In the field of computational design, parametric tools that can support generative processes—specifically Grasshopper (GH), a plugin incorporated in Rhino CAD software—facilitate the creation of algorithmic definitions through visual programming. These definitions evolve, adapt, and allow control throughout each part of the design process. Grasshopper efficiently reconfigures tasks that involve repetitive operations, fixed sequences, and unconnected dependencies. Instead, relations, variable functions, and parameters are visible, allowing for the resolution of possible conflict subjects at any moment. As a core visual programming tool in parametric design, GH also supports the experimental development of dynamic tools. As of 2025, LLMs’ coding capabilities have a very promising range of applications. The new LLMs have just started generating successful scripts for Grasshopper. Therefore, more iterative procedures are being explored,compiled, and documented.

The study aims to note key processes developed in Grasshopper, to approximate digital fabrication design elements, and then to configure automation tools, parametric geometry generation, and a methodology for LLM integration. In particular, this thesis explores three primary research axes: (a) Development of generative processes in Grasshopper, which indicate adaptive modeling techniques for furniture and architectural elements, and integrating constraints from digital fabrication. (b) Development of custom computational tools tailored for Grasshopper in C# scripts (e.g., TeethXL, DiagonalX) to solve specific design problems, optimize workflows, and enable specialized geometric and fabrication operations. (c) Development, customization, and integration of an LLM (GenX custom GPT methodology) into generative design, enabling the automatic generation of Grasshopper definitions from natural language prompts and addressing specific gaps in current AI-design integrations. Although tools exist that integrate LLMs into the Grasshopper environment, no convenient, efficient, and flexible solution has been identified to date. Therefore, a methodology is being explored that utilises an LLM through prompt engineering, by developing and involving a knowledge and the GPT training UI with design domain specified code, and enabling the production of scripts that generate definitions in Grasshopper. The importance of the study lay in customizing a GPT model rather than utilizing an LLM API call. The work is experimental, and the iterative results are being evaluated for further development. The configuration of an experimental iterative process is employed, and the conceptual framework and mediation of generative systems with AI tools (LLMs and Diffusion-based Models) are being explored. For each step of the process, the evaluation of geometric relations, function calling, and implementation methods is being evaluated and documented. The custom tools are developed and presented as a guide to describe the process of creating successful custom solutions, rather than as a permanent component creation. As an experimentation process for configuring a mediated design solution. Design conventions are defined while targeting common subjects of progress and adaptability. The design intention is being reconfigured through experimentation, pointing to further iterations that explore variant results. The configuration of their geometric relations contributes to the development of implementation processes that function efficiently, adaptably, and accurately.

Στον τοµέα του υπολογιστικού σχεδιασµού, τα παραμετρικά εργαλεία που υποστηρίζουν γενεσιουργές διαδικασίες, και συγκεκριµένα το Grasshopper (GH), ένα πρόσθετο (plugin) που ενσωµατώνεται στο λογισµικό Rhino CAD, διευκολύνουν τη δηµιουργία αλγοριθμικών ορισµών µέσω οπτικού προγραµµατισµού. Οι ορισµοί αυτοί εξελίσσονται, προσαρµόζονται και παρέχουν δυνατότητα ελέγχου σε κάθε στάδιο της διαδικασίας σχεδίασης. Το Grasshopper επαναδιαµορφώνει αποτελεσµατικά διαδικασίες που αφορούν επαναλαµβανόµενες εργασίες,αµετάβλητες ακολουθίες και µη συνδεδεµένες εξαρτήσεις. Αντίθετα, οι σχέσεις, οι µεταβλητές συναρτήσεις και οι παράµετροι καθίστανται ορατές, επιτρέποντας την επίλυση ενδεχόµενων αντικρουόµενων θεµάτων οποιαδήποτε στιγµή. Ως βασικό εργαλείο οπτικού προγραµµατισµού στον παραµετρικό σχεδιασµό, το GH υποστηρίζει επίσης τον σχεδιασµό και την πειραµατική ανάπτυξη δυναµικών εργαλείων (custom scripts). Μέχρι το 2025, οι δυνατότητες των LLMs στον τοµέα του προγραµµατισµού αναδεικνύουν ένα ιδιαίτερα ελπιδοφόρο εύρος εφαρµογών. Τα νέα LLMs έχουν µόλις ξεκινήσει να παράγουν επιτυχώς κώδικες (scripts) για το Grasshopper. Συνεπώς, συγκεντρώνονται, διερευνώνται και τεκµηριώνονται περισσότερες διαδικασίες εκδοχών. Η παρούσα εργασία στοχεύει στην καταγραφή ανάπτυξης βασικών διεργασιών στο Grasshopper, στην προσέγγιση σχεδίασης στοιχείων ψηφιακής κατασκευής, καθώς και στη διαµόρφωση εργαλείων αυτοµατοποίησης, παραγωγής παραµετρικής γεωµετρίας και µεθοδολογίας ενσωµάτωσης των LLMs στο GH. Ειδικότερα, στην εργασία αυτή αναπτύσσονται τρεις κύριοι άξονες έρευνας: (α) Η ανάπτυξη γενεσιουργών διαδικασίων στο Grasshopper, οι οποίες αναδεικνύουν προσαρµόσιµες τεχνικές µοντελοποίησης για στοιχεία επίπλων και αρχιτεκτονικής, ενσωµατώνοντας περιορισµούς από τη ψηφιακή κατασκευή. (β) Η διαμόρφωση εξειδικευµένων υπολογιστικών εργαλείων σε C# (scripts) προσαρµοσµένων για το Grasshopper (όπως τα TeethXL, DiagonalX) για την επίλυση συγκεκριµένων σχεδιαστικών προβληµάτων, τη βελτιστοποίηση ροών εργασίας και εξειδικευµένων γεωµετρικών διαδικασιών ψηφιακής κατασκευής.(γ) Η προσαρµογή και ενσωµάτωση ενός LLM (µεθοδολογία GenX custom GPT-4ο) στον παραµετρικό σχεδιασµό, µε σκοπό τη αυτόµατη παραγωγή Grasshopper definitions µέσω φυσικής γλώσσας για την αντιµετώπιση συγκεκριµένων ελλείψεων στις τρέχουσες εφαρμογές AI και παραµετρικού σχεδιασµού. Σχετικά, παρόλο που υπάρχουν εργαλεία που ενσωµατώνουν LLMs στο περιβάλλον του Grasshopper, έως σήµερα δεν έχει εντοπιστεί µια συµβατή, αποδοτική και ευέλικτη λύση. Συνεπώς, διερευνάται µια µεθοδολογία που αξιοποιεί ένα LLM µέσω µηχανικής προτροπών (prompt engineering), µε τη δηµιουργία και αξιοποίηση συνόλου γνώσης και εκπαίδευσης (GPT training UI) µε εξειδικευµένο κώδικα σχεδιαστικού αντικειµένου, και η οποία επιτρέπει την παραγωγή scripts που δηµιουργούν definitions στο Grasshopper. Η σηµασία της εργασίας έγκειται στην προσαρµογή (customisation) ενός µοντέλου GPT, χωρίς την ανάγκη χρήσης ενός LLM µέσω κλήσης API. Το έργο παραµένει πειραµατικό, και τα αποτελέσµατα αξιολογούνται για περαιτέρω ανάπτυξη. Υιοθετείται η διαµόρφωση µιας πειραµατικής διαδικασίας εκδοχών και το εννοιολογικό πλαίσιο και η διαµεσολάβηση των γενεσιουργών συστηµάτων µε εργαλεία τεχνητής νοηµοσύνης (ΤΝ) (LLMs και Diffusion-based Models) εξερευνώνται. Για κάθε στάδιο της διαδικασίας, αξιολογούνται και τεκµηριώνονται οι γεωµετρικές σχέσεις, η κλήση συναρτήσεων και οι µέθοδοι υλοποίησης. Τα προσαρµοσµένα εργαλεία αναπτύσσονται και παρουσιάζονται ως οδηγός περιγραφής της διαδικασίας δηµιουργίας επιτυχών εξατοµικευµένων λύσεων και όχι ως µόνιµα προγράµµατα. Αποτελούν µέρος µιας πειραµατικής διαδικασίας για τη διαµόρφωση διαµεσολαβηµένων σχεδιαστικών λύσεων. Καθιερώνονται σχεδιαστικές συµβάσεις µε στόχο τη στοχοθετηµένη πρόοδο και προσαρµογή. Ο σχεδιαστικός στόχος επαναδιαµορφώνεται µέσω πειραµατισµού, καταδεικνύοντας περαιτέρω διερευνήσεις εκδοχών που εξερευνούν τα αποτελέσµατα των παραλλαγών τους. Η διαµόρφωση των γεωµετρικών τους σχέσεων συµβάλλει στην ανάπτυξη διαδικασιών υλοποίησης που λειτουργούν αποτελεσµατικά, προσαρµοσµένα και µε ακρίβεια.