Kann n8n einen AI-Agent-Workflow für SketchUp 3D-Modellierung und Twinmotion-Konstruktionsanimation koordinieren?

Fragen
1

Beschreibe das Problem/den Fehler/die Frage

Hi zusammen,
Ich suche nach Ratschlägen, ob n8n zur Koordination eines AI-Agent-Workflows für 3D-Modellierung und Konstruktionsanimation verwendet werden könnte.
Das Ziel ist es, einen Workflow zu erstellen, in dem ein AI-Agent dabei helfen kann, ein einfaches SketchUp-Modell eines kleinen SIP-Panel-Gebäudes, wie z. B. eines Gartenzimmers, zu generieren. Idealerweise würde jeder Teil des Modells als separate Komponente erstellt, zum Beispiel:
Fundament
Bodenaufbau
SIP-Wandpaneele
Dachpaneele
Fenster
Türen
Außenverkleidung
Innere Oberflächen
Der Grund, warum ich die Teile getrennt benötige, ist, dass das Modell dann in Twinmotion importiert und Etappe für Etappe animiert werden kann, um den Bauprozess von der Gründung bis zum fertigen Gebäude zu zeigen.
Zum Beispiel würde die Animation zeigen:
Fundament installiert
Bodenaufbau hinzugefügt
SIP-Wandpaneele installiert
Dachpaneele montiert
Fenster und Türen hinzugefügt
Verkleidung und Innenoberflächen fertiggestellt
Meine Hauptfrage ist, ob n8n zur Steuerung dieses Workflow-Typs helfen kann, zum Beispiel:
Geschriebene Eingabeaufforderung → AI-Agent → SketchUp-Modellerzeugung → separate Komponenten → Modellexport → Twinmotion-Animationsworkflow
Ich verstehe, dass n8n möglicherweise nicht selbst 3D-Modelle erstellt, aber könnte es den Prozess mit APIs, Skripten, SketchUp-Ruby-Automatisierung, externen AI-Tools oder Dateiexporten koordinieren?
Was ist die Fehlermeldung, wenn vorhanden?
Keine Fehlermeldung. Dies ist eine Frage zum Workflow-Design.
Bitte teile deinen Workflow
Ich habe noch keinen funktionierenden Workflow. Ich versuche, die beste Architektur zu verstehen, bevor ich sie aufbaue.
Der beabsichtigte Workflow würde etwa so aussehen:
Eingabeaufforderung in n8n eingeben
↓
AI-Agent interpretiert Gebäudedimensionen und SIP-Panel-Layout
↓
SketchUp-Automatisierung erstellt das Modell
↓
Jeder Gebäudeteil wird als separate Komponente/Ebene/Markierung gespeichert
↓
Modell wird exportiert
↓
Twinmotion wird verwendet, um eine Etappe-für-Etappe-Konstruktionsanimation zu erstellen
Fragen
Hat jemand ähnliches mit n8n gebaut?
Kann n8n SketchUp-Skripte auslösen oder steuern, besonders Ruby-Skripte?
Ist es realistisch, dass ein AI-Agent ein sauberes SketchUp-Modell aus einer geschriebenen Eingabeaufforderung erstellt, oder würde es viel manuelle Korrektur benötigen?
Wäre es besser, die Geometrie durch Skriptregeln zu generieren, statt den AI-Agent direkt alles zu modellieren?
Können Twinmotion-Animationsschritte automatisiert werden, oder müsste dieser Teil immer noch größtenteils manuell erfolgen?
Jeder Rat zur besten Toolauswahl, Workflow-Struktur, Plugins, APIs oder AI-Agent-Ansatz würde geschätzt.
Vielen Dank.

Was ist die Fehlermeldung, wenn vorhanden?

Bitte teile deinen Workflow

(Wähle die Knoten auf deinem Canvas aus und verwende die Tastaturkürzel CMD+C/STRG+C und CMD+V/STRG+V, um den Workflow zu kopieren und einzufügen.)

Teile die vom letzten Knoten zurückgegebene Ausgabe

Informationen zu deinem n8n-Setup

  • n8n-Version:
  • Datenbank (Standard: SQLite):
  • n8n EXECUTIONS_PROCESS-Einstellung (Standard: own, main):
  • n8n läuft über (Docker, npm, n8n cloud, Desktop-App):
  • Betriebssystem:
2

ja, n8n kann das ausführen, aber es ist der Dirigent, nicht das Ding, das das Modell macht. es lohnt sich, das gleich zu Anfang klar zu machen, weil es das ganze Design verändert.

der Fehler, den die meisten Leute machen, ist, die KI direkt die Geometrie modellieren zu lassen. LLMs sind schlecht bei sauberem parametrischem CAD, du wirst mehr Zeit damit verbringen, es zu korrigieren, als wenn du es einfach scriptiert hättest. so würde ich es aufteilen: lass die KI das machen, wofür sie wirklich gut ist – dein geschriebenes Briefing in eine strukturierte Spezifikation umwandeln (Wandlängen, Panel-Anzahl und Größen, Öffnungspositionen, alles als JSON). dann erstellt ein deterministisches Script die eigentliche Geometrie aus dieser Spezifikation. KI für Intent, Code für Geometrie. diese Trennung ist das, was dir saubere wiederholbare Modelle UND deine separierten Teile umsonst gibt.

für SketchUp ist das die Ruby-API. n8n kann nicht in SketchUp eindringen und Ruby selbst ausführen, aber es muss auch nicht. n8n erzeugt die JSON-Spezifikation und gibt sie weiter, und ein Ruby-Script in SketchUp liest diese Spezifikation und erstellt jeden Teil (Fundament, Boden, Wandpaneele, Dach, Öffnungen…) als eigene Komponente mit einem Tag pro Stufe. weil das Script sie als diskrete benannte Komponenten erstellt, ist deine Stufe-für-Stufe-Aufschlüsselung von Anfang an eingebacken, nicht etwas, das du später von Hand aufteilst.

der Twinmotion-Teil ist, wo ich Erwartungen setzen würde. Importieren über Datasmith und deine Komponentenhierarchie + Tags übertragen sich, also landen alle Teile bereits organisiert. aber die eigentliche Konstruktionssequenzierung ist Twinmotions Phasing-Funktion und das ist größtenteils eine manuelle Timeline-Einrichtung, es gibt keine echte API für n8n, um die Animation selbst zu steuern. also realistisch gesehen automatisieren n8n + Ruby alles bis einschließlich des Exports, und das Phasing in Twinmotion bleibt hands-on (nur viel schneller, da die Teile bereits aufgeteilt und benannt sind).

also direkt zu deinen Fragen: ja, n8n koordiniert es, ja, es kann Ruby triggern (indirekt, über eine Datei oder einen Endpoint, den das Script überwacht), nein, lass die KI nicht direkt modellieren, ja, erstelle die Geometrie durch Skriptregeln, und die Twinmotion-Animation ist das eine Bit, das größtenteils manuell bleibt.

ici bin gerne tiefer in die n8n-zu-Ruby-Übergabe, wenn du mit dem Bau anfängst, das ist der Teil mit den meisten Fallstricken.

3

Hi @danda_war
Generiere die Spec in einer Basic LLM Chain mit einem Structured Output Parser, anstatt in einem Agent-Knoten, damit das JSON schema-validiert wird, bevor das Ruby-Skript es jemals sieht. Beschränke die Ausgabe des Modells auf Parameter auf Brief-Ebene, Gesamtspannen, Öffnungspositionen und die Panel-Modulbreite, und lass das Skript die Panel-Anzahl und Positionen ableiten, denn die Anzahl, die das Modell erfindet, passt nicht zum Modul.
In n8n’s Dokumentation wird die Structured Output Parsing als unzuverlässig gekennzeichnet, wenn der Parser an einem Agent hängt, und es wird eine separate LLM Chain für den Parse-Schritt empfohlen, damit ein Agent trotzdem die Konversations-Frontend ausführen kann, solange die Chain die Analyse übernimmt.