做 CAD 这个行当的人这两年应该都感受到了一股奇怪的压力AI 都能写代码、画图、生成视频了怎么打开 SolidWorks 还是得自己一个特征一个特征地拉直到 text-to-cad 这个概念密集出现才让人意识到不是这方向没人做是过去大家把路走岔了——大部分文本生成 3D 模型的工具生成的其实是 mesh网格而 CAD 要的是参数化特征树。这两者之间的鸿沟恰好就是 text-to-cad 真正要解决的问题。我花了两周时间把市面上能试的 text-to-cad 项目、API、开源模型都过了一遍包括直接用大模型写 CadQuery 脚本这种野路子。这篇文章不打算写成一个综述而是想从一个实际使用者的角度把这东西的原理、各家方案的差异、能复现的操作路径以及最容易被忽视的质量评估方法讲清楚。如果你也是做机械设计、3D 打印、工业建模或者单纯好奇一句话生成一个能编辑的零件到底怎么实现这篇文章应该能帮你省下不少自己摸索的时间。1. 先说清楚Text-to-CAD 和文字生 3D 模型根本不是一回事很多人第一次听到 text-to-cad第一反应是这不就是文生 3D 模型吗Meta 那个、OpenAI 那个不都能做 这是一个非常自然的误解但也是理解整个领域最关键的一道坎。1.1 为什么 CAD 领域一直没跟上文生图的节奏过去几年文字生成 3D 内容的技术确实进步飞快从早期的 CLIP 驱动形状优化到后来的扩散模型直接生成神经辐射场再到用多视图扩散重建网格已经能生成相当精细的雕像、游戏道具、场景资产。但这些东西有一个共同特点输出是三角形网格或者隐式曲面本质上是一堆点、面、法线、纹理坐标的集合。网格模型对游戏、影视、3D 打印预览来说够用但对工程师来说远远不够。你在 SolidWorks 里打开一个网格零件会发现没有特征树、没有草图、没有拉伸切除的记录想改一个孔的直径对不起改不了只能整个重做。CAD 的核心资产是可编辑性是参数化逻辑是那个记录怎么一步步把这个零件做出来的特征历史。text-to-cad 的目标恰恰是后者生成的不只是一个形状而是一套完整的建模过程、一颗参数化特征树甚至是一段可以被 CAD 内核重放的建模指令序列。这也是为什么它比文生 3D 模型难那么多。1.2 从特征树到 CSGCAD 模型内部到底长什么样要理解 text-to-cad 的难点得先搞清楚 CAD 文件在底层是怎么描述一个零件的。这里有三层概念需要区分。第一层是特征树Feature Tree也就是你在 SolidWorks、Fusion 360 里左侧那个树状列表。它记录的是先拉伸出底板再在顶面画草图切除一个孔再倒角这样的操作顺序。特征树的每一层都依赖前面的结果中间任何一个草图尺寸改掉后面的特征都会自动更新这就是参数化建模的核心体验。第二层是B-Rep边界表示它是 CAD 内核Parasolid、ACIS、OpenCASCADE真正用来存储几何的数据结构。B-Rep 把模型拆成一堆面Face、边Edge、顶点Vertex并记录它们之间的拓扑连接关系还包含精确的曲面方程而非网格近似。B-Rep 保证了模型在数学上是精确的但这个数据结构极其复杂直接让语言模型去生成 B-Rep 几乎是不可能的。第三层是CSG构造实体几何就是用基本体立方体、圆柱、球做布尔运算并、交、差来拼出复杂形状。CSG 很简单适合做 AI 生成的中间表示比如很多早期研究就是让模型直接预测 CSG 树。但 CSG 的问题也很明显它表达不了一个带有复杂草图和拉伸特征的工业零件而且最终还要再把 CSG 转回 B-Rep 才有实际意义。这些概念不是考试重点但它们决定了 text-to-cad 各家技术路线的走向。简单说如果你想生成看起来像零件的东西mesh 就够如果你想生成真正能用的零件就必须触及特征树、草图、拉伸、旋转、布尔运算这一整套东西。text-to-cad 这个名字本身就已经表明它选了一条更难的路。2. 核心原理拆解把建模过程变成语言模型的下一句AI 生成 CAD 模型的难点本质上是一个表示问题到底让模型预测什么它才能输出可编辑、可制造的参数化模型目前主流的技术路线基本可以归纳成三类序列生成、图生成、外加一套辅助的脚本/Agent 路线。2.1 让模型学会画草图加拉伸CAD 序列化的几种做法最直观的思路是模仿代码生成。既然代码可以表示成 token 序列让 Transformer 去预测那么 CAD 建模过程为什么不能DeepCAD 是最早公开的开源工作之一做法是把 SolidWorks 里的建模操作序列也就是特征树的操作记录转成一种紧凑的 DSL领域特定语言。比如新建草图、画一个圆心在某个点的圆、拉伸 10 毫米、再切一个孔这些操作都被编码成固定格式的 token 序列。训练时模型读取这些序列学习的是从建模语言到建模操作的映射。推理时模型直接生成一段建模序列再用 CAD 内核重放成实体。我在本地跑过 DeepCAD 的预训练模型它生成的最简单的零件也就是一个底板加一根柱子这个级别的东西复杂一点的会明显失真比如出现悬空的面、拉伸方向乱掉、或者干脆生成了零厚度的退化几何。但它证明了一件很重要的事语言模型完全有能力学会拉伸切除倒角这些操作的语法序列化这条路是通的。另一个代表性工作是 UCSD 的 Text2CAD 系列他们在序列生成之外还加入了文本编码器分支让同一个模型既能做文本到 CAD 的生成也能做 CAD 到文本的描述也就是模型同时学会了看懂零件和生成零件两件事。2.2 合成数据与反向字幕训练数据的来历这类模型最大的瓶颈其实是数据。真实世界的 CAD 模型虽然存量巨大但绝大多数都没有配套的文字描述。你想想谁会在画完一个法兰盘之后再写一句这是一个带四个均布螺栓孔的法兰盘存在文件里几乎没有。所以各家都想到了一个套路反向字幕reverse captioning。先拿一批现成的 CAD 模型解析成序列化的建模流程再用一个已经训练好的CAD 理解模型或者规则引擎自动生成描述文字。这样就能得到海量的文字-建模序列配对数据。Zoo就是 KittyCAD 那家公司在发布他们的 text-to-cad 时官方技术博客里明确提到他们用合成数据和人工标注的结合方式来构建训练集其中合成数据占了绝大部分。这个做法听起来很顺理成章但有个隐患模型学到的描述和真实工程师的语言习惯有偏差。合成数据里描述的往往非常教科书比如一个凸台直径 20 毫米高 5 毫米带一个直径 5 毫米的通孔而真实用户更可能说一个用来固定传感器的支架底座。语料分布的错位意味着模型对口语化需求的泛化能力实际上很有限。2.3 端到端生成与工具调用的 Agent 路线序列生成是一步到位文本进去建模序列出来。还有一种路线是把 LLM 当调度器让它调用外部工具。典型做法是用 GPT-4 或开源大模型写一段 CadQuery 或 OpenSCAD 脚本然后执行脚本从错误信息里迭代修正直到生成合格模型。我之所以专门提这条路线是因为它目前反而是最容易被普通用户复现的。不需要训练数据不需要 GPU只需要一个能写代码的 LLM 和一套 CAD 的 Python API。后面我会用一整章讲怎么把它落地。端到端模型和 Agent 路线的本质区别在于前者把建模知识焊死在模型参数里后者把建模知识外包给外部执行环境LLM 只负责理解需求、写代码、根据报错改代码。前者上限高、但可控性差后者每一步都可观察、可干预工程上非常实用。我个人的判断是短期内 Agent 路线的产品体验反而会更好因为用户能眼睁睁看着模型改稿出了问题也知道去哪找原因。3. 各家的实际表现Zoo、AutoDesk 和开源社区的真实差异把原理过了一遍之后我从实际体验角度说说目前几个代表项目的差距。你可以把这一章当成一份选型笔记以后想在这块投入精力时知道该往哪个方向看。3.1 Zoo Text-to-CAD从炫技 Demo 到可用的 APIZoo 的 text-to-cad 是 2024 年 9 月发布的当时官方放了一个让我印象深刻的演示输入一句一个带有四个安装孔和一个中心孔的铝制安装板模型生成了一颗完整的参数化模型特征树清晰各个孔的直径、位置都能编辑。它背后用的是自家的 KittyCAD API 和底层的几何内核所以从模型生成到几何运算都是闭环的。我实际在 Zoo 的在线 playground 上试过几次。它的生成速度大概在十几秒到一分钟这个量级生成结果分两种一种是标准件风格的、特征非常规整的零件另一种是稍微复杂一点的、需要多个特征叠加的零件。整体感觉是它对机械工程师常用的板-孔-凸台-倒角这类特征的掌握已经很稳但对自由曲面、复杂装配体、钣金件这些还是明显欠火候。另外Zoo 的商业化策略也值得关注。他们不仅提供在线生成还把 text-to-cad 的生成能力封装成了 API可以直接集成进别的软件。这就意味着将来你在某个在线 3D 打印服务商、某个夹具设计工具里看到的用一句话生成模型按钮很可能背后就是这种服务。3.2 AutoDesk 和其他实验室的探索方向AutoDesk 那边也有一个叫 Project Bernini 的内部项目名字叫贝尼尼很明显致敬那位雕塑家它走的是多模态生成路线不只是文字到 CAD还能从图片、交互式输入甚至多个视角合成全新模型。AutoDesk 的优势在于他们有完整的 Fusion 360 / Inventor 数据生态和大量用户操作日志这些东西如果用来做训练数据上限非常高。目前公开的信息还不算多但我比较确定的是AutoDesk 对可制造性的要求会比初创公司高很多因为他们知道真正的用户是拿来开模具、上机床的不是拿来做个好看的渲染图。学术界那边也有不少有意思的工作。除了前面提到的 DeepCAD、Text2CAD还有把强化学习引入 CAD 序列生成的、用图神经网络做草图-拉伸特征预测的、以及专门研究语言描述不够精确导致几何歧义这个问题的。这部分工作虽然离产品很远但它们在给整个领域探路。3.3 开源社区的务实派LLM 直接写脚本最后是开源社区这里目前最大的价值不是某个成品模型而是LLM CadQuery/OpenSCAD这条极其实用的路线。CadQuery 是一个用 Python 写参数化 CAD 的库它天然适合做 LLM 的输出目标因为脚本本身就是程序代码可读、可调试、可版本管理。我用这条路线跑了不少测试结论是GPT-4 级别的模型在写 CadQuery 时对简单零件的成功率相当高但对稍微复杂的装配、或者需要精确控制某些几何约束的情况还是会出现看起来合理、一执行就报错的情况。不过好在报错信息是公开的把报错喂回给模型让它自己改两三轮之内通常能修好。这种生成-执行-报错-再生成的循环本质上已经把大模型的推理能力和 CAD 内核的精确性结合起来了。4. 现在就能上手的实践让 LLM 帮你生成可编辑的参数化零件前面讲了不少概念和现状但读者的时间很宝贵我直接进入可以复现的部分。4.1 环境准备为什么我选 CadQuery 而不是 OpenSCAD第一步是选工具。OpenSCAD 也是脚本化建模语法更简单但它的建模方式偏向 CSG不太适合表达先画草图、再拉伸、再打孔这种工业建模流程。CadQuery 更贴近主流 CAD 软件的操作习惯生成的结果也能通过 FreeCAD 或自己转成 STEP 文件生态更友好。安装很简单pip install cadquery如果你需要更复杂的交互界面可以考虑安装 CQ-editor它是一个带 3D 预览的编辑器。另外建议同时安装 FreeCAD因为 CadQuery 的底层依赖 OpenCASCADE而 FreeCAD 也是基于这个内核两边的文件可以互通。4.2 从自然语言到零件两个完整的实战样例我挑了两种典型场景演示一下让 LLM 把一句话变成 CadQuery 脚本的全过程。样例一语音指令式的描述——帮我做一个底板长 80宽 50高 10四角各有一个直径 6 的沉头孔。把这句话直接喂给 LLM它通常会生成类似下面的脚本import cadquery as cq result ( cq.Workplane(XY) .box(80, 50, 10) .faces(Z) .workplane() .rect(80, 50, forConstructionTrue) .vertices() .hole(6.0) ) cq.exporters.export(result, plate.step)这个脚本你八成看不懂但没关系执行它就会得到一个 80×50×10 的底板四角打了通孔。我实际执行后确认模型正确。样例二工程描述式的指令——生成一个法兰外径 100内径 40厚度 15六个直径为 8 的螺栓孔均匀分布在直径为 75 的螺栓圆上。这句话的关键在均匀分布在螺栓圆上LLM 需要理解极坐标和阵列的概念。我让模型生成之后它给出的脚本核心部分大概这样result ( cq.Workplane(XY) .circle(100 / 2) .extrude(15) .faces(Z) .workplane() .circle(40 / 2) .cutBlind(-15) ) # 螺栓孔阵列 result ( result.faces(Z) .workplane() .polarArray(75 / 2, 0, 360, 6) .circle(8 / 2, forConstructionFalse) .cutBlind(-15) )我把这个脚本放进 CQ-editor 执行得到的是一个干净的法兰六个螺栓孔按 60 度均匀分布内孔贯通。这里的关键是polarArray这个 APILLM 能准确调用它说明它对 CadQuery 的常用方法已经很熟。不过我也遇到过翻车的情况比如同样一句话换个模型或者换个改写方式它可能会生成 OpenSCAD 语法或者把沉头孔理解成埋头孔、通孔理解成盲孔这些语义偏差全靠人工盯着。4.3 把需求写清楚提示词的结构化写法跑了几十个案例之后我总结出一套相对稳定的提示词模板特别适合让 LLM 生成 CadQuery 脚本指定建模基准告诉它用 Workplane(XY) 作为默认平面避免模型随机选面。明确几何参数能用数字就不用稍微大约这种词CAD 容不得模糊。列出特征顺序先主体后细节信息组织方式就像你在跟一个实习生交代任务。指定输出格式要求用 CadQuery 脚本、带 export 语句方便直接执行。一个我自己用的提示词模板大概是这样的请写一段 CadQuery Python 代码生成一个满足以下要求的零件。所有尺寸单位是毫米。建模时使用 cq.Workplane(XY) 作为起始平面。先创建主体再依次添加孔、槽、倒角等特征。最后使用 cq.exporters.export 导出 STEP 文件。零件要求如下...这个模板本身不神奇但它把模型最容易出错的几个地方基准面、单位、特征顺序都提前锁死了实际成功率能提升不少。5. 生成的东西能不能用这是我建议的五步验收流程text-to-cad 最大的坑不是生成不出来而是生成结果看起来能用一加工就废。这一章讲讲我怎么验收这些 AI 生成的模型。5.1 几何层面最常见的坑零厚度、悬空面、不闭合实体网格生成出来的东西是一张皮虽然有空洞、散面这些问题但至少不会有零厚度这种概念。CAD 不一样CAD 里一切都要有实体语义。我拿 AI 生成的 STEP 文件导入 FreeCAD 检查时最常见到的问题就是特征顺序不合理导致布尔运算产生退化几何或者某个拉伸方向反了导致面与面重叠、实体内部出现自由边。检验方法其实很简单在 FreeCAD 里用 Part 模块的检查几何工具跑一遍或者尝试给模型做一个剖切视图。剖切面一看内部是不是实体、有没有暗藏的零厚度缝隙一目了然。5.2 可编辑性CAD 的命门前面我一直强调可编辑性这里具体展开。一个合格的 text-to-cad 结果至少要满足三点特征树完整模型不能是一整块实心疙瘩要能从特征树里看到底板-拉伸-打孔-倒角的顺序。尺寸参数可改改一个孔的直径整个模型要自动更新而不是需要手动重建。后续可继续建模生成的模型还要能继续加新特征比如在某个面上再画个槽。这三点序列生成类模型比如 Zoo 的结果做得比较好因为它本质上就是重放建模序列特征信息天然保留。而LLM 写脚本路线生成的结果是否可编辑取决于脚本是不是用了参数变量。我见过不少 LLM 写出魔法数字写死的脚本你要改一个数得满文件找体验很差。所以我在提示词模板里会额外加一条所有关键尺寸用变量定义统一收在脚本开头。5.3 我的五步验收流程不管用什么工具生成拿到模型后我都会走一遍这个流程花不了几分钟但能免掉后面的大坑打开 STEP 文件旋转视角肉眼检查外形和预期是否一致。打开特征树确认特征顺序合理、特征数量足够不是退化合并成一坨。双击关键尺寸改一个数比如孔直径从 6 改成 8看模型是否干净更新。用剖切视图检查内部实体是否存在隐藏缺陷。如果有 3D 打印或加工需求再用切片软件或 CAM 里的自动检查过一遍确认没有薄壁、倒扣这些制造禁忌。这套流程甚至不限于 text-to-cad 生成的东西从网上下载的 STEP 模型、同事发来的中间格式文件我都建议先过一遍。6. 当下面临的边界以及我个人的下一步预期最后聊聊这个技术的天花板在哪以及它接下来大概会怎么走。这部分的判断带有我个人的主观色彩只能代表我自己的观察。6.1 语言描述的离散性 vs 连续几何的鸿沟自然语言本质上是离散的、符号化的而 CAD 几何是连续的、精确的。你用外径 100内径 40这句话能描述一个法兰但描述不了叶片泵里那个复杂的三维扭曲曲面。语言能表达的信息量是有限的一句话说不完的细节模型就只能在后台猜猜出来的结果当然不一定符合你的意图。这也是为什么我现在仍然认为在很长一段时间内text-to-cad 最合适的应用场景是快速生成标准件、简单零件、概念草模而不是替代工程师设计复杂产品。6.2 装配体、制造约束与标准件的问题大多数 text-to-cad 工作集中在单个零件但现实工业里几乎没有孤立零件——哪怕一个最简单的传感器支架也要和阀体、盖板、螺栓发生装配关系。生成一个零件容易生成一套配合装配体难得多因为涉及装配约束、间隙、公差、命名规则一系列问题。另外现在的模型基本没有制造约束的概念。它可以生成一个从渲染图上完全合理、但用数控机床根本没法加工的零件比如无法装夹、刀具伸不进去的内腔。所以我也在持续关注那些把可制造性分析接到 text-to-cad 后面的项目这才是一条完整的产品链路。6.3 关于工具和思路的建议如果你问我现阶段普通人怎么用 text-to-cad 最划算我的建议是别追求一步到位生成一个复杂零件而是把它当做一个**参数化方向加速器**。先用 text-to-cad 生成一个意思对了的初版再导入专业 CAD 里把细节修正、把制造工艺加上。这样比从零开始画快很多至少省了一张草图和一堆反复调整的时间。我自己现在试得最多的还是LLM 写 CadQuery这条开源路线因为每一步都可以审、可以改、可以用 git 管版本出错也不会黑盒。Zoo 这类端到端服务则适合快速验证想法、生成演示用的 STEP 文件。两者不冲突反而互补。说句实在话text-to-cad 还处在玩具到工具之间的位置但它把 CAD 建模从亲手画变成描述需求、审核结果这个思路已经不可逆了。未来很快标准件的生成会变成各种在线 CAD 工具的一个默认按钮再往后等模型学会读懂装配约束和加工工艺它就会真正进入工程师的日常流程。到那个时候回头再看今天这些生涩的提示词调优和特征树检查大概会像现在看当年的人肉布线一样既觉得麻烦又觉得怀念。