text-to-cad 从原理到实战：AI 生成可编辑 CAD 模型的完整链路

最近几个月，text-to-cad 这个词在我常逛的几个技术社区里刷屏频率明显高了不少。不少做机械设计、产品结构、3D打印的朋友跑来问我：这玩意是不是真的能像 Midjourney 出图那样，敲一句话就给我一个能用的 CAD 模型？我的回答是：能，但和多数人想象的不太一样。它不是"AI 画了个模型图"，而是"AI 替你写了一套建模过程，再让 CAD 内核把它算成真实几何体"。这篇内容我想把 text-to-cad 从概念、原理、工具选型到实战链路完整拆一遍，重点讲清楚哪些工作流现在就能落地，哪些必须在后处理阶段人工兜底。无论你是工程师、创客还是刚接触参数化建模的新手，都能从中找到自己可以直接抄作业的部分。

1. text-to-cad 到底是什么，为什么突然火起来

1.1 一句话解释：它是"文本到可编辑几何"的翻译管线

先给个准确定义：text-to-cad 指的是通过自然语言描述，自动生成符合 CAD 语义的几何模型文件，核心产物是可直接编辑、可装配、可出工程图的 B-rep 实体或参数化脚本，而不是一张好看的渲染图。

这句话里有两个关键点容易被忽略。第一，"CAD 语义"意味着它输出的不是像素，而是点、线、面、约束、尺寸、特征树这些传统建模软件里真实存在的东西。第二，"可编辑"意味着模型不是一次性快照——你拿到手之后还能改参数、调尺寸、重新生成变体。这跟 AI 生图工具输出的 PNG 有本质区别，也跟"文生3D"工具输出的三角网格（mesh）完全不是一个物种。

我见过不少朋友第一次接触 text-to-cad 时的反应：对着屏幕输入"帮我画一个带四个安装孔的法兰盘"，结果得到的是一个 OBJ 网格文件，导入 Fusion 360 后一编辑就散架。这不是 text-to-cad 骗人，而是那个工具根本走的文生3D路线，输出物压根不是 CAD 实体。所以第一篇内容必须先把这个分水岭讲清楚：你要的是"能进装配体、能出工程图、能减重优化"的模型，就必须认准 B-rep / 参数化脚本 / 特征树 这类标的物。

1.2 为什么偏偏是这两年火起来

text-to-cad 的爆发不是单一技术进步推动的，而是三条线正好汇到了一起。

第一条线是大语言模型（LLM）的代码生成能力足够强了。CAD 建模本质上是"用几何内核 API 描述操作序列"，OpenSCAD 是写 CSG 表达式，CadQuery 是写 Python 代码，FreeCAD 的 Python 控制台也是代码。LLM 最擅长的恰恰就是"把你的自然语言指令翻译成结构化的操作序列"。早期模型生成的脚本错漏百出，现在主流模型在简单零件上的脚本通过率已经相当可观。

第二条线是参数化建模生态的成熟。以前 CAD 自动化被各大商业软件厂商锁在高墙里，现在开源社区把 OpenSCAD、CadQuery、Build123d 这些工具打磨得足够好用，几何内核也可以直接通过 Python 调用。text-to-cad 的落地路径变成了：LLM 生成脚本 → 脚本调用内核 API → 内核算出实体 → 导出 STEP/STL。整条链路全是开放协议，没有哪个环节必须依赖某个商业软件。

第三条线是制造端的需求倒逼。3D 打印、CNC 加工、非标自动化行业的订单越来越碎片化，设计人员花大量时间做重复的"改尺寸出图"工作。这些工作不仅枯燥，而且恰恰是最容易被参数化脚本替代的部分。text-to-cad 正好切中这个痛点：与其手动拖拽建模，不如描述需求让 AI 先把初稿铺好，工程师只做审查和修改。

1.3 它和普通 AI 生图、文生3D 的边界在哪

很多人把 text-to-cad 和 AI 生图、文生3D 混为一谈，实际三者目标完全不同。

• AI 生图（如 Midjourney、Stable Diffusion）：输出二维像素矩阵，信息量是"看起来像什么"，没有任何几何精度可言。
• 文生3D（如常见的手办模型生成工具）：输出三角网格，形状接近但拓扑杂乱，面数高，不能直接用于机械仿真和加工仿真。
• text-to-cad：输出参数化模型或 B-rep 实体，有精确尺寸、有特征历史、能改参、能装配、能出图。

我举一个实际生产里的例子。客户说"需要一个直径 80mm 的圆形法兰，厚度 10mm，四个 M6 通孔均布在直径 62mm 的螺栓圆上，外圈倒角 C1"。文生3D 工具大概率给你一个看起来像圆盘的网格，但孔位、孔径、倒角全部是假的；text-to-cad 工具则应该输出一个带完整特征树的 STEP 文件，每个孔都是真正的通孔特征，倒角是可修改的参数。后者才能进 CNC 程序，前者只能拿去当摆件。

搞清楚这个边界之后，下面才好继续聊原理和实操。

2. 从提示词到模型文件：一条链路拆开看

2.1 主流路线一：LLM 生成参数化脚本，内核负责算几何

目前最成熟、最可控的 text-to-cad 路线可以概括为四段式流水线：

1. 用户输入自然语言描述。
2. LLM 将描述翻译成一段参数化建模脚本（OpenSCAD、CadQuery、Build123d 或某个软件的 Python API）。
3. 脚本交给对应的几何内核执行，内核依次执行建模操作，最终生成实体。
4. 实体导出为 STEP、STL、BREP 等标准格式。

这条路线最大的优点是每一步都可干预。脚本是文本，错了可以直接改；参数是变量，想调尺寸改一个数字就行；内核执行结果可以预览，不满意就回去改自然语言描述或者直接改脚本。

以 CadQuery 为例，一个带法兰的圆管可能是这样的脚本：

import cadquery as cq result = ( cq.Workplane("XY") .circle(40) # 外圆直径80 .extrude(10) # 厚度10 .faces(">Z") .workplane() .circle(30) # 内孔直径60 .cutThruAll() # 打通 .faces(">Z") .workplane() .pushPoints([(31, 0), (-31, 0), (0, 31), (0, -31)]) # 四个孔位 .circle(1.5) # M3通孔半径1.5 .cutThruAll() ) cq.exporters.export(result, "flange.step")

这段脚本不复杂，但 LLM 要"理解"你的自然语言描述并正确生成它，需要具备几个能力：理解几何术语（法兰、凸台、肋板、倒角），理解制造约束（通孔、盲孔、螺纹底孔），以及把离散操作组织成正确的特征顺序。这正好是现在主流 LLM 的强项。

2.2 主流路线二：扩散模型生成几何，再转换 B-rep

另一条路线借鉴了文生图里的扩散模型思路，直接在体素空间或点云空间里"生成形状"，然后通过 Marching Cubes 提取等值面得到网格，再做网格到 B-rep 的转换。

这条路线在学术圈很热，因为它的上限更高——理论上不需要理解 CAD 操作序列，直接把"形状"涌现出来，更适合自由曲面、有机形态这类难以用参数化特征描述的东西。

但落到工程实践里，它有三个绕不开的痛点：

• 精度不足：扩散模型输出的体素网格通常是 128³ 或 256³ 分辨率，转换成实体后尺寸误差可能达到毫米量级，而机加工件动辄要求 ±0.05mm 甚至更高。
• 拓扑质量差：网格转 B-rep 的过程中容易产生非流形边、自相交面、缝隙等拓扑错误，需要大量修复工作。
• 特征不可编辑：转换后的 B-rep 是"哑几何"，没有特征树，改一个孔径等于重新建模。

所以目前业界落地项目基本都以"脚本生成"为主路线，扩散模型更多用在概念设计阶段，作为灵感来源。

2.3 为什么"脚本生成"路线目前更实用

直接说结论：对于 90% 的机械结构件，脚本生成路线都比扩散模型路线实用，原因有三个。

第一，精确尺寸可保证。脚本里写circle(40)就是直径 80mm，内核算出来一丝不差。扩散模型做不到这一点，它只会"猜一个大概"。

第二，可追溯、可复审。脚本是人的语言，工程师拿到手能看懂每一步在干嘛，哪里不对改哪里。扩散生成的几何怎么改？没法改，只能重新生成。

第三，和现有设计流程兼容。现代 CAD 系统全部支持特征树、参数驱动、脚本建模。脚本生成的模型进入装配体后，还能通过修改驱动尺寸同步更新零件列表，这是企业真正需要的。

如果你的需求只是快速看一眼"这个造型大概什么样"，扩散模型路线没问题；但只要你打算把它制造出来，几乎必然选择脚本生成。

2.4 一个关键概念：约束、特征树和参数

理解 text-to-cad 的产出物，必须先理解 CAD 模型的三个核心概念。

• 约束：规定几何元素之间的关系，比如"这两个圆同心""这条边和那条边平行""这个面到那个面的距离是 25mm"。约束越完整，模型越稳定，AI 生成时也越不容易跑偏。
• 特征树：记录建模操作的先后顺序。先拉伸、再切孔、最后倒角，每一个操作都挂在树上。修改树的中间节点，后面所有特征会自动重新计算。
• 参数：特征树上的关键尺寸抽出来就是参数，比如长度、直径、厚度。参数化模型的魅力在于改一个参数，全模型联动。

text-to-cad 的输出质量高低，很大程度上取决于生成的脚本是否充分使用了约束和参数，而不是写一堆魔法数字。比如"法兰厚度 10mm"应该定义成thickness = 10，后面所有引用都用变量，将来改厚度不用翻遍整段脚本。这也是我在后文提示词技巧部分会反复强调的点。

3. 现成工具与选型：哪些能用、各有什么脾气

3.1 商业与半商业工具：Zoo.dev 和 Autodesk 的探索

先聊我实际体验过的几个有代表性的工具，避免云评测。

第一个是 Zoo.dev 推出的 Text-to-CAD。它的定位非常明确：不是生成一个视图，而是直接生成真实几何。用下来几个感受：对标准机械零件的理解不错，像"支架""法兰""带孔圆盘"这些常见物能生成相当规整的 feature tree；输出格式直接给 STEP，导入 Fusion 360、SolidWorks 都能继续编辑；但自由曲面、非对称形状、多实体装配体的生成质量明显弱于简单零件。它比较适合"在装配设计早期快速生成标准结构件"的场景。

第二个是 Autodesk 的 Project Bernini，还处在技术预览阶段。它在生成式 AI 上尝试的是"多模态条件生成"——不但支持文本，还支持输入一张图片作为参考。我测试的感受是：它在处理"功能性几何"上有自己的一套思路，能把输入图像中的核心结构抽象出来，但生成结果距离可用于生产的程度还有差距，毕竟还没正式面向公众开放。

还有一类工具不走"云端生成"路线，而是把 LLM 嵌进 CAD 软件里。这类工具直接建模，生成的不是 STEP 文件，而是模型的草图和特征操作。好处是和现有设计环境无缝衔接；坏处也很明显：受限于宿主软件 API 的能力边界，生成功能复杂时容易报错。

3.2 开源方案：LLM 加 OpenSCAD / CadQuery 的本地组合

对工程师来说，最能掌控全局的其实是开源方案。我目前最常用的组合是本地 LLM 或 API + CadQuery + FreeCAD。

逻辑是这样的：CadQuery 负责把脚本变成实体，FreeCAD 负责预览和导出，LLM 负责生成脚本。三者全是开源的，数据也完全在自己手里，不用担心模型文件被平台拿走，也不用担心云端服务挂了导致整个设计流程停摆。

如果你更熟悉 OpenSCAD，也完全可以把 CadQuery 替换成 OpenSCAD。OpenSCAD 的语法更简单（就是 CSG 布尔运算的堆积木），LLM 生成起来错误率更低，适合初学者。

如果你不想自己搭环境，也可以直接用 Hugging Face 上现成的 text-to-cad 模型。我之前试过几个专门针对 CAD 脚本微调的模型，效果和通用旗舰模型互有胜负：专用模型在"标准零件"上更稳，通用模型在"理解复杂自然语言描述"上更强。

3.3 选型对照表：按需求对号入座

选型这件事没有银弹。我的建议是：如果你只做样板和演示，Zoo.dev 这类云服务足够；如果你要在我自己团队里落地，我一定会选开源脚本方案，因为只有脚本才能进版本管理、才能 diff、才能自动跑回归测试。

4. 上手实操：用开源方案跑通一个简单零件

4.1 环境准备：装齐四件套

实际操作之前先装环境。我用的是 Windows 11 + WSL2 + Python 3.11，下面这些步骤在 Ubuntu 上同样适用。

第一步，安装 CadQuery：

pip install cadquery

第二步，安装 FreeCAD，作为 STEP 预览工具。从 FreeCAD 官方源下载对应系统版本即可，安装过程没什么特别之处。

第三步，安装 Jupyter Notebook 或者 VS Code，用于交互式调试 CadQuery 脚本。我强烈建议你用 Jupyter，因为 CadQuery 可以直接在单元格里显示三视图预览，调试效率高很多：

from cadquery import exporters result = cq.Workplane("XY").box(10, 10, 10) exporters.export(result, "test.step")

第四步，准备好 LLM 的访问渠道。自用的话选一个主流大模型 API 就行，或者用本地部署的模型。这一步各家情况不同，我不展开说具体平台，关键是确保 LLM 能稳定输出 CadQuery 代码。

环境就绪后，做一个简单自检：跑通上面那个 10mm 立方体的脚本，确认能导出 STEP 并能在 FreeCAD 里打开。

4.2 提示词怎么写才"稳"：五个实测有效的技巧

提示词是 text-to-cad 里最容易被低估的环节。很多人觉得"AI 应该能理解我的话"，实际测试几次就会发现，模棱两可的描述得到的一定是模棱两可的模型。下面这五个技巧是我在几十次实测里总结出来的：

1. 写清楚基准和坐标系。开头就写明"以 XY 平面为底面""Z 轴向上"之类的话，避免模型朝向随机。
2. 每个尺寸都带上单位。写"直径 80mm"而不是"直径80"，避免模型在 mm 和 inch 之间乱猜。
3. 明确特征之间的位置关系。"四个孔均布在直径 62mm 的螺栓圆上"比"四个孔在圆盘上"严谨得多。
4. 告诉它该用哪种特征。需要通孔就写"cutThruAll"，需要盲孔就写"盲孔深度 8mm"。LLM 知道 CadQuery API，你不指明它可能选错方法。
5. 一次只生成一个主要特征。宁可分三次对话把零件做完，也不要让 AI 一次生成一个十特征复杂件。生成脚本出错后，分步调试的难度低一个量级。

下面我示范一条合格的提示词：

生成一个 CadQuery 脚本：圆形法兰盘，以 XY 平面为底面，Z 轴向上。外径 80mm，厚度 10mm，中心开直径 30mm 的通孔。在直径 62mm 的螺栓圆上均布 4 个 M6 通孔（直径 6.5mm）。所有锐边添加 1mm 倒角。请使用参数化变量定义所有尺寸。

短短几句话，把几何、尺寸、特征类型、参数化要求全说清楚了。AI 生成脚本后你真正要改的地方会非常少。

4.3 完整示例：从描述到 STEP 文件的生成过程

我实际跑一次上面的提示词。LLM 输出的 CadQuery 脚本大致长这样：

import cadquery as cq # 参数化定义 outer_diameter = 80 flange_thickness = 10 center_hole_diameter = 30 bolt_circle_diameter = 62 bolt_hole_diameter = 6.5 num_bolts = 4 chamfer_size = 1 # 第一步：创建法兰主体 result = ( cq.Workplane("XY") .circle(outer_diameter / 2) .extrude(flange_thickness) # 第二步：切中心孔 .faces(">Z") .workplane() .circle(center_hole_diameter / 2) .cutThruAll() # 第三步：均布4个螺栓孔 .faces(">Z") .workplane() .pushPoints([ (bolt_circle_diameter / 2, 0), (0, bolt_circle_diameter / 2), (-bolt_circle_diameter / 2, 0), (0, -bolt_circle_diameter / 2), ]) .circle(bolt_hole_diameter / 2) .cutThruAll() ) # 第四步：所有外侧锐边倒角 result = result.edges().chamfer(chamfer_size) cq.exporters.export(result, "flange_with_chamfer.step")

把这段脚本保存成flange.py，在终端执行：

python flange.py

正常情况下会在当前目录生成一个flange_with_chamfer.step文件，用 FreeCAD 打开就能看到带完整特征的模型。

这里有个细节值得注意：pushPoints我用了四个坐标点来均布孔位。如果螺栓孔数量改成 6 个，手动写坐标就太蠢了。更专业的做法是用循环：

import math points = [] for i in range(num_bolts): angle = 2 * math.pi * i / num_bolts points.append(( bolt_circle_diameter / 2 * math.cos(angle), bolt_circle_diameter / 2 * math.sin(angle), ))

这一步其实就是"参数化"的雏形：你把数量定义成变量，脚本自动算坐标。text-to-cad 的价值不仅是生成一个固定模型，更重要的是帮你建立这套"变量驱动几何"的思路。

4.4 输出检查与格式转换：别急着拿去加工

STEP 文件生成之后，我建议你做三件事再进入下一环节：

1. 用 FreeCAD 打开，检查坐标系朝向和视觉比例是否符合预期。
2. 在 FreeCAD 的"Part"工作台里运行"检查几何体"命令，看有没有无效几何、自相交、重复面。
3. 如果需要 3D 打印，导出 STL 前先确认网格密度合适：太粗糙会丢失倒角大细节，太细腻会导致文件切不动。

STL 导出可以用 CadQuery 直接搞定：

cq.exporters.export(result, "flange.stl", tolerance=0.01, angularTolerance=0.1)

tolerance是曲面离散化的弦高误差，0.01mm 对大多数 FDM 打印来说足够精细；angularTolerance控制相邻三角面的角度变化上限。这两个参数别乱调，太小文件巨大，太大细节丢失。

5. 实测中的翻车现场与排查思路

5.1 单位与公差：最常见的隐形杀手

text-to-cad 最容易翻车的点不是模型生成不出来，而是生成出来的模型尺寸全错。我遇到过最典型的一次：提示词写"直径 1 英寸的轴"，AI 生成的脚本里直接写成了circle(1)，在 CadQuery 默认毫米单位下变成了直径 1mm 的针。原因很简单——LLM 对"英寸"和"毫米"的换算需要显式给出。

我的排查思路是这样的：

• 第一步，在提示词里强制声明"所有尺寸单位均为毫米，如果用户使用英寸请换算为毫米"。
• 第二步，在生成脚本的头部加入单位断言注释，比如# All dimensions in millimeters，让 LLM 在生成后面代码时保持上下文一致。
• 第三步，打开模型后先用测量工具量一个基准尺寸，确认无误再继续。

公差方面更要小心。text-to-cad 生成的模型是名义尺寸（nominal size），它不可能知道你的配合要求是 H7/g6 还是滑动配合。所以"生成模型用于概念确认"可以，"生成模型直接出加工图"还差得远。

5.2 几何拓扑问题：自相交、缝隙与非流形

脚本生成的模型理论上是内核算出来的，不应该有拓扑问题。但实际操作里，复杂的特征顺序完全可能产生意外结果。我遇到过几种典型情况：

• 自相交：凸台和主体重叠但合并顺序错了，导致实体内部出现互相贯穿的面。
• 缝隙：两个面本应焊接在一起，但公差误差导致中间有一条肉眼看不见的缝，后续切片软件会在这里报错。
• 非流形边：一条边被三个以上面共享，这在实体建模里是非法的，导出 STL 后切片器直接崩溃。

排查手段很简单：FreeCAD 的"Part → 检查几何体"能识别绝大多数这类问题；更基础的办法是在导出 STL 后用切片软件（比如 PrusaSlicer、Cura）的"修复网格"功能试一遍，如果报错或者自动修复后出现大洞，基本就是拓扑问题。

遇到这类问题，我一般不手动修网格，而是回头改脚本。因为网格修完就不具备参数化能力了，下次改尺寸又是重新来一遍。正确做法是：检查脚本特征顺序，把布尔操作改成更稳妥的顺序（先合并所有加料特征，再一次性切所有减料特征），重新生成。

5.3 实体化失败：从网格回到实体有多难

如果你是走扩散模型/文生3D 的路子，最后一定绕不开"网格转实体"这个坎。三角网格本质上只是曲面逼近，要变成 CAD 实体需要做曲面拟合。

实用一点的流程是：

1. 从网格提取特征曲线（尖锐边、边界线）。
2. 用这些曲线重建样条曲面。
3. 把曲面缝合（sew）成封闭壳。
4. 用壳填充成实体。

这四步每步都可能失败。网格分辨率不够，提取出来的曲线就带着锯齿；曲面缝合时出现微小缝隙，实体化就会报错。我自己的实测结论是：对于基准平面、圆柱、圆锥这些解析曲面占主体的零件，网格转实体成功率尚可；一旦出现自由曲面，基本要做好大修甚至重新建模的心理准备。

所以我在前面反复强调脚本路线。不是因为它"高级"，而是因为它绕开了这一整类麻烦。

5.4 提示词歧义：你以为是 AI 的问题，其实是需求没说清

有一次我想生成一个"L 形支架"，提示词写的是"L-shaped bracket, 80mm long, 40mm wide, 3mm thick"。结果 AI 给了三种理解：

• 俯视看是 L 形，厚度 3mm；
• 侧视看是 L 形，长臂 80mm、短臂 40mm；
• 两个长方形拉伸后布尔合并，但到底哪边是 40 有歧义。

这台怪不了 AI。人类工程师之间说"L形支架"，配合图纸和手势能确认；但文本通道里只有字面信息。解决方法是把"视图方位"和"几何构成规则"写清楚：

L形支架，从正面看呈 L 形。竖直臂高 80mm，水平臂长 60mm，两者厚度均为 3mm，宽度均为 40mm。竖直臂底边与水平臂左端连接，连接处外倒角 R5。

这样每个数字都有明确的归属实体，AI 生成的脚本可预期性大幅提升。

5.5 完整的排查链路：从报错信息倒推问题点

分享一套我自己的排查逻辑，遇到 text-to-cad 出的问题基本上按这个顺序来：

这套链路不一定每次都能一击命中，但它能帮你快速缩小问题范围，而不是对着一个出错的模型盲目乱试。

6. 给文本生成结果"兜底"：后处理与人工修正

6.1 为什么不能拿第一版结果直接用

有人可能会问：既然 text-to-cad 生成这么方便，能不能生成完直接下单加工？我的建议是，加工前至少要过一次人工评审。理由有三个：

第一，AI 对"设计意图"的理解是概率性的。它看到"法兰盘"会生成一个标准的法兰盘，但你的实际使用场景可能需要特定的密封槽、特定的螺栓沉头角度、特定的加强筋布局。这些细节提示词里没写，AI 就不会凭空生成。

第二，标准规范无法内化。每个公司都有自己的制图标准、公差标准和材料标准，这些内容几乎不可能全部写进提示词。

第三，制造工艺约束。AI 生成的特征在几何上合法，但在工艺上不一定合理。比如一个深腔结构，AI 生成了一个 90° 内角，实际 CNC 加工根本做不到，需要改成圆角过渡。

所以正确的流程是：AI 生成初稿 → 工程师修改 → 工艺评审 → 再生成变体 → 定稿。AI 承担的是"从 0 到 80 分"的工作，剩下的 20 分必须由人来补。

6.2 常用后处理操作：参数微调、布尔运算、倒角补全

我在实际操作里最常用的后处理操作有三个。

第一个是参数微调。脚本里的变量就是天然的修改入口。客户说法兰厚度从 10mm 改成 12mm，改flange_thickness = 12，重新跑一遍脚本，新模型就出来了。这是 text-to-cad 相比传统手工建模最大的效率优势。

第二个是布尔运算。AI 生成的多个零件可能需要合并、切除或取交集。CadQuery 里这几种操作都有现成 API：

combined = part_a.union(part_b) cut_result = part_a.cut(part_c) intersect_result = part_a.intersect(part_d)

注意执行布尔运算前，最好先做一遍几何检查，避免因为拓扑瑕疵导致运算失败。

第三个是倒角和圆角补全。AI 经常漏掉这些细节，因为提示词里没有明确要求。拿到 STEP 后用 FreeCAD 的倒角工具批量处理，比在脚本里逐个指定快得多。但如果这个零件后续还需要参数化迭代，我建议还是补回脚本里，保持"设计源头可驱动"。

6.3 把 AI 结果接进设计评审流程

团队协作时，我可以给 text-to-cad 的产物建立一条简单的评审链路：

• 第一步，AI 生成模型的同时，自动导出一份"设计说明文件"，里面写清楚关键尺寸、材料假设、特征列表。这个文件可以由 LLM 一并生成。
• 第二步，把 STEP 文件和说明文件发到评审群/评审系统，工程师对照设计意图逐项勾选。
• 第三步，评审意见反馈到提示词和脚本变量，重新生成下一版。

这套流程跑起来后，AI 输出的质量会随着评审反馈逐渐提高——因为你实际上是在不断精调提示词和脚本模板。用了两三周后我明显感觉到，团队里沉淀出的提示词模板和脚本模板越来越可靠，新员工只要照着模板改参数，就能产出过去需要十年经验才能画出的零件初稿。

7. 我的体会：什么时候该用 text-to-cad，什么时候别用

7.1 高效场景：概念验证、非标件沟通、标准件参数化

用了几十次 text-to-cad 之后，我总结出三个真正能带来效率提升的场景。

第一是方案阶段的概念验证。客户问你"这个安装座能不能放进 300×300 的机箱里"，你不需要开 CAD 从零画，直接让 AI 生成一个带基本外形的模型，导入装配体里看一眼干涉就完事。前后不到十分钟，比传统建模快一个数量级。

第二是非标件的跨角色沟通。采购、供应商、销售往往不具备读工程图的能力，但大家都能看懂一个三维模型。遇到非标件询价，我直接让 AI 根据文字描述生成 STL，发过去对方转一下就能看，沟通效率极高。

第三是标准件和参数化系列件的批量生成。比如做一套从 M3 到 M20 的螺栓垫片模型库，传统方式要手动画十几个模型，用 text-to-cad 加循环脚本，一次生成全部规格，还保证每个模型的特征树结构完全一致。

7.2 不适用场景：高精度配合、复杂曲面 A 面、企业标准合规

反过来，有三个场景我现在坚决不用 text-to-cad。

第一是高精度配合件。轴和孔的公差配合、齿轮啮合、凸轮轮廓这些需要严格尺寸链计算的场景，AI 生成模型只能提供形状，无法保证公差链的完整性。误差哪怕只有 0.1mm，装配时就可能卡死。

第二是复杂曲面 A 面。汽车外饰、消费电子外观件这类对曲面质量要求极高的设计，需要 Class A 曲面、曲率连续、光影评审。扩散模型生成的网格或 AI 生成的扫掠面，曲率分布完全不可控，现阶段想都不要想。

第三是涉及企业标准合规的零件。比如压力容器法兰、航空支架，这些零件有明确的行业标准、材料规范和取证要求。text-to-cad 只能生成几何形状，不具备生成合规设计依据的能力。这类工作必须由持证工程师按标准规范手动完成。

7.3 未来扩展：从单零件到装配体、从文本到 BOM

最后聊一点趋势。text-to-cad 现在能做到的是单零件生成，但真正的产品设计是装配体——几十上百个零件相互配合。我判断下一步会朝着两个方向发展：

方向一是装配级生成。用户用一段话描述整个机构：包括哪些零件、零件之间什么连接关系、运动关系是什么。系统先生成零件清单，再逐个生成零件，最后自动装配。这套流程的难点不在单零件生成，而在"约束关系"的表达和传递。

方向二从文本直接生成设计文档。AI 生成模型的同时，自动输出工程图、材料清单（BOM）、加工工艺建议。我看到已有项目把 CadQuery 脚本和 BOM 表格生成绑在一起：脚本里每个特征自动带出材料类型、表面处理、采购属性，这样模型一变，整套文档同步更新。

我个人的实际操作体会是：text-to-cad 最值得投入的时间，不是琢磨怎么让 AI 一步到位，而是把提示词模板、脚本模板、后处理流程沉淀成团队资产。模型生成能力会越来越强，但围绕它建立的工程化流程才是真正能复用的东西。你把第一版跑通后，花半天时间把流程固化下来，后面每次使用省下的时间远不止半天。