Claude Code для 1С: разработал сервис перевода конфигураций без единой строчки кода

Claude Code для 1С звучит непривычно: как ИИ-агент вообще пишет код для платформы, исходников которой он почти не видел в обучении? На этом вебинаре я разбираю реальный кейс — TranslateOneS, сервис автоматического перевода конфигураций 1С:Предприятие на другие языки. Весь код написал Claude Code от Anthropic, я только ставил задачи, проверял результат и правил направление. Ниже — как устроен пайплайн, какие промпты реально работают и где ИИ справляется сам, а где всё равно нужен человек.

Какую боль решает TranslateOneS

Конфигурация 1С — это сотни объектов метаданных: справочники, документы, регистры, формы, роли. У каждого — синонимы, комментарии, тексты на встроенном языке. Перевести такую конфигурацию на другой язык вручную — это недели монотонной работы: нужно пройти по всем объектам, не пропустить ни одной строки и не сломать при этом структуру выгрузки.

Идея TranslateOneS простая: выгрузить конфигурацию в XML, пройти по ней программно, отдать текстовые строки в LLM на перевод и собрать всё обратно так, чтобы 1С без ошибок загрузила результат. Человек задаёт язык и запускает — остальное делает пайплайн.

Пайплайн перевода через Claude Code

Сервис устроен как последовательность этапов, каждый из которых отвечает за одну задачу:

1. Сканирование XML — обход выгрузки конфигурации, поиск файлов с переводимыми строками.
2. Парсинг — извлечение именно тех узлов, которые нужно переводить (синонимы, представления), с сохранением их позиции в документе.
3. Батчинг — группировка строк в пакеты, чтобы не дёргать LLM на каждую строку по отдельности: так дешевле и быстрее.
4. Перевод через LLM — отправка пакета в модель с промптом, который удерживает терминологию 1С и не переводит то, что переводить нельзя.
5. Патчинг файлов — аккуратная подстановка перевода обратно в XML на исходное место.

Такое разбиение — не случайность. Когда каждый шаг изолирован, ИИ-агенту проще писать и чинить код: ошибку видно на конкретном этапе, а не во всём «монолите». Примерно так выглядит модель одной переводимой строки на Pydantic — она проходит через весь конвейер:

class TranslationUnit(BaseModel):
    file: str          # путь к XML-файлу выгрузки
    xpath: str         # где именно лежит строка
    source: str        # исходный текст (напр. синоним объекта)
    target: str | None = None  # перевод, заполняется на этапе LLM

А батчинг — обычная нарезка списка таких единиц на пакеты фиксированного размера:

def make_batches(units, size=20):
    for i in range(0, len(units), size):
        yield units[i:i + size]

Как ставить задачи AI-агенту

Главный навык здесь — не «писать код», а формулировать задачу так, чтобы Claude Code написал нужный код с первого-второго раза. На вебинаре показываю, как я это делал: сначала описываю цель и ограничения, прошу агента составить план, а уже потом — реализовать по шагам.

Промпт для этапа перевода звучит примерно так — важно явно перечислить, что нельзя трогать:

Переведи значения на {язык}. Это метаданные конфигурации 1С.
Не переводи: имена объектов, служебные идентификаторы, слова внутри {{ }}.
Сохрани регистр и пунктуацию. Верни строки в том же порядке.

Дальше — итерации: агент показывает результат, я проверяю на реальной выгрузке, указываю на проблему («вот здесь сломался порядок строк»), и он правит. Это и есть цикл «промпт → план → код → ревью», ради которого стоит смотреть запись.

Где ИИ справляется сам, а где нужен человек

Claude Code отлично тянет рутину: разобрать формат XML, написать обход файлов, накидать CLI, обернуть всё в кэш. Здесь ему можно доверять почти полностью — задача типовая, и агент выдаёт рабочий код быстро.

А вот где нужен человек: решения об архитектуре (как резать конвейер на этапы), доменные тонкости 1С (что в выгрузке переводить нельзя), и финальная проверка — загрузится ли переведённая конфигурация обратно без ошибок. ИИ не знает специфику платформы так, как знает её разработчик 1С, — и именно на стыке этих знаний рождается рабочий сервис. Об этом балансе — отдельный блок вебинара.

Технологии под капотом

Сервис написан на Python. Стек, который выбрал и обосновал в ходе разработки:

• CLI на Typer — запуск перевода из терминала одной командой.
• Веб-интерфейс на Streamlit — для тех, кому удобнее кнопки, а не консоль.
• SQLite-кэш — уже переведённые строки не переводятся повторно, это экономит запросы к модели.
• Pydantic-модели — строгая структура данных на всех этапах пайплайна.
• Любой OpenAI-совместимый API — OpenAI, Ollama, LM Studio, Groq: модель подбирается под бюджет и приватность.

Поддержка локальных моделей (Ollama, LM Studio) здесь принципиальна: конфигурация — чувствительные данные, и не всегда её можно отправлять во внешнее облако. Сервис одинаково работает и с облачной, и с локальной моделью.

В записи вебинара я показываю всё это на живом проекте: как ставил задачи Claude Code, какие промпты сработали, и раздаю исходники TranslateOneS всем участникам.

Пошаговый разбор процесса — что выгружать, какие правила писать в CLAUDE.md, по каким гейтам проверять результат — в статье Claude Code для 1С.

Курс «ChatGPT и нейросети для 1С» — как встроить LLM в реальные задачи 1С: от промптов до готового сервиса, с исходниками всех проектов.

Продолжение темы на боевом продукте — в записи эфира как не дать ИИ-агенту сломать решение 1С: там агент не пишет новое с нуля, а дорабатывает и поддерживает тиражное расширение, и разговор идёт про правила, гейты и MCP-контекст.