Привет, Инфостарт!
Сегодня каждый второй разработчик и аналитик 1С использует ChatGPT, Gemini или Claude для написания сложных запросов, проектирования схем интеграций (API) или составления ТЗ. Нейросети справляются с этим отлично, но ровно до тех пор, пока не спотыкаются о структуру метаданных 1С.
Обычно мы открываем Конфигуратор и начинаем руками копировать реквизиты и табличные части документа. Или пишем простенький выгружатель в JSON. Но в 90% случаев стандартный подход выдает структуру, на которой ИИ начинает «галлюцинировать» и путать имена таблиц.
В этой статье мы разберем, почему стандартный JSON из 1С не подходит для LLM-моделей, и как за 5 минут превратить обычную выгрузку в идеальный промпт для нейросети.
🛑 Ловушка №1: Слепые массивы объектов
Классический сериализатор метаданных выгружает реквизиты в виде массива объектов. Это выглядит примерно так:
json
"Реквизиты": [
{ "Имя": "Партнер", "Тип": "Справочник.ПартнерыСсылка" },
{ "Имя": "Контрагент", "Тип": "Справочник.КонтрагентыСсылка" }
]
Для человека это читаемо. Но для ИИ, который анализирует текст построчно (токенами), массив — это ад. Когда внутри массива реквизитов появляется массив табличных частей, а внутри них — массивы колонок, нейросеть теряет иерархию. Она начинает «пролистывать» данные глазами и путает, к какому объекту относится поле.
Решение: Объектная адресация (Ключ-Значение)
Чтобы ИИ понимал связи в 1С с точностью до 100%, структура должна быть представлена в виде ключей объекта JSON.
Посмотрите, как меняется логика:
json
"Реквизиты": {
"Партнер": { "Синоним": "Клиент", "Тип": "Справочник.ПартнерыСсылка" },
"Контрагент": { "Синоним": "Контрагент", "Тип": "Справочник.КонтрагентыСсылка" }
}
При такой структуре JSON весит на 30% меньше (уходит дублирование ключа "Имя"), а для нейросети путь к полю превращается в четкую прямую адресацию: Документ.ЗаказКлиента.Реквизиты.Партнер.
Качество генерации кода запросов 1С после этого вырастает в разы — ИИ перестает путать точки и имена таблиц.
🛠 Что еще критично для ИИ при генерации запросов:
- Характеристики полей (Квалификаторы): Нейросети обязательно нужно знать длину строк и точность чисел (15.2 для сумм, 10.3 для количества). Без этого она не сможет правильно составить условия или математические операции в запросе.
- Умный разбор составных типов: Если поле имеет составной тип, ИИ должен видеть все варианты ссылок, разделенные лаконичным символом (например, |). Это позволяет модели сразу понять, с какими таблицами можно делать ЛЕВОЕ СОЕДИНЕНИЕ.
🚀 Готовое решение:
Чтобы не собирать эти структуры руками, я написал и отладил легкую обработку на управляемых формах. Она берет на себя всю рутину и делает UX максимально приятным.
Что она умеет:
- Интерактивное дерево: Автоматически сканирует конфигурацию и выводит удобный список всех Справочников, Документов, Регистров. Больше ничего не нужно вбивать руками.
- Экспорт в 1 клик: Вы просто выбираете объект в дереве и нажимаете «Выгрузить в файл». Утилита сама определит вашу системную папку «Загрузки», сформирует правильное имя файла (например, Документ.ЗаказКлиента.json) и мгновенно сохранит его на диск.
- Современный код: Никаких модальных окон, только асинхронные вызовы платформы. Безопасно работает на сервере, в облаках и во Фреше.
Полученный JSON-файл достаточно просто скопировать и отправить в ChatGPT/Gemini вместе с вашим боевым заданием (написать запрос, спроектировать API-интеграцию или раскидать Use Case).
А как вы передаете структуру метаданных в нейросети для работы? Поделитесь своими лайфхаками в комментариях!
Проверено на следующих конфигурациях и релизах:
- 1С:ERP Управление предприятием 2, релизы 2.5.27.75
Вступайте в нашу телеграмм-группу Инфостарт