OpenBrep

1. 克隆项目
2. 运行 bash install.sh 安装依赖
3. 双击 start.command 启动

简体中文 | English

用自然语言驱动 ArchiCAD GDL 库对象的创建、修改与编译。

OpenBrep: Code Your Boundaries

正式发布版本 v0.6.1 — 在 v0.6.0 基础上完成 CLI 安装体验、静态检查与 chat / vision 链路补强，代码、UI、说明文档与发布说明继续保持统一。

你用 AI 写了一段 GDL 代码，想在 ArchiCAD 里测试。传统路径：

打开库对象编辑器 → 手动填参数 → 切 5 个 Script 窗口 → 粘代码 → 编译

openbrep 把这个流程压缩到：

描述需求（中文/英文皆可）→ AI 生成并填入脚本框 → 一键编译 → .gsm 拖入 ArchiCAD

或者导入已有 .gsm 文件，让 AI 帮你 debug、重构、加参数。

git clone https://github.com/byewind1/gdl-agent.git
cd gdl-agent
bash install.sh
obr

如果 obr 不可用，重开终端或运行 source ~/.zshrc

obr 默认仅在本机 http://localhost:8501 启动 UI，不会自动打开浏览器；请用你的常用浏览器手动访问或直接使用已收藏地址。

cd gdl-agent
git pull origin main
bash install.sh   # 有新依赖时重跑，无害
obr

个人配置（config.toml / API Key）升级后保持不变，无需重新配置。

需要 Python 3.10+。真实编译（.gsm 输出）需要安装 ArchiCAD 28/29。

面向 GDL 开发者的终端工作流。

pip install -e "."

# 创建对象
openbrep create "做一个宽600mm深400mm的书架，4个层板" --output ./my_shelf

# 修改对象（基于磁盘上的 HSF 项目目录）
openbrep modify ./my_shelf "把层板改成6个，间距均匀分布"

# 查看帮助
openbrep --help

每次修改都读取完整项目状态，精确修改而非重写，自动编译验证。

开发者说明：如果你当前使用的是 pip install -e "." / pip install -e ".[ui]" 的 editable install，修改仓库源码后通常会立即生效，不需要重新安装；只有在变更 pyproject.toml、依赖、命令入口（如 obr / obrcli）或打包规则时，才建议重新安装一次。

侧边栏选择 LP_XMLConverter 模式，配置路径后可导入 .gsm 文件进行修改：

# ArchiCAD 29 路径（LP_XMLConverter 内嵌于 app bundle）
/Applications/GRAPHISOFT/Archicad 29/Archicad 29.app/Contents/MacOS/
  LP_XMLConverter.app/Contents/MacOS/LP_XMLConverter

也可直接在 config.toml 中写入，启动后自动读取。

.gsm 文件解压后是这样的目录结构（HSF）：

MyBookshelf/
├── libpartdata.xml     ← 对象身份（GUID、版本）
├── paramlist.xml       ← 参数定义（强类型）
├── ancestry.xml        ← 对象分类
└── scripts/
    ├── 1d.gdl          ← Master Script
    ├── 2d.gdl          ← 2D 平面符号
    ├── 3d.gdl          ← 3D 几何模型
    ├── vl.gdl          ← 参数逻辑（VALUES/LOCK）
    └── ui.gdl          ← 自定义界面

openbrep 以 HSF 为原生格式，每个脚本独立处理，AI 只读取与当前任务相关的脚本（减少 context 占用）。

openbrep/
├── openbrep/
│   ├── hsf_project.py       # HSF 数据模型
│   ├── paramlist_builder.py # paramlist.xml 强类型生成
│   ├── gdl_parser.py        # .gdl → HSFProject
│   ├── compiler.py          # LP_XMLConverter 封装
│   ├── core.py              # Agent 主循环 + generate_only
│   ├── llm.py               # 多模型统一接口
│   ├── knowledge.py         # 知识库加载
│   └── skills_loader.py     # 任务策略加载
├── ui/
│   └── app.py               # Streamlit Web 界面
├── knowledge/               # GDL 参考文档（可自行扩充）
├── skills/                  # 任务策略（可自行扩充）
├── docs/
│   └── manual.md            # 详细用户手册
├── tests/                   # 单元测试
├── config.example.toml
└── pyproject.toml

复制 config.example.toml 为 config.toml（已 .gitignore），按需填写。

[llm]
model = "glm-4-flash"
temperature = 0.2
max_tokens = 4096

[llm.provider_keys]
zhipu     = "your-zhipu-key"
anthropic = "your-claude-key"
openai    = "your-openai-key"
deepseek  = "your-deepseek-key"
google    = "your-gemini-key"
aliyun    = "your-qwen-key"
kimi      = "your-kimi-key"

前缀匹配规则：

• glm- → zhipu
• deepseek- → deepseek
• claude- → anthropic
• gemini- → google
• qwen- / qwq- → aliyun
• moonshot- → kimi
• gpt- / o1 / o3 / o4 → openai
• ollama/ → 本地模式，不需要 API Key

[llm]
model = "ymg-gpt-5.3-codex"
api_key = "YOUR_YMG_KEY"
api_base = "https://api.ymg.com/v1"

[[llm.custom_providers]]
name = "ymg"
protocol = "openai"  # openai | anthropic
base_url = "https://api.ymg.com/v1"
api_key = "YOUR_YMG_KEY"

[[llm.custom_providers.models]]
alias = "ymg-gpt-5.3-codex"   # UI 里选择的名字
model = "gpt-5.3-codex"       # 实际请求给 provider 的模型名

请求时模型与凭据的解析顺序：

1. custom_providers（先按 alias/model 命中）
2. provider_keys（按模型前缀匹配）
3. [llm] 顶层 api_key / api_base（兜底）

也就是说：命中 custom provider 时，会优先使用该 provider 的 api_key/base_url/protocol。

• 只写 models = ["ymg-gpt-5.3-codex"]，不写 {alias, model} 对象，容易造成 alias 与真实模型名混淆。
• base_url 不是 OpenAI 兼容入口（常见是缺 /v1）。
• 切换模型后未确认 [llm].model/api_key/api_base 是否与当前 provider 成组一致。

[compiler]
path = "/Applications/GRAPHISOFT/Archicad 29/.../LP_XMLConverter"

• 用户手册 → — UI 每个功能的详细说明、工作流、常见问题

MIT — see LICENSE.