LLM – INDEXLAB

LLM, Agentic AI, and Web3: Driving Innovation in Node-Based AEC Workflows

Computational Design today constitutes a strategic component within the fields of Architecture, Engineering, and Construction (AEC). Visual programming environments such as Grasshopper enable the exploration of multiple design alternatives through the parametrization of variables and the real-time monitoring of their effects on both design and fabrication processes. Despite these advantages, the initiation of each new project often results in a significant expenditure of time, as workflows must typically be constructed from an empty canvas. Even when prior project references are available, the inherent uniqueness of each new project renders the migration of nodes from one file to another a complex and nuanced task. Furthermore, users frequently must recall the exact or partial name of a component, relying on chance to locate one that satisfies the required input and output conditions. The extensive proliferation of libraries and plug-ins, while valuable, can further complicate the retrieval of appropriate components, even for experienced users.

The emergence of large language models (LLMs) endowed with reasoning capabilities, along with the development of agentic AI, is rapidly transforming collaboration within digital environments. Artificial intelligence now facilitates the documentation, comprehension, and generation of complex code structures by leveraging vast training datasets, producing solutions that are not only accurate but also frequently innovative. This ability to synthesize insights from deep and diverse knowledge bases is significantly accelerating workflows and reducing the burden of repetitive tasks.

Nevertheless, visual programming environments continue to present substantial challenges. Selecting a subset of components and requesting explanations from AI systems remains far from seamless, and scripts comprising hundreds of interconnected nodes are often difficult to track and interpret. Unlike traditional text-based programming, where AI tools have matured to provide summarization, clarification, and creative generation, visual programming ecosystems are still evolving toward achieving a comparable level of intuitive AI integration. Bridging this gap could unlock a new era of collaboration in parametric design, leading to considerable time savings and enhanced innovation.

In response to these challenges, IndexLab is proud to introduce the prototype of its new AI plug-in, based on an infrastructure of hierarchical crews of AI agents powered by fine-tuned open-source LLMs. This tool is designed to broaden access to advanced parametric design, with a particular emphasis on open-source digital and robotic fabrication workflows. Our technology integrates agentic AI and Web3 infrastructures to enhance, simplify, and render collaborative the node-based programming processes, from conceptualization to fabrication.

A Structured and Scalable Approach

1. Intelligent Data Acquisition.
An agentic AI parsing system automatically translates Grasshopper native files into structured data, ready for model training. Open-source LLMs are part of the process, used to complete the labeling process by generating synthetic data. By analyzing nodes, parameters, and connections, a standardized and expandable archive is created.

2. Training on Real-World Data.
Our model learns directly from complex projects that integrate parametric logic, CNC workflows, and advanced robotic fabrication. This enables the generation of scripts based on the required fabrication needs.

3. Hierarchical Agentic AI Workflow for Node Generation.
A hierarchical system of different agents starts with identifying the user prompt and dynamically routing it to the pipeline that would be more efficient in generating the required output — a system that assimilates the Mixture of Experts model architecture concept but carries it out externally at the agent orchestration level. Once a structured output of components and links is generated, validation takes place, backed up by a retrieval system for checking the output against a decentralized database.

4. Web3 Infrastructure for Shared Knowledge.
A blockchain-based repository manages user contributions, rewarding them with digital tokens for sharing high-quality scripts. This mechanism fosters the growth of a collaborative and sustainable ecosystem.

Advantages

Lowering the Learning Curve.
Anyone, even without advanced experience, can create sophisticated parametric definitions through simple descriptive inputs.

Benefiting from Years of IndexLab Projects.
The user gets access to this accumulated knowledge, from design to robotic fabrication, by simply explaining the needed output through a prompt.

Seamless Design-to-Production Continuity.
Robotic fabrication workflows are integrated into the design models from the earliest stages, reducing errors and increasing overall efficiency.

Accelerated Educational Growth and Applied Research.
AI-generated models provide real and editable examples, accelerating learning for students, researchers, and professionals.

Cross-Disciplinary Collaboration.
Architects, engineers, and robotic technicians operate on a shared parametric foundation, fostering synergies and shared innovation.

LLM, Agentic AI e Web3 per l’innovazione dei flussi AEC node-based

La progettazione computazionale si configura oggi come una componente strategica nei settori dell'Architettura, dell'Ingegneria e delle Costruzioni (AEC). Ambienti di programmazione visuale, quali Grasshopper, consentono l'esplorazione di molteplici soluzioni progettuali attraverso la parametrizzazione di variabili e il monitoraggio in tempo reale degli effetti sia sul progetto sia sul processo di fabbricazione. Nonostante i numerosi vantaggi, l'avvio di un nuovo progetto comporta frequentemente una perdita di tempo significativa, dovuta alla necessità di costruire il workflow partendo da una "tela vuota". Anche disponendo di riferimenti da progetti precedenti, l'unicità intrinseca di ciascun nuovo progetto rende complessa la migrazione dei nodi da un file all'altro. Inoltre, gli utenti devono spesso ricordare con precisione il nome, o parte del nome, dei componenti necessari, con la speranza di individuare quelli che soddisfino i requisiti di input e output desiderati. La proliferazione di librerie e plug-in, sebbene costituisca una risorsa preziosa, può rendere ulteriormente onerosa l’individuazione rapida delle soluzioni anche per utenti esperti.

L'avvento dei modelli linguistici di grandi dimensioni (Large Language Models, LLMs) dotati di capacità di ragionamento, insieme allo sviluppo dell’AI agentica, sta trasformando rapidamente la collaborazione nei contesti digitali. L'intelligenza artificiale agevola ora la documentazione, la comprensione e la generazione di strutture complesse di codice, attingendo a vasti dataset di addestramento per proporre soluzioni non solo accurate ma spesso anche innovative. Questa capacità di sintesi basata su una conoscenza profonda e diversificata accelera sensibilmente i flussi di lavoro, riducendo il carico di attività ripetitive.

Tuttavia, gli ambienti basati sulla programmazione visuale presentano ancora sfide rilevanti. La selezione di pochi componenti e la richiesta di spiegazioni all'AI risultano tutt’altro che immediate, e la gestione di script costituiti da centinaia di nodi interconnessi si rivela complessa. A differenza della programmazione testuale tradizionale, in cui strumenti AI supportano ormai efficacemente operazioni di sintesi, chiarificazione e generazione creativa, gli ecosistemi di programmazione visuale sono ancora in fase di evoluzione verso un'integrazione altrettanto intuitiva dell'intelligenza artificiale. Colmare questo divario rappresenterebbe un passo cruciale per inaugurare una nuova era di collaborazione nel design parametrico, con significativi risparmi di tempo e un incremento dell'innovazione.

In risposta a tali sfide, IndexLab presenta il prototipo del suo nuovo plug-in AI, basato su un'infrastruttura di agenti AI organizzati in strutture gerarchiche, alimentata da LLM open-source appositamente ottimizzati. Il plug-in è concepito per ampliare l’accessibilità al design parametrico avanzato, con particolare attenzione ai workflow di fabbricazione digitale e robotica open-source. La nostra tecnologia integra AI agentica e infrastrutture Web3 per migliorare, semplificare e rendere collaborativi i processi di programmazione a nodi, dal concept alla fabbricazione.

Un Approccio Strutturato e Scalabile

1. Acquisizione Intelligente dei Dati Un sistema di intelligenza artificiale, basato su agenti, traduce automaticamente i file nativi di Grasshopper in dati strutturati, pronti per l'addestramento del modello. I modelli LLM open-source sono integrati nel processo, impiegati per completare il processo di etichettatura generando dati sintetici. Analizzando nodi, parametri e connessioni, si crea un archivio standardizzato ed espandibile.

2. Addestramento su Dati Reali Il nostro modello apprende direttamente da progetti complessi che integrano logica parametrica, flussi di lavoro CNC e fabbricazione robotica avanzata. Questo consente la generazione di script basati sulle esigenze di fabbricazione richieste.

3. Flusso di Lavoro Intelligente a Gerarchia di Agenti per la Generazione di Nodi Un sistema gerarchico di diversi agenti inizia identificando il prompt dell'utente e indirizzandolo dinamicamente alla pipeline più efficiente per generare l'output richiesto: un sistema che assimila il concetto di architettura Mixture of Experts, ma lo implementa esternamente a livello di orchestrazione degli agenti. Una volta generato un output strutturato di componenti e collegamenti, avviene la validazione, supportata da un sistema di recupero per controllare l'output rispetto a un database decentralizzato.

4. Infrastruttura Web3 per la Condivisione della Conoscenza Un repository basato su blockchain gestisce i contributi degli utenti, premiandoli con token digitali per la condivisione di script di alta qualità. Questo meccanismo favorisce la crescita di un ecosistema collaborativo e sostenibile.

Vantaggi

Riduzione della Curva di Apprendimento: Chiunque, anche senza esperienza avanzata, può creare definizioni parametriche sofisticate attraverso semplici input descrittivi.
Accesso alle Proiezioni di Anni di Progetti IndexLab: L'utente ha accesso a questa conoscenza accumulata, dal design alla fabbricazione robotica, semplicemente descrivendo l'output desiderato tramite un prompt.
Continuità Fluida dal Design alla Produzione: I flussi di lavoro di fabbricazione robotica sono integrati nei modelli di progettazione fin dalle prime fasi, riducendo gli errori e aumentando l'efficienza complessiva.
Accelerazione della Crescita Educativa e della Ricerca Applicata: I modelli generati dall'intelligenza artificiale forniscono esempi reali e modificabili, accelerando l'apprendimento per studenti, ricercatori e professionisti.
Collaborazione Interdisciplinare: Architetti, ingegneri e tecnici robotici operano su una base parametrica condivisa, promuovendo sinergie e innovazione condivisa.

A project by INDEXLAB – Politecnico di Milano in collaboration with Cremonini.

Louven is an innovative system for creating shading devices or free-form walls, suitable for both indoor and outdoor use. Generative artificial intelligence is employed during the design phases and combined with computational processes for the fabrication stages, which include laser cutting, CNC bending, and laser welding.

The system allows for a high level of customization, enabling the designer to describe the desired façade through simple text prompts while delegating the generation of the complete project to the computational systems. This approach bridges the gap between imagination and realization, eliminating the need for designers to manage the technical details of construction.

Specifically, the system is based on the automatic generation of a pattern of fluid stripes that combine to form double-curved surfaces. Structural integrity is ensured by a "T" system, where each stripe is supported by a perpendicular element that acts as a backbone. This backbone is made from triangulations obtained through CNC bending, ensuring fluid and dynamic movements of the stripes. The 2mm-thick aluminum triangulations provide strength, while the main stripes, made from 2mm-thick aluminum, are bent according to ruled surfaces and joined via laser welding.

The system robustly demonstrates how fluid and dynamic shapes can be produced, showcasing the complexity and precision of digital fabrication. The laser welds also allow for the joining of thin materials without compromising integrity or causing distortion.

The Louven system efficiently integrates materials, technologies, and design, making the production of complex and fluid shapes competitive.

Louven è un sistema innovativo per la realizzazione di frangisole o pareti a forma libera, utilizzabile sia per interni che per esterni. L’intelligenza artificiale generativa viene impiegata per le fasi di progettazione ed è combinata con processi computazionali per le fasi fabbricative, che includono taglio laser, piegatura a controllo numerico e saldatura laser.

Il sistema consente un'elevata personalizzazione degli elementi, permettendo al progettista di descrivere l'idea della facciata desiderata tramite semplici prompt di testo, delegando ai sistemi informatici la generazione del progetto completo. Questo approccio riduce il divario tra immaginazione e realizzazione, eliminando la necessità per il progettista di gestire i dettagli tecnici della costruzione.

Nello specifico, il sistema si basa sulla generazione automatizzata di un pattern a strisce fluide, che si combinano per formare superfici a doppia curvatura. L'integrità strutturale è garantita da un sistema a "T", in cui ogni striscia è supportata da un elemento perpendicolare che funge da spina dorsale. Quest'ultima è realizzata tramite triangolazioni ottenute con piegature a controllo numerico, garantendo alle strisce un andamento fluido e dinamico. Le triangolazioni, in alluminio da 2 mm di spessore, conferiscono robustezza, mentre le strisce principali, realizzate in alluminio da 2 mm di spessore, sono piegate secondo le superfici rigate e unite tramite saldatura laser.

Il sistema conferma solidamente come si possano produrre andamenti fluidi e dinamici, dimostrando la complessità e la precisione della fabbricazione digitale. Le saldature laser consentono inoltre di unire materiali sottili senza comprometterne l'integrità o causare distorsioni.

Il sistema Louven integra in modo efficiente materiali, tecnologie e design, rendendo competitiva la realizzazione di forme complesse e fluide.

info@indexlab.it