企业官网建设流程全解析

先泼一盆冷水：text-to-cad不是让你彻底扔掉鼠标键盘，也不是什么“输入一句话，明天就失业”的玄学。它是这几年来CAD领域最值得关注的AI落地方向之一——你对着电脑说（或打字）“我想做一个外径120、内径60、厚度15的法兰盘，均布6个直径8的通孔”，它就能真的给你生成一个带参数的、可修改的CAD模型文件，而不是一张渲染图。这篇文章聊聊这个东西是什么、背后的原理、怎么从零上手实操，以及我踩过的几个坑。适合正在用AutoCAD、中望CAD、浩辰CAD这类传统工具画图的工程师，也适合想了解AI辅助设计入门的读者。

1. text-to-cad是什么：一句话从“想法”跳到“图纸”

1.1 核心价值：把最磨人的“从零起图”阶段抢过来

干过机械设计、建筑制图或者电气布线的人都有体会：最耗精力的往往不是方案本身，而是“把脑子里的东西变成图纸”这个过程。比如画一块开孔安装板，你得先画矩形、拉伸、再一个个定孔位、阵列、修剪、标注。这些操作本身并不难，但非常消磨耐心，尤其一天要出几十张类似零件图的时候。

text-to-cad的思路就是：跳过大部分人机交互的中间步骤，让AI直接理解你的语言描述，然后生成对应的参数化模型。它输出的不是图片、不是视频，而是真正的几何实体——通常是STEP、IGES这种通用格式，或者直接生成可编程建模的脚本代码（比如CadQuery、OpenSCAD的代码）。这意味着生成结果可以继续丢进AutoCAD、SolidWorks、FreeCAD里做后续的装配、仿真和出工程图，不会跟现有工作流脱节。

1.2 它到底解决了哪三个现实问题

第一，降低了入门门槛。很多非机械背景的人——比如电子工程师、产品经理、创客——想做个简易外壳或者支架，传统CAD软件的学习曲线太陡了。text-to-cad让他们用描述需求的方式先拿到一个雏形，哪怕不完美，也远比“打开软件面对一片空白”友好。

第二，把重复性草图工作自动化。对老手来说，通用件、标准件、带阵列孔的板类零件，描述起来其实就几句话的事。用text-to-cad生成基础特征，再进CAD微调，比从零开始画省事得多。

第三，让设计方案的“口头讨论”变成“可视化样本”。我以前跟同事讨论结构方案，经常靠画白板，嘴皮子都磨破了对方还是想象不出立体形状。现在直接把文字描述丢给AI，几秒钟出一个三维模型，大家围着模型讨论，效率完全不一样。

1.3 一个必须澄清的误区：它不是“一键完美出图”

很多宣传视频会给你看那种特别完美的生成结果，但实际上text-to-cad这类工具目前的水平更接近“可以对话的草图助手”。它擅长的是快速生成主体结构和常见特征，但在复杂曲面、精密装配配合、特殊钣金折弯这类场景里，仍然需要人工接手处理。你可以把它理解成一个“听话的初级绘图员”——它手脚麻利，但做出来的东西需要你检查、改错、完善。别指望输入一句话就拿到能直接下料的图纸，那是另外一个层次的AI。

2. 核心原理拆解：AI是怎么把文字翻译成几何实体的

2.1 语言理解：LLM如何“听懂”尺寸和特征

text-to-cad的上半部分是自然语言处理，这活儿现在基本被大语言模型（LLM）承包了。传统的关键词匹配根本搞不定“法兰盘”“沉头孔”“腰形槽”这种充满行业黑话的描述——一个词在不同语境下含义差远了。LLM的优势在于它见过海量的技术文档、图纸标注和设计讨论，知道“M6”代表螺纹、“均布4孔”代表圆周阵列、“倒角C2”是什么意思。

工程师朋友可以把这层理解成一个“翻译官”：LLM把口语化的描述转成结构化的建模指令。比如你说“做个板子，4个角打孔”，它内部会理解为“矩形基体+四角圆形通孔”，再转成几何操作序列。这也是为什么很多人发现，描述得越接近工程师的习惯用语，生成效果越好。

2.2 几何建模：从“代码生成”到“约束求解”

LLM本身并不直接画图，它需要跟一个几何内核结合。目前落地的方案主要分两类。

一类是代码生成路线。模型输出一段CadQuery或PythonOCC脚本，执行这个脚本就得到几何实体。这种方式的好处是结果完全参数化——脚本里有变量，改一个尺寸就能重新生成，跟传统参数化建模的思路一脉相承。另一类是直接生成边界表示（BRep），模型直接输出顶点、边、面这些几何拓扑信息。这种方式更接近一个“看得见摸得着”的实体，但后处理难度大，而且目前精度和稳定性都还在早期。

无论哪条路线，背后都有几何内核在做布尔运算、倒角、阵列这些最底层的事情，跟你在CAD软件里点“拉伸”“差集”“阵列”调用的是同一类计算。只是以前这些操作靠你手动点选，现在由AI代劳了。

2.3 三种主流实现路线对比

我整理了一下目前能接触到的方案，各有取舍。

从实操角度看，代码生成路线（CadQuery方案）是目前普通工程师最容易上手的，因为结果可改、可重复、还能进Git做版本管理。商业软件集成的方案则更“傻瓜”，但内部模型往往是个黑盒，改起来麻烦。工业级的直接BRep生成方案，虽然听上去最强，但现阶段适合做预研和概念验证，真要上产线还得等等。

3. 从零上手实操：做一个法兰盘的全流程

3.1 准备工作：选哪条路入门最省心

新手我建议走“LLM + CadQuery”这条路线，原因有三个：环境好搭、技术栈透明、改错成本低。CadQuery是一个基于Python的参数化CAD库，你写Python代码描述几何体，它给你生成STEP文件。这套组合的好处是，LLM本身特别擅长写Python代码，CadQuery的代码语法又比较接近自然语言，两边一拍即合。

具体准备分几种情况：

如果你想直接体验，可以找一些在线平台，比如Zoo Kitchen这类提供text-to-cad试玩的地方，注册就能用，不用装任何环境。适合先看看效果，心里有个数。

如果你要正经干活，建议本地搭建。环境要求不复杂：一台能跑Python的电脑，装CadQuery库，再加一个能访问的LLM API（要么用国产大模型、要么用开源模型本地跑，根据自己的网络条件来）。我日常使用的组合是Python 3.10 + CadQuery 2.x + 一个支持函数调用的LLM接口，整套装下来大概半小时。

3.2 写一个能用的提示词：结构化的描述是成功的一半

很多新手失败的根源不在工具，在提示词写得像跟朋友聊天——“帮我画个法兰”这种描述信息量太低，AI只能靠猜。我的经验是，描述要按“主体 + 特征 + 阵列 + 修饰”的顺序来组织。

举个例子，我实际用来生成法兰盘的提示词：

创建一个法兰盘零件。主体是一个圆柱体，外径120毫米，内径60毫米，厚度15毫米。在外径120毫米的圆周上均匀分布6个直径为8毫米的通孔，孔心所在的圆周直径为90毫米。所有锐边倒角C1。输出CadQuery代码。

这里面每一句都有明确对应的几何操作：第一句是拉伸主体，第二句是圆周阵列打孔，第三句是倒角。你把这个结构记下来，以后画任何带阵列孔的板类零件都能套用。描述里尽量用行业通用术语：说“通孔”而不是“打个洞”，说“均布”而不是“均匀排一下”，说“沉头孔”就明确标出沉头直径和深度。你在CAD图面上会怎么标注，就怎么描述给AI。

3.3 生成、检查、导入CAD后处理

拿到CadQuery代码后，本地执行：

import cadquery as cq # 这里粘贴LLM生成的代码 result = (cq.Workplane("XY") .circle(120/2) .extrude(15) .faces(">Z") .circle(60/2) .cutThruAll() .faces(">Z") .workplane() .rect(0, 0, forConstruction=True) .vertices() .circle(8/2) .cutThruAll() ) cq.exporters.export(result, "flange.step")

执行完成后会得到一个STEP文件。这时先别急着导入CAD，我用一个免费查看器（如FreeCAD）快速检查一下主体尺寸、孔位是否合理。确认没问题后，再导入到正式的CAD环境里做装配或者出图。国内不少同行用的是中望CAD或浩辰CAD，它们对STEP的支持都不错，导入后可以继续标注、出工程图。

3.4 实操记录：效果到底怎么样

真实跑下来，对一个比较规矩的法兰盘，类GPT模型大概有七成概率第一次生成就能直接导入用。剩下三成会出小毛病，比如阵列个数算错（说6个给了4个）、孔位跑到外径边缘上、倒角方向反了。这些错误在代码里改起来其实很快。

我建议第一次用的朋友把预期控制在“生成一个需要小幅返工的基础模型”这个水平。它最大的价值在于帮你省掉从无到有那10到15分钟的起图时间，而不是帮你省掉全部过程。我用这个流程画带4个圆孔的安装板，从描述到拿到STEP文件，通常控制在2分钟内，而在AutoCAD里手工画，怎么也要5到8分钟。

4. 常见问题与排查技巧实录

4.1 生成出来的模型不能编辑，成了“死疙瘩”

这是最常被吐槽的一点。很多在线工具生成的是网格文件（STL），导入CAD后是一坨密密麻麻的三角面片，根本没法标注尺寸，更没法修改特征。应对办法有两个：一是尽量选输出STEP、IGES这类实体格式的工具或方案，二是如果只拿到网格，先在Blender或MeshLab里转成可编辑曲面再导入，转换过程会有些精度损失，但总比没法用强。

4.2 尺寸精度对不上，毫米还是英寸？

AI其实没有“尺子”，它只是根据训练集和你的描述来编排数字。你写“外径120毫米”，它理论上会在代码里写circle(60)（半径60，单位毫米），但偶尔会抽风给你写个120，这时候出来的就是直径240的零件。所以导出的模型务必第一时间用测量工具检查关键尺寸。我在CadQuery脚本里习惯让LLM把所有尺寸都用变量定义，比如d_out = 120、d_in = 60，这样检查起来一眼就能看出数值有没有写错。

4.3 提示词写得又长又杂，结果四不像

描述太长、堆砌太多诉求时，LLM容易“搞混重点”。我见过有人写了一大段“现代风格外壳，有点像手机支架但是又要能放杯子，左侧加一个提手还要能折叠”，结果生成的模型彻底没法看。这时候要拆解：把主体和特征分开描述，尽量多次生成而不是一口气吃成胖子。先输出主体，确认没问题，再追加特征描述让它迭代修改。

4.4 导出STEP导入企业CAD软件出现破面

这属于老传统问题，跟text-to-cad关系不大，但确实会碰到。尤其当你本地的CadQuery版本和CAD软件的杂七杂八读入模块不太兼容时，偶尔会出现破面或特征丢失。常规处理是先用FreeCAD打开STEP检查，如果FreeCAD里看着正常而企业CAD里破面，多半是对方软件的导入精度设置问题。在AutoCAD里可以调整“STEPIN”相关选项，在中望CAD里查一下导入设置里的公差参数。再不行，导出为IGES格式试试，很多时候能绕过去。

4.5 安装环境时踩的坑

所有玩Python版CadQuery的人，估计都被安装坑过一道。CadQuery依赖OpenCASCADE这个几何内核，装不好版本就会冲突。我装的时候遇到过依赖库冲突、Python版本不对的问题，后来老老实实新建了干净的conda虚拟环境，指定Python 3.10，再安装才顺利。这里特别提醒：别把CadQuery装在你日常工作的Python环境里，它依赖的OCCT版本跟某些数据分析库合不来，容易把环境搞坏。我遇到过好几次数值计算库被顶掉的惨案。

注意：如果安装过程反复报错，优先检查Python版本和pip镜像源，切换国内镜像往往能让安装顺畅很多。

5. 延伸思考：text-to-cad对CAD行业和设计师的真正影响

5.1 制图员的活会被抢走吗？先别急着焦虑

text-to-cad确实会压缩“从图纸到建模”的重复劳动空间，但反过来看，它也在拉高“表达能力”的含金量。当任何人都能用一句话生成基础模型时，行业里真正值钱的是能清晰描述需求、能判断生成结果是否正确、能手把手修正细节的能力。换句话说，会用AI的制图员将来可能相当于“两个半”不用AI的制图员，但前提是你得先理解几何、加工工艺和装配逻辑，不然AI生成一个根本没法加工的倒钩，你都看不出问题在哪。

5.2 对CAD软件厂商和插件生态的启示

仔细观察最近主流的CAD软件更新方向就会发现，做传统CAD的厂商（不管国外还是国内的，例如中望、浩辰）都在往“智能化”和“云端协作”上靠。text-to-cad这类能力未来大概率会变成CAD软件的插件或者内置面板，而不是一个独立孤立的应用。理由很简单：用户需要的是“在一个软件里完成描述—生成—修改—出图”的闭环，而不是生成完再换软件处理。

这意味着搞CAD二次开发的朋友，现在可以认真研究一下怎么把LLM接口嵌到自己的插件里。比如做一个AutoCAD插件，用户输入文字，插件调用LLM生成CadQuery代码，再转成DWG或STEP直接插入当前图纸。技术上完全可行，而且商业上很有想象空间。

5.3 个人如何积累这个方向上的竞争力

如果你对这个方向感兴趣，我实际的建议就三条：

第一，练好“结构化描述”的表达习惯。平时画图的时候，刻意训练自己用“主体+特征+阵列+修饰”的方式描述零件，这既是写给AI的提示词，也是你跟同事沟通设计意图的通用语言。第二，把CadQuery或类似的可编程建模工具用起来。哪怕日常工作用鼠标点，也可以每周抽一个小零件试试用代码画，体会“定义即建模”的感觉。第三，积累你自己的提示词模板库。画过的零件、用过的靠谱描述文案，全部存下来，下次遇到类似零件直接复制改数字，效率会越来越高。

6. 个人经验总结与一个小技巧

最后分享一个我自己摸出来的小技巧：善用“迭代式描述”而不是“一次性描述”。很多人用text-to-cad喜欢一次把参数全部写完，但AI经常会在长描述中迷失，导致某个关键特征悄悄丢失。我的做法是先给一个非常简短的“主体”描述，拿到第一版模型，确认主体没问题后，再逐步追加特征，比如“在这个基础上加倒角”“在底面加四个沉头孔”，每追加一次就重新生成一次，虽然多花一两分钟，但每一步结果都可控，最终反而更快。

踩过几次坑之后，我个人对text-to-cad的判断是：它不会让CAD消失，只会让CAD越来越像“跟一个听得懂行话的同事聊天”。将来图纸可能不再是一笔一画“画”出来的，而是“谈”出来的——谈需求、谈约束、谈修改意见。这个转变其实挺有意思，建议你现在就可以打开一个在线体验平台，试着用一句话描述一个你手头最常见的零件，看看生成结果能给你省多少事。能省的就是你赚到的。