1. 从Demo到工程AICAD落地的真实鸿沟1.1 为什么看起来什么都能做实际却什么都做不成过去两年我参与过三个AI辅助CAD方向的预研项目也帮朋友评估过不少号称“AI一键出图”的工具。一个非常普遍的现象是演示视频里输入一句“画一个带法兰的管道三通”屏幕上立刻生成一个像模像样的三维模型旋转、缩放、渲染行云流水。但一旦把同样的工具丢给一线设计人员让他们在真实项目里用几乎无一例外地卡在同一个地方——生成的模型没法用。不是形状不对而是“工程上不可用”。什么叫工程上不可用我举几个实际遇到的例子。有一次我们尝试用某个开源大模型解析一张DWG格式的泵房平面图让它自动提取设备轮廓并生成DXF用于后续布置。Demo阶段模型对着一张干净的、图层规整的图纸跑得挺好提取准确率能到八成。但换了一张真实项目的图纸图层命名混乱、块参照嵌套了四五层、标注文字和图形混在一起、还有大量被冻结和关闭的图层准确率直接掉到两成以下。更致命的是它把一些不该合并的线段合并了导致后续导入其他软件时几何拓扑直接报错。这就是AICAD落地最核心的矛盾Demo追求的是“看起来对”工程追求的是“每一步都可控、可查、可改”。AI模型擅长的是从海量数据里找统计规律输出一个“大概率正确”的结果。但CAD工程链条里任何一个环节的“大概率正确”都意味着下游环节要花大量时间去校验和返工。一个尺寸标注错了可能整张图纸的标注体系都要重来一个图层归错了可能影响后续的算量和出图。还有一个容易被忽视的点CAD不是孤立存在的。一张DWG图纸背后可能连着PDM系统里的物料编码、ERP里的BOM结构、CAE分析的前处理网格、甚至加工中心的G代码。AI生成的中间结果如果没法无损地嵌入这个链条那它就只是一个玩具。我见过太多团队在Demo阶段兴奋不已觉得“这事成了”结果一到集成测试就发现光是处理DXF的版本兼容性和实体类型映射就耗掉了整个项目周期的一大半。所以当有人问我“AICAD到底能不能落地”时我的回答通常是能但前提是你得先承认Demo和工程之间隔着一条河而且这条河不是靠堆算力就能填平的。你得先搞清楚河对岸的工程环境到底长什么样再决定用什么方式架桥。1.2 工程环境的三个硬约束数据、精度、流程要理解为什么Demo走不通得先看清楚工程环境到底有哪些硬约束。我把它归纳为三个维度数据脏、精度苛、流程长。数据脏是第一个拦路虎。真实项目里的CAD文件尤其是从设计院或甲方手里拿到的几乎没有“干净”的。图层命名可能是“0”“图层1”“A-WALL”“墙体-新”混着来块参照里嵌套着匿名块属性文字有的用ATTRIB有的用TEXT多段线有宽度的、有高程的、有拟合曲线的甚至还有从其他软件导过来的“放射状乱线”——就是那种因为坐标系不匹配导致图形炸开成一团乱麻的情况。AI模型在训练时用的数据集往往是经过清洗的、标准化的图纸跟真实环境差距巨大。你拿一个在干净数据上训出来的模型去跑脏数据它输出的结果自然也是“脏”的而且脏得没有规律你连修都不知道从哪修起。精度苛是第二个约束。CAD图纸里的尺寸、坐标、角度都是有工程意义的。一个法兰的螺栓孔中心圆直径差0.5毫米可能就装不上一条管线的坡度差千分之一可能就影响流体走向。AI模型输出的是概率分布它给你一个“大概在这个位置”的坐标但工程上要的是“必须在这个位置”的精确值。这就导致AI生成的结果往往需要人工二次校准而校准的时间成本有时候比从头画一遍还高。我做过一个粗略统计让AI生成一个中等复杂度的装配体草图然后让有经验的工程师去修正到可出图状态平均耗时是纯手工绘制的60%到70%。也就是说AI只省了30%到40%的时间但引入的校验成本和出错风险可能把这部分收益又吃回去。流程长是第三个约束也是最容易被低估的。一个CAD项目从概念设计到最终出图中间要经过方案评审、专业协调、碰撞检查、版本迭代、审批归档等十几个环节。AI如果只介入其中一个环节比如“根据草图生成三维模型”那它省下的时间在整个流程里占比很小。更麻烦的是AI的输出格式往往跟上下游工具不兼容。比如你用某个AI工具生成了一个网格模型但下游的CAE分析要的是参数化实体那你就得做格式转换而转换过程中丢失的特征信息可能比重新建模还难补。我见过一个团队为了让AI生成的模型能导入他们的PDM系统专门写了一个中间件做格式转换和属性映射结果这个中间件的维护成本比AI模型本身还高。这三个约束叠加在一起就形成了一个“Demo陷阱”你在实验室里用干净数据、单一环节、不计时间成本地跑通了一个流程就以为大功告成。但一到真实环境数据脏了、精度要求高了、流程拉长了整个方案就崩了。所以AICAD落地的第一步不是选模型、调参数而是老老实实地把工程环境的约束条件摸清楚。1.3 一个典型的失败案例从兴奋到放弃的三个月说一个我亲身经历的案例为了保护隐私细节做了模糊处理。当时我们想做一个“AI辅助电气柜布局”的工具目标是输入柜体尺寸和元器件清单自动生成柜内布置图和接线图。Demo阶段我们用FreeCAD做几何引擎用一个大模型做布局推理效果看起来不错。输入“800x600x2000的柜体放3个断路器、2个接触器、1个PLC”它能在几秒内给出一个布局方案元器件不重叠、间距合理、走线通道也留出来了。团队很兴奋觉得找到了一个刚需场景。然后我们找了两位有十年经验的电气设计工程师来试用。第一个问题就来了他们看了一眼布局说“断路器不能放最上面因为进线电缆从下面走放上面的话电缆要绕一大圈成本高还不好维护”。这个约束我们的模型完全不知道因为训练数据里没有“电缆走向成本”这个维度。第二个问题接触器和PLC之间的间距模型给的是50毫米但工程师说“实际接线时手要伸进去拧端子50毫米根本不够至少得80毫米”。这个“手伸进去”的约束更是没法从图纸数据里学到的。第三个问题最致命模型生成的布局图元器件之间的连接关系是“逻辑连接”但工程师要的是“物理连接”——哪根线走哪个线槽、经过哪个端子、线号怎么编。这些信息模型一概没有。我们花了两个月时间试图把这些“隐性知识”编码成规则喂给模型。比如“进线侧元器件优先布置在下方”“手动操作空间不小于80毫米”“线槽填充率不超过60%”等等。规则越加越多模型越来越臃肿推理速度从几秒掉到几十秒而且规则之间开始打架。比如“优先下方”和“散热要求上方”冲突时模型不知道该怎么权衡。到第三个月我们不得不承认这个场景的约束条件太多、太依赖具体项目经验靠通用大模型加规则的方式根本覆盖不了。项目最终被砍掉团队转去做更窄的场景——只做“柜内元器件自动编号和BOM提取”这个场景约束少、容错高反而落地了。这个案例给我的教训是AICAD的落地选场景比选模型重要一百倍。你得找一个约束边界清晰、容错空间大、人工校验成本低的场景而不是一上来就啃“全自动设计”这种硬骨头。2. 拆解CAD数据链路DXF、DWG和那些绕不开的坑2.1 DXF和DWG到底有什么区别为什么总在这上面栽跟头很多人刚开始做AICAD时觉得DXF和DWG就是两种文件格式互相转一下就行了。但实际干过活的人都知道这两个东西的差别有点像“乐高积木的零件清单”和“拼好的乐高模型”之间的差别。DXF是Autodesk为了数据交换定义的一种文本格式它把CAD图形拆成一个个实体和属性用组码的方式记录下来。DWG则是AutoCAD的原生二进制格式它存储的不只是图形还有大量的内部数据结构、对象关系、甚至渲染缓存。你可以把DXF理解成“图纸的骨架”把DWG理解成“图纸的肉身”。这个差别在AI处理时非常关键。如果你拿DXF喂给模型模型看到的是一个个独立的实体一条线、一个圆、一段文字。它不知道这些实体之间的工程关系——哪条线是墙、哪个圆是螺栓孔、哪段文字是标注。而DWG里其实包含了这些关系信息比如图层、块参照、扩展数据但DWG是二进制格式解析起来比DXF麻烦得多。我试过用OpenCascade去读DWG光是处理版本兼容性就花了一周——AutoCAD 2004、2007、2010、2013、2018每个版本的内部结构都有差异有些版本还用了压缩和加密。后来我学乖了如果只是做几何层面的AI处理优先用DXF如果要做语义层面的理解再考虑DWG而且最好用成熟的商业库别自己硬啃。还有一个坑是DXF的版本。DXF有R12、R13、R14、2000、2004、2007、2010、2013、2018等多个版本不同版本的组码定义有细微差别。比如R12的DXF不支持LWPOLYLINE只有POLYLINE2000以后的版本才支持多行文字MTEXT的完整属性。如果你的AI模型在R12的DXF上训练拿去处理2018的DXF可能会因为组码不匹配而解析失败。我建议在数据预处理阶段统一把DXF转成同一个版本比如R2010这个版本兼容性好、组码定义清晰大多数开源库都支持。2.2 从DWG到OpenCascade一条少有人走的路热词里有一个“【cpython土木4】dwg图纸读取到opencascade”这个方向我实际做过可以分享一些经验。OpenCascade是一个开源的几何建模内核功能很强但它原生不支持DWG。你要把DWG读进OpenCascade通常有两条路一条是先把DWG转成DXF再用OpenCascade的DXF解析器读另一条是用商业库比如ODA的Teigha直接读DWG再转成OpenCascade的TopoDS结构。第一条路看起来简单但坑很多。OpenCascade的DXF解析器对某些实体支持不好比如SPLINE、HATCH、DIMENSION经常读出来是空的或者变形的。我试过读一张带剖面线的图纸结果HATCH全丢了只剩下边界线。第二条路效果好但ODA的库是收费的而且授权方式比较复杂。如果你只是做研究可以用ODA的免费版但功能有限制。我最后采用的方案是用Python的ezdxf库读DXF提取几何和属性再用PythonOCCOpenCascade的Python绑定重建几何。ezdxf对DXF的支持非常完善几乎能读所有实体类型而且能保留图层、块、扩展数据等信息。PythonOCC则负责把ezdxf的几何数据转成OpenCascade的TopoDS_Shape这样就能做后续的布尔运算、网格划分、特征识别。这个方案的好处是全程用Python开发效率高而且ezdxf和PythonOCC都是开源免费的。缺点是性能一般处理大图纸比如几十兆的DWG转DXF时内存占用比较高需要做分块处理。具体操作上有几个细节要注意。第一ezdxf读进来的坐标是二维的Z轴信息可能丢失如果你的图纸有高程得从实体的elevation属性里取。第二块参照INSERT要递归展开因为块里面可能还有块展开深度要设个上限防止死循环。第三多段线的凸度bulge要正确处理否则圆弧会变成直线。第四文字实体的对齐点和插入点要区分清楚否则标注位置会偏。这些细节在Demo阶段往往被忽略但一到工程环境就会暴露出来。2.3 那些让人抓狂的“小问题”比例、乱线、多重引用热词里还有几个很具体的问题“pr0tel导入dxf文件时怎么改图纸比例”“cad出现放射状乱线”“cad多重引用插入解除工具”。这些问题看起来是“小问题”但在实际项目中它们往往是压垮AI流程的最后一根稻草。先说比例问题。Protel现在叫Altium Designer导入DXF时经常遇到比例不对的情况。原因是DXF里的单位可能是毫米、英寸、甚至无单位而Protel默认按自己的单位体系解析。如果AI生成的DXF没有明确单位导入后可能放大25.4倍或者缩小25.4倍。解决办法是在生成DXF时显式设置$INSUNITS系统变量或者在导入时手动指定比例因子。我一般会在AI输出DXF后加一个后处理步骤检查图纸的包围盒尺寸如果跟预期差一个数量级就自动调整比例。“放射状乱线”是另一个经典问题。它通常是因为坐标系不匹配导致的——比如图纸原本用的是世界坐标系但某个块参照被插入时用了错误的旋转角度或缩放因子导致图形炸开。还有一种情况是从其他软件导出的DXF里SPLINE实体的控制点坐标异常大渲染时就会拉出放射状的线。解决这个问题要么在AI生成阶段就校验坐标范围要么在读取阶段做异常值过滤。我试过用统计方法检测坐标离群点把超过3倍标准差的点标记出来人工确认后再决定是否修正。“多重引用插入解除”指的是嵌套块参照的展开。一张图纸里一个块可能被引用了多次每次引用又有不同的缩放和旋转。AI如果直接处理块参照而不展开就会丢失实例化的几何信息。但展开又可能产生大量重复几何导致数据量爆炸。我的做法是先统计块参照的引用次数和嵌套深度如果引用次数少、嵌套浅就全部展开如果引用次数多、嵌套深就只展开一层保留块结构在后续处理时按需展开。这样可以在信息完整性和处理效率之间取一个平衡。3. 工具链选型FreeCAD、中望CAD和那些绕不开的取舍3.1 FreeCAD做AICAD的底座到底行不行FreeCAD是我用得最多的开源CAD工具没有之一。它的优势很明显开源免费、Python脚本能力强、支持多种几何内核OpenCascade、Coin3D、有完整的参数化建模体系。对于AICAD的预研项目来说FreeCAD几乎是一个天然的实验平台。你可以用Python直接操作FreeCAD的文档对象创建草图、拉伸、布尔运算也可以把AI生成的几何数据直接塞进FreeCAD的TopoDS结构里。但FreeCAD的坑也不少。第一个坑是版本兼容性。FreeCAD 0.18、0.19、0.20、0.21之间的API有差异有些函数在0.19里能用到0.20就废弃了。我建议锁定一个稳定版本比如0.20.2然后在这个版本上开发。第二个坑是性能。FreeCAD的Python API在处理大装配体时非常慢创建一个包含几百个零件的装配体可能要几分钟甚至十几分钟。如果你的AI流程需要频繁创建和修改几何FreeCAD可能会成为瓶颈。第三个坑是文档结构。FreeCAD的文档对象模型比较复杂有Part、PartDesign、Sketcher、Draft等多个工作台每个工作台的对象类型和属性都不一样。AI生成的几何数据要映射到正确的对象类型上否则后续操作会出错。热词里有人问“freecad没有齿轮工具”这其实是一个典型的“工具链缺口”问题。FreeCAD本身没有内置的齿轮生成器但你可以用Python脚本调用OpenCascade的齿轮算法或者用FreeCAD的Part工作台手动建模。对于AICAD来说这种缺口意味着你需要自己补全工具链。我的做法是把FreeCAD当作几何引擎和可视化前端把AI模型当作“参数生成器”中间用Python脚本做胶水层。AI输出的是齿轮的参数模数、齿数、压力角、变位系数Python脚本根据这些参数调用OpenCascade生成齿轮几何再塞进FreeCAD文档。这样既利用了FreeCAD的建模能力又避开了它缺少专用工具的短板。3.2 中望CAD、PC-DMIS这些商业工具在AI流程里的位置中望CAD是国内用得比较多的CAD软件它的DXF/DWG兼容性做得不错而且有比较完善的二次开发接口ZRX SDK。如果你做的AI工具需要跟国内设计院对接中望CAD是一个绕不开的选项。但它的二次开发接口是C的学习曲线比较陡而且文档相对较少。我试过用Python通过COM接口调用中望CAD能做基本的图纸操作但复杂的功能比如参数化约束、三维建模还是得用C。PC-DMIS是三坐标测量软件热词里出现“1. pc-dmis cad”我猜测是有人想把AI生成的CAD模型直接导入PC-DMIS做测量路径规划。这个场景我了解不多但可以分享一个思路PC-DMIS支持导入IGES和STEP格式所以你可以把AI生成的模型先转成STEP再导入PC-DMIS。关键是模型的特征要完整——孔、槽、平面这些特征如果丢失了测量路径就没法自动生成。所以AI生成模型时要尽量保留特征信息而不是只输出一个网格。商业工具在AI流程里的定位我的建议是能用开源就用开源商业工具只在必须对接的环节用。因为商业工具的授权成本高、二次开发门槛高、版本升级不可控。你可以在AI流程里用FreeCAD做原型验证等方案成熟了再把关键环节替换成商业工具这样风险最小。3.3 工具链的“最小可用组合”我的推荐配置经过多个项目的试错我总结了一套“最小可用组合”适合大多数AICAD预研项目环节工具用途注意事项数据读取ezdxf ODA读DXF/DWGODA收费ezdxf免费但只支持DXF几何处理PythonOCC几何运算、格式转换内存占用高大图纸要分块建模与可视化FreeCAD参数化建模、预览锁定0.20.2版本避免API变动AI推理PyTorch Transformers模型训练和推理注意显存和推理速度流程编排Python脚本 Airflow任务调度、后处理加异常捕获和日志结果输出ezdxf FreeCAD生成DXF/STEP校验单位、图层、实体类型这套组合的好处是全开源、全Python、可复现。你可以在本地跑也可以在服务器上跑不依赖任何商业授权。缺点是性能一般处理超大图纸时可能需要优化。但对于预研和中小规模项目来说这套组合足够用了。4. 落地路径从“AI辅助”到“AI可用”的四个阶段4.1 阶段一AI做“脏活累活”人做“决策活”很多团队一上来就想让AI做设计决策比如“自动布局”“自动选型”“自动出图”。我的经验是先让AI做那些重复性高、容错率高、人工校验成本低的“脏活累活”。比如批量提取图纸里的文字信息生成BOM表自动识别图层和实体类型做图纸标准化批量修改标注样式、文字高度、线型比例从PDF或图片里提取表格数据转成Excel这些任务的特点是AI做错了人工一眼就能看出来改起来也快。而且这些任务本身不涉及工程决策只是数据搬运和格式转换AI的“大概率正确”在这里是可以接受的。我做过一个“图纸文字批量提取”的工具用PaddleOCR加规则后处理在真实项目图纸上的准确率能到95%以上剩下的5%人工复核一下就行。这个工具帮设计院省了大量手动录入的时间而且几乎没有引入新的风险。这个阶段的目标不是“替代人”而是“让人从重复劳动里解放出来”。你先把这一步做扎实团队对AI的信任度就建立起来了后续再推进更复杂的场景阻力会小很多。4.2 阶段二AI做“方案生成”人做“方案筛选”当AI在“脏活累活”上证明了自己之后可以进入第二个阶段让AI生成多个候选方案人来筛选和优化。比如根据房间尺寸和家具清单生成多个布局方案根据管线走向和约束条件生成多个路由方案根据装配关系和公差要求生成多个装配顺序方案这个阶段的关键是AI不追求“最优解”而是追求“多样性”。它生成10个方案可能只有2个能用但人可以从这2个里挑一个再手动优化。这比人从零开始画效率还是高不少。我做过一个“电气柜布局方案生成”的工具AI生成10个方案工程师平均能挑出1到2个可用的然后花半小时优化比纯手工画省了大概一半时间。虽然不算完美但已经能产生实际价值了。这个阶段要注意的是AI生成的方案必须附带“解释”。工程师需要知道AI为什么这么布局是基于什么规则、什么约束、什么优先级。如果AI只给一个黑盒结果工程师不敢用因为不知道哪里可能有问题。我的做法是让AI在生成方案的同时输出一个“决策日志”记录每一步的推理依据。这样工程师可以快速判断方案是否合理也方便后续调整规则。4.3 阶段三AI做“实时校验”人做“最终确认”第三个阶段是让AI嵌入到设计过程中做实时校验和提示。比如工程师画一条管线AI实时检查是否与其他管线碰撞工程师放一个元器件AI实时检查是否满足间距要求工程师改一个尺寸AI实时检查是否影响关联零件这个阶段的技术难度比前两个阶段高因为要求AI的推理速度足够快最好在几百毫秒内而且误报率要足够低。如果AI老是弹一些无关紧要的警告工程师很快就会把它关掉。我试过用规则引擎加轻量级模型做实时校验在局部场景比如“检查两个矩形是否重叠”上效果不错但在全局场景比如“检查整张图纸的标注是否一致”上还是力不从心。这个阶段的价值在于把问题消灭在萌芽状态。传统流程里碰撞检查往往在设计的后期才做发现问题时修改成本已经很高了。如果AI能在设计过程中实时提示就能大幅降低返工成本。但前提是AI的准确率要足够高否则就是添乱。4.4 阶段四AI做“端到端”人做“异常处理”第四个阶段是终极目标AI完成从需求到图纸的端到端生成人只处理异常情况。这个阶段目前只在极少数场景下可行比如标准件库的自动出图螺栓、螺母、垫圈简单钣金件的展开图生成规则明确的管道单线图生成这些场景的共同特点是约束条件少、规则明确、容错空间大。一旦场景变复杂比如涉及多专业协调、非标设计、创新结构AI就搞不定了。所以我的建议是不要追求“全自动”而是追求“在特定场景下的高自动化”。你把一个窄场景做到90%自动化比在一个宽场景做到50%自动化价值大得多。这四个阶段不是严格串行的你可以根据项目情况并行推进。但总体原则是从易到难、从辅助到自动、从局部到全局。每走一步都要验证AI的输出是否真的能减少人工工作量而不是增加校验负担。5. 常见问题与排查技巧实录5.1 AI生成的DXF导入其他软件报错怎么排查这是最常见的问题之一。AI生成的DXF在FreeCAD里打开正常但导入Protel、Altium、中望CAD或者ArcGIS时要么报错要么图形错乱。排查思路如下第一步检查DXF版本。用文本编辑器打开DXF文件看头部有没有$ACADVER组码值是什么。如果是AC1009R12很多现代软件已经不支持了。建议统一转成AC10242010或AC10272013。第二步检查实体类型。有些软件对某些实体类型支持不好比如SPLINE、HATCH、MTEXT。你可以用ezdxf把SPLINE转成POLYLINE把HATCH转成SOLID或边界线把MTEXT转成TEXT。转换后会丢失一些信息但兼容性会好很多。第三步检查图层和块。有些软件对图层名有长度限制或者不支持某些特殊字符。块参照的嵌套深度也可能有限制。你可以把图层名简化把块参照全部展开。第四步检查坐标范围。如果图形的坐标值特别大比如几百万有些软件会渲染异常。你可以把图形平移到原点附近或者设置合适的视图范围。第五步用目标软件自带的修复工具。比如AutoCAD的AUDIT命令、中望CAD的修复功能能自动检测和修复一些常见的DXF错误。我整理了一个速查表现象可能原因解决方法导入后空白版本不兼容或实体类型不支持转成R2010替换SPLINE/HATCH图形错位坐标系或单位不一致检查$INSUNITS统一单位文字乱码字体或编码问题转成TEXT指定标准字体报错“无效的组码”DXF结构损坏用ezdxf重新生成或AUDIT修复图形炸开块参照或坐标系问题展开块参照检查插入点5.2 模型推理速度太慢怎么优化AICAD的另一个常见问题是推理速度。一个模型在Demo阶段跑一张图要几秒到了工程环境要处理几百张图时间就不可接受了。优化思路有几个第一模型轻量化。用知识蒸馏、剪枝、量化等方法把大模型压缩成小模型。我试过把一个BERT模型蒸馏成6层推理速度提升了3倍准确率只掉了2个百分点。对于CAD这种对精度要求不是极端高的场景这个 trade-off 是值得的。第二批处理。把多张图纸打包成一个batch一次性推理。GPU的并行能力很强batch size从1提到8吞吐量能提升5倍以上。但要注意显存限制batch size太大会OOM。第三缓存。对于重复出现的图纸或实体缓存推理结果。比如同一个块参照在图纸里出现了100次你只需要推理一次然后复用结果。这个优化在装配体场景下效果特别明显。第四异步处理。把AI推理放在后台队列里前端不等待。工程师提交任务后可以继续做其他事等推理完成后再通知。这样用户体验会好很多。第五降级策略。当推理速度跟不上时自动降级到规则引擎或简单模型。比如实时校验场景如果AI模型响应超过500毫秒就切换到规则引擎虽然准确率低一点但速度快。5.3 那些“看起来是AI问题其实是数据问题”的坑最后一个经验很多AICAD的问题根源不在AI而在数据。我遇到过好几次模型准确率上不去团队拼命调模型、加数据、改架构最后发现是数据预处理出了问题。比如有一次做“图纸文字识别”模型在测试集上准确率95%但一到真实图纸就掉到60%。排查了半天发现是真实图纸里的文字有旋转、有倾斜、有背景干扰而测试集里的文字都是水平干净的。解决办法不是改模型而是在预处理阶段加旋转校正和背景去除。还有一次做“图层分类”模型总是把“墙体”和“柱子”搞混。后来发现训练数据里“墙体”和“柱子”的图层名不一样但真实图纸里有些设计院把柱子的图层也命名为“墙体”。这是标注规范的问题不是模型的问题。解决办法是重新定义分类体系把“墙体”和“柱子”合并成“结构构件”或者加一个“图层名”特征让模型自己学。所以在AICAD项目里数据预处理和标注规范的重要性往往超过模型本身。我建议在项目初期花至少30%的时间在数据清洗和标注上把数据的分布、噪声、边界情况摸清楚。这样后续的模型迭代会顺畅很多。6. 一些个人体会和后续可以尝试的方向6.1 我踩过的三个最大的坑第一个坑是低估了CAD数据的复杂性。刚开始做的时候我以为DXF就是一堆线和圆解析起来很简单。结果真正上手才发现光是块参照的嵌套和属性继承就够写一个专门的解析器。后来我学乖了任何CAD数据处理任务先花两天时间把数据摸清楚再动手写代码。第二个坑是高估了AI的泛化能力。我在一个项目的图纸上训了一个模型效果很好就以为换个项目也能用。结果换了一个设计院的图纸图层命名、块命名、标注风格全变了模型直接崩了。后来我明白AICAD的模型必须针对具体的设计规范做微调不能指望一个模型通吃所有项目。第三个坑是忽略了人的因素。我做过一个工具技术上很先进但工程师不愿意用。原因是操作太复杂要填一堆参数还要等几分钟。后来我把工具改成“一键式”参数用默认值结果用的人就多了。在工程环境里工具的易用性往往比技术先进性更重要。6.2 如果你也想做AICAD我的三条建议第一条从一个小场景切入做到极致。不要一上来就做“全自动设计”先做“自动提取BOM”“自动检查标注一致性”这种小场景。把一个小场景做到90%以上的准确率比在一个大场景做到50%更有价值。第二条把数据管道搭好。AICAD的瓶颈往往不在模型而在数据。你要有一套稳定的数据读取、清洗、转换、输出的管道。这套管道可能比模型本身还重要。我建议用Python脚本加Airflow做流程编排每个环节都有日志和异常捕获。第三条跟一线工程师泡在一起。AICAD的很多“隐性知识”只有一线工程师知道。你要花时间跟他们聊天、看他们操作、问他们为什么这么做。这些知识是任何数据集里都学不到的。我做过的最有用的功能往往不是从论文里看来的而是工程师随口提的一句“能不能帮我自动做这个”。6.3 后续可以尝试的几个方向第一个方向是基于Agent的CAD操作。现在的AICAD大多是“生成几何”但工程师真正需要的是“操作CAD软件”。比如“帮我把这个图层里所有多段线的宽度改成0.3”“帮我把所有标注的文字高度统一成2.5”。这些操作用Agent的方式来做可能比生成几何更实用。你可以用大模型做任务规划用Python脚本做实际执行中间加一个校验层。第二个方向是CAD图纸的语义理解。现在的AI大多停留在几何层面但图纸里还有大量的语义信息这个房间是干什么的、这条管线输送什么介质、这个设备是什么型号。如果能把这些语义信息提取出来就能做更高级的应用比如自动生成施工方案、自动做工程量统计。第三个方向是多模态的CAD交互。工程师可以用语音、草图、甚至手势来操作CADAI实时理解意图并执行。这个方向技术难度高但想象空间大。我试过用语音加规则做简单的CAD操作比如“画一条从A到B的线”效果还行但复杂操作还是得靠鼠标键盘。这些方向我都还在探索中有些已经看到了苗头有些还只是想法。但有一点是确定的AICAD的落地不是一蹴而就的它需要你深入工程现场理解真实约束一点一点地啃。Demo可以满天飞但工程只能一步一步走。