企业官网建设流程全解析

在CAD这个圈子里，我见过太多人把“用自然语言直接生成三维模型”这件事想得太轻松。两年前我刚开始尝试text-to-CAD工作流的时候，第一印象其实是失望：输入“给我一个M8六角螺母”，输出的却是一堆表面坑坑洼洼的网格碎片，没有螺纹参数，也没有尺寸约束，放进切片软件里连支撑布局都很难规划。后来我才慢慢意识到，这份失望的根源，是我把CAD当成了“三维版图片生成”。而CAD的核心从来不是“长得像”，而是“可制造、可修改、可复用”。这篇文章我想从自己的实测经验出发，把text-to-CAD背后的原理、当前真实能做到的边界，以及提示词怎么写才更稳的经验完整梳理一遍，给正在观望的你一份不带滤镜的参考。这个方向确实还没到“一句话自动出图”的理想状态，但只要工作流选对了，它完全能成为设计前期的强力助手。

1. 先对齐认知：CAD难就难在“看起来像”远远不够

1.1 图像生成是填像素，CAD是搭工程关系

为什么通用大模型在写文章、画插画上表现惊艳，一到CAD这里就频频翻车？一个很重要的原因是，自然语言生成图像本质上是在二维画布上填充像素，像素之间没有严格的空间约束，哪怕某个区域拟合得不够干净，人眼也未必能察觉。而CAD模型面对的是制造和装配场景，孔轴配合间隙、壁厚、拔模角、干涉检查，每一项都可能直接决定这个模型能不能被加工出来。

打个比方：图像生成像是让AI画一幅风景画，画歪一栋楼，观感上顶多觉得“这个风格很抽象”。CAD生成则像让AI帮你搭一个书架，如果两块层板的尺寸差了两毫米，你放书的体验就是完全不同的。CAD文件背后是一整套参数关系和工程语义，比如“这个孔必须和对面那个孔同轴”“这个圆角的半径必须小于止口宽度”，而这些关系在自然语言里往往只是几个词，模型很难只凭几个关键词把它们完整复用出来。

1.2 我用实测验证过：AI做出来的东西“看起来对”不等于“能用”

早先我用一个开源脚本建模工具做过一次实验，提示词是“设计一个带四个安装孔和中心轴的电机支架”。大模型很快生成了一段结构完整的脚本，工具运行后也确实出现了一个支架造型，四个孔在视觉上基本对称。但当我把它导出的实体放到测量环境里检查时，问题全部暴露：中心轴的名义直径是8毫米，实际曲面却分布在8.02到8.06毫米之间，既不是严格的圆柱，也没有任何公差标注；四个安装孔的位置虽然对称，但中心距和实际要安装的电机端盖完全对不上。

这次经历给我最大的启发不是“AI不行”，而是我一开始的预期错了。text-to-CAD当前阶段的定位应该是“概念雏形生成器”，而不是“最终图纸输出器”。它的价值在于几秒钟内给出一个符合大致外形和结构逻辑的起点，最终的尺寸链闭合、公差校核、装配验证，仍然需要工程师用自己的专业判断去收尾。把预期放在正确的位置上，之后选工具、写提示词、检查结果才会顺手很多。

2. 三条技术路线拆解：脚本、网格、参数化特征，各管一段

text-to-CAD这个词其实覆盖了三种完全不同的技术路线，而每条路线的能力、局限和适用场景都不一样。很多人在网上看到的“AI建模神器翻车合集”，往往就是拿网格生成流程去干参数化建模的活，结果当然不理想。所以先花点时间把三条路线理清楚，比盲目追新工具重要得多。

2.1 路线一：通用大模型直接写建模脚本

这条路最直观，也最容易被DIY玩家上手。做法是让通用大模型充当程序员，根据你的自然语言描述，生成一段能够创建三维几何的脚本，比如OpenSCAD的CSG脚本，或者FreeCAD的Python宏。你把这代脚本粘贴进对应工具里运行，就能得到模型。

这条路的优势是零额外依赖、结果可编程、可反复修改。缺点则是模型对CAD API的理解深度参差不齐，生成的脚本经常出现参数错误、引用不存在的特征，需要多次迭代调试。不过因为脚本本身是文本，修改成本相对低，多试几次通常能稳定产出简单零件。我看见很多第一次接触的人，在第一次报错之后就放弃了，其实只要把报错信息原样丢回给模型，通常一两轮就能修好。

2.2 路线二：用扩散模型直接生成三维网格

如果你听说过“文本生成3D模型”，大概率体验过这条路。它通常使用多视图扩散或点云扩散，从文本直接输出一个网格化的三维对象，再经过重建算法变成可导入的模型格式。这种方式的视觉表现力很强，特别适合生成有机形态、艺术造型，比如概念车外观、雕塑、游戏道具。

但它最大的问题在于，生成结果是“一张数位捏合的皮”，没有参数化历史，也没有可编辑的特征树，想修改某个尺寸几乎等于重新建模。叠加网格转CAD时，非流形几何、噪声曲面也经常让后续加工工具抓狂。所以这条路更适合看效果、做展示，离“可直接制造”还有明显距离。如果你只是想做一张产品概念图，它完全够用；但别指望它能进入工程BOM。

2.3 路线三：LLM当指挥官，参数化建模引擎当执行者

这是目前工业界视角下最接近“真CAD”的方向。系统里内置一套构造实体几何或特征建模引擎，LLM负责把用户意图解析成一系列建模指令，比如“新建一个矩形拉伸”“在顶端加一个圆角”“在左下角挖一个贯通孔”，然后由引擎按指令执行，最终生成带完整特征历史的B-rep实体模型。

因为输出保留了特征树和参数，用户可以像对待正常CAD文件一样继续编辑、加约束、做装配。这已经是目前最接近“用自然语言驱动CAD”的形态，代价是实现难度高，工具数量少，提示词的微小偏差也可能导致一连串特征顺序错误，非常考验模型的指令解析能力。目前这个方向主要还是停留在科研原型和少数垂直工具里，但我觉得它的进化速度会比前两条路线快得多。

2.4 三条路线怎么选

我用下面这个表把我实测后的判断列出来，方便你对号入座：

你选哪条路线，不取决于谁听起来更先进，而取决于交付物最终要拿去干什么。做展示选第二条，做快速验证选第一条，做可迭代的工程模型，再麻烦也得合计第三条的门路。

3. 我实测过的三种工作流，以及它们各自的脾气

理论讲完，上实操。下面三种工作流是我在过去一段时间里反复跑的，我把详细步骤、观察到的现象和容易踩的坑都记录下来，方便你直接复用。

3.1 用OpenSCAD脚本生成小型零件：最快上手

OpenSCAD是一个以脚本为核心的开源建模工具，天然适合和对话式大模型配合。我的基本流程是：先把需求描述给模型，要求它输出CSG脚本，并明确指定单位、尺寸变量和渲染模块。接着把脚本粘贴进OpenSCAD预览，出问题再让模型根据报错修改。

实测发现，针对“带若干孔的回转体”“角码类钣金件”这类规则特征，模型基本一次就能生成可用外形。但你最好在提示词里明确变量名，比如“全程使用变量base_w和base_h，不允许修改为其他名字”，这样后续调整尺寸只需要改变量，不需要重写特征。另外一定要求脚本加注释，模型在生成代码时保留注释的习惯，直接影响你排查几何逻辑的效率。

有一个坑需要重点提醒：OpenSCAD的CSG运算在布尔交叠操作上特别考验精度，如果孔位刚好卡在两个特征的边界上，很容易出现非流形结果。我的处理办法是让孔稍微穿过整个实体厚度，比如在描述里写明“贯通”，而不是用“沉到表面”，这样能避免悬空裁剪导致报错。

3.2 用FreeCAD的Python宏做参数化修改：兼顾修改性

如果你的目标不只是快速看造型，而是希望后续能调整尺寸、复用特征，FreeCAD的Python API是一条更合适的路。我通常让模型生成一个完整的宏脚本，里面封装好一个建模型的函数，参数以函数入参的形式暴露出来，这样后续修改参数不需要动几十行的几何代码。

实测中遇到频率最高的问题有两个。一个是API版本差异造成的属性名报错，比如不同版本里某个对象的访问接口名称不一样，解决方式是让模型参考当前版本的官方文档描述，而不是凭记忆硬写。另一个是坐标变换容易出错，尤其是涉及旋转零件、基于平面创建草图这类操作，模型经常把坐标轴方向理解反。我的习惯是在描述里明确“坐标系原点在零件左下角、Y轴沿高度方向”，并让模型在脚本开头打印出关键点的坐标，方便人工核对。

3.3 用网格生成流程做概念验证：速度优先但别下生产线

第三种我实际跑得不多，因为它的定位比较特殊。通常用于客户沟通、方案比选阶段，比如快速生成几种不同外形风格的机箱外观，给客户选方向。这个流程的核心是“用秒级生成换认知成本”，让非技术背景的人能在方案初期直接看到3D效果，而不是等半天建模。

但必须强调：这类流程产出的模型一旦进入制造环节，往往需要专业的逆向重建或参数化重绘，换算下来总成本未必低。如果你最终要的是可交付的加工图纸，起点就选择带参数化历史的路线，不要在网格模型上浪费太多修复时间。我曾经为了网格模型修了半天破面，最后发现还不如重新用脚本建一次来得快。

3.4 我给三条工作流的最终定位

综合来看，我目前倾向这样分配：快速验证概念用OpenSCAD脚本，因为它轻、快、能迭代；需要持续修改和维护模型用FreeCAD宏，因为参数暴露得清晰；需要表现力强的效果图则临时动用网格生成，但只把它当作视觉参考，不当作工程交付。

记住一个原则：工具链的选择不是看谁生成的模型更好看，而是看你最终要拿着模型去做什么。先把使用场景想清楚，再决定选哪套流程，顺序不能反。

4. 提示词才是被你忽略的工程图纸：从翻车到可用的进化记录

同一个text-to-CAD工具，有人输入一句“做个齿轮”得到废模，有人输入一段详细描述得到能直接打样的小零件，差别全在提示词。在文本生成图像的时代，提示词是艺术；到了CAD领域，提示词必须回归工程，它要写清楚的不只是“长什么样”，还有“怎么造、能用在哪、和谁配合”。

4.1 一个提示词从翻车到可用，需要补上什么

我们拿“做一个齿轮”来演示进化过程。

第一版提示词：“做一个标准直齿轮。”输出：模型理解成“一个圆盘带一些齿”，齿数、模数、压力角完全没有依据，看起来像动画道具。这个结果本质上是模型在“猜”齿轮，而不是在设计齿轮，因为你根本没有给出任何约束。

于是我改成：“生成一个模数为2、齿数为24的标准直齿圆柱齿轮，齿形按渐开线近似绘制，顶圆直径52毫米，齿根圆直径43毫米，中心孔直径10毫米，并在中心孔内加一个宽度5毫米的键槽。”输出：齿形特征立刻对了，测量顶圆和齿根圆几乎命中，中心孔和键槽的布尔运算也成功。

第二个版本为什么成功？因为它把制约几何的关键尺寸全部锁死。模数和齿数决定了齿轮的核心比例，顶圆、齿根圆直接给了加工基准，中心孔与键槽定义了装配关系。这串看似枯燥的数字，才是CAD建模真正需要的信息。

4.2 写提示词前逐项自查的六个要素

我总结了一个自查清单，每次写提示词之前按顺序过一遍，能规避绝大部分低级问题：

1. 制造方式：明确“这是要3D打印、CNC铣削，还是注塑件”。制造方式决定拔模角、圆角、壁厚等工艺参数，模型不会自动猜。
2. 单位体系：写明“全部使用毫米、角度使用度”，防止模型在公制和英制之间来回横跳。
3. 关键尺寸链：把相互制约的尺寸一次性给出，不要让模型推断。比如“轴承孔径25毫米，轴肩直径30毫米，轴肩长度12毫米”，模型就能画出合理级联关系。
4. 约束关系：用文字明说“这个孔与那个孔同心”“这些凸台高度必须相等”。仅仅靠位置坐标描述，模型很容易丢失关系语义。
5. 工艺要素：倒角半径、圆角大小、螺纹规格，能给的都当面给，不要让模型自由发挥。
6. 输出格式：指定要CSG脚本、Python宏，还是STEP文件。模型只有在明确交付物时才能组织合理的结构。

4.3 不要迷信“模型会主动追着你问”

很多工具的演示片会渲染AI主动询问用户“需要什么材质”的场面，但现实中的text-to-CAD工作流里，模型很少主动追问缺失信息，更常见的是它默认一个“典型值”然后继续生成。你要是没写螺纹规格，它给你一个直径对的孔但完全没有螺纹特征，最后你自己还得补加工标记。

所以，把“信息完整性”当成自己的责任，而不是模型的义务。一步步往提示词里补参数、补关系的过程，本质上就是在把自己脑海里的设计约束显性化。这个过程本身，也有助于你发现自己对零件需求的理解是否足够清晰。

5. 落到实际项目：值得用的场景与别抱期望的场景

道理说了一堆，最后还是要回到项目现场。我结合自己的使用经验，把text-to-CAD当前阶段适合与不适合的场景各列三类，供你对照自己的项目判断。

5.1 目前最适合的四类场景

第一，概念验证与方案比选。项目前期需要快速验证几种结构外形，用text-to-CAD花十分钟生成三套不同形态的雏形，比从零建模效率高得多。我习惯同时生成三到五个方案，导成图片贴在沟通文档里，比画草图直观，也比上手精模快。

第二，标准件与参数化族库生成。像法兰盘、轴承座、遮光罩、支架这类特征高度规律化的零件，最能把text-to-CAD的优势放大，一次生成后还能通过改参数复制出全系列。你只要把族库参数表整理好，后面的重复劳动几乎为零。

第三，教学演示。让学生看到“一句描述如何映射为三维特征”，对理解建模逻辑、培养参数化思维都有帮助。前提是模型输出一定要保留特征历史，而不是纯网格。没有特征树的演示，学生学到的只是依赖感，不是方法论。

第四，导入旧数据前的结构预判。做逆向工程的初筛阶段，可以用它估算目标模型的总体尺寸和特征分布，缩短点云分类的时间。这项我最近用得多，配合传统逆向工具，工作效率提升非常明显。

5.2 暂时别抱期望的三类场景

第一，精密配合的装配体。轴孔配合公差要求微米级，text-to-CAD当前的输出很难稳定控制配合类型，装配体更是常常丢失零件间的约束关系。强行使用的结果，就是你把时间从建模省下来，又原封不动花在了装配检查和返工上。

第二，A级曲面和复杂自由形态。汽车外观、消费类电子外壳那种对曲面连续性极敏感的设计，网格生成路线的质量远远不达标。你让模型做一个连续曲面，它给你的往往是拼接痕迹明显的多面体，后续光顺工作量极大。

第三，仿真驱动设计。涉及有限元分析、拓扑优化结果的模型重建，其几何往往高度不规则，而且对网格质量有严格指标，靠自然语言描述根本无法覆盖。这类工作必须跑专业求解器和逆向重建流程。

我这么说不是在泼冷水，而是希望大家把工具放在它擅长的地方。一名设计师真正的竞争力，不在于能不能用AI生成模型，而在于他知道什么时候该用AI、什么时候该绕开AI。

5.3 我对人机分工的实操原则

我现在的工作习惯是：AI负责“铺路”，我负责“修路”。也就是让模型先把基础轮廓、重复特征、系列化零件搭出来，然后我来做尺寸链复核、装配关系整理和工艺性调整。模型输出后至少要经过三项人工检查：几何尺寸与原始需求逐项比对、布尔运算后的实体质量检查、文档标注完整性检查。这三项做完，模型结果才敢进入下一步。

这套流程帮我节省了大约三到四成的重复建模时间，同时把风险控制在可控范围。如果你一上来就让AI全自动交付图纸，大概率会踩到我前面说的各种坑；但如果你全程手工作业，又等于放弃了这个工具的价值。分寸感，是在试错中试出来的。

6. 几个落地细节，是教程里通常不提的实战经验

技术路线和工作流都聊完了，最后补几个在实战中容易被忽略的细节。这些细节没有写在任何官方文档里，但直接影响你能不能把text-to-CAD稳定用起来。

第一，一定要给生成过程留“版本意识”。脚本生成路线里，模型每一次交互都可能改掉你之前锁定的尺寸变量，所以在对话里明确“不要修改已定义变量，只新增特征”，能避免很多来回返工。FreeCAD宏这种形式尤其适合配一个版本管理仓库，每次调整都留一次提交记录，出了异常能快速回滚到可用状态。

第二，验证模型时别只看屏幕上的三维渲染。我习惯把生成的模型直接切一层剖面，检查内部空腔、加强筋和孔道的连接是否合理。三维显示里看着顺眼的造型，剖面里经常藏着隐形缺陷；反之，剖面一打开，很多问题一眼就能看出来。手建模型时可以偷懒不做剖面检查，但面对AI生成的结果，这步几乎应该成为默认动作。

第三，关于我自己的节奏，我最看好的不是模型直接画出大而全的产品，而是“一句话生成特征链、专业软件再做精细加工”这种有分工的流水线。前端的语言模型越来越会解析意图，后端的参数化引擎越来越标准，两者之间的接口层，才是接下来真正的机会点。哪怕是做工程设计的普通工程师，如果能提前把提示词写作、脚本调试、特征历史检查这几项基本功练好，在工具进化到你完全不用管细节的那一天之前，你都已经在用它在节约时间了。

我自己的体会是：text-to-CAD最迷人的地方，不是它马上能替代任何人，而是它第一次让“想法”到“几何”之间的反馈回路变得如此短。你描述得越具体，它给你的越接近可用的东西；而你描述的能力，恰恰又是一个工程师核心功底的另一种体现。这个方向值得持续盯，但更值得现在就动手试几下。