تصور کنید به جای ساعت‌ها کلنجار رفتن با منوهای پیچیده یک نرم‌افزار سه‌بعدی، فقط بنویسید «یک جزیره شناور با درختان کم‌جزئیات و نور غروب بساز» و تماشا کنید که اشیا در لحظه خلق می‌شوند. این رویای مدل‌سازی سه‌بعدی اکنون با ابزاری که توسط توسعه‌دهنده‌ای به نام Rijul منتشر شده، به واقعیت تبدیل شده است. این ابزار به هر مدل زبانی بزرگ (LLM) اجازه می‌دهد تا با کنترل مستقیم نرم‌افزار Blender، در نقش یک هنرمند سه‌بعدی ظاهر شود.
این سیستم با استفاده از پروتکل زمینهٔ مدل (Model Context Protocol یا MCP) — که شبیه به یک مترجم جهانی است و اجازه می‌دهد هوش مصنوعی با نرم‌افزارهای مختلف صحبت کند — توصیفات متنی را به عملیات هندسی دقیق و پیکربندی‌های صحنه در بلندر تبدیل می‌کند. با توجه به اهمیت این پروتکل در اتصال مدل‌ها به ابزارها، برخی توسعه‌دهندگان بر رفع نقاط ضعف آن تمرکز کرده‌اند؛ چنان‌که پروژه AegisGate با معرفی یک گیت‌وی ۷ لایه تلاش کرد خلأهای امنیتی پروتکل MCP را پر کند. طبق مستندات پروژه، این ابزار با تبدیل API نرم‌افزار به ابزاری قابل فراخوانی توسط AI، شکاف میان کاربر عادی و پیچیدگی‌های مدل‌سازی سه‌بعدی را پر می‌کند. برای اکثر کاربران، منحنی یادگیری تند بلندر باعث می‌شود خلق آثار سه‌بعدی غیرقابل دسترس باشد؛ این پلاگین دقیقاً همین مانع را برطرف می‌کند.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی عامل‌های هوش مصنوعی (AI Agents) اشاره کردیم، روند فعلی صنعت از تولید متن و کد ساده به سمت کنترل نرم‌افزارهای حرفه‌ای و پیچیده پیش می‌رود. این رویکرد در حوزه‌های دیگر مهندسی نیز دیده می‌شود، جایی که ابزارهایی مانند Noesor با هدف حذف حدس و گمان در طراحی معماری نرم‌افزار گام‌های مشابهی را برای خودکارسازی فرآیندهای پیچیده برداشته‌اند. طبق مستندات پروژه mcp-for-blender، این سیستم با متصل کردن یک سرور MCP به کلاینت‌هایی مانند Claude Desktop، Claude Code، Codex یا OpenCode عمل می‌کند.
زمینه و مراحل راه‌اندازی
برای راه‌اندازی این سیستم، کاربران باید ابتدا مدیریت بسته UV را نصب کنند. در سیستم‌عامل macOS این کار از طریق دستور brew install uv انجام می‌شود. کاربران لینوکس باید از یک اسکریپت curl از سایت astral.sh استفاده کنند و کاربران ویندوز از یک دستور PowerShell برای نصب بهره ببرند.
به نقل از راهنمای نصب، پس از استقرار UV، سرور MCP باید به کلاینت مورد نظر اضافه شود. برای Claude Desktop، این فرآیند شامل افزودن یک پیکربندی JSON است که دستور uvx و آرگومان mcp-for-blender را تعریف می‌کند. برای Claude Code، دستور مورد نیاز claude mcp add blender uvx mcp-for-blender است، در حالی که در Codex از دستور codex mcp add blender -- uvx mcp-for-blender استفاده می‌شود.
کاربران OpenCode به یک پیکربندی محلی خاص نیاز دارند که در آن BLENDER_HOST به عنوان "localhost" و BLENDER_PORT روی مقدار "9876" تعریف شود. مراحل نهایی شامل نصب افزونه بلندر از طریق دستور uvx mcp-for-blender install-addon و فعال‌سازی آن در بخش Edit Preferences در داخل محیط بلندر است.
پیاده‌سازی فنی
ساختار فنی این ابزار از سه لایه اصلی تشکیل شده است:
- کلاینت: یک عامل (Agent) مبتنی بر مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — که قصد و نیت کاربر را تفسیر می‌کند (مانند OpenCode).
- سرور MCP: پلی که درخواست‌های مدل زبانی را به دستورات سازگار با بلندر ترجمه می‌کند.
- افزونه بلندر: پلاگینی که در داخل بلندر نصب شده و دستورات دریافتی را اجرا می‌کند.
برای تأیید اتصال، کاربران باید در بلندر کلید "N" را فشار دهند تا پنل کناری باز شود و سپس به تب "MCP for Blender" بروند. از این بخش می‌توان اطمینان حاصل کرد که سرور متصل است و کتابخانه‌های دارایی (Asset Libraries) فعال شده‌اند.
یکی از قدرتمندترین ویژگی‌های این سیستم، ادغام با Poly Haven است؛ یک کتابخانه رایگان از HDRIها، بافت‌ها و مدل‌های سه‌بعدی باکیفیت که می‌توان از آن‌ها بدون نیاز به ذکر منبع و برای مقاصد تجاری استفاده کرد. بر اساس بررسی‌های فنی، هوش مصنوعی می‌تواند به‌طور خودکار در این کتابخانه جست‌وجو کند تا بافت‌های واقع‌گرایانه مثل چمن، خزه یا سنگ را اعمال کرده و نورپردازی دراماتیک صحنه را بر اساس حس و حال پرامپت تنظیم کند.
مثال‌های کاربردی
در یک تست اولیه، از عامل خواسته شد صحنه فعلی را توصیف کند؛ مدل به‌درستی شناسایی کرد که صحنه در حالت پیش‌فرض است و شامل یک مکعب، یک منبع نور و یک دوربین است. سپس کاربر درخواست یک اتاق ساده را داد: مدل ابتدا مکعب پیش‌فرض را حذف کرد و سپس یک کف و چهار دیوار با ابعاد تقریبی ۵ در ۵ متر و ارتفاع ۳ متر ایجاد نمود.
در یک نمایش پیچیده‌تر، عامل هوش مصنوعی با موفقیت یک جزیره شناور Low-poly ساخت. در این مورد، پرامپت کاربر مدل را ملزم کرد تا یک فرآیند دقیق ۸ مرحله‌ای را دنبال کند:
۱. پاک‌سازی کامل صحنه پیش‌فرض.
۲. ایجاد پایه جزیره شناور با استفاده از یک icosphere یا مکعب تغییر شکل یافته (deformed) با جابه‌جایی مبتنی بر نویز (Noise-based displacement)، به گونه‌ای که قسمت بالا برای چمن تخت و قسمت پایین برای صخره‌ها ناهموار باشد.
۳. افزودن یک درخت Low-poly در موقعیتی کمی خارج از مرکز.
۴. پخش کردن ۴ تا ۶ تکه سنگ کوچک با مقیاس و چرخش‌های متفاوت.
۵. اعمال بافت‌های Poly Haven (چمن و خزه در بالا، سنگ و صخره در قسمت زیرین).
۶. افزودن یک HDRI از Poly Haven برای ایجاد آسمان ساعت طلایی یا غروب.
۷. قرار دادن دوربین در یک زاویه پایین سه-چهارم (three-quarter low-angle) برای ایجاد نمایی حماسی.
۸. رندر گرفتن از تصویر نهایی.
این تحول به معنای تغییر نقش کاربر از یک «تراش‌کار دستی نقاط» (Vertex-pushing) به یک «کارگردان سطح بالا» است. دیگر نیازی نیست کاربر برای نمونه‌سازی سریع (Prototyping) محیط‌ها، رابط کاربری پیچیده بلندر را به طور کامل بیاموزد؛ بلکه می‌تواند با تغییرات متنی، محیط را اصلاح کند تا به نتیجه مطلوب برسد.
برای حوزه گسترده‌تر عامل‌های هوش مصنوعی، این پروژه ثابت می‌کند که MCP می‌تواند «استدلال» یک مدل زبانی را به نرم‌افزارهای فضایی تخصصی گسترش دهد. این ابزار مدل زبانی را از یک مشاور که به شما می‌گوید «چگونه» یک صحنه را بسازید، به یک اپراتور تبدیل می‌کند که واقعاً آن را «می‌سازد».
اگرچه پیاده‌سازی فعلی بر روی مدل‌های Low-poly و اسمبل کردن صحنه‌های پایه تمرکز دارد، اما اثر ثانویه آن، دموکراتیزه کردن خلق دارایی‌های سه‌بعدی برای توسعه‌دهندگان مستقل و طراحان است. توانایی توصیف یک اتاق و ظاهر شدن آن در لحظه، اصطکاک نمونه‌سازی سه‌بعدی را تقریباً به صفر می‌رساند.
شما می‌توانید جزئیات پیاده‌سازی و مراحل نصب را در مخزن گیت‌هاب پروژه بررسی کنید تا گردش‌کارهای سه‌بعدی خود را خودکار کنید.
گام بعدی شما
- اگر طراح یا توسعه‌دهنده بازی هستید، مخزن گیت‌هاب پروژه را بررسی کنید تا گردش‌کارهای سه‌بعدی خود را خودکار کنید.
- برای تجربه بهتر، از مدل‌های استدلالی (Reasoning Models) استفاده کنید تا مراحل ساخت صحنه‌های پیچیده را دقیق‌تر برنامه‌ریزی کنند.
- کتابخانه Poly Haven را بررسی کنید تا بدانید چه نوع بافت‌هایی را می‌توانید از طریق پرامپت فراخوانی کنید.
اما این تنها شروع کنترل نرم‌افزارها توسط AI است؛ در گزارش بعدی بررسی خواهیم کرد که چگونه عامل‌های هوش مصنوعی در حال تسخیر ابزارهای مهندسی پیچیده‌تر هستند.
گفتگو