AI가 레고 설계도 그려준다… 오픈소스 'ldraw-nova' 등장

깃허브에 AI가 레고 조립 설명서를 만들어 주는 오픈소스 프로젝트 ldraw-nova가 올라왔다. 개발자 안텔록(anteloc)은 해커뉴스 '쇼 HN'에 올린 글에서 "AI 에이전트에게 모델 아이디어를 주면 LDraw 포맷 조립 설명서를 만들어 준다"고 밝혔다. LDraw는 레고 부품의 위치와 회전을 수치로 정의하는 일종의 조립 언어다.

에이전트가 부품을 '코딩'하는 방식

ldraw-nova는 AI가 직접 부품을 하나씩 놓지 않는다. 계획 파일(plan.json)을 짜고, 파이썬 생성기(generator.py)가 이를 실행해 모델 파일(model.mpd)을 만든다. 계획 파일은 어떤 부품을 어디에 둘지 설계도 역할을 하고, 생성기는 검증된 파이썬 함수로 회전·위치 계산을 수행한다. 모델 파일은 레고 뷰어에서 열리는 최종 결과물이다.

개발자는 "LLM이 수학(회전·위치 계산)에 약하다는 통념과 달리, 에이전트 방식으로는 초반 테스트부터 꽤 잘 동작했다"고 적었다. 다만 세 번의 시도 모두 '완성도 있는 모델'까진 가지 못했다고 자인했다.

물리 안정성은 아직 '충돌 검사'만

작성자가 밝힌 현재 한계는 명확하다. 중력·무게중심·결합 강도 같은 물리 제약은 고려하지 않고, 부품 간 충돌만 피한다. 해커뉴스 댓글에서도 "브릭GPT(BrickGPT)처럼 물리적으로 안정한 데이터셋으로 학습한 모델과 비교된다"는 지적이 나왔다. CMU 연구진이 만든 브릭GPT는 텍스트 프롬프트만으로 안정적인 조립도를 내놓는 걸 목표로 한다.

로컬 실행 환경·준비물

한국 사용자가 바로 써보려면 준비물이 많다.

• 깃과 도커 설치 필수
• 디스크 여유 공간 약 5GB
• 두 저장소(ldraw-nova, ldraw-nova-docker)를 같은 태그(v0.6.0)로 나란히 클론
• 도커 이미지 빌드(첫 빌드는 '오래 걸린다'는 표현만 있고 구체 시간 미공개)

웹 앱은 https://localhost:8443에서 실행되며, 같은 네트워크 안의 다른 기기(퀘스트3 등)에서도 접속 가능하다. 로그인 기능이 없어 신뢰 네트워크에서만 돌리길 권장한다. GPU 필수 여부, 맥 M시리즈·리눅스·윈도우(WSL2) 호환성은 원문에 언급이 없어 본지가 확인하지 못했다.

한국어·한국 환경 지원은 미확인

README와 해커뉴스 글 어디에도 한국어 UI나 한글 프롬프트 지원 여부는 적혀 있지 않다. LDraw 라이브러리 자체는 부품 이름이 영문이므로, 프롬프트도 영어로 줘야 결과가 정확할 가능성이 크다. 국내 사용자 입장에선 프롬프트 작성부터 결과 검증까지 영어 기반 워크플로를 각오해야 한다.

쉽게 풀어보면

안텔록이 만든 ldraw-nova는 레고 설계도를 AI가 대신 그려 주는 '코딩 비서'다. 사용자가 "자동차 만들어 줘"라고 말하면, AI가 레고 부품 번호·회전값·좌표를 계산해 조립 설명서 파일(LDraw)을 뱉어낸다. 이 파일을 레고 디지털 디자이너나 브릭링크 스튜디오 같은 뷰어에서 열면 3D로 확인하고, 실제 부품 리스트도 뽑을 수 있다.

비유하자면 요리사가 레시피만 적어 주고, 실제 요리는 주방 로봇(생성기 파이썬)이 하는 구조다. AI가 수학 계산을 직접 하지 않고, 검증된 파이썬 도구(부품 회전·이동·결합 함수)를 호출해 실수를 줄인다. 그래도 중력이나 무게중심은 안 따지니, 화면에선 멀쩡해도 실제로는 무너질 수 있다. 물리 엔진 연동 전까지는 '상상도구'에 가깝다.

나에게 미치는 영향

당장 해보고 싶다면
도커가 돌아가는 PC(또는 클라우드 GPU 인스턴스)에서 위 설치 명령을 따라 하면 된다. 무료다. 단, 첫 빌드 시간은 '오래 걸린다' 수준만 공개돼 있고, 5GB 공간이 든다. GPU 필수 여부는 확인되지 않았다.

레고 취미가라면
아이디어 스케치용으로 쓸 만하다.

• "우주선 만들어 줘" → 생성된 파일 뷰어로 확인
• 부품 리스트 뽑아 주문 → 실물 조립 흐름 가능
• 다만 안정성 검증은 본인 몫이다. 높은 탑이나 캔틸레버 구조는 뷰어에서 떠 있어도 실제론 쓰러진다.

코딩 공부가 목적이라면
에이전트가 plan.json → 파이썬 도구 호출 → 결과 파일로 이어지는 파이프라인을 구현한 방식 자체가 좋은 참고 자료다. 저장소에 예시 모델·가이드 문서가 함께 들어 있어 에이전트 워크플로 설계 패턴을 뜯어보기 좋다.

챗GPT·클로드에서 답이 이상하면
같은 질문을 새 대화창에서 다시 해 보세요. 컨텍스트가 초기화되면서 다른 경로로 풀리는 경우가 많다.

남은 건 검증과 커뮤니티

작성자는 "첫 릴리스라 손볼 게 많다"고 썼다. 해커뉴스에선 로컬 LLM(라야, Qwen 등)으로 돌릴 수 있나, 물리 엔진 피드백을 MCP(모델 컨텍스트 프로토콜)로 넣을 수 있나 같은 기술적 질문이 오갔다. 한국 사용자 관점에선 한글 프롬프트 품질, 국내 클라우드 GPU 요금 대비 효과, 실제 조립 성공률이 다음 검증 포인트다. 아직 공개된 벤치마크나 한국어 테스트 사례는 없다. 오픈소스 거장들이 AI 기여를 거절하는 진짜 이유에서 본 것처럼, 오픈소스 프로젝트엔 '검토 비용'이 따르는데, 이 도구도 이슈·PR 처리가 얼마나 지속될지 지켜봐야 한다.