это не поддерживается и отключено по умолчанию.

По умолчанию возвращаются только ошибки (предупреждения скрыты), а результат форматируется в компактный JSON, чтобы не засорять контекст LLM-агента.

Требуются как минимум две директории:

• Для запуска решения (например, d:\mcp)
• Для проектов 1С (например, d:\projects\proj1)

Подготовка:

В d:\mcp скопируйте:

• docker-compose.yml
• bsl-ls\.bsl-language-server.json

В d:\projects\proj1 скопируйте:

• ВыгрузитьОписаниеСтруктурыКонфигурации.epf
• настройки IDE (например, папку .vscode)
• файл agents.md

Рекомендуемая структура проекта:

proj1/ Выгрузка/ ВыгрузитьОписаниеСтруктурыКонфигурации.epf ОписаниеКонфигурации.zip 1c-build/ # директория сборки бинарников (cf-файлов, epf и т.д.) 1c-src/ # директория xml-выгрузки из конфигуратора 1С (исходники) .vscode/ mcp.json # настройки MCP для VS Code Copilot agents.md # описания MCP-инструментов для LLM-агентов

Разберём настройки всех контейнеров сверху вниз:

qdrant — векторная БД
Можно ничего не менять.
В настройках указывается именованный том для хранения данных на хосте:

volumes:
  # - ./qdrant_storage:/qdrant/storage
  - qdrant_storage:/qdrant/storage

Запись в таком формате, а не относительный путь, потому что в Windows иначе получалась битая база после перезапуска контейнера. Под Linux такой проблемы нет.

embedding-service — сервис векторизации
Генерирует обычные (dense) и разрежённые (sparse) векторы.
Переменные:

• MODEL_NAME=sergeyzh/BERTA — имя модели
• VEC_DIM=768 — размерность векторов

Можно использовать любые модели, совместимые с SentenceTransformer (например, ai-sage/Giga-Embeddings-instruct).

Проброс кеша модели:

volumes:
  - ./embeddings/models:/root/.cache/huggingface/hub

Модели сохраняются в d:\mcp\embeddings\models (от 500 МБ до нескольких ГБ).

API для получения векторов:

curl --request POST \
  --url http://127.0.0.1:5000/dense \
  --header 'Content-Type: application/json' \
  --data '{"texts":["Hello world проверка 1", "Проверка два"]}'

curl --request POST \
  --url http://127.0.0.1:5000/sparse \
  --header 'Content-Type: application/json' \
  --data '{"texts":["Hello world проверка 1", "Проверка два"]}'

loader — сервис загрузки
Выполняет индексацию метаданных и справки.
Основные переменные:

environment:
  - EMBEDDING_SERVICE_URL=http://embedding-service:5000
  - QDRANT_HOST=qdrant
  - QDRANT_PORT=6333
  - ROW_BATCH_SIZE=200
  - EMBEDDING_BATCH_SIZE=50

При использовании тяжёлых моделей уменьшайте батчи, при мощном ПК — увеличивайте.
Интерфейс загрузчика: http://127.0.0.1:8501

• Для справки укажите коллекцию, например: 1c_help_rag, и выберите файл shcntx_ru.hbk.
• Метаданные загружаются из архивов (например, ОписаниеКонфигурацииУТ.zip) в отдельные коллекции: 1c-ut, 1c-bp и т.д.

mcp-metadata — поиск по метаданным
Поддерживает несколько проектов через заголовок x-collection-name.
Настройки (по умолчанию закомментированы):

# - MCP_TRANSPORT=sse
# - TOPK_LITE_SEARCH_LIMIT=15
# - USE_HYBRID_SEARCH=true

REST API для теста:

curl --request POST \
  --url http://127.0.0.1:9001/search \
  --header 'Content-Type: application/json' \
  --header 'x-collection-name: 1c_ut' \
  --data '{"query": "Продажи товаров и услуг","object_type": "Документ"}'

mcp-help — поиск по справке
Гибридный поиск включён по умолчанию.
Переменные:

MCP_TRANSPORT: http
COLLECTION_NAME_HELP: 1c_help_rag
SEARCH_LIMIT: 10
PREFETCH_LIMIT_MULTIPLIER: 3

Swagger-документация: http://127.0.0.1:9092/docs

curl --request POST \
  --url http://127.0.0.1:9092/search \
  --header 'Content-Type: application/json' \
  --data '{"query": "Число прописью"}'

mcp-bsl-checker — проверка синтаксиса
Пробрасывает директорию с исходниками:

volumes:
  - C:/Projects/Proj1/1c-src:/src:ro
  - ./mcp-bsl-checker/bsl-ls/.bsl-language-server.json:/config/.bsl-language-server.json:ro

Важные переменные:

• BSL_ONLY_ERRORS=1 — только ошибки
• HOST_WORKSPACE_DIR="C:/Projects/Proj1/1c-src" — путь к исходникам
• BSL_SKIP_WORKSPACE_INIT=1 — пропустить инициализацию (для расширений)
• MCP_TRANSPORT="http"

Для нескольких проектов запускайте отдельные контейнеры с разными портами и путями.

REST API для теста:

curl --request POST \
  --url http://127.0.0.1:9004/check-file \
  --header 'Content-Type: application/json' \
  --data '{
  "file_path": "C:/1C_Base/vs-test/1c-src-mini/CommonModules/ОбщийМодульТест/Ext/Module.bsl"
}'

Общие настройки для всех MCP
Порты можно менять в секции ports:

ports:
  - "9005:8000"

Левый порт — хоста, правый — контейнера. Не забудьте обновить порты в файлах mcp.json для IDE.