本次分享的主題是「如何與大語言模型（LLM）協作？」。參數化設計正在經歷一場變革，我們將聚焦在 LLM 與 Grasshopper 的整合。
課程大綱
分享分為四個核心部分：
- 驅動現況與策略規劃
- 系統開發架構
- LLM 的安裝與實作
- 人類角色的重新定位
什麼是 MCP (Model Context Protocol)？
Model Context Protocol (MCP) 是模型上下文協議。它並非實體的硬體接頭，而是一種標準化介面，定義了 LLM 與外部工具、API 或資料庫之間的溝通規範。
透過 MCP，我們可以實現三大核心組件：
- Resources：讓 LLM 直接存取資料夾。
- Tools：執行特定的計算函數。
- Prompts：引導模型生成規範的結果。
LLM 平台比較
在選擇 LLM 平台時，API 雖然使用難度最高，但對 MCP 的支援最為完整，這也是我們開發高階自動化流程的首選方式。
設計困境與策略規劃
目前 LLM 在參數化設計中面臨三大關鍵挑戰：
- 累積誤差：複雜任務在多步驟處理中容易產生偏差。
- 轉譯失真：不完整的規格描述導致設計意圖被誤解。
- 資訊孤島：有限的反饋信號讓 AI 無法自我修正。
我們的核心策略是將任務分解、導入 DSL (領域特定語言) 作為中間語言，並增強 AI 對幾何視覺與錯誤訊息的感知。
任務需求層次
實作任務時，中間過程多是在翻譯與描述規格。以「畫一張桌子」為例，需要從目標拆解成桌腳、桌面的規格，最後才轉譯為 Grasshopper 的命令序列。
系統開發架構：GH MCP Workflow
我們的系統架構包含六大步驟：從釐清需求、拆分物件、規劃連接圖、找出 GUID、生成序列檔案，到最後的清理。核心在於建立一個**「推理、執行、驗證」**的自回歸邏輯閉環。
DSL 語言應用：Mermaid
我們採用 Mermaid (MD Graph) 作為人和 LLM 的共識語言。它的優勢在於：
- 低學習成本。
- 視覺化預覽。
- 自動驗證錯誤：能有效保證 AI 「按圖施工」。
LangGraph 工具範圍控制
透過 LangGraph，我們可以實現「工具範圍控制」。當 MCP Server 提供上百個工具時，分組綁定到不同節點能避免 LLM 注意力分散，並能根據任務難度切換不同強度的模型來降低成本。
Thanks for reading!