直接说结论text-to-cad正在把CAD这个行业从手绘图纸的精确手艺往描述即建模的方向推。过去我们画一个零件先想结构、再画草图、拉伸、打孔、倒角一套流程快则十几分钟慢则半天。现在你把需求写成一句话模型直接生成你只需要检查、调整、落地。这篇文章我就从原理、工具选型、实操、踩坑四个维度把我这段时间折腾text-to-cad的全部经验梳理出来。无论你是机械设计、建筑深化、还是做3D打印模型定制的都能从这里找到可以直接抄作业的部分。1. 为什么说text-to-cad是CAD领域的一次范式转移1.1 传统CAD建模流程的痛点很多人刚开始接触text-to-cad时会本能地觉得这不就是个自动化插件嘛。但实际用下来你会发现它跟传统CAD工作流的底层逻辑完全是两回事。传统CAD建模的核心是几何操作指令比如用AutoCAD画一条线你要先确定起点坐标、终点坐标还要考虑图层、线型、比例。用SolidWorks做拉伸你得先选基准面、画草图、标尺寸、定义约束。这套流程的问题在于软件是人设计给人用的它要求人类把自己的设计意图翻译成软件能理解的操作序列。这种翻译过程本身就是最大的效率瓶颈。举个例子一个简单的法兰盘在SolidWorks里的标准流程是这样的新建零件、选前视基准面、画圆、标注直径、拉伸凸台、再画四个螺栓孔、圆周阵列、倒角。这一套下来熟练工大概10分钟。但如果你告诉别人做一个直径100mm、厚度15mm、带4个均布螺栓孔的法兰盘对方只需要3秒就能完全理解你的意图。text-to-cad想做的就是跳过中间那10分钟的操作翻译直接从语言意图跳到最终模型。再看行业现状CAD人才培训周期极长一个能独立出图的机械工程师少说三年。很多制造业老板最头疼的不是没订单而是没人能用CAD把订单落地。text-to-cad如果成熟意味着很多基础、重复、标准化的建模工作可以被压缩到极短时间释放出来的工程师精力可以去处理更需要判断力的非标设计。这才是它真正的行业价值。1.2 文本生成CAD的核心思路要想真正理解text-to-cad就得先理解它底层的建模逻辑。现在主流的实现路线不是让AI直接生成一个网格文件比如STL那种三角形网格而是生成程序化建模代码。比如生成一段CadQuery或OpenSCAD脚本然后让CAD内核去重新计算并生成实体模型。为什么非要走程序化建模这条路原因有两点。第一精度。制造业要的是毫米级、甚至微米级的公差控制。直接让AI生成点云或网格几何精度根本没法保证更别提后续加工时的公差标注和尺寸约束。第二可编辑性。你生成一个法兰盘但不能只是看起来像个法兰盘你得让用户改直径、改孔数、改厚度。程序化建模天然支持参数化AI生成代码后用户能像改普通参数一样调整模型。这跟那种只能看一眼的AI生图完全不是一个维度。我打个比方。AI生图是画一幅画你看着像那么回事但不能直接拿去做模具。text-to-cad是写一张配方单上面写着面粉300克、鸡蛋2个、发酵粉5克你照单操作做出的面包每一步都可控、可调整、可追溯。这也是为什么目前的text-to-cad工具普遍会输出可运行的脚本而不是直接输出网格文件。更深一层这个思路还解决了AI幻觉问题。大模型在纯视觉生成时可以凭空捏造细节但在生成代码时每一行代码都要能被CAD内核实际执行。如果生成的脚本有错误程序直接报错AI没法蒙混过关。这种机制天然倒逼模型输出正确性也方便我们做后续的脚本级debug。2. 主流实现方案与工具选型2.1 程序化建模语言CadQuery与OpenSCAD选工具之前先把底层语言搞清楚。目前text-to-cad主要落在这两种程序化建模语言上。CadQuery是一个基于Python的CAD建模框架。它的核心是链式建模代码写起来很像自然语言描述。比如你要做一个圆柱体代码就是c Cylinder(10, 20)链式地加上掏孔、倒角等操作。它对参数极其友好一个函数传进去直径、高度模型就出来了。因为它是Python生态所以能直接混用数据分析、循环、条件判断非常适合生成有规律变化的零件族。我们做非标设计的都清楚很多零件结构相似、尺寸不同用CadQuery写一个通用脚本配几张Excel表驱动效率非常惊人。OpenSCAD则更偏向程序化CSG构造实体几何。它用函数式编程语法描述形状之间的并集、差集、交集。比如用difference()从一个大方块里挖掉一个圆柱。OpenSCAD社区庞大可3D打印的开源模型很多都是用它写的学习资料多。但语法对纯机械工程师来说稍显别扭更像写C程序。这两个之所以成为text-to-cad模型的输出首选是因为它们都具备文本即源码的特点——模型脚本本身是纯文本可以无限修改、版本化、复用。反观传统CAD的格式如SLDPRT、DWG本质是二进制文件机器可以读但AI很难从中学习到零件是怎么一步步构建出来的逻辑轨迹。你让AI去学一万个二进制零件文件不如让它学一万行建模脚本有用。2.2 主流text-to-cad工具盘点与适用场景现在能实际拿来用的text-to-cad工具我分为三类。第一类是云端托管的对话式建模工具典型代表像Zoo.dev推出的Text-to-CAD。这类工具的特点是开箱即用网页里直接输需求服务器端用大模型生成CadQuery脚本再把脚本渲染成3D模型回传。还有OpenAI实验室出的Text-to-CAD研究项目也是走GPT架构加程序化建模路线。这类工具适合快速验证想法、生成概念模型以及给非专业人士提供能出模的入口。劣势是网络依赖强企业内部的敏感图纸不适合上传。第二类是本地化的开源方案。比如用开源的Llama模型微调一个专门生成CadQuery脚本的模型然后用CadQuery的内核离线执行。这种方式适合企业内网部署也适合有数据保密要求的军工、医疗、定制化设备行业。代价是你要自己处理环境配置、模型权重、算力资源入门门槛偏高。第三类是商用CAD软件内置的AI辅助功能。现在主流的CAD软件无论是AutoCAD、中望CAD还是国内一些二次开发平台都在往命令联想和智能约束方向走。比如你在命令行输入一个描述性短语系统自动补全绘图步骤。这类功能不算完整的text-to-cad但却是最贴近一线工程师日常的效率工具成本低、零迁移成本。选型的时候我给一个很实在的建议如果你是做非标机械设计的建议重点研究第一种云端工具和开源本地方案因为你的核心诉求是生成可参数化的实体模型。如果你是做建筑施工图、电气布置图这类二维为主的工作别急着上text-to-cad先把现有CAD软件里的动态块、智能标注、快捷命令吃透收益更直接。如果你只做3D打印定制手办、创客作品OpenSCAD配合AI生成脚本这条路是最轻快的。3. 实操全过程用自然语言生成一个零件模型3.1 环境准备与依赖安装我以最通用的本地化方案为例带大家完整走一遍。为什么要选本地化两个原因一是云端工具接口经常变参数调整不自由二是真正的工程应用里设计文件保密要求高代码和数据最好都在内网流动。当然如果你想快速体验也可以直接跳到3.2看提示词写法但环境部分至少过一遍理解了下层逻辑后续排查问题才不慌。第一步安装Python环境。建议用Python 3.10以上的版本太老的版本对CadQuery新特性支持不好。Windows用户直接去官网下载安装包安装时把Add Python to PATH勾上。这一点至关重要很多人后面在命令行输python报错八成就是这里没勾。第二步安装CadQuery。官方推荐用conda环境因为CadQuery依赖的一些几何内核库在pip里可能缺少预编译包。我建议你新建一个独立环境conda create -n cadq python3.10 conda activate cadq pip install cadquery测试是否安装成功可以运行import cadquery as cq result cq.Workplane(XY).box(10, 10, 10)如果没报错说明环境OK。这一步我踩过一个大坑直接用pip在系统Python里装CadQuery结果OCC内核编译失败卡了一下午。后来换conda环境五分钟解决。所以推荐大家都用conda别头铁。第三步准备大模型的调用环境。本地开源方案里我推荐先尝试调用一个已经针对性微调过的text-to-cad模型API。如果你用云端API要注意把密钥配置到环境变量里不要在脚本里硬编码。如果你用本地推理框架比如Ollama或vLLM需要先拉取支持代码生成的模型权重比如基于CodeLlama微调的CadQuery专用版。配置好之后测试一句简单的提示词import requests prompt Create a rectangular plate 80mm wide, 50mm long, 5mm thick, with a hole at the center of 10mm diameter.能返回一段可执行的CadQuery脚本就说明链路通了。3.2 提示词设计技巧从说人话到说工程话很多人用text-to-cad生成不出理想模型八成是卡在提示词上。把需求说清楚不是把人话丢给AI就完事它需要理解的是工程参数和特征语义。我总结了一个五要素提示词公式零件类型 尺寸参数 特征操作 相对位置 特殊要求。举个例子一个典型的法兰盘需求普通用户这样写做一个法兰盘。模型返回的可能就是一个光秃秃的圆盘没有孔、没有倒角。但如果你这样写Create a circular flange plate with outer diameter 120mm, inner diameter 60mm, thickness 15mm. Add 6 bolt holes of 8mm diameter on a 95mm bolt circle, evenly spaced. Chamfer the outer edge by 1mm.生成出来的东西基本就能直接用了。差别就在你把法兰盘这个高度概括的名词拆解成了具体的几何特征列表。这就是从说人话到说工程话的转变。另外提示词里一定要明确单位。AI模型读到的训练数据五花八门有的用英寸有的用毫米。为了避免生成一个巨大无比的模型最好的做法是每个尺寸都带上单位后缀mm/inch。我习惯在提示词里统一加一句All dimensions are in millimeters.能显著降低单位混淆的问题。还有一个关于特征顺序的技巧程序化建模是顺序执行的AI生成的脚本往往会按照草图、拉伸、打孔、倒角的逻辑自上而下排列。如果你发现生成结果里某个特征缺失试着在提示词里把该特征的描述提前并且加上明确的动作词汇比如addsubtractdrillchamfer。模型的注意力对动词更敏感你写drill a hole要比写there is a hole更容易生成正确代码。3.3 生成结果的后处理与导出拿到AI生成的CadQuery脚本后不要直接当成品用。我每次都会先做三件事渲染预览、尺寸测量、导出备份。渲染预览这个方法比较土但很实用。直接用CadQuery把模型导出成STL或STEP文件然后用FreeCAD或专业的CAD查看器打开。这一步不是为了看像不像而是为了检查特征有没有互相干涉、孔位是否落在合理位置。有一次我生成一个支架模型单独看每个特征都完美渲染出来发现螺丝孔和加强筋直接穿模了。这种问题光看代码很难发现非要在3D视图里转一圈才行。尺寸测量这一步我建议直接用CadQuery内置的val()接口。比如你想确认生成的法兰内径是不是60mm可以写# 假设body为已建好的实体 inner_cylinder cq.Workplane(XY).circle(30).extrude(15) result body.cut(inner_cylinder) measure result.faces(Z).edges(%CIRCLE).val().radius() print(measure)输出半径再乘以2确认无误再往下走。导出策略分两种场景。如果后续还要编辑特征导出STEP格式保留参数化信息CAD软件打开后能继续操作。如果只是拿去3D打印或做有限元分析导出STL格式就够用。这里给一个容易忽略的细节3D打印的STL要设置合适的弦高差弦高差太大会导致圆柱面变成多边形影响精度。使用CadQuery导出时用cq.exporters.export(result, output.stl, tolerance0.01, angularTolerance0.1)控制精度。tolerance越小网格越密、文件越大但曲面越光滑。4. 常见问题与排查技巧实录4.1 生成失败、脚本报错怎么定位用text-to-cad最烦的不是模型不理想而是模型直接报错。常见错误有三类语法错误、几何构建错误、特征顺序错误。语法错误最好解决。大模型偶尔会在生成代码时漏掉括号或者把Python的关键字写错。报错信息里会明确指出行号你照着改即可。我建议不要直接重新生成整个模型那样大概率会把之前正确的部分也改坏。更好的做法是把报错信息贴回提示词让AI只修复错误片段比如追加一句Fix the syntax error in the generated code。几何构建错误更隐蔽。常见的是轮廓不闭合、生成实体时截面自相交。这类错误通常是提示词中特征描述自相矛盾导致的。比如你让模型做一个外径50mm、壁厚0.2mm的管件在比例上非常不协调几何内核算不出来。遇到这种情况别反复修代码先修改提示词里的参数。特征顺序错误是最难排查的。程序化建模里先倒角和先打孔结果完全不同。我踩过最深的坑是AI先对边缘做了大半径圆角然后在圆角面上打孔结果孔直接悬空变成了一个独立的半空间体。排查思路是把生成的代码从头到尾读一遍按顺序画一个执行流程图找到第一个导致几何冲突的操作然后调整顺序。如果AI在脚本里做了很多reorder操作最简单的土办法是删掉重来只保留前几个正确特征后续用多个提示词分段生成再用CadQuery的union()把各段结果拼起来。4.2 模型结果与预期不符的调优策略生成结果看起来对但细节不对这是最常见的挫败来源。我总结了一套渐进式调优法。第一步检查尺寸误差。测量关键尺寸如果所有尺寸都差一个固定比例大概率是单位问题全局找一下是不是某句提示词里出现了inch或者ft。如果只有个别尺寸不对那就在提示词里明确对应的参考系比如the boss is centered on the top surface。第二步检查关键特征遗漏。有时AI会漏掉某个孔或者某个槽最简单的方法是给遗漏的特征单独发一句补充指令让它生成一个对应的子脚本。我一般不在原提示词上做增量而是让AI重新生成一小段独立的建模操作最后做一个布尔合并。这样操作最可控。第三步检查可编辑性。有些生成的代码虽然几何正确但把所有尺寸都写死在数字里没法参数化。这种情况下需要在提示词里明确要求use variables for key dimensions。更好的做法是让AI生成时附带一个参数表回到CadQuery里你可以把参数表抽出来做成一个Excel驱动模板。以后每次需要不同尺寸的同类零件直接改表格重新运行脚本模型自动更新。4.3 一个值得收藏的排查速查表我把这段时间遇到的问题整理成了一个表格方便大家对号入座。现象可能原因处理办法生成脚本直接报语法错误模型漏括号/关键字拼错把报错信息回贴让AI修复局部代码模型尺寸整体偏大单位混用英寸/毫米提示词强制加“All dimensions in mm”模型尺寸整体偏小同比例单位混用被当成英寸全局检查提示词统一单位特征缺失少孔/少槽提示词特征描述太弱单独补充特征脚本做布尔合并特征穿模/干涉特征顺序错误调整操作顺序或重新生成局部特征圆柱面呈多边形STL导出精度低调整tolerance和angularTolerance参数模型无法参数化尺寸写死在数字里要求AI用变量表示尺寸API调用超时模型生成代码太长拆分提示词或减小模型规模这张表是我实际的排障记录不一定覆盖所有情况但覆盖了80%以上的常见问题。遇到表格里没有的问题我的建议是把报错信息和生成代码原样记录下来多试几个不同的提示词表达往往能触发模型的另一种生成路径。5. 从文本生成到图纸落地还有哪几步路5.1 与现有CAD生态的衔接很多人问我一个很实际的问题AI生成的模型怎么跟我现有的CAD图纸、施工流程衔接上这是个很关键的问题因为text-to-cad只是把建模这一段自动化了真正的工程落地还涉及制图标准、标注、BOM物料清单、工程图出图等环节。现在能走通的一条链路是AI生成CadQuery脚本 → 导出STEP文件 → 导入主流CAD软件SolidWorks/中望CAD/FreeCAD→ 在CAD软件里补全出图信息 → 生成工程图。这套链路在实际项目中验证过可行。但要注意一个痛点STEP文件是纯几何文件没有特征树。你把AI生成的模型导入SolidWorks它只会是一个哑物体SolidWorks里的历史树、参数、草图约束全部丢失。这意味着你后续如果想在SolidWorks里改参数就得重新建模。解决这个问题的方向有两个。一是让AI直接生成目标CAD软件的原生脚本比如SolidWorks的API调用脚本vba或者python库。这条路对AI的要求更高因为不同版本的SolidWorks API差异不小。二是用CadQuery作为母版在CadQuery里完成所有参数化定义需要出图时再把模型导入CAD软件做一次半自动工程化。对我个人来说我现在更倾向于第二种因为它把参数化的底层逻辑和出图的展示逻辑分开了。CadQuery负责算得出CAD软件负责标得清。5.2 二维施工图方向的机会与局限从热词里看得出来大家日常问得最多的还是cad切地形cad图纸合并cad导入layout步骤这类二维施工图话题。text-to-cad目前主要面向三维实体建模二维施工图方向的自动化生成还不如三维成熟但已经有一些值得关注的变化。现在的AI处理二维图纸更多是辅助性工作。比如自动识别图纸中的图框、自动提取尺寸标注、自动整理图层。这些功能虽然有AI参与但底层用的通常是计算机视觉、OCR和规则引擎跟text-to-cad的生成式路线不一样。如果你想用文本直接生成二维图纸比如帮我画一个带墙厚标注的户型图现在的效果还不够稳定标注偏移、尺寸冲突的情况很常见。究其原因二维图纸不只是几何线框它承载了大量工程语义。同样一条线可能是墙体轮廓、可能是中心线、可能是辅助线AI必须理解语义才能正确分层和标注。而三维模型一生成几何关系就隐含在里面反而好处理。所以我个人判断未来两三年text-to-cad会先在三维建模、3D打印、非标零件快速打样这些方向成熟二维施工图的全面自动化还需要更长时间。现阶段不妨务实地用AI辅助修图、拆图别指望一条提示词秒出全套施工蓝图。5.3 工程师的角色转变从画图到提需求text-to-cad真正改变的不只是工具链还有工程师的角色定位。以前我们做设计花大量时间在具体操作上怎么把草图约束好、怎么把特征阵列出来。以后这些操作层面的东西被AI分流我们更多的精力要花在提需求、定约束、审结果上。这其实是一种能力结构的迁移。原来你熟练使用SolidWorks的每一个命令是核心竞争力以后你的核心竞争力是把脑子里的设计意图拆解成清晰的参数和特征描述。你可以不理解大模型的内部机制但你必须能准确说出这个支架用4mm厚钢板折弯半径5mm四个安装孔孔径6mm分布在30mm×40mm的矩形上。这种能力本质上就是结构化表达。我给身边工程师的建议是不用恐慌但一定要开始练提示词设计。不要觉得这是AI行业的人才需要学的东西它本质上就是以前的需求文档写法只是这次的需求接收方从人变成了模型。你写在设计说明里的每一句话、每一个尺寸未来都有可能直接变成建模脚本。把你的沟通能力和工程经验沉淀成结构化的表达这才是text-to-cad时代工程师最该投资的方向。我自己这段时间的体会是最花时间的不是写提示词而是定义清楚我不要什么。AI生成CAD模型的自由度太高它经常擅自加一些你没要求的特征。适当地在提示词里加负面约束比如no counterbore holesno threads on the inner surface能省掉大量后期删改的时间。这个习惯跟当年画图时写技术要求一个道理——明确说不允许什么往往比说允许什么更重要。text-to-cad这条路还很长但它已经不是一个缥缈的概念了。以我个人的使用体验来看现阶段把它当作一个高级建模助手来用是最务实的定位。你负责设计和决策它负责速度和重复劳动配合得当效率提升是实打实的。至于它未来会不会完全取代传统CAD我觉得短期内不会但那个一个人带着一个AI就能出整套设计的时代已经不远了。