Лучшая нейросеть для программирования 1С в 2026: обзор и сравнение моделей

Введение: зачем 1С-разработчику нейросеть

Современные языковые модели способны не только генерировать код на популярных языках, но и помогать в разработке на платформе 1С:Предприятие. Для 1С-специалиста нейросеть может стать незаменимым помощником: от написания типовых обработок и запросов до рефакторинга легаси-кода и изучения новых подходов. Однако специфика языка 1С (встроенный язык, работа с метаданными, регистры, документы) накладывает особые требования к модели. Не все нейросети, отлично справляющиеся с Python или Java, одинаково хороши в 1С. В этой статье мы разберем, какие модели показывают лучшие результаты на реальных задачах 1С-разработчика, на что обратить внимание при выборе и как эффективно использовать ИИ в повседневной работе.

Критерии оценки нейросетей для 1С

Чтобы объективно сравнить нейросети, нужно определить ключевые критерии. Для 1С особенно важны:

• Понимание синтаксиса и конструкций 1С. Модель должна корректно использовать операторы встроенного языка, работать с коллекциями (Массив, ТаблицаЗначений, Структура), уметь обращаться к объектам метаданных.
• Знание специфических механизмов. Регистры накопления и сведений, запросы к виртуальным таблицам, работа с движениями, сериализация — всё это должно быть знакомо нейросети.
• Способность генерировать не только код, но и запросы на языке запросов 1С. Это отдельная компетенция, так как язык запросов отличается от SQL.
• Качество кода: читаемость, наличие проверок, обработка ошибок. Хорошая модель пишет не просто рабочий, но и поддерживаемый код.
• Скорость работы и стоимость. Для ежедневного использования важны как время ответа, так и цена за токены.
• Поддержка русского языка. Поскольку код 1С часто пишут с русскоязычными идентификаторами, модель должна хорошо понимать контекст на русском.

Эти критерии легли в основу практического тестирования, результаты которого мы рассмотрим далее.

Лидеры тестирования: Gemini и Claude

По результатам независимых тестов на реальных задачах 1С (заполнение массивов, FIFO-списание, запросы к регистрам, работа с формами, загрузка из Excel и API) явными лидерами стали две модели: Gemini 2.5 Pro (Google) и Claude Sonnet 3.7 (Anthropic).

Gemini 2.5 Pro показал наилучшие результаты: он справился с 9 из 11 задач, получив среднюю оценку 8.2 балла из 10. Модель корректно использовала ГенераторСлучайныхЧисел, правильно строила запросы с виртуальными таблицами регистров, реализовала FIFO-списание и даже справилась с нетривиальной задачей выгрузки справочника через сериализацию. Код Gemini отличался полнотой, наличием необходимых проверок и хорошей структурированностью.

Claude Sonnet 3.7 занял второе место со средним баллом 7.5. Он также успешно решил большинство задач, но иногда допускал ошибки в специфических конструкциях 1С (например, в работе с временными таблицами). При этом код Claude часто был более лаконичным и элегантным, хотя иногда страдал излишним оверинжинирингом.

Обе модели значительно превосходят конкурентов в задачах, требующих понимания архитектуры 1С и написания сложных запросов.

Другие модели: ChatGPT, GigaChat, YandexGPT, DeepSeek

Остальные участники тестирования показали заметно более скромные результаты.

ChatGPT 4o (OpenAI) справился с базовыми задачами, но на сложных запросах (иерархия справочника, работа с регистрами) допускал ошибки. Средняя оценка — около 5.5. Модель хорошо понимает общие алгоритмы, но плохо знает специфику 1С.

GigaChat (Сбер) неожиданно хорошо показал себя в задачах на запросы (например, получение цены на дату), но провалил работу с формами и сериализацию. Средний балл — около 4.5. Потенциал есть, но пока модель уступает лидерам.

YandexGPT 5 (Яндекс) и DeepSeek V3 показали низкие результаты (3–4 балла). Они часто генерировали код, далёкий от правильного, не понимали специфических конструкций 1С и не справлялись с задачами средней сложности.

MS Copilot оказался аутсайдером: он не смог корректно выполнить ни одной задачи, кроме самой простой. Его код содержал грубые синтаксические ошибки и не учитывал особенности платформы.

Таким образом, для серьёзной работы с 1С выбор ограничивается фактически двумя моделями — Gemini и Claude.

Практические примеры: что умеют лучшие нейросети

Рассмотрим несколько реальных примеров, с которыми успешно справились Gemini и Claude.

Задача: FIFO-списание из таблицы значений. Нейросеть должна была создать ТаблицуЗначений с колонками Номенклатура, Количество, Сумма, Дата и написать код, который списывает товар по методу FIFO (указывается только номенклатура и количество). Обе модели справились, корректно отсортировав строки по дате и рассчитав сумму списания. Код содержал проверки на остаток и обрабатывал ситуацию, когда товара недостаточно.

Задача: запрос к регистру сведений для получения цены на дату. Требовалось написать запрос, который получает актуальную цену товара на заданную дату из непериодического регистра сведений (СрезПоследних не подходит). Gemini и Claude правильно использовали вложенный запрос с группировкой по номенклатуре и максимальной датой, меньшей или равной заданной.

Задача: загрузка курса валют с сайта ЦБ РФ. Модели написали код, который через HTTP-соединение получал XML-данные с сайта cbr.ru, парсил их и заполнял таблицу значений курсами доллара за последний год. Gemini сделал это особенно качественно, с обработкой ошибок и корректным разбором дат.

Эти примеры показывают, что нейросети могут реально экономить время разработчика, особенно на типовых, но трудоёмких задачах.

Ограничения и сложности: где нейросети пока слабы

Несмотря на впечатляющие успехи, нейросети не всесильны. Тестирование выявило несколько типичных проблем.

Непонимание иерархических структур. Задача вывести все группы справочника с неограниченной иерархией и уровнем вложенности не была решена ни одной моделью. Это требует глубокого понимания механизма итерации по иерархии в запросах 1С, что пока недоступно ИИ.

Ошибки в работе с управляемыми формами. Передача данных между формами, корректное использование событий и реквизитов — здесь модели часто допускают логические ошибки. Например, код может быть синтаксически верным, но не выполнять требуемого действия из-за неверного контекста вызова.

Излишняя сложность. Нейросети склонны к оверинжинирингу: они добавляют лишние проверки, классы, обработчики, которые в 1С не нужны. Для платформы 1С часто более эффективны простые и прямые решения, а модели пытаются применить практики из других языков.

Отсутствие контекста. Без доступа к конкретной конфигурации (метаданные, структура справочников, документов) нейросеть не может сгенерировать полностью корректный код. Она опирается на общие шаблоны, которые могут не соответствовать реальной базе.

Эти ограничения важно учитывать: код, сгенерированный нейросетью, всегда требует проверки и адаптации под конкретную конфигурацию.

Как эффективно использовать нейросеть для 1С: советы и промпты

Чтобы получить максимальную пользу от нейросети, следуйте нескольким рекомендациям.

Формулируйте задачу максимально конкретно. Указывайте не только что нужно сделать, но и контекст: названия реквизитов, типы данных, ожидаемый результат. Например, вместо «напиши запрос для получения остатков» лучше: «напиши запрос к регистру накопления ОстаткиТоваров, который получает остатки на дату &Дата по всем номенклатурам, с группировкой по складу».

Используйте примеры. Если нейросеть ошиблась, покажите ей правильный фрагмент кода и попросите исправить. Модели хорошо обучаются на примерах в рамках одного диалога.

Проверяйте код в тестовой базе. Никогда не переносите сгенерированный код сразу в рабочую базу. Всегда тестируйте на копии, особенно если код изменяет данные.

Давайте контекст через метаданные. Если возможно, загрузите в диалог описание структуры метаданных (например, выгрузку из конфигуратора). Это резко повышает качество ответов.

Используйте итеративный подход. Начните с генерации каркаса, затем уточняйте детали. Нейросеть лучше справляется с задачами, разбитыми на небольшие шаги.

Следуя этим советам, вы сможете сократить время на рутинные задачи и сосредоточиться на архитектурных решениях.

Будущее: MCP-серверы и контекстная генерация для 1С

Одно из самых перспективных направлений — использование MCP (Model Context Protocol) для подключения нейросети к конкретному репозиторию 1С EDT. Это позволяет модели получать актуальный контекст: структуру метаданных, существующий код, документацию.

Разработчики уже экспериментируют с созданием MCP-серверов, которые выгружают метаданные конфигурации в векторную базу данных и подключают её к нейросети (например, через Cursor или другой ИИ-ассистент). Такой подход позволяет генерировать код, который точно соответствует текущей конфигурации, использует правильные имена объектов и реквизитов, учитывает существующие алгоритмы.

В перспективе это может полностью изменить подход к разработке на 1С: вместо написания кода вручную разработчик будет формулировать задачи на естественном языке, а нейросеть, имея полный контекст, будет генерировать готовые модули, обработки и отчёты. Остаётся лишь провести код-ревью.

Пока такие решения находятся на стадии экспериментов, но первые результаты обнадёживают. Вероятно, уже в ближайшие годы контекстная генерация станет стандартом для 1С-разработки.

Вопросы и ответы