画一个法兰盘需要多久如果按传统CAD流程建草图、画中心线、拉伸出外圆、挖内孔、布置螺栓孔、阵列、加倒角熟练的工程师也得五六分钟。但最近我试了一轮Text-to-CAD工具输入一句“一个外径60毫米、内径12毫米、6个直径5毫米均布螺栓孔、厚度5毫米的法兰盘”几秒钟后直接拿到了一个可以导出STEP的实体模型。这不是demo里的炫技而是机械工程和生成式AI交叉地带正在发生的真实变化。这篇文章我想把“Text-to-CAD如何用代码直接生成工业零件图纸”这件事讲透。不是堆概念而是从原理、工具实测、翻车案例到落地建议把我实际试出来的经验和坑一起聊完。适合机械工程师、CAD二次开发人员也适合那些做产品设计但每次都被“画图”卡住的朋友。1. 为什么“用代码画图”这件事对机械设计是个真需求1.1 传统CAD工作流里最浪费时间的一环很多非机械行业的人以为工程师画图最大的成本是“把形状画出来”。实际上不是。真正吃时间的是改图和生成变体。客户说“孔间距往右移5毫米”你要进草图、改约束然后担心关联的特征会不会跟着崩领导说“给这个零件出三个不同壁厚的方案”你可能要重复三遍建模操作或者小心翼翼地调整特征树参数。这种工作流的本质是几何形状被锁定在图形界面里重复操作很难自动化。你虽然在用参数化建模软件但每次“修改”依然高度依赖人肉操作。我自己做机械设计这些年最烦躁的不是复杂零件而是那些结构相似、参数不同的系列件。每次都要重新画纯属体力劳动。这种痛感是理解Text-to-CAD价值的前提——它不是替你把图纸“变漂亮”而是把机械设计里最机械的那部分工作自动化。1.2 “代码即图纸”早就存在从AutoLISP到CadQuery如果只说“用代码生成图纸”这其实是机械行业的老传统。早在AutoCAD时代就有AutoLISP后人用参数化族表、方程式驱动曲线本质上都是把几何关系写进代码。更典型的是OpenSCAD从诞生第一天起就是靠写代码建模。现在还有CadQuery、SolidPython这类Python库把“拉伸”“打孔”“倒角”这些操作变成函数调用。代码建模的好处非常明显。第一可复用写一次换参数就能生成整个零件族第二可版本管理git能管理代码就能管理带注释的模型生成历史第三可审查几何逻辑一行行摆在那出错能定位。但过去这套方案门槛高你得会编程得懂几何API还得能接受“在文本编辑器里设计零件”的原始感。所以它一直是小众玩法没能大规模普及。1.3 生成式AI补上了“自然语言到代码”这块短板Text-to-CAD之所以在最近一两年火起来不是因为程序化建模新而是因为大语言模型把最后一道门槛拆掉了你不需要会写CadQuery代码只需要能准确地描述你要什么零件。LLM最擅长的事情之一就是把自然语言转换成结构化的代码。CAD建模恰好是高度程序化的几何构建过程——一个法兰盘就是“圆柱体减去内孔、再在圆周阵列的位置挖掉几个圆柱”。LLM只要能把“法兰盘”“均布孔”“外径”这些语义映射成正确的几何操作几何内核就能输出精确的实体模型。所以Text-to-CAD的本质可以概括成一句话它不是一个“画图AI”而是一个“翻译器”把人的设计意图翻译成几何内核能执行的代码再由代码生成精确模型。这一点理解了后面很多工具选择和翻车原因就都好解释了。2. 从文本到可加工图纸Text-to-CAD背后的几何生成逻辑2.1 自然语言描述是怎么变成几何实体的把一个自然语言描述变成CAD实体至少要经过三层语义映射。第一层是零件类别识别。模型需要知道“法兰盘”意味着什么一个回转体、带中心孔、周围有螺栓孔。第二层是参数抽取。外径60、内径12、螺栓孔直径5、厚度5这些数字必须从文本中被准确拎出来。第三层是几何关系解析。“6个均布螺栓孔”意味着要在圆周方向做360度/6的阵列“内孔与外圆同心”意味着两段草图的圆心要重合。这三层里LLM在第一层和第二层表现已经相当好因为本质上就是“阅读理解”。第三层最容易出问题尤其是涉及公差、配合、沉孔深度这类工业语义时模型经常不自洽。比如你说“M8螺栓通孔”它可能给你生成一个直径8毫米的孔——但实际M8通孔应该用8.4或者8.5毫米。这就是后面翻车的一大来源。2.2 两条技术路线直接回归3D vs 生成代码调内核现在市面上的Text-to-CAD方案技术路线大致分两类。第一类是让神经网络直接回归几何比如预测体素Voxel、点云、或者带符号距离场TSDF然后把离散结果拟合成曲面。这条路的好处是“看起来更像AI”端到端训练输入文本直接出网格。但缺点是精度不够工业零件要的是小数点后好几位的精确尺寸神经网络直接输出的网格本质上是一堆三角形近似离“可加工”差得很远而且没有特征树后续修改极其困难。第二类路线是LLM生成程序化建模代码再交给传统几何内核去计算。最典型的就是基于CadQuery的方案AI输出Python代码CadQuery调用OpenCascade内核生成精确的B-rep实体。这条路没有“画图”本质上是一种代码生成但效果反而最实用因为几何精度交给成熟的CAD内核兜底LLM只需要管代码逻辑正确。目前能实际生成STEP模型的工具大多是第二条路线。少数走第一条路线的项目比如生成2D矢量图的MLC-CAD输出的是SVG不是完整的工业模型。这两条路线各有存在的价值但如果你追求“可直接加工”第二条路线是当前唯一靠谱的选择。2.3 为什么输出STEP比输出STL更关键很多不接触制造业的人分不清STEP和STL的区别。STL是网格格式用一堆三角形去贴合曲面适合3D打印展示但进了CAM或者有限元软件里精度和拓扑都有问题。STEP是边界表示模型B-rep里面存的是真实的几何曲面和拓扑关系是工业软件之间交换数据的标准格式。Text-to-CAD到底有没有用就看它能不能导出STEP。能导出STEP意味着这个模型可以进CAM生成刀路、可以进ANSYS做仿真、可以进CMM做检测编程。如果只能导出STL那它在工业流程里基本是个玩具。但有一点必须清醒就算导出了STEP也不是完整的“工程图纸”。工程图纸还包含尺寸标注、公差、粗糙度、标题栏、技术要求这些信息。Text-to-CAD目前生成的是“几何体”不是“生产图纸”。这个边界感决定你怎么正确使用它。3. 四款代表性工具实测从安装到生成一张工业零件图3.1 工具选型对比我这一轮选出四类有代表性的方案做了实测Zoo Text-to-CAD、MLC-CAD、CadQuery加LLM脚本、OpenSCAD加LLM脚本。选它们不是因为只有这四款而是因为它们覆盖了两种技术路线、两种输出精度、两种使用难度。工具/方案输入形式输出格式几何内核适合做什么Zoo Text-to-CAD自然语言STEP、STL等OpenCascadeCadQuery快速生成可导入CAD的3D实体MLC-CAD自然语言SVG矢量图深度网络直接回归生成2D轮廓草图、图纸创意参考CadQuery LLM自然语言代码修正STEP、DXFOpenCascade参数化零件族、公司内部标准件OpenSCAD LLM自然语言代码修正STL、DXFCGAL等3D打印件、可参数化控制的模型从表格能看出来实用性和难度基本成正比。Zoo最省事但Prompt可控性比纯代码差一点。CadQuery加LLM脚本最灵活但要求你至少看得懂Python。3.2 Zoo实测用一句话生成法兰盘Zoo是我最早试的一个。它是网页版不需要本地装环境。核心思路就是输入一个描述生成基于CadQuery的脚本然后在后端跑出模型最后让你下载STEP。我用的Prompt是这样的Create a flange with outer diameter 60mm, inner hole diameter 12mm, 6 bolt holes of diameter 5mm equally spaced on a 50mm bolt circle, thickness 5mm.生成结果基本正确外圆、内孔、六个螺栓孔的位置关系都对。导出STEP后我直接拖进FreeCAD检查几何是可用的没有破面。这里多说一句Zoo这一套看似玄学其实本质就是把自然语言翻译成了下面这种CadQuery代码import cadquery as cq flange (cq.Workplane(XY) .circle(30) # 外圆半径30 .circle(6) # 内孔半径6 .extrude(5) # 厚度5 .faces(Z) .workplane() .pushPoints([(25, 0), (12.5, 21.65), (-12.5, 21.65), (-25, 0), (-12.5, -21.65), (12.5, -21.65)]) .hole(5)) cq.exporters.export(flange, flange.step)注意那六个坐标点就是六个螺栓孔在直径50mm圆周上的位置。这个例子很好地说明了我说过的观点AI画图画的是代码。3.3 MLC-CAD实测文本生成2D矢量图纸MLC-CAD走的路线不太一样。它输入文本输出的是SVG格式的2D矢量轮廓。你可以理解成它不生成实体模型而是生成一张“零件的轮廓草图”。我用它输入“a simple wrench outline”这类描述图形轮廓大致能看出是个扳手但细节比较粗糙直线和弧线的过渡明显有近似痕迹。把它导入CAD软件需要重新整理曲线才能继续用。所以我对MLC-CAD这类工具的定位是它适合在设计早期做“视觉发散”给设计师看“这个形状大概长什么样”但离真正的参数化设计还很远。它相当于一个“带形状意识的草图板”而不是设计工具的替代品。3.4 用LLM直接写CadQuery/OpenSCAD的玩法除了专门的Text-to-CAD平台还有一个非常实用的玩法直接用现成的ChatGPT/Claude生成CadQuery或OpenSCAD代码然后本地运行。我不是开玩笑这可能是当前工程落地最顺的一条路。比如我想做一个轴套直接让LLM写代码import cadquery as cq bushing (cq.Workplane(XY) .circle(15) # 外径Ø30 .circle(8) # 内孔Ø16 .extrude(20) # 长度20 .edges(|Z).fillet(1.0) # 两端棱边倒R1 cq.exporters.export(bushing, bushing.step)在本地装一个CadQuery环境把代码跑一遍就能拿到STEP。这种方式的好处是每一步几何操作都在代码里想改哪里改哪里。如果你熟悉OpenSCAD同样逻辑也成立module flange(od60, id12, thickness5, hole_circle50, holes6, hole_d5) { difference() { cylinder(hthickness, dod, $fn64); cylinder(hthickness, did, $fn64); for (i [0:holes-1]) { rotate([0, 0, i * 360 / holes]) translate([hole_circle/2, 0, -1]) cylinder(hthickness2, dhole_d, $fn32); } } } flange();这个参数化的法兰模块以后换任何尺寸只要改参数就行。比起重新画图效率完全不在一个量级。4. 生成式CAD的翻车现场与边界判断4.1 翻车案例看着对一加工就废我不能只报喜不报忧。这一轮实测里翻车案例不少。最典型的一个是让AI生成“带沉孔的安装板”Prompt写的是“6个直径6mm的沉孔沉头直径11mm深度6mm”。结果模型出来沉孔位置在3D视图里看着很正常但一量尺寸发现沉孔深度做成了贯穿而且底孔的直径没有按设计意图留出配合间隙。这种问题在屏幕上看不出来因为你视觉上看到的只是“有个孔”但拿到加工师傅那边就是废件。还有一个高频翻车是螺纹孔。你说“M8螺纹孔”AI经常只生成一个直径8的光孔没有底孔概念也不知道M8底孔应该钻6.8左右更不会自动加倒角。纯粹从几何表达上它确实生成了一段圆柱腔体但完全不具备螺纹的工艺语义。4.2 常见的四类问题归类把这一堆问题归纳起来我总结出四类常见毛病。问题类型具体表现典型原因规避思路数值幻觉尺寸漏掉、小数位错位、孔数量不对LLM对数字的注意力不稳定Prompt里主动强调公差、数量、单位特征丢失沉孔/倒角/退刀槽没生成训练数据里这些特征表述分散把特征逐条列出写成checklist式Prompt装配语义缺失只有单个零件没有配合与约束当前模型局限在单体建模人工补配合同轴度、间隙等约束标准规范缺失螺纹孔、通孔直径不符合标准模型缺少机械标准语义库生成后对照手册检查关键尺寸这四个问题里最危险的不是误差大而是“看起来没问题”。误差大你一眼能看出来但“看起来正常”的模型往往会直接流到下游。所以任何生成式CAD结果都必须走一遍设计评审不能跳过。4.3 可验证性生成结果必须能回到参数化树里改我踩过一个更隐蔽的坑生成模型是不可编辑的。有些工具为了生成速度直接把几何结果存成网格导出导致你在CAD里打开后特征树是空的只有一个“导入几何”。这种模型一旦要改只能从头再生成一轮完全没法做局部修改。这也是我强烈建议优先选“代码驱动”方案的原因。CadQuery脚本生成的结果本质上保留的是“如何构建这个模型”的方法。你觉得某个倒角半径不对直接改代码里那个数字再跑一遍就得到新的STEP。这种可返工性在工程环境里极其宝贵。我个人的工作习惯是生成模型后一律先导入FreeCAD查看特征树和几何检查结果。FreeCAD里有一个“几何检查”功能能发现很多肉眼看不出来的破面和拓扑错误。如果这一步检测出来一堆问题直接放弃这个方案回到Prompt或代码层去调整而不是在GUI里修。5. 机械工程师怎么把Text-to-CAD接进现有工作流以及给它留什么位置5.1 最适合切入的三个位置用了一段时间后我最大的感受是Text-to-CAD当前最适合切入的是三个位置而不是“所有零件都用AI生成”。第一概念设计与方案比选。项目前期要快速比对外形、工艺可行性用自然语言出一个粗略模型比手动建模快得多。反正是用来讨论的细节后面再补。第二参数化零件族批量生成。同一个零件换尺寸出一批变体这是Text-to-CAD最舒服的场景。只要把参数列清楚让AI生成一个CadQuery脚本之后批量改参数跑一遍就行。第三工装夹具的快速草稿。很多工装外形简单但数量多、改得快。用AI生成毛坯模型确认后再精修效率提升非常明显。5.2 不适合做什么Text-to-CAD不适合所有“重要”的零件。具体来说高精度传动件齿轮、蜗杆、铸件分型面、有严格GDT要求的核心结构件这些领域模型根本没有工业经验数据可依赖硬要生成也只能得到一个外形参考。复杂装配体和运动关系也不要指望它。当前主流方案都是单体建模你没法用一句话生成一个带配合、带自由度约束的完整机构。这是技术路线上暂时无法跨越的边界。5.3 给工程师的落地建议结合我自己这一轮的实操我有几条非常具体的建议。第一建立属于你自己的Prompt模板库。不要每次临时想描述。把常用零件整理成固定句式比如“外径XX、内径XX、厚度XX、N个均布孔、倒角Cx”写清楚单位写清楚公差要求。模型的表现会稳定很多。第二把生成结果当“外购毛坯”对待。也就是说拿到AI生成的模型默认它不可靠必须经过你的设计评审、尺寸核实、标准件对照之后才能流向下游。不要因为“AI生成快”就放松警惕AI生得越快你错得越快。第三涉及公司产品数据和内部图纸不要上传到公有云端AI。这个不只是效率问题。你让第三方模型生成一个带螺纹孔的支架等于把零件的几何特征和组合逻辑发给了别人。有些公司图纸本身就是技术资产用之前一定先问合规。第四有条件的话学一点CadQuery或OpenSCAD。不用精通能看懂生成的代码、能改一个数字就够了。这样你就从“用AI”变成了“完全控制AI”可返工性和可维护性完全不一样。我目前的工作流是概念阶段用Zoo快速出几个方案选定方向后用CadQuery脚本生成参数化模板再导入FreeCAD做几何检查最后才进入正式的CAD环境补工程信息。整个过程里AI承担的是“从0到1”的初稿生成人承担的是“从1到100”的工程化。这个分工未来很长一段时间应该都不会变。