1. 从自然语言到三维几何text-to-cad到底改变了什么先说个我自己的真实体验。去年我带一个工程师团队做机械结构方案客户只丢过来一句话我们要一个能卡在标准铝型材上的传感器支架要能调节角度。按传统流程工程师先翻型材手册查槽宽再打开SolidWorks拉伸切除旋转中间还要跟客户确认三次你说的调节角度是俯仰还是水平旋转——这一套下来大半天就过去了。但如果你现在打开任何一个text-to-cad工具把这句话原封不动地粘进去再补几个关键参数十几分钟后你就能拿到一个带完整特征树的三维模型文件甚至可以直接拿去改尺寸、做仿真。这就是text-to-cad这个方向在做的事情把语言描述直接编译成参数化三维模型。我见过很多第一次接触这个概念的读者会混淆两件事。一个是把text-to-cad等同于文本生成3D网格比如用AI生成一个看起来像扳手的STL网格模型这种模型本质上是一堆三角面片没有工程意义因为它没有特征树、没有圆角参数、没有约束关系也没法在后续的CAM编程里直接用。另一个是把text-to-cad等同于用ChatGPT写代码生成模型比如让大模型写一段CadQuery或OpenSCAD脚本这确实可行但它是间接路径。而真正的text-to-cad是一个端到端的系统你输入一个带六角安装孔的法兰盘它直接输出一个可编辑、可装配、符合工程语义的CAD文件而不是一张图也不是一段代码。为了说清楚这件事我不打算泛泛介绍AICAD有多厉害而是把目前能跑通的几条技术路线、真实工具的实操流程、以及我在实测中踩过的坑拆开来讲。这些都是我实际跑过之后留下的笔记希望对你有参考价值。2. 主流工具实测对比选型之前先看真容text-to-cad这个赛道过去两年冒出了不少项目但真正能落地到拿到一个可以二次编辑的CAD文件这个程度的其实不多。我按自己的实测感受把它们分成三类参数化代码生成类、扩散模型生成类、以及LLM驱动原生建模类。先看一张对比表后面展开讲细节。工具/项目底层路线输出格式可编辑性上手难度适用场景Zoo原Text-to-CAD大模型直接生成原生CAD操作序列STEP高带特征树低网页即用概念验证、快速出方案Plasma扩散模型生成曲面和实体STEP/STL中需在CAD里重构低外观探索、曲面造型CadQuery 大模型LLM生成参数化脚本STEP高全程可改参数中需懂代码逻辑标准件、规则几何体FreeCAD AI脚本插件LLM生成Python脚本驱动FreeCAD建模FCStd/STEP中高中已有FreeCAD工作流的团队工业CAD内置AI如Dassault/PTC方向厂商私有模型原生格式高低企业内标准化设计单纯堆参数不够我挑几个真实用过的说下体感。2.1 Zoo最接近会画图的实习生Zoo是原Text-to-CAD被收购后做的产品化版本。它的核心思路不是让模型直接吐一个网格而是让它去预测一系列CAD原生操作——拉伸、切除、旋转、倒角——然后由后台的CAD内核重新执行这些操作最终生成一个带特征树的STEP文件。我自己跑的一个测试是让它生成一个带沉头孔的不锈钢矩形板尺寸100x60x5四角倒圆角R10沉头孔直径8.5沉头直径15深度2。这个描述本身信息量很大传统做法我得手动建草图、标约束、做阵列。Zoo的输出结果是一个完整的特征历史我在FreeCAD里打开后能看到拉伸特征、倒角特征、孔特征每个特征都能单独改参数这基本就是机器帮你把草图草图化的过程做完了。比较惊艳的是它对语义的理解超出了我的预期。我输了一段像悉尼歌剧院的帆顶一样的屋顶曲面底部是矩形底座顶部边缘有波浪形起伏它居然真的给出了一个贝壳状的分段曲面体特征树里有放样特征。这个体量在传统CAD里需要一个熟练工程师花半小时来建。2.2 Plasma扩散模型界的CAD选手Plasma走的路线完全不同。它的前身是CAD-GenAI核心是一个经过大量CAD数据训练的扩散模型直接从文本生成三维几何体。你不能指望它生成精确的配合公差但它的优势是外形想象力。我让Plasma生成一个适合人体工学的鼠标外壳下载下来的模型虽然不能直接开模但作为工业设计初稿非常有价值。我自己在Rhino里花一早上才能磨出来的大曲面形态它几十秒给出一个可以继续修改的基础形状。这类工具适合放在设计阶段的前端——先让AI给出大量形态方向人再从中挑选和细化。2.3 CadQuery 大模型程序员的最爱如果你熟悉编程这条路线的可控性是最高的。CadQuery是Python写的参数化CAD框架你用代码描述Box(100, 60, 5)它就能生成对应的实体模型。问题是大多数设计师不会写代码所以现在有人用大模型来做这个翻译层。我的用法是用Claude或GPT把我口语化的需求翻译成CadQuery脚本我在Jupyter里运行出错了就把错误丢回给大模型让它修。实测下来对于规则形状法兰盘、支架、壳体开孔这类成功率非常高。但对于曲面过渡、放样、倒变半径圆角这类高级操作大模型容易生成逻辑有问题的代码。这条路线的真正价值是参数化能力很强我能把关键尺寸都定义成变量后续改规格只需要改一个数字CAD模型自动更新。2.4 企业级CAD的AI功能Dassault、PTC、Autodesk这几家都在做自己生态内的AI辅助比如Autodesk的Fusion已有生成式设计但严格说那是拓扑优化不是text-to-cad。工业级方案目前更多是把LLM嵌进现有软件让用户用对话的方式操作软件功能比如把选中面的厚度改成3毫米并在四角加加强筋。这类方案的问题在于它对小团队和个人用户不友好往往是企业价格而且模型只在自己的软件生态里可用。但如果你是SolidWorks重度用户可以留意下它们内置AI的进展一旦成熟效果会比通用web工具稳定得多。3. 跑通一个完整流程从一句话到可编辑模型前面讲的对比可能有点抽象。这一章我拿Zoo当例子带你完整走一遍从输入一句话到拿到可编辑STEP文件的流程。这中间每一步我没背景交代清楚你就很难知道操作的时候在做什么。3.1 准备工作一个能打开STEP文件的CAD软件STEP是工业界通用的三维模型交换格式几乎所有CAD都能打开。但我还是建议你准备一个免费方案我用的是FreeCAD原因有三个免费没有授权烦恼对STEP文件支持不错能保留特征树信息自带Python命令台方便检查模型属性如果你习惯商业软件SolidWorks、Fusion 360、Rhino都可以关键是能在打开STEP后看到特征树。如果打开后只有一个导入实体节点说明你拿到的模型可能被降级成了哑体这会影响后续编辑。3.2 提示词的写法越像工程需求单越好这是我觉得text-to-cad最反直觉的一点你给它写提示词其实是在写工程需求单。对比两个例子。一个弱提示词是一个圆形法兰模型会给你一个带孔或不带孔的圆盘完全取决于训练数据。一个强提示词是外径100毫米、内径50毫米、厚度10毫米的圆形法兰沿圆周均布6个直径8毫米的通孔孔心距圆心40毫米外边缘倒角1毫米。同样的语义后者生成结果的准确率、可编辑性和你的需求匹配度会高一个数量级。你可以遵循三个原则来写提示词带数值而不是形容词。大一点的孔不如直径8.5毫米的孔因为CAD的根基就是尺寸。明确特征类型。拉伸、旋转、切除、倒角、阵列、镜像、放样这些关键词能引导模型调用对应的原生操作。说明空间关系。孔心距圆心40毫米四角倒圆角底部开矩形槽这类描述能把模糊的意象约束成确定几何。3.3 生成与下载注意格式选择和特征验证生成过程一般几十秒到几分钟取决于模型复杂度。我建议第一次尝试时选简单对象比如一个100x50x5的铝板四角R8圆角中心一个直径12的孔。拿到结果后最靠谱的验证方式是下载STEP文件用FreeCAD打开然后干三件事查看特征树里有没有拉伸倒角孔这些原生特征而不是只有一个实体用测量工具核对关键尺寸是否与提示词一致重点检查单位——很多web工具默认输出毫米但有些会用英寸尝试改一个参数的数值比如把孔径从12改成15看模型是否自动更新最后一步非常关键它能检验这个模型有没有真正的参数化血缘。如果一改就崩说明它只是看起来像参数化其实内部几何依赖一团糟。3.4 从STL到STEP的陷阱如果你用的是网格生成工具如果你用的是类似Plasma这类扩散模型工具你可能只能下载STL格式。STL本身是三角形网格没有几何精度也没有特征信息。你要是直接把STL拿去3D打印看外观问题不大但要拿去CNC加工或做有限元仿真就会到处是坑。这中间的转换步骤是用FreeCAD的Part模块把STL转成实体形状或者用Blender做重新拓扑再导出STEP。这个过程会损失精度原STL的三角形面数越少损失越严重。我的经验是用高分辨率网格重新导出然后在FreeCAD里结合Shape Builder工具重建关键曲面。说白了网格转CAD就是逆向工程费时费力所以能用原生生成STEP的工具就别走STL这条路。4. Demo之外的冷板凳我在实测中踩过的坑讲完了顺滑的流程必须聊聊不顺滑的那部分。我在过去几个月密集测试了至少十几个text-to-cad相关项目每次拿到一个漂亮的宣传视频再自己去跑总有一个两个地方打脸。我把几个典型的坑写下来这些普通教程里很少会提。4.1 拓扑错误与自相交生成成功≠模型可用有一次我让它生成一个带复杂内部流道的冷却板。预览图看起来很不错内部流道蜿蜒曲折。但当我下载STEP导入FreeCAD尝试做一个布尔并集运算时直接报错几何内核检测到自相交面。这类问题在传统CAD建模里几乎不会遇到因为人会自然规避但AI生成时不同的特征叠加顺序和集合运算可能导致内部面自检失败。很多AI生成的模型看着没问题一做布尔运算就露馅。我的应对方案是在做任何加工仿真之前先用FreeCAD的Part Check Geometry功能做一次几何体检配合Python命令台输出BoundingBox、Volume这些基础属性。如果体积为零或者出现负体积这个模型基本可以判定为只能看不能用。4.2 单位漂移一句话就能让尺寸扩大十倍这是个很搞笑的坑。我输入一个外径25毫米的圆柱高10毫米模型输出了一个和易拉罐差不多大的东西。我一看典型特征它把25当成了英寸。如果你在提示词里用了中文单位毫米不少模型会识别成mm但也有模型默认所有裸数字为英寸。这个问题在早期Zoo和Plasma的测试版本里尤其常见。解决办法只有一个每次生成完先量一个特征尺寸确认单位后再往下走。批量测试时可以写一个小脚本用FreeCAD的Python API自动读取模型最大包围盒换算判断单位是否合理。4.3 装配层级缺失你拿到的是零件不是组件如果你想用text-to-cad生成一个包含多个零件的装配体比如一个带底座和可旋转臂的显示器支架你要有心理准备大多数工具输出的是单一零件特征是合并在一起的做不到底座单独打开、转轴是另一个文件、臂架能约束旋转这种装配逻辑。我自己用几个工具试过要么只生成一个整体形状要么各零件在空间里乱摆没有装配约束关系。所以我的建议是text-to-cad目前更适合生成一个零件而不是一台机器。需要装配体时你就把每个零件分别生成然后自己到CAD里装配。什么时候AI能直接输出带配合关系的装配体那才是真正进入工业级。4.4 语义歧义描述越抽象结果越随机我测试过一句话一个用来放扳手的架子。没有任何尺寸、结构说明。结果五个工具给出了五种完全不同的东西——有挂墙的背板有抽屉式收纳盒有带挂钩的立柱。它们各自都说得通但都不是我心里想的那一个。这再次回到提示词的重要性。text-to-cad不是一个你说一句话它就能完全懂你的黑魔法。它更像一个非常听话但需要你把需求讲清楚的外包设计师。你给的约束越多方向越明确它的输出就越贴近你的意图。4.5 参数化能力参差不齐改一个尺寸牵一发动全身真正的工程需求里改尺寸是常态。客户说明天孔径从8改到10你得能全局更新。AI生成的模型里有些特征是独立的改一个孔不影响旁边的倒角但也有的模型所有特征几乎焊死在一起我改一个圆角半径相邻拉伸特征直接报错。判断一个工具的参数化水平我有一个土办法修改一个早期特征的尺寸看后续特征是否自动正确更新。如果后面特征全部保持相对位置那就是好的参数化如果它们固定在空间里不动甚至报错那这个模型只能当一次性的便宜货。5. 把text-to-cad塞进真实工作流的三条路线工具测了这么多最终还是要回答一个问题这玩意儿怎么用才有价值我的看法是别指望它替代工程师也别把它当玩具。把它放在正确的位置上它才是杠杆。5.1 路线一作为概念设计的灵感草稿机我见过太多设计师在项目早期卡在想不出形态上。你心里有功能需求但外形方案画了十几张草图都不满意。这时候text-to-cad的出图速度就是优势在分钟内给你二三十个形态完全不同的方案模型你直接在3D层面筛选比你一张张画草图快得多。我的实际操作方式是把功能需求拆成不同的prompt变体比如分别强调流线型硬朗线条圆润安全紧凑集成这些外观风格词每个要求生成两三个方案然后统一在FreeCAD里对比。这个阶段追求的是方向和风格不是精确尺寸。这种用法最忌讳的就是发现某个方案接近理想就直接导出拿去开模或加工。记住这里AI给的是灵感不是终稿。后面至少还有一轮工程师建模才能真正落地。5.2 路线二标准件与规则特征的批量生成器如果你要建一堆相似的标准件——不同尺寸的法兰、支架、底板、壳体——text-to-cad效率非常惊人。传统做法是你建一个参数化模板然后逐个改参数调数据虽然也不慢但每次改完还要检查特征是否报错。而AI的做法是同一个提示词模板把尺寸数字替换掉批量生成生成完再用脚本批量验重。这块我实测下来对于规则几何体的成功率在八成以上明显节省了重复操作。唯一提醒一下你批量生成之前一定要先跑通单件流程锁定一套稳定的提示词模板并且把输出格式统一。批量阶段最怕的就是某个件位生成出问题所以最好在管道里加上STEP文件体积包围盒长度这两项自动校验异常的直接标记出来人工处理。5.3 路线三与参数化建模的人机接力这是我最推荐给专业工程师的一种用法。让AI做前80%的粗模型人接手做后20%的细化和约束。我自己的一个操作案例用text-to-cad生成一个阀体的大致外形包括进出水口法兰和安装孔位。然后把STEP导入FreeCAD用Part Design模块把AI生成的哑特征重新重建一轮补上草图的完整约束关系再定义关键尺寸为电子表格参数。这一轮接力下来我大约节省了建模起步阶段的一半时间同时保证了后续修改的灵活性。为什么不能全让AI做因为现在的text-to-cad模型对设计意图的理解还远不够深。比如你设计一个防漏油的法兰你需要考虑密封面粗糙度、密封槽位置、螺栓预紧力带来的变形这些隐含的工程知识AI目前不懂。工程师的价值仍然在于知道为什么这么设计AI的价值在于快速把想到的形状做出来。6. 判断一个text-to-cad工具是否靠谱的几个观察点测了这么多工具之后我逐渐形成了一套筛选标准。不是看宣传片天花乱坠而是看几个硬指标。6.1 是原生特征还是网格贴面这一条最关键。打开输出的文件看特征树。原生特征是拉伸、切除、圆角、阵列、放样这些真正CAD意义上的操作意味着后续每一层修改都是可回溯的。网格贴面翻译过来就是一个三角形组成的壳只能看不能改。两者在工程价值上天差地别。6.2 单位与公差的建模意识靠谱的工具一定在输出时就处理单位一致性问题而且会保留公差信息。不靠谱的工具单位混乱的情况很多。做机械设计的都知道标注尺寸不等于实际公差但AI生成的模型往往没有PMI产品和制造信息标注。目前阶段你起码要确认它单位是对的公差自己后期再补。6.3 对编辑意图的保留程度你把模型调到后期改一个尺寸如果全程顺滑更新说明模型的参数化血缘是扎实的如果随便改一个特征旁边的倒角就飞了那这个AI生成过程缺乏过程约束管理。我用改一个尺寸看全模型反应这一个动作就能判断这个工具能不能进工作流。6.4 多格式与多颗粒度导出好的工具至少支持STEP和原生格式。有些还支持中间格式如IGES很多制造环节还离不了。这测试方法很简单导出一个复杂模型再用不同CAD打开看有没有丢面、破面和特征丢失。6.5 可重复性我用同一个prompt连续生成五次靠谱的工具应该给出接近相同的结果。如果五次生成五样东西那叫抽奖不叫工具。可重复性对于工程场景非常重要因为你需要锁住一个正确方案反复微调而不是每次都从随机开始。7. 下一步的演进方向我会盯住哪几个信号最后聊几句这个方向的未来。我不打算做趋势预测只说我实际关注的技术信号。第一数据引擎。现在的模型主要靠合成数据训练但真正的工业级text-to-cad需要大量文本-模型配对数据。哪个团队能解决领域数据的获取问题它就能跑在前面。关注那些自己搭了可靠数据管线的项目而不是靠人工标注的。第二装配级生成。前面我提过参数化装配是目前最大的缺口。谁先突破从生成零件到生成含约束关系的装配体谁就有资格进入自动化设计流程。第三多模态融合。只靠文本描述歧义问题无解。我看到一些团队在做草图文本的混合输入你随手画个轮廓AI结合文字理解真实意图这个方向非常实际。做机械设计的人最习惯的就是画草图这个交互方式要比纯文字顺手得多。第四专业领域微调。通用模型擅长做通用外形但对注塑件的拔模斜度、钣金件的折弯系数、压铸件的分型面位置这些专业约束一无所知。未来会有一批针对特定制造工艺微调过的text-to-cad模型这些细分模型比通用模型更值得用。一些操作性建议从我目前的实践来看text-to-cad真正改变的不是谁来建模而是设计的起点在哪。过去设计从打开软件建第一个特征开始现在设计可以提前到在对话里把你想要的东西说清楚。这一步前置省掉的是大量低价值的草图构建时间放大的是工程师的判断力。如果你想今天就上手我的建议很简单拿一个你最近做过的最简单的零件把它的工程图信息整理成一段带数值的提示词用Zoo跑一次然后把STEP导入FreeCAD检查特征树尝试改一个尺寸看看会发生什么。整个过程不超过半小时但你对text-to-cad的认知会从听说过变成我实际见过它的上限和下限。最后再分享一个小经验text-to-cad的输出结果永远要经过一轮人眼审图。AI生成的模型看起来合理但它的设计可能没有考虑制造工艺、装配顺序、成本这些工程信息。从AI草稿到可交付图纸中间那一段仍然值得你亲手走一遍。