企业官网建设流程全解析

1. 从一句话到三维模型：text-to-cad 到底在解决什么问题

第一次听到 “text-to-cad” 这个说法，我脑子里蹦出来的画面是：对着电脑敲一句“给我画一个 80×60×20 的法兰盘，中心开直径 30 的通孔，四角各一个 M6 沉头孔”，然后软件自己把模型建好、把工程图出好、把 STEP 文件丢给我。这个画面放在五年前基本属于科幻，但放到今天，它已经是一条能跑通的技术链路了。所谓 text-to-cad，本质上是把自然语言描述翻译成参数化 CAD 模型，再导出成 STEP、GLB、STL 这类通用格式的过程。它要解决的核心痛点很朴素：大量重复性的、结构相似的零件建模工作，占用了工程师太多时间，而这些工作恰恰是最容易被规则化和自动化的。

我身边做机械设计、钣金、建筑构件、甚至做 3D 打印摆件的朋友，几乎都有同一个抱怨——真正花在“想结构”上的时间可能只占两成，剩下八成都在“把想法敲进 CAD 里”。画草图、约束、拉伸、打孔、倒角、改尺寸、再改尺寸，一套流程下来，一个简单支架能磨掉半小时。text-to-cad 想干的事，就是把这八成里的“机械劳动”压缩掉，让人只负责描述意图和校验结果。它适合谁？适合经常做系列化零件的人、适合做参数化建模的工程师、适合想批量生成模型的 3D 打印玩家，也适合做 CAD 二次开发、想把 AI 能力接进自己工具链的程序员。

这里要先泼一盆冷水：text-to-cad 不是“说一句话就出成品”的魔法。自然语言天生是模糊的，而 CAD 要求的是精确到小数点后几位的几何约束。这两者之间的鸿沟，就是整个技术方案要填的坑。所以真正能落地的 text-to-cad，几乎都不是“端到端一个大模型直接吐 STEP”，而是分层拆解 + 中间表示 + 参数化重建的组合拳。下面我就按我自己趟过的路子，把整套思路、关键细节、实操过程和踩坑记录完整拆一遍。

2. 整体方案怎么搭：为什么不能一步到位

2.1 端到端生成 CAD 的幻想与现实

很多人第一反应是：现在大模型这么强，直接让它输出 STEP 文件不就行了？我试过，结论是——能出，但基本不能用。原因有三个。第一，STEP 是边界表示（B-rep）格式，里面是精确的曲面、边、顶点的拓扑关系，而语言模型擅长的是 token 序列，它对“这个面和那个面共享一条边”这种拓扑约束没有天然的建模能力。第二，语言模型输出的数值经常“看起来对”，但公差、配合、壁厚这些工程约束它并不真的理解，生成的东西能看不能用。第三，就算勉强生成了，一旦要改一个尺寸，整个模型可能就崩了，因为它不是参数化的。

所以我的判断是：端到端直接生成 B-rep 这条路，目前只适合做概念草图或者玩具级模型，不适合工程交付。真正靠谱的做法，是把自然语言先翻译成一种“结构化的中间表示”，再由确定性的几何内核去重建模型。这个中间表示，可以是 JSON 描述的参数表，也可以是一段脚本（比如 CadQuery、OpenSCAD、FreeCAD 的 Python 脚本），甚至是一棵特征树。

2.2 分层架构：语言层、参数层、几何层

我最终采用的架构分三层，这个分层是我踩了很多坑之后定下来的，强烈建议你也按这个思路走。

• 语言层：负责把用户那句人话解析成结构化的意图。比如“法兰盘、外径 80、厚 20、中心通孔 30、四角 M6 沉头孔”，要能抽出实体类型、尺寸参数、特征列表。这一层用大模型做意图识别和槽位填充最合适。
• 参数层：把意图转成一份严格的参数 schema，做单位统一、默认值填充、合法性校验。这一层是纯代码逻辑，不依赖模型，保证可复现。
• 几何层：拿参数去驱动几何内核，生成实体，导出 STEP/GLB/STL。这一层用成熟的内核，比如 OpenCASCADE（通过 CadQuery 或 pythonocc 调用），保证几何质量。

这么分的好处是：语言层可以换模型、可以调 prompt，不影响几何；几何层可以换内核、换导出格式，不影响语言理解。每一层都能单独测试，出问题好定位。这就是为什么我说“不能一步到位”——一步到位意味着你没法调试，出了错你都不知道是理解错了还是建模错了。

2.3 中间表示选 JSON 还是脚本

中间表示我两种都用过，说说取舍。JSON 参数表的优点是安全、可控、易校验，你可以在参数层写一堆规则，比如“孔径必须小于外径”“壁厚不能小于 1mm”，不满足就直接拒绝。缺点是表达能力有限，遇到复杂特征（比如阵列、扫掠、放样）描述起来很别扭。脚本（比如 CadQuery 的 Python 代码）的优点是表达能力强，几乎能描述任何几何操作，而且本身就是可执行的，改一个参数就能重跑。缺点是安全性差——让模型直接生成可执行代码，万一它写出个死循环或者乱删文件就麻烦了。

我的折中方案是：简单零件走 JSON，复杂零件走脚本，但脚本必须跑在沙箱里，并且只允许调用白名单内的建模 API。这样既保证了灵活性，又控制了风险。下面实操部分我会以 JSON 路线为主，因为它最容易复现，也最适合新手起步。

3. 核心细节拆解：从一句话到一份参数表

3.1 意图识别：怎么让模型听懂“法兰盘”

语言层最关键的一步是意图识别。用户说的话千奇百怪，有人会说“画个圆盘”，有人会说“做个法兰”，有人直接甩一句“DN50 的法兰”。你得让模型把这些都归到同一个实体类型上。我的做法是维护一份实体类型词典，每个类型下面挂同义词和必填参数。比如法兰盘这个类型，同义词有“法兰、圆盘、盘类件”，必填参数有外径、厚度、中心孔径。

这里有个经验：不要让模型自由发挥实体类型，要给它一个封闭的候选列表。我一开始让模型自己判断“这是什么零件”，结果它经常发明一些不存在的类型，后面几何层根本没法处理。改成“从以下类型中选择最匹配的一个”之后，准确率立刻上来了。这就是典型的“约束比自由更可靠”。

3.2 槽位填充与单位陷阱

槽位填充就是把“外径 80”里的 80 抽出来，绑定到“外径”这个参数上。听起来简单，但单位是个大坑。用户可能说“外径 80”，也可能说“外径 8 公分”，还可能说“外径 80mm”。如果你不统一单位，后面几何层就会把 8 公分当成 8 毫米，模型直接小十倍。我的处理方式是：在参数层强制统一到毫米，并且在 prompt 里明确要求模型输出时带上单位，由代码做换算。换算表很简单，1 公分 = 10 毫米，1 米 = 1000 毫米，1 英寸 = 25.4 毫米。别小看这一步，我见过太多项目栽在单位上。

还有一个隐蔽的坑：默认值。用户说“做个法兰”，没给厚度，你怎么办？我的做法是给每个参数设一个合理的工程默认值，比如法兰厚度默认 10mm，中心孔默认通孔。但默认值必须在结果里明确标注出来，让用户知道“这个数是我替你填的”，否则他拿到模型会一脸懵。这一点在交互设计上很重要，属于“透明化”原则。

3.3 参数合法性校验：把错误挡在建模之前

参数层最容易被忽视、但价值最高的一环是校验。我列几个我实际写进代码的规则：

这些规则看着琐碎，但每一条都是我用真实失败案例换来的。比如“孔位不越界”这条，就是因为我生成过一个四角孔直接切到外圆上的法兰，导进切片软件一看，模型是破的。把校验做在建模之前，比建模之后再去修要省事一百倍。

4. 实操过程：手把手跑通一条 text-to-cad 链路

4.1 环境准备与工具选型

先说工具链。几何内核我选OpenCASCADE，因为它开源、成熟、对 STEP 支持好。上层封装用CadQuery，它把 OpenCASCADE 包了一层 Pythonic 的 API，写起来像搭积木，非常适合做参数化重建。语言层我用一个通用大模型做意图解析，输出 JSON。导出格式方面，STEP 用于工程交付，STL 用于 3D 打印，GLB 用于网页预览，三个都从同一个实体导出，保证几何一致。

安装这块，CadQuery 官方推荐用 conda 装，因为它的依赖（尤其是 OpenCASCADE 的二进制）用 pip 装容易出问题。我实测下来，conda 环境最稳：

conda create -n text2cad python=3.10 conda activate text2cad conda install -c conda-forge cadquery

装完之后跑一句import cadquery as cq; print(cq.__version__)，能打印版本号就说明环境通了。这里提醒一句：CadQuery 对 Python 版本比较挑，3.10 是我验证过最稳的，3.12 有时候会碰到依赖冲突。别问我怎么知道的，重装了三遍。

4.2 语言层：把一句话变成 JSON

语言层我写了一个函数，输入是用户那句话，输出是一份 JSON。prompt 的核心是给它一个 schema 模板，让它照着填。我简化后的 schema 长这样：

{ "part_type": "flange", "params": { "outer_diameter": {"value": 80, "unit": "mm"}, "thickness": {"value": 20, "unit": "mm"}, "center_hole": {"value": 30, "unit": "mm"}, "bolt_holes": { "count": 4, "diameter": {"value": 6, "unit": "mm"}, "circle_diameter": {"value": 60, "unit": "mm"}, "type": "counterbore" } } }

prompt 里我会明确写：“只输出 JSON，不要解释，单位统一用 mm，缺失的参数不要瞎编，留空即可。” 实测下来，加了“不要瞎编”这句之后，模型乱填参数的情况明显减少。这就是 prompt 工程里的“负向约束”，有时候比正向描述还管用。

4.3 参数层：校验、补默认值、算派生量

拿到 JSON 之后，参数层做三件事。第一，单位换算，把所有值统一到毫米。第二，补默认值，比如用户没给沉头深度，我按通孔直径的 0.6 倍估算。第三，算派生量，比如螺栓孔的中心圆半径 = 中心圆直径 / 2，孔位的 x、y 坐标 = 半径 × cos/sin(角度)。这些派生量不交给模型算，全部用代码算，因为三角函数这种确定性计算，代码比模型可靠得多。

这里分享一个计算细节：四孔均布时，角度间隔是 360/4 = 90 度，起始角我习惯从 45 度开始，这样四个孔落在对角线上，视觉上更对称。孔位坐标就是：

import math r = circle_diameter / 2 for i in range(count): angle = math.radians(45 + i * 360 / count) x = r * math.cos(angle) y = r * math.sin(angle)

这段代码简单，但它是整个链路里最不该出错的地方，因为孔位错了整个零件就废了。所以我给它单独写了单元测试，输入已知参数，断言输出坐标在预期范围内。

4.4 几何层：用 CadQuery 重建实体

几何层是重头戏。以法兰盘为例，CadQuery 的建模逻辑非常直观，基本就是“画圆、拉伸、挖孔、阵列”：

import cadquery as cq result = ( cq.Workplane("XY") .circle(outer_diameter / 2) .extrude(thickness) .faces(">Z") .workplane() .hole(center_hole) ) # 螺栓孔阵列 result = ( result.faces(">Z") .workplane() .pushPoints(bolt_positions) .cboreHole(bolt_diameter, cbore_diameter, cbore_depth) ) cq.exporters.export(result, "flange.step") cq.exporters.export(result, "flange.stl") cq.exporters.export(result, "flange.glb")

这段代码里，cboreHole是沉头孔，参数依次是通孔直径、沉头直径、沉头深度。pushPoints接收一个坐标列表，把孔打到指定位置。导出三个格式各一行，STEP 给下游 CAD，STL 给打印，GLB 给预览。实测下来，一个法兰盘从解析到导出，全程不到两秒，比手动画快太多了。

4.5 导出格式怎么选：STEP、GLB、STL 的适用场景

这三个格式经常被混用，我按实际经验说清楚它们的区别，避免你导错格式返工。

我的建议是：只要涉及后续编辑或加工，一律以 STEP 为准，STL 和 GLB 都是从 STEP 派生出来的展示副本。千万别拿 STL 去反推工程图，网格转 B-rep 是个逆问题，精度损失不可逆。热词里那个“sw 中 stl 转 stp”就是这个痛点，转出来的面全是碎三角面，根本没法做特征编辑。

5. 常见问题与排查技巧实录

5.1 模型导出后破面、切片软件报错

这是最高频的问题。表现是 STL 导进切片软件后，模型显示为破面、有孔洞、或者切片直接失败。原因通常有三个：一是壁厚太薄，网格细分时相邻面重叠；二是实体本身自相交，比如孔切穿了外壁；三是导出精度设置太低。排查顺序我一般是：先看参数校验有没有拦住异常尺寸，再把 STL 的线性偏差（linear deflection）调小，CadQuery 里可以这样设：

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

tolerance是线性偏差，越小网格越密，默认值有时候偏大。我一般设 0.01mm，兼顾精度和文件大小。如果调小之后还是破面，那基本就是实体本身有问题，回去查参数校验。

5.2 单位错乱导致模型尺寸离谱

前面提过单位坑，这里给个排查技巧：在参数层打印一份“归一化后的参数表”，每次生成都看一眼。如果发现某个尺寸明显不对（比如法兰外径变成 8mm），立刻能定位是解析错了还是换算错了。我还会在导出后读一下模型的包围盒尺寸，跟预期值比对，差太多就报警。这个“包围盒自检”是个很实用的兜底手段，几行代码就能加：

bb = result.val().BoundingBox() print(f"X: {bb.xlen:.2f}, Y: {bb.ylen:.2f}, Z: {bb.zlen:.2f}")

5.3 复杂特征描述不清，模型生成失败

用户说“做个带加强筋的支架”，这种描述对模型来说太模糊了。我的处理方式是主动追问，而不是硬猜。在参数层发现必填参数缺失或特征描述不完整时，返回一个“需要补充信息”的响应，列出缺哪些参数。这比生成一个错误模型让用户去改要友好得多。交互设计上，这叫“fail fast”，快速失败、快速反馈。

5.4 常见问题速查表

5.5 几个我踩过的坑和独家心得

第一个坑：别用模型算三角函数。我早期偷懒，让模型直接输出孔位坐标，结果它算的 cos/sin 值精度不够，孔位偏了零点几毫米。后来全部改成代码算，问题消失。第二个坑：prompt 里一定要禁止模型输出注释和解释。它一旦开始“我觉得这个法兰应该……”，JSON 就解析失败了。第三个心得：给每个实体类型写一个最小可复现样例，作为回归测试。每次改 prompt 或改代码，先跑一遍样例，确认没退化再上线。这个习惯帮我省了无数次返工。

6. 这套方案还能怎么扩展

跑通基础链路之后，我做了几个扩展，效果都不错。一个是批量生成，把一份 Excel 参数表读进来，循环调用整条链路，一次生成几百个系列化零件，导出 STEP 和 STL。热词里那个“python 批量对 cad 修改”说的就是这个场景，只不过传统做法是操作 CAD 的 API，而 text-to-cad 是从参数直接重建，更干净。另一个扩展是接入预览，把 GLB 丢到网页里用 three.js 渲染，用户改一个参数就能实时看到模型变化，体验比等文件下载好太多。

还有一个方向是反向能力：给一个已有的 STEP 文件，让系统识别出它的参数表，然后用户就能用自然语言去改它。这个比从零生成难，因为要解析 B-rep 的特征，但价值也更大，适合做“老图翻新”的场景。我目前只做到简单回转体和拉伸体的识别，复杂曲面还在摸索。

最后分享一个小技巧：把每次生成的参数表和用户原话都存下来，攒一段时间就是一份高质量的微调数据集。等你数据够了，可以拿它去微调一个专门做意图解析的小模型，推理更快、成本更低，还不用每次都调大模型。这条路我刚开始走，等有结果了再跟大家汇报。