LDraw Nova: khi AI agent học cách thiết kế mô hình LEGO bằng code

AI có thể vẽ một chiếc xe trông như được ghép từ LEGO. Nhưng để thiết kế một mô hình có từng viên gạch, tọa độ, góc xoay và cấu trúc có thể kiểm tra, bài toán khó hơn nhiều. LDraw Nova của Carlos Antelo chọn hướng tiếp cận đó: trang bị cho AI agent công cụ để tạo mô hình bằng ngôn ngữ LDraw, thay vì dừng ở một bức ảnh đẹp.[1][4]

Điểm thú vị nhất không nằm ở việc “AI tự xếp gạch”, mà ở cách dự án tổ chức công việc: agent viết chương trình sinh mô hình, công cụ thực thi phần hình học, rồi agent quan sát và sửa kết quả.[1] Đây là một ví dụ đáng chú ý về việc đưa coding agent ra khỏi phạm vi ứng dụng web, tiến vào thiết kế đối tượng 3D.

Phạm vi bài viết: AIDaLat tổng hợp README, tài liệu validation, khai báo package và giấy phép của dự án ngày 02/10/2026. Đây là bài phân tích tài liệu, không phải báo cáo AIDaLat đã chạy agent, đo chi phí hay lắp thử mô hình thật. Lệnh Docker dưới đây theo tag v0.6.0 mà README hướng dẫn tại thời điểm đọc.

LDraw Nova là gì — và không phải là gì?

LDraw Nova là bộ công cụ, ví dụ và hướng dẫn phục vụ AI agent thiết kế mô hình bằng các chi tiết trong thư viện LDraw. Nó hỗ trợ tìm chi tiết, tìm cấu trúc mẫu, phát hiện một số va chạm/khe hở và render không cần giao diện để agent kiểm tra tiến độ.[1]

Đừng nhầm nó với một mô hình text-to-image chuyên vẽ LEGO, hoặc một sản phẩm chính thức của LEGO Group. Dự án tuyên bố không được LEGO Group tài trợ, cho phép hay bảo trợ.[1]

Theo README, bộ đầu ra có thể bao gồm:[1]

Mã nguồn LDraw để lưu lại cấu trúc mô hình.
Góc nhìn 3D, trình phát 3D, hình ảnh và trải nghiệm VR tương tác trên Meta Quest 3.
Tệp glTF dạng .glb có thể chỉnh sửa trong Blender; metadata được đưa vào Custom Properties.
Lịch sử chat và quá trình suy nghĩ của agent theo cách ứng dụng cung cấp.

Như vậy, giá trị của sản phẩm nằm ở một mô hình có dữ liệu cấu trúc và khả năng chỉnh sửa, không phải chỉ một hình minh họa cuối cùng.

Vì sao để AI viết Python thay vì tự tính từng phép xoay?

Tác giả cho biết các thử nghiệm trước đó cho thấy agent làm tốt hơn khi viết code Python tạo ra phép toán hình học, so với tự sinh trực tiếp các con số trong LDraw. Agent cũng có xu hướng học hiệu quả hơn từ script tạo mô hình mẫu, thay vì chỉ đọc mô hình đã tạo.[1]

LDraw Nova xây dựng quanh nhận xét này. Workflow được mô tả như sau:[1]

Nhận ý tưởng: người dùng mô tả đối tượng muốn tạo.
Đọc tài liệu và lên kế hoạch: agent tìm chi tiết, chia mô hình thành các cụm và xác định hình dáng, màu sắc.
Tạo kế hoạch có cấu trúc: chẳng hạn tệp plan.json mô tả mô hình và các submodel.
Viết generator Python: chương trình chuyển kế hoạch thành mã nguồn LDraw, chẳng hạn tệp .mpd.
Render, quan sát và sửa: agent lặp lại việc kiểm tra hình ảnh, vị trí và thẩm mỹ cho đến khi xem công việc đã hoàn tất.

Có thể hình dung đường đi chính là:

Ý tưởng → kế hoạch → generator Python → mô hình LDraw
                         ↑                    ↓
                         └── sửa từ kiểm tra và render

Góc nhìn AIDaLat: đây là sự phân công hợp lý giữa LLM và phần mềm xác định. LLM đề xuất thiết kế và viết code; công cụ xử lý dữ liệu hình học và trả về bằng chứng. Tuy nhiên, chất lượng cuối cùng vẫn phụ thuộc việc agent sử dụng đúng công cụ và thực sự kiểm tra kết quả, không chỉ tuyên bố đã xong.

Kho tài liệu đóng vai trò “sổ tay cho thợ xây AI”

Repository không chỉ có CLI. Nó còn tổ chức hướng dẫn theo từng nhóm công việc: xe cộ, tàu vũ trụ, kết cấu Technic, cơ cấu chuyển động, mô hình lớn nhiều module, tìm mẫu tham khảo và kiểm tra kết nối. Các atlas ví dụ cung cấp điểm xuất phát để agent tái sử dụng hoặc học từ cấu trúc sẵn có.[1]

Điều này đáng chú ý với người đang xây agent chuyên ngành: một prompt dài không thể thay thế hoàn toàn kho ví dụ, từ vựng thao tác và quy trình kiểm tra. Với thiết kế 3D, kiến thức về cách ghép cụm chi tiết có thể quan trọng không kém khả năng viết Python.

Jev giúp tìm đúng chi tiết như thế nào?

Các công cụ tìm chi tiết và mô hình mẫu sử dụng jev-rerank, với semantic search và reranking được hỗ trợ bởi Jev System One của TypeSafe. Người có API key có thể đặt TYPESAFE_API_KEY trong phần Settings của web app.[1]

Không có key không đồng nghĩa ứng dụng hoàn toàn ngừng hoạt động. README cho biết agent sẽ dùng tìm kiếm toàn văn, tức FTS, làm phương án dự phòng; tác giả lưu ý cách này có thể cho kết quả mô hình kém hơn. Đây là nhận xét của tác giả, chưa phải phép so sánh định lượng do AIDaLat kiểm thử.[1]

Cũng cần phân biệt: key TypeSafe phục vụ lớp tìm kiếm/reranking nói trên, không nên hiểu là nó tự động bao gồm mọi chi phí hoặc cấu hình của agent sinh mô hình.

Cách cài web app bằng Docker

README hướng dẫn cài hai repository cạnh nhau và cùng tag: ldraw-nova chứa bộ công cụ, còn ldraw-nova-docker cung cấp đóng gói Docker cùng web app. Lần build đầu được mô tả là cần khoảng 5 GB dung lượng đĩa và có thể mất thời gian.[1]

Chuẩn bị Git và Docker có hỗ trợ lệnh docker compose. Trên Windows, có thể dùng môi trường Docker Desktop/WSL phù hợp; bài viết không xác nhận mọi cấu hình Windows đều đã được dự án kiểm thử.

Chạy trong terminal, tại thư mục muốn chứa cả hai repository:

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

Sau đó mở một trong hai địa chỉ theo hướng dẫn dự án:[1]

http://localhost:8765: giao diện HTTP, tránh vướng chứng chỉ tự ký; không hỗ trợ trải nghiệm VR theo README.
https://localhost:8443: đường HTTPS dùng cho VR trên Meta Quest 3; chứng chỉ tự ký có thể khiến trình duyệt hiển thị cảnh báo lần đầu.

Chỉ cân nhắc ngoại lệ chứng chỉ khi bạn biết rõ đây là dịch vụ cục bộ do mình vừa triển khai, không áp dụng thói quen bỏ qua cảnh báo cho website lạ.

Để dừng:

docker compose down

Lưu ý an toàn quan trọng: README cho biết web app không có đăng nhập và có thể được truy cập từ thiết bị khác trong mạng qua IP của máy chủ. Chỉ chạy trên mạng tin cậy; không mở cổng công khai ra Internet nếu chưa bổ sung kiểm soát truy cập.[1]

Nếu làm việc trực tiếp với package thay vì chỉ dùng Docker, pyproject.toml hiện yêu cầu Python từ 3.12, và khai báo CLI ldraw-agent. Phiên bản package trong tệp này là 0.1.0, khác tag cài web app v0.6.0; không nên xem hai số đó là cùng một trường phiên bản.[3][1]

“Kiểm tra đạt” không có nghĩa “chắc chắn lắp được”

Đây là giới hạn cần đọc trước khi đặt kỳ vọng. Tài liệu validation nêu rõ: checks_passed chỉ có nghĩa không có lỗi được báo trong profile kiểm tra đã chọn; không chứng minh mô hình có thể lắp ráp ngoài đời.[2]

Hệ thống kiểm tra cú pháp, tham chiếu chi tiết, ma trận biến đổi, chi tiết trùng lặp và một phần hình học/kết nối. Nhưng kiểm tra va chạm dựa trên các envelope hình học đã được tuyển chọn, không phải chứng minh giao nhau vật liệu tổng quát; thư viện metadata kết nối cũng có phạm vi hỗ trợ riêng.[2]

Một số điểm cần lưu ý:[2]

Mô hình lớn: chế độ tự động tính contacts đến 500 placements; vượt ngưỡng có thể báo rõ phần phân tích bị bỏ qua. Cần kiểm tra từng module hoặc chủ động yêu cầu phân tích toàn cảnh.
Kết cấu và cơ cấu: công cụ không chứng minh độ bền, độ cứng, khả năng đưa chi tiết vào khi lắp hoặc độ khít chế tạo; không mô phỏng đầy đủ cơ cấu chuyển động.
Danh mục vật liệu: màu sắc trong palette không đồng nghĩa chi tiết và màu đó chắc chắn có trong tồn kho thực tế.
Kết quả render: nhìn đẹp không xóa được lỗi hình học hoặc phần kiểm tra chưa được hỗ trợ.

Tác giả cũng công khai các hạn chế hiện tại: quá trình sinh còn chậm và tốn kém; mô hình lớn, đúng đòi hỏi agent mạnh; thao tác và hiệu năng VR còn vấn đề; một số họ mô hình, trong đó có tàu vũ trụ và Technic, cần cải thiện. Tạo mô hình từ sách hướng dẫn mới hoạt động một phần.[1]

Vì vậy, cách tiếp cận thực tế là bắt đầu bằng mô hình nhỏ, kiểm tra từng cụm, rồi mới tăng độ phức tạp. Với mục tiêu lắp thật, cần thêm đánh giá thủ công và thử nghiệm vật lý phù hợp.

Ai nên thử LDraw Nova?

Người chơi LEGO có nền tảng kỹ thuật có thể quan tâm đến việc biến ý tưởng thành cấu trúc số có thể chỉnh sửa. Lập trình viên AI agent sẽ tìm thấy một ví dụ cụ thể về vòng lặp lập kế hoạch–sinh code–thực thi–quan sát. Người làm nội dung 3D có thể khám phá đầu ra GLB và quy trình tiếp tục chỉnh sửa trong Blender.[1]

Ngược lại, nếu bạn cần một công cụ một-click tạo bộ hướng dẫn lắp hoàn chỉnh, bảo đảm mọi chi tiết mua được và mô hình chắc chắn bền, tài liệu hiện tại chưa đủ để hứa hẹn những điều đó.[1][2]

Mã nguồn mở, nhưng cần đọc đúng giấy phép

Tệp LICENSE của repository là GNU AGPL v3. Phần ghi công nêu tài liệu, ghi chép nghiên cứu và các vật liệu khác trong repository dùng CC BY-SA 4.0, với tác giả Carlos Antelo. Khi tái sử dụng hoặc triển khai lại, cần đọc giấy phép tương ứng và các nguồn thành phần, không mặc định mọi nội dung đều là MIT.[5][4]

Kết luận: bước thử nghiệm từ AI viết code sang AI thiết kế

LDraw Nova hấp dẫn vì nó biến một yêu cầu sáng tạo thành quy trình có kế hoạch, chương trình sinh mô hình và bằng chứng kiểm tra. Mô hình có thể tiếp tục chỉnh sửa thay vì bị đóng lại trong một bức ảnh.[1]

Điều đáng học ở dự án là kiến trúc workflow: dùng LLM cho suy luận thiết kế, Python cho thao tác xác định, render cho phản hồi thị giác và validator để chỉ ra sai sót. Nhưng cũng chính tài liệu của dự án nhắc rằng không có một dấu “pass” nào thay thế được sự thận trọng khi bước từ CAD sang vật thể thật.[2]

Bạn có thể bắt đầu tại repository LDraw Nova hoặc xem video demo của tác giả.[1]

Hình bìa: sơ đồ minh họa do AIDaLat thiết kế; không phải ảnh mô hình sinh ra từ LDraw Nova. LEGO là nhãn hiệu của LEGO Group; dự án không được hãng bảo trợ.

Bài viết diễn giải và tổng hợp tài liệu của Carlos Antelo / ldraw-nova, có bổ sung nhận định và lưu ý thực hành của AIDaLat. Nội dung phỏng theo tài liệu được ghi công theo CC BY-SA 4.0; phần chuyển thể này được chia sẻ theo cùng giấy phép.

Sources

[1] https://github.com/anteloc/ldraw-nova/blob/master/README.md [2] https://github.com/anteloc/ldraw-nova/blob/master/docs/agent/validation.md [3] https://github.com/anteloc/ldraw-nova/blob/master/pyproject.toml [4] https://github.com/anteloc/ldraw-nova/blob/master/ATTRIBUTION.md [5] https://github.com/anteloc/ldraw-nova/blob/master/LICENSE