Principe de fonctionnement
GrassLobster se positionne comme une couche d’interaction entre Rhino/Grasshopper et un agent d’intelligence artificielle externe. L’utilisateur décrit son intention – par exemple la forme d’une structure en bois ou la disposition d’éléments – puis l’agent pose des questions ciblées (dimensions, règles, matériaux). Une fois le cahier des charges clarifié, l’agent génère automatiquement le réseau de composants Grasshopper qui reproduit la logique décrite. Le modèle reste visible dans l’interface graphique, ce qui permet à l’utilisateur de modifier les paramètres (portée, espacement, nombre d’éléments) et d’observer la mise à jour instantanée du maillage.
Architecture et composantes
Le cœur de GrassLobster repose sur le concept de Geometry Stations. Chaque station regroupe le code nécessaire à une tâche fonctionnelle (entrée, géométrie primaire, logique structurelle, sortie) et expose ses dépendances sous forme de fichiers texte lisibles par l’agent. Cette « mirroring » assure que le même flux de données est disponible à la fois pour le moteur de calcul de Grasshopper et pour le modèle de langage qui le pilote. Un répertoire de project context complète le tout : il contient des instructions d’interaction, des notes de domaine (normes, matériaux) et des références visuelles (captures d’écran, études). Le système n’est pas lié à un agent propriétaire ; il accepte tout modèle capable de manipuler les fichiers et d’exécuter du code, comme OpenAI Codex, Anthropic Claude, ou les modèles internes GPT‑6 Astra et GPT‑5.6 Sol cités par le développeur.
Analyse des performances et limites
Les tests internes de Miro Bannwart indiquent que GPT‑6 Astra produit des géométries plus cohérentes que GPT‑5.6 Sol, tandis que les tentatives avec des modèles locaux n’ont pas abouti. Cette disparité montre une dépendance forte à la capacité de raisonnement spatial et de génération de code du modèle choisi. Aucun benchmark formel n’est fourni ; les observations restent anecdotiques et ne peuvent être généralisées. Le prototype n’est pas encore validé pour un usage large, ce qui implique un risque de plantage ou de génération de logique non optimale dans des projets complexes. En outre, l’utilisation d’un agent externe entraîne des coûts récurrents : les plans d’entrée de ChatGPT Plus et Claude Pro sont annoncés à 20 USD par mois (prix suisses potentiellement différents). Ces frais s’ajoutent aux ressources de calcul nécessaires pour exécuter les sessions de génération, surtout lorsqu’il s’agit de géométries lourdes.
Perspectives d’évolution
Le texte mentionne une « optimisation agentique » où l’agent pourrait itérer sur des paramètres mesurables (surface, volume de matériau) pour atteindre des objectifs de performance. Cette fonctionnalité reste théorique, car elle requiert l’intégration d’outils d’analyse (calcul structurel, simulation) et la capacité du modèle à comparer les résultats de manière automatisée. Tant que le projet ne propose pas de système d’indexation automatique du contexte, la charge de préparation des références et des consignes repose entièrement sur l’utilisateur. En résumé, GrassLobster propose une architecture novatrice qui expose la logique paramétrique aux IA, mais son efficacité dépend aujourd’hui de la puissance du modèle choisi, de la disponibilité d’un abonnement payant et d’une validation technique plus rigoureuse.
