前阵子做智慧仓储项目我一直在找一个能让AI直接操作3D软件的方案。起因很实际仓储数字孪生场景里货架、库位、AGV路径这些模型如果全手动在Blender里搭光阵列复制和层级整理就能耗掉一整天但如果只让AI帮你写建模脚本它又“看不见”Blender里到底有什么。后来我把 Antigravity 和 Blender MCP 串起来发现AI真的能从对话里直接生成和修改仓储3D模型整个建模效率翻了不止一倍。这篇文章就把我实测跑通的链路完整拆开讲讲怎么从零搭出一个智慧仓储数字孪生场景包括MCP配置、建模实操、导出渲染和排坑经验。适合正在做数字孪生、想用AI提升3D建模效率、或者对MCP协议感兴趣的开发者这篇是上半部分先重点解决“AI怎么把模型建出来”这件事。1. 项目背景与整体设计思路1.1 这个项目到底在解决什么问题智慧仓储数字孪生说白了就是把一个真实仓库的物理空间和业务数据映射到一套可交互的3D场景里。管理者在网页上看到的不是一个平面表格而是能直观看到哪个货架堆满了、哪个库位空着、AGV当前跑到哪个通道的立体视图。我接过不少这类需求客户问的第一句话通常是“能不能让我一眼看清楚仓库现在的状态”而不是要一份漂亮的二维图表。传统仓储管理系统的问题在于数据和空间脱节WMS里能查到某个SKU的库存数量但很难立刻定位到它在仓库的哪个物理位置视频监控能看到现场画面可一旦货架遮挡就失去全局视角。数字孪生就是把这两者拼起来——先建一个跟真实仓库比例一致的3D模型再把库存、设备状态、任务进度这些实时数据挂到对应模型上。比如某个库位有货模型里对应的长方体亮成绿色AGV正在移动模型里的小车就沿着预设路径走。用户不需要懂数据库也不用看监控回放一眼就能判断当前仓储运转是否正常。这个项目的难点不在3D建模本身——Blender里建个仓库模型并不难难点在于三个层面第一模型结构要足够规整方便后期跟业务数据做一一映射第二场景要可复用换一个仓库尺寸就能批量调整第三也是最核心的建模过程能不能由AI驱动让非专业建模人员也能通过对话生成和修改场景。Antigravity Blender MCP 这套组合就是冲着第三个难点去的。1.2 为什么是“Antigravity Blender MCP”这套组合先说结论这套组合的价值在于把“AI理解需求”和“AI操作工具”这两件事打通了。Antigravity 是一个AI开发环境内置了Agent能力能让模型自主拆解任务并执行Blender MCP 则是一个跑在Blender内部的MCP服务端接受外部指令操作3D场景。两者连起来之后你可以直接用自然语言对AI说“在仓库东北角加一排货架”AI会转化成Blender能执行的Python命令真正把模型创建出来。我之前也试过其他方案。最传统的是自己写Blender Python脚本好处是可控但每次改布局都要改代码AI完全帮不上忙。也试过让AI生成脚本、我手动粘贴到Blender里执行步骤繁琐不说AI对Blender内部状态的感知几乎是零——它不知道现在场景里已经有了哪些物体生成的脚本很可能重复建模。还有用Unity做数字孪生的路线但Unity在Web端的部署重量较大对智慧仓储这种以数据可视化为核心的场景来说Three.js这类轻量渲染方案反而更合适。MCPModel Context Protocol在其中扮演的角色很像给AI装了一个“USB接口”。没有这个协议AI和Blender之间是断开的AI只能凭经验猜你场景里有什么有了MCPAI可以直接调用Blender暴露出来的能力——查询场景、创建物体、修改属性、执行脚本每一步都有真实反馈。这也是我选择 Antigravity 的原因它对MCP的原生支持比较完善配置起来顺滑Agent在执行多步任务时也够稳定。整体技术栈是AntigravityAI大脑 Blender MCP3D操作执行器 Blender建模环境 Three.jsWeb端渲染。2. MCP 协议与 Blender MCP 配置2.1 MCP协议是怎么把AI和Blender连起来的MCP全称是 Model Context Protocol模型上下文协议。把它理解成一个标准化接口AI客户端的角色想要使用某个工具的能力不用自己去适配每种工具的私有API而是按照MCP定义的统一方式发起请求工具这边通过实现一个MCP Server把自己能力暴露成标准化的“工具”Tool供AI调用。具体到Blender MCP这个插件在Blender内部启动了一个本地MCP服务并在服务里注册了一系列工具获取场景结构、创建物体、修改物体属性、运行Python代码等。当你在Antigravity里跟AI说“帮我建一个仓库地面”Antigravity里的Agent会推断出需要调用Blender MCP的某个工具然后通过网络请求把参数发给Blender插件收到后在Blender里真正执行对应操作再把结果返回给AI。整个过程用户是感知不到的你只看到AI回复了“已创建地面”但背后其实是标准的MCP工具调用链路在运转。为什么非得要这个协议我自己的理解是没有MCP的时候AI和工具的交互方式是“文本猜测”。AI写一段Python代码你复制到Blender里跑报错了再贴给AI看来回来去效率极低。有了MCPAI对工具的调用变成“结构化API调用”工具给AI的反馈也是结构化的场景数据这让AI的下一步决策有了依据——它知道场景里已经有3个货架就不会重复创建。类比一下前者是你给朋友发微信描述菜谱后者是做菜机器人直接读取电子秤和灶台的数据。2.2 Blender MCP插件安装与服务端启动安装Blender MCP插件的过程不难但有几个细节容易踩坑我按自己的实操顺序整理一下。第一步从插件仓库下载最新版本的zip压缩包注意不要解压Blender安装插件认的就是zip。第二步打开Blender菜单栏进入“编辑→偏好设置→插件”点击右上角的“安装”按钮选择那个zip文件然后在插件列表里找到Blender MCP并勾选启用。启用后Blender的侧边栏按N键可以呼出会多出一个MCP面板里面有几个关键按钮。其中最核心的是“Start MCP Server”点击后插件会在本地启动一个WebSocket服务默认监听地址是 ws://127.0.0.1:9876。端口号可以在面板里改但我的建议是尽量保持默认因为后面在Antigravity里配置时只要写对一次后续都用同一套。启动成功后会看到状态提示表示服务已经运行。这里最常犯的错误是项目还没保存就启动服务或者整个Blender进程被其他操作阻塞导致服务端口占用。如果出现“address already in use”可以用命令行检查端口占用但大多数情况下重启Blender再点一次启动就能解决。另一个建议是建模过程中让Blender保持前置运行不要最小化到任务栏挂起有些系统在后台会降低Blender的线程优先级影响MCP响应速度。2.3 Antigravity中添加MCP Server的完整步骤Antigravity这边需要把刚才启动的Blender MCP服务注册进去。打开Antigravity的设置面板找到MCP Servers相关的配置入口——不同版本入口名称略有差异桌面版一般在Settings里的MCP标签页浏览器扩展版则需要先在扩展设置中启用“MCP连接”开关然后回到主界面刷新。添加一个New Server连接类型选WebSocket也有的版本叫URL/SSE地址填 ws://127.0.0.1:9876直接默认参数保存。保存后先做一次Connection Test正常情况下几秒钟内会返回成功。如果测试失败稳妥的排查顺序是确认Blender里MCP服务已经启动、确认端口号一致、确认Antigravity有权访问本地网络。连接成功之后我建议先做一个小验证在Antigravity的对话界面里给AI发一条指令“请读取当前Blender场景列出所有物体名称和类型。”如果配置正常AI会调用Blender MCP的查询工具返回类似“场景为空没有物体”的结果。看到这个反馈就说明整条链路已经通了接下来就可以开始进入真正的建模环节。顺便说一句配置阶段如果遇到HTTP 403之类的鉴权错误大概率是Antigravity的API Key权限没有配置好或者已过期和MCP Server本身关系不大要分开排查。3. 仓储场景建模实操3.1 建模前的场景规划与数据准备很多实操翻车的案例问题都出在“没规划就动手”。我强烈建议在打开Blender之前先用一张纸或者一个表格把仓储的基本参数定下来。比如我这次做的原型仓库尺寸取40米长、20米宽、8米高这是一个相对标准的中型仓库比例。货架区放在仓库中部占22米长、10米宽两侧留出AGV通道通道宽度设计成2.4米这个值参考了常见AGV的最小转弯半径。货架的参数也要提前定每排货架长10米包含8组货位每组货位宽1.2米、深0.8米、层高1.2米总共做3层。这些参数不是乱填的它们直接决定了你后面用阵列复制时的偏移量。我的习惯是建一张参数表把空间尺寸、货架数量、通道宽度、坐标原点全部列清楚然后才开始建模。这样做的最大好处是AI辅助建模具的时候你可以把这些参数直接丢给AI让它用循环和阵列算法生成场景而不是一个物体一个物体地手动摆放。坐标系也要事先约定好。Blender里默认Z轴向上我把仓库的长边对齐X轴短边对齐Y轴原点放在仓库的西南角。这个约定很重要因为后期如果要把模型导出到Three.js或者对接点云数据坐标系的统一能省掉大量回调工作。参数项数值说明仓库尺寸40m x 20m x 8m长X轴宽Y轴高Z轴货架区22m x 10m居中有置通道宽度2.4mAGV通行货架排数5排每排8组货位尺寸1.2m x 0.8m x 1.2m每组3层3.2 用Blender搭建仓储基础结构先把仓库的框架搭起来。我习惯从地面开始ShiftA添加一个平面Plane然后在右侧属性面板里把尺寸改成40x20米为了让地面有质感给材质指定一个浅灰色。墙壁可以用立方体拉长但临时原型阶段我通常只建一面短墙做视觉边界省得渲染性能浪费。地面之后是货架。这里要提醒不要一个个手动建货架必须用阵列修改器Array Modifier。我的方法是先创建一组货架单元——两根立柱加三块层板组成一个三层货架单体然后选中这个单体添加Array Modifier将Count设为8并设置Relative Offset沿X轴偏移1.2米。这样一组8个货位的长货架就生成了。再把这一整排复制到另一边居中排成5排排距按参数表设为2.4米。托盘和货物也用小立方体代替托盘是0.9x0.6x0.15米的扁立方体货物根据货位状态决定要不要放。初始阶段我随机放了一些货物目的是测试渲染效果后续在数据联动阶段会用实时数据覆盖这些静态内容。这里有个关键操作容易被忽略——所有用于后期数据绑定的物体都要按命名规范改名比如货位命名“Shelf_A_Slot_01”AGV命名“AGV_01”这样后面通过JSON或WebSocket更新状态时才能准确找到对应模型。改完名记得按CtrlA应用缩放和旋转把变换归一到本地坐标这一步对后期导出模型极为重要否则可能出现模型位置偏移或缩放异常。3.3 通过MCP让AI辅助批量建模的实战手动搭好第一组结构之后就该上AI了。Blender MCP的价值在批量生成和结构调整上体现得最明显分享一个我实测比较高效率的提示词写法“在当前Blender场景中请获取场景结构。然后以现有货架为基础在X30米的位置再创建一排货架要求共8组货位、每组3层货位深度0.8米高度1.2米与X30米的距离控制在2.4米。创建完成后把新货架的库位命名为Shelf_E_01到Shelf_E_08并返回创建的物体列表。”AI拿到这个指令后会先调用MCP获取场景当前结构确认已有货架的尺寸和坐标系然后生成一段Python脚本通过execute_code工具在Blender里执行。实际执行结果里AI通常会创建一个空物体作为组父级然后把8组货架作为子物体挂在下面方便整体挪动。如果你发现AI生成的层级很乱可以在提示词里加一句“所有新物体必须归入一个名为Shelf_E的空物体下”AI基本都会照做。用MCP辅助建模时有一个使用心得尽量用增量式指令不要一次提太多需求。比如把“建地面、建货架、放AGV、加灯光”拆成四条指令逐条执行每执行完一条就让AI报一下结果这样出问题能第一时间定位。实测下来增量式操作成功率比一次性大指令高很多而且后续想回溯调整也更方便。另外AI生成物体后我一般会在Blender里手动检查一遍透视图确认没有物体交叠或者悬空毕竟AI对物理碰撞没有概念。4. 模型导出与Web端渲染管道4.1 导出格式选型glTF 还是 JSON仓储模型建完之后下一步是把模型搬到浏览器里。常见的做法有两条路线我分别讲一下各自的适用场景。第一条路线是用glTF/GLB格式。这是3D格式里最适合Web场景的Blender原生支持导出Three.js加载起来也方便。优点是模型自带材质、纹理、层级结构渲染效果跟Blender里比较接近适合结构复杂、需要精细展示的模型。操作路径是选中要导出的所有物体菜单栏File→Export→glTF 2.0导出时勾选“应用修改器”和“Y Up”这一步会帮你处理Blender和Three.js的坐标轴差异。我个人最推荐这条路线因为智慧仓储场景里货架、AGV、货物这些模型有不少细节glTF能完整保留。第二条路线是把场景导出成自定义JSON只包含物体名称、类型、位置、旋转、缩放、尺寸等核心属性然后在Three.js里用这些数据程序化重建模型。好处是文件体积极小数据结构天然适合绑定实时业务数据坏处是丢失材质细节和复杂层级。我通常在两种情况下选JSON一是模型结构简单就是方块组合二是我需要把建模和业务数据做深绑定的场景。实际项目里我经常两条路混用整个仓库用glTF展示但每个货位的状态标记物比如绿色/红色指示块用JSON数据动态生成。# Blender中导出自定义JSON的参考脚本 import bpy, json objects_data [] for obj in bpy.context.scene.objects: if obj.type MESH and obj.name.startswith(Shelf): objects_data.append({ name: obj.name, location: [round(v, 3) for v in obj.location], rotation_euler: [round(v, 3) for v in obj.rotation_euler], scale: [round(v, 3) for v in obj.scale], dimensions: [round(v, 3) for v in obj.dimensions] }) with open(/tmp/warehouse.json, w, encodingutf-8) as f: json.dump(objects_data, f, ensure_asciiFalse, indent2)4.2 Three.js加载与场景搭建Three.js这边的核心任务是把导出的模型放进来并做成可交互的视角。如果你选了glTF路线用一个GLTFLoader就够了十几行代码就能把整个仓库加载到场景里。需要单独设置的是相机和轨道控制器相机初始位置放在仓库入口的斜上方这样用户进入页面第一眼就能看到全局轨道控制器OrbitControls开启缩放和平移让用户能自由下钻到某个货架查看细节。灯光用一盏环境光加一盏方向光模拟仓库顶部的照明效果。// 加载glTF模型 import { GLTFLoader } from three/examples/jsm/loaders/GLTFLoader.js; const loader new GLTFLoader(); loader.load(/models/warehouse.glb, (gltf) { scene.add(gltf.scene); });如果选了JSON路线就需要自己写程序化生成逻辑。核心做法是遍历JSON里每条物体数据根据类型创建对应的几何体再按照数据结构里的位置、旋转、缩放设置transform。好处是可以直接在JS里给每个物体加上自定义属性比如货位的状态字段后续更新状态时不用去遍历模型树直接在维护好的映射表里操作就行。我通常会建一个slotMap对象把JSON里的物体名作为key存对应mesh的引用和初始状态这样后面数据联动时根据货位编号直接查表更新即可。给一个比较实际的建议不管用哪种加载方式都要把模型加载和场景初始化拆成两个函数。initScene负责创建渲染器、相机、灯光和地面网格loadModel负责加载仓储模型。这样后面你若想换不同仓库的模型只需要调用loadModel传入新的模型地址不用动整个初始化逻辑。智慧仓储项目经常要换场景这个拆分能省不少调试时间。4.3 实时数据如何驱动模型状态数字孪生和普通3D展示的本质区别就在于“动”。模型建得再漂亮如果数据不会驱动它变化那只是个花架子。智慧仓储场景里最常见的实时数据有几种库位状态有货/空置/锁定、AGV位置实时坐标、设备状态运行/故障/离线、任务进度出入库任务进行到哪一步。我在原型里用WebSocket连接后端数据服务每次收到数据后按类型分发处理。比如后端推送这样一条消息{type:slot_update,slot:Shelf_A_01,status:occupied}前端就根据slot字段在slotMap里找到对应的mesh把材质颜色改成绿色有货或灰色空置。如果收到AGV位置更新就把AGV模型的position更新到新坐标必要时用TWEEN库做平滑移动避免画面跳变。// 一个简单仓储数据消息示例 {type: slot_update, slot: Shelf_A_01, status: occupied} {type: agv_move, agv_id: AGV_01, x: 12.4, y: 8.2} {type: device_state, device: conveyor_01, state: running}这里有一个我踩过的坑不要把实时数据直接写到每个物体上而要维护一份“业务状态层”。也就是用一个Map结构存所有业务实体的状态逻辑层监听数据变化并更新状态值然后由渲染层订阅这些状态值去驱动模型。如果数据直接驱动模型一旦业务逻辑复杂比如库存扣减、库位分配你会被渲染代码里塞满业务分支。把状态层和渲染层分离后面扩展传感器数据、订单数据都会容易得多。5. 常见问题与排查实录5.1 MCP连接失败、403与Agent中断我实测中遇到最多的一类问题就是MCP连不上。现象是Antigravity里提示无法连接MCP Server或者AI一直在“重试连接”。排查顺序可以这样先回Blender看MCP面板状态是否是运行中然后用一个简单的命令行工具测试 ws://127.0.0.1:9876 是否可访问最后再检查Antigravity里配置的地址是不是多打了空格或斜杠。我试过的经验是地址里的路径千万不要写成 ws://127.0.0.1:9876/最后多余的斜杠在部分版本里会导致握手失败。403错误哪怕是本机测试也会出现。它一般跟MCP本身无关而是Antigravity调用云端模型接口时鉴权失败常见原因是API Key过期、额度耗尽或者登录态失效。我处理这个问题时是先确认Antigravity账号能正常发起普通对话如果普通对话也403那就是鉴权问题如果只有带MCP的对话403再看看是不是MCP Server接收了请求但回传了异常状态被模型误判成了鉴权错误。还有一个比较麻烦的现象Agent执行中途直接终止日志显示“agent execution terminated due to error”。分析下来最常见的原因是某一步MCP工具调用抛了异常而Agent的安全机制认为这是不该继续执行的操作于是终止整个回合。解决办法是精细化提示词把操作拆小避免一次调用里同时创建大量物体或执行过于复杂的Python代码。另外AI偶尔会调用不存在的工具名属于Agent模型对工具理解偏差给它明确的工具使用说明或者示例成功率会明显提升。5.2 AI生成的模型和预期不符怎么办AI建出来的模型不符合预期这事太常见了不要指望一次提示词就能完美。我遇到过AI把货架建到地面以下半米的情况原因是Blender里Cube的默认原点在几何中心AI在计算位置时忘了把层板的厚度加上去。解决办法不是去改提示词而是直接在对话里追加一条修正指令“请把刚才创建的货架组整体沿Z轴上移0.5米。”AI会再次生成一段微调脚本执行这比手动改快得多。更系统性的问题在于AI生成的物体命名和层级混乱。有一次它创建了10组货位但所有物体名都是“Cube.001”“Cube.002”这种默认名直接把后续的数据映射全打乱了。我的对策是在最开始就定好命名规则而且在每次生成后让AI调用查询工具返回物体列表自己肉眼检查一遍。如果命名乱了就追加一条修正指令“将选中物体的名字批量改成Shelf_B_01到Shelf_B_08”。MCP的价值在这里体现得很充分AI能读回场景状态修正指令就有依据不需要你手动去改。还有一个心态上的建议不要要求AI一步到位生成完整仓储。我的方法是“先骨架后细节”——让AI先创建货架整体框架等框架确认无误再补充货物、指示块、AGV路线这些细节。每步之间都让AI返回场景摘要报一下新增了哪些物体相当于给它一个自我检查的环节出错的概率会大幅下降。5.3 导出到Web端后尺寸和方向不对仓储模型在Blender里看着没问题一导入Three.js发现要么方向不对要么尺寸变大好几倍。这类问题几乎都是导出设置或者坐标约定不一致导致的。Blender的默认单位是米但Three.js里默认世界单位也是米理论上一比一对应可如果你在建模时缩放过物体但没有应用缩放导出时模型尺寸就会保持原始数值。方向问题更隐蔽。Blender是Z轴向上Three.js默认是Y轴向上。如果走glTF导出引擎已经帮你做了转换你只要在导出时勾选Y Up选项就行。但如果你是用自定义JSON导出那就得自己写坐标映射把Blender的(x, y, z)转成Three.js的(x, z, -y)。我对比过两种方式还是推荐glTF省心很多只要货架数据状态映射是用物体名维护的glTF的节点层级也够用。还有一个容易忽略的点材质颜色。Blender里你用的可能是Principled BSDF材质颜色和粗糙度都调好了但导出到glTF后Three.js渲染出来可能整体偏暗。这是因为Three.js默认没有处理光照映射。我在加载glTF后通常会在场景里加一个环境贴图或者加大环境光强度让模型亮起来。5.4 大场景渲染卡顿的优化思路仓储数字孪生原型还好一旦模型精度上来、物体数破千Web端就可能卡顿。第一次卡顿我以为是Three.js性能不行后来排查发现是模型物体数量太多导致的draw call超标。智慧仓储场景动辄几十排货架、几百个库位每个库位由两三个mesh组成draw call轻松破千。优化手段按见效速度排第一招是合并静态几何体整个仓库的货架、地面、墙壁这类不运动的物体用BufferGeometryUtils.mergeGeometries合并成一个meshdraw call立刻降一个数量级。第二招是用InstancedMesh做重复物体的实例化渲染比如几百个同尺寸的库位指示块用实例化只需要一次draw call。第三招是控制实时更新的范围AGV、状态灯这类需要频繁变化的物体单独保留为独立mesh静态背景全部合并。我的实测数据是优化前draw call约1400次优化后降到200次左右帧率从20帧提升到稳定60帧。做这些优化时有几个细节合并后物体就没有单独的“名字”了所以必须在合并且前把所有业务映射数据导出来存在你维护的slotMap里。另外glTF导入后的模型树层级很深合并前先处理好遍历逻辑。如果你是用JSON程序化重建模型的那从一开始就可以用实例化方案天然就没有draw call压力。最后分享一个小技巧在Blender里建模时可以开启统计面板查看场景多边形数量尽量控制在十万面以内。仓储场景大部分是规则几何体不需要太高的细分模型面数一降Web端渲染和加载速度都会有明显提升。实际做下来一个中等规模的仓储场景全部优化完GLB文件控制在5MB以内浏览器首屏加载三秒内基本可以完成。这套链路我用了快一个月最大的感受是“AI建模”终于不是一个噱头了。Antigravity Blender MCP 的价值不在于帮你省掉几次点击而在于把建模过程变成了可对话、可批量、可追溯的操作流。以前改一个货架布局你得手动挪物体、改数组参数现在一句话就能让AI重新生成并排好。下半篇我会接着写前端实时联动和动态AGV路径可视化把数字孪生的“活性”真正做出来。