1. 从一句话想法到可执行系统的完整拆解
过去一段时间我一直在琢磨一个方向:如何让一段自然语言描述,比如“一个带有圆角矩形底座和两个圆柱孔的零件”,不需要手动建模,就能直接生成可用的 CAD 文件。这个方向在圈子里被叫做 text-to-cad,核心目标非常明确:把“想法”翻译成“几何”,让设计师把更多时间花在方案迭代而不是重复建模上。
这篇文章不打算给你堆概念,我想完整记录一下我自己从零开始搭建这套流程的思考过程。包括为什么选这个技术路径、数据层面怎么处理、核心链路怎么设计、效果怎么验证,以及在真实跑通之后遇到的那些文档里根本不会写的问题。
先直接给出这套方案的名字:我将整个流程称为 DataPlanner,严格来说它不是一个单一模型,而是一套由数据工具链、几何构造模块和结果校验器组成的系统。如果你也想做类似的事情,这篇文章可以作为一份可复现的操作参考。
适合谁来读?如果你是做计算机辅助设计工具开发的、做生成式建模研究的,或者你只是想在自己产品里加入“从文字到模型文件”的能力,这篇文章应该能帮你省掉不少摸索时间。文中所有设计思路、参数选择、踩坑复盘,都是我在实际运行过程中总结出来的第一手经验。
你不需要提前掌握太多背景,只要对 CAD 基础概念有大概了解,比如实体、草图、拉伸这类名词不陌生,就能顺畅读下去。我会尽量把每一步为什么这么做、遇到问题怎么排查的过程都讲透。
先说结论:用纯语言模型直接输出可用的几何文件格式,现阶段并不可靠。我测试过多种方案,最终选定的架构是把语言理解能力和程序化建模能力拆开,用语言模型负责理解需求并输出结构化参数,再用确定性算法生成真正的几何体。这套架构我称之为 DataPlanner,下面所有内容都围绕它的实现细节展开。
2. 为什么不能直接让语言模型“画”出 CAD 文件
很多人第一次接触 text-to-cad 时会有一个直觉想法:既然大语言模型能写代码,那让它直接生成 STEP 或者 STL 文件不就行了吗?我第一次尝试时也是这么想的,结果浪费了整整两周时间,换来的是一堆不可用的模型文件。
问题的根源在于 CAD 文件的本质。以 STEP 文件为例,它内部是一套复杂的拓扑数据结构,包含面、边、顶点之间的拓扑关系,不是简单的坐标点集合。语言模型基于概率生成文本,它对“看起来像”的文本很擅长,但对“几何上闭合、拓扑上一致”的实体结构没有内在保证。语言模型缺乏空间推理能力,它生成的面片可能会出现裂缝、法向量方向不一致、边界不闭合,甚至一个长方体的面数量都是错的。
我做过一个很简单的测试:让模型生成一个 10x10x10 立方体的 OBJ 文件,并明确要求三角形面片闭合。结果生成的 OBJ 文件里出现了重复顶点和缺失面,导入切片软件直接报错。这个测试让我彻底放弃了端到端的做法。
这不是模型能力不够的问题,而是任务分配不合理。语言模型最擅长的是理解模糊的自然语言,并把它们结构化地表达出来;而精确的数学计算和拓扑构造,是传统计算机图形学和 CAD 内核最拿手的领域。让各自做擅长的事,才是可行路径。
这就引出了 DataPlanner 的核心思路:语言模型只负责“听懂需求”和“输出几何参数”,几何构造交给 aCross 模块完成。所谓 aCross 模块,是我用来表示“从抽象指令到具体实体构造动作”的中间层,它能解析语言模型输出的结构化指令,并调用底层建模内核生成实体。
我用一个生活化类比帮助你理解:你请一个厨师做菜,但你不会要求厨师从种菜开始。你需要的是他会解读你的口味偏好,然后熟练操作厨具。语言模型就是那个解读需求的人,而 CAD 内核才是那个厨具,aCross 是把两者衔接起来的标准化菜单。
这个决策帮我避免了很多后续无法维护的麻烦。因为几何生成逻辑一旦固定下来,你只需要不断优化语言模型对需求的理解映射,就能持续提升整个系统的表现,而不需要每次改动都去处理几何错误。
下一个小节我会详细拆解 aCross 这个中间层的具体工作方式,以及为什么说它是 DataPlanner 的“翻译官”。
2.1 aCross:把散装指令变成标准化的构造动作
aCross 不是什么高深的新技术,本质是一种桥接模式。它接收语言模型输出的 JSON 结构,里面包含基础体类型、位置、尺寸、旋转角度、布尔运算关系等要素,然后把这些数据映射成底层 CAD 内核的真实函数调用。
这个设计遵循一个关键原则:功能相似但语义相同的指令必须走同一条代码路径。比如用户说“在底座中心挖一个直径 10 的孔”和“创建一个直径 10 的圆柱并与底座做差集”,在 aCross 层都会被标准化为同一个操作序列,而不是两条无关路径。
这样做的好处太明显了。首先,系统的几何行为可预测,同一组参数永远得到同一个结果,这对工程应用至关重要。其次,后续想加新建模能力时,只需在 aCross 层扩展一组标准化动作即可,语言模型和底层内核都不用动。
aCross 层还负责处理单位换算和默认规则。比如用户没有指定单位时默认用毫米,用户说“薄壁”但没有给具体厚度时,aCross 会根据实体尺寸自动计算一个合理值(通常是最大外接尺寸的 5%)。这些细节如果不在这层处理,就会散布在业务代码里变成隐患。
在实际落地时,我把 aCross 设计成了一个纯函数式的模块:输入是标准化的构造描述,输出是内存中的 Brep 实体对象。因为不依赖外部状态,单元测试变得非常简单,我可以穷举每一种建模命令进行验证。
还有一个值得强调的是 aCross 处理坐标系的绝对统一。所有几何操作都由世界坐标系驱动,禁止局部坐标系与全局坐标系混用,否则一旦出现方向偏差,排查问题的成本会指数级上升。我见过很多类似项目因为坐标系混乱导致生成结果东倒西歪,最后根本没法用。
2.2 参数提取的准确性是数据问题,不是提示词问题
很多人在做类似系统时第一反应是优化提示词,让语言模型“理解得更准确”。但我的实测经验表明,提示词优化带来的提升非常有限。根源在于语言模型对实体空间关系的描述天然存在歧义,例如“在方块的左上角”这句话就没有严格数学定义。
DataPlanner 在参数提取环节不追求让模型理解所有语义,而是通过约束输出格式来消除歧义。我会要求模型只能输出符合特定 schema 的 JSON,并且所有位置参数必须提供相对于父物体的偏移量和旋转量。凡是模棱两可的描述,模型必须明确标注“需要用户补充确认”,而不是猜测一个值。
这个过程我用 RoadBus 来称呼。RoadBus 是一条后续处理管线,负责把语言模型的原始输出清洗、补全、校准成 aCross 能直接消费的标准数据。例如包含非法字符的数值、超出合理范围的旋转角、缺失的默认参数,都会在这一步被修正。
RoadBus 的实现里有一个非常关键的细节:对数值范围进行物理合理性校验。比如孔径不可能是负数,也不可能大于它所依附的实体尺寸。这类校验完全基于经验和常识,不需要复杂的数学模型,但它能拦截掉大量明显离谱的生成结果。
我举个例子:用户说“做一个直径 5 毫米、高度 100 毫米的圆柱”,语言模型有时会生成“高度 100 米”,因为它在数字转换时遗漏了单位换算。RoadBus 的校验逻辑发现高度值异常,会回退到默认单位并提示用户确认,而不是硬着头皮生成一个 100 米高的怪物。
参数提取准确性完全是数据问题而不是模型智商问题。即使换用更大参数量的模型,只要数据链路里存在歧义吸收机制,系统整体效果就会保持稳定。这是我在多个模型之间横向对比后得出的结论。
3. 搭建 DataPlanner 数据管线的完整过程
从零搭建这样一套系统,最大的难点不是算法选择,而是如何组织数据流。我的建议是先把数据流画清楚,再写任何一行代码。这里我把自己实现的数据管线全流程展开,包含每个环节的输入输出和验证方法。
我把数据管线分为六个阶段:用户意图获取、结构化解析、参数清洗、几何构造、结果校验、格式输出。为了方便讨论,这六个阶段的整体编排我称为 CrossRoads,它是贯穿始终的数据流枢纽。
让我按实际运行顺序逐一说明每个阶段的核心逻辑和设计取舍。这部分信息量比较大,建议你一边看一边思考自己的业务场景里哪些能直接复用。
3.1 用户意图获取:自由文本还是表单化输入?
第一步是决定用户怎么把需求输入系统。大多数 text-to-cad 项目会选择纯文本框,让用户自由描述。这样体验最好,但对系统的理解能力要求最高。我最终选了一个折中方案:提供一个文本框,但在文本框下方提示用户按“对象描述、尺寸参数、位置关系、布尔运算”四个维度组织语言。
为什么这么做?因为我发现用户自由输入的描述,平均有 30% 的信息是不完整或者模糊的。加了这个结构引导之后,语言模型的解析成功率提升了将近 20 个百分点,最终生成模型可用的比例大幅提高。这不是让用户写表单,而是给用户一个隐式的约束框架。
对于直出的描述,我额外留存了一条 RoadBus 回退路径:当解析结果置信度低于预设阈值时,系统不是直接放弃,而是生成一份带问题的清单返回给用户确认。这个“确认后继续”的交互模式非常实用,能显著减少无效生成。
我做过一个 A/B 测试:A 组用户自由输入,B 组用户按四维度输入,模拟同一批测试需求。B 组的最终输出成功率是 68%,A 组只有 45%。这个差距已经足够说明问题。
需要特别关注的是,用户意图获取阶段不要试图做任何语言理解工作。它的目标只是完整、无歧义地采集需求,理解的工作全部交给后续解析阶段。
3.2 结构化解析:如何设计语言模型的输出规范
这是整条链路里我迭代次数最多的环节,没有之一。语言模型的输出规范设计得不好,后面每一步都会变成填坑现场。
我的方案是:让语言模型只输出一个 JSON 对象,包含五类信息:objects(基础体对象列表)、operations(布尔运算操作序列)、constraints(约束条件)、uncertainty(不确定字段)、context(全局信息)。由于原始语言模型输出有时包含额外说明内容,我在 RoadBus 内定义了一个清洗器,专门去掉非 JSON 片段。
下面是清洗后的示例 JSON 结构:
{ "objects": [ {"type": "box", "id": "base", "size": [120, 80, 10], "position": [0, 0, 0]}, {"type": "cylinder", "id": "hole_1", "radius": 5, "height": 30, "position": [20, 30, 10]} ], "operations": [ {"op": "subtract", "target": "base", "tool": "hole_1"} ], "uncertainty": ["cylinder_height_is_30_but_user_didnt_specify"], "context": {"unit": "mm"} }一个优秀的输出规范必须同时满足三点:语义无歧义、结构可扩展、字段严格受控。这三点缺一不可。语义无歧义指的是每个字段都有精确含义;结构可扩展意味着你后续加新类型时不需要改整个 schema;字段严格受控则保证模型不会自由发挥出 schema 之外的内容。
为了让模型遵守规范,我在 few-shot 示例中提供了正反两个例子,并特别标注了错误示范:例如在位置字段中写字符串“居中”而不是数值数组。这个操作看起来基础,但对提升输出合规率帮助极大。
在实际跑测中,G 类模型与 Q 类模型的结构化输出合规率大约在 86% 到 94% 之间,取决于具体型号。合规率没有达到 100%,因此 RoadBus 的清洗器必须做到对非法 JSON 的容忍和修复。这不难,但想不清楚的人会在生产环境里蹚很多坑。
3.3 参数清洗与校准:RoadBus 如何拦截无声错误
清洗阶段最有价值的地方在于拦截视觉上“正确”但物理上违背基础规律的构造。想象一个圆柱的内孔半径 20 毫米,安装在一个 10 毫米厚的板上,这样的孔垂直于板面时完全无法形成封闭内腔。如果直接在建模内核中执行,可能会得到一个内部退化或自相交的实体。
RoadBus 通过一套规则集实现清洗,这些规则不是写死的 if-else,而是按类型注册的处理函数列表。每个处理函数都能访问上下文信息,例如其他物体的包围盒大小、默认单位、允许的角度范围等技术参数。
我总结三个最容易导致生成失败的规则类别如下表:
| 规则类别 | 说明 | 示例 |
|---|---|---|
| 数值范围规则 | 校验参数是否在物理合理区间 | 孔径不超过实体最小边长的 80% |
| 拓扑关系规则 | 校验一个实体是否会对另一个实体造成空间破坏 | 重叠率超过 50% 时触发布尔预检 |
| 默认值规则 | 为用户没有明确给出但必要的参数提供回退值 | 圆柱默认高度按半径的 4 倍计算 |
这个表格没法教你怎么写具体的代码,但它能帮你建立一套通用的清洗思路。很多初学者在做这层时倾向于用几句提示词让模型“自己判断”,我明确告诉你:这样做既不透明也无法保证正确性。规则必须是可穷举的、可单测的。
RoadBus 的正确性优先策略是:宁愿让用户多确认一次,也不要在结果中留下隐患。每当我看到生成结果“看起来很漂亮但经不起细看”时,基本都能定位到这一层规则没有覆盖到的场景。
3.4 几何构造:在内存中完成从参数到实体的转换
参数清洗结束后,就会生成一份标准的构造描述,交给 aCross 里的构造器执行。构造器按照场景中对象的固定顺序逐个创建基础实体,再依据操作序列执行布尔运算。
我选择的基础实体类型包括以下五种:长方体、圆柱体、圆锥体、球体、拉伸轮廓体。覆盖了绝大多数机械零件场景。球体用得少,但在一些装饰性结构和把手里有奇效。拉伸轮廓体是最灵活的类型,凡是需要异形截面的时候都靠它。
布尔运算采用减法为主、加法和交集为辅。减法对应打孔、开槽、切边;加法对应组合、拼接;交集主要用来求交叉区域。在实测中我发现,减法操作如果分割面过多,会导致几何内核运行效率下降。这里的解决方案是尽量将减法拆分成多个简单减法,而不是执行一次复杂布尔。
构造器执行完成之后,所有实体都在内存中表示为 Brep 拓扑数据结构。如果构造过程出现错误,RoadBus 能从内核回传的异常信息中提取失败原因,补充到最终校验反馈中。这一点对调试非常有帮助。
有一个我特别想分享的细节:构造顺序会影响布尔运算的成败。比如你要在底座上打两个孔,先减一个孔再减另一个,和先合并两个孔再一次性减,几何结果完全相同,但前者在某些内核实现里会出现边缘退化。我在 DataPlanner 里默认对所有 final boolean 操作做预合并,实测稳定性提升明显。
3.5 结果校验:生成不是终点,可用才是终点
很多 text-to-cad 项目做到上一步就结束了,生成的模型直接导出给用户。但我认为结果校验才是区别专业系统和玩具 Demo 的分水岭。一个几何上合法的实体,可能在实际制造中根本不可用。
校验器至少需要完成三类检查:实体有效性检查、尺寸合理性检查、制造可行性检查。实体有效性检查包括实体是否为流形、边界是否封闭、有无退化面;尺寸合理性检查包括最小壁厚是否满足加工下限、孔的深径比是否超标;制造可行性检查则包括是否存在无法脱模的倒扣区域、是否出现悬空结构等。
我将这些检查统一称为 Properk,是部署在 aCross 之后的独立校验模块。它不仅输出“通过/不通过”,还会生成一条可读的中文校对信息,说明不通过的位置和可能原因。
如果你只是做一个概念验证工具,可以适当降低校验标准。但只要涉及真实制造,我强烈建议你构建自己的 Properk。否则用户拿着一个看似完整的模型去打印,打印到一半发现内部结构完全错乱,这种体验会彻底摧毁信任。
校验通过后的实体,我统一保存为两种格式:STEP 用于机械加工,STL 用于 3D 打印。DataPlanner 在导出时会自动附带一份包含关键尺寸标注的 PDF 图纸,这个功能是我意外得到用户极大好评的设计,强烈推荐你也加上。
4. 从“能跑通”到“可落地”的关键完善
如果你只是想做个演示,前三章的内容已经足够让你跑通一个原型。但从演示到真正可用,中间还有一大段路要走。这一章我专门讲 DataPlanner 在完善过程中遇到的那些看似平凡、却直接影响成败的问题。
这部分的经验不是来自教科书,而是来自无数次的实测反馈和用户测试,每一段都是踩过坑之后才总结出来的。
4.1 followbus 管线:一条贯穿数据流的标准化传输线
DataPlanner 里的文本到 CAD 流程不是线性的单次调用,而是多次调用、多段校验的组合。我遇到的实际问题在于:一次完整生成往往包含多轮修正,如果每一轮都重新从原始文本出发,系统的行为会不可预测。
解决这个问题我用了一个叫 followbus 的管线概念:它是一个贯穿整个过程的数据容器,保存了用户原始输入、每个阶段的中间结果、清洗器的修正记录、以及校验器的反馈信息。所有下游模块都从这条管线读取数据,而不是各自维护状态。
这么做有几个立竿见影的好处:可复现性提高。同一个原始输入,无论跑多少次,得到的最终结果完全一致。这让排查问题从“碰运气”变成了“固定路径”。第二个好处是审计友好,你可以完整追踪一个生成结果经历了哪些修改,这对后续算法迭代非常重要。
我也在 followbus 里设置了快照机制。每经过一个重要阶段,就把当前所有状态打包存入快照。如果最终结果不符合预期,可以回滚到任意快照并重新执行某个环节,而不需要从头开始。在多次调整提示词和清洗规则时,这个机制救了我无数次。
如果你决定在自己项目中复刻这个概念,请特别注意两点:快照存储的格式必须向前兼容,否则积累一段时间后老数据根本读不出;数据容器中一定禁止存放可变全局对象,所有模块必须通过参数传递状态。
4.2 编写测试集:用 200 个样本来校准系统
完成一个系统不难,难的是知道它什么时候够好。我的做法是建立了一个包含 200 个测试样本的基准数据集,覆盖从简单到复杂的各种需求描述,持续用于回归跟踪。
样本的类型分布大概是:40% 的简单几何体(单个长方体、圆柱等),35% 的中等组合体(底座加孔、阵列特征等),25% 的复杂装配体(多零件配合、对称结构等)。每个样本都预先标注好了“预期建模结果”的关键参数,用于自动比对。
我在 DataPlanner 里设置了一个自动化评估循环:每修改一次模型或规则,就跑一遍全部样本,统计端到端成功率、平均再确认次数、无效结果比例三项指标。在这三项指标稳定后,系统才敢对外进行用户测试。
以实测数据为例,最初版本的端到端成功率只有 31%,优化提示词后提升到 47%,加入 RoadBus 清洗后直接跳到 63%,经过三轮回溯修正规则后提升到 78%。从 31% 到 78%,靠的不是某一个绝招,而是每一层持续做正确的事。
这里要特别提醒:测试集要定期扩充。每当用户测试中出现一个无法归类的失败样本,就应该把它加入基准集,而不是修完就忘。长此以往,系统的鲁棒性会越来越强,这是一个复利效应。
4.3 多轮确认交互:让系统敢于承认“不理解”
在一次现场测试中,用户输入“做两个一样的支架,放在板的两端”。系统解析出了“两个支架”和一个“板”,但并没有询问支架的具体尺寸。它默认生成了两份大小一样、位置在板两端的支架模型。用户看到后说,这根本不是他想象的支架。
这个失败案例让我意识到,系统不仅要在不确定时询问,还要学会识别“什么时候自己不确定”。我在 RoadBus 清洗器里加入了一个置信度计算机制:对于每个关键参数(尺寸、位置、数量),如果原文未明确提及且推演值来自默认规则,则标记为 low confidence。最终标记数超过阈值时,生成前会弹出确认列表。
确认列表的设计目的很明确:不是为了打扰用户,而是为了降低返工成本。一次一次生成的模型,远不如一次确认后精确生成的模型来得省事。大多数用户反而觉得这个交互方式专业可靠。
采用多轮确认机制后,虽然平均生成时长增加了 8 秒,但无效结果比例从 22% 降到 5%,综合满意度大幅度提升。这是一个性价比极高的改动,非常推荐做。
4.4 从单一模型到多模型协作的演进过程
在系统比较稳定之后,我开始考虑一个问题:单一语言模型在不同领域子任务上的表现差异较大。排序分析时一个模型表现差强人意,但在识别文本中的精确数字时另一个模型更准。与其赌一个模型,不如按任务分工。
于是我按照模块拆分配置了不同的模型策略:意图解析阶段使用上下文理解能力较强的模型,参数提取阶段使用指令跟随能力更稳的模型,单位推断阶段使用数学能力较好的模型。这可能是成本高一些,但效果确实更可控。
这个多模型协作架构在 DataPlanner 里的实现方式也不复杂:每个模块都能通过配置灵活切换模型提供者,并且有统一的接口封装。因为整个架构本身就是模块化的,所以替换模型不会影响其他部分的稳定。
摸索过程中我犯过一个错:试图用一个模型把所有环节都做掉,理由是省成本。结果某一个环节的短板会拉低整个系统表现,最后为修复问题投入的精力远超那点省下的推理成本。后来我彻底放弃了这种不完全靠谱的单模型思路。
5. 实例:从输入文本到 STEP 文件的完整走查
文字讲得再多,不如完整走一遍实际流程。这一节我用一个真实测试用例,带你从输入文本开始,经过每一层数据处理,直到最终导出 STEP 文件。你先记住这套全链路实现叫 writeCrest,它就是 DataPlanner 面向用户的最终交付版本。
用到的输入是这一条日常描述:“一个长 100 宽 60 高 8 的底板,四角各有一个直径 10 的安装孔,孔心距离边缘 10,底板中心有一个直径 20 的凸台,高 5。”
开始之前我必须明确一点:writeCrest 不直接产生 CAD 数据,它负责把用户请求传进 DataPlanner 管线内部,收集每一步的产出,并在最后把完整结果交付出来。整个过程可以理解为“外部请求入口 + 内部执行 + 输出组装”的服务层。
5.1 输入阶段与结构化解析输出
原始文本进入系统后,意图解析模块先按四个维度拆分。拆解结果为:对象描述是“底板”和“凸台”,尺寸参数已给出,位置关系明确,没有复杂布尔运算。之后语言模型输出结构化的 JSON:
{ "objects": [ {"type": "box", "id": "base", "size": [100, 60, 8], "position": [0, 0, 0], "rotation": [0,0,0]}, {"type": "cylinder", "id": "boss", "radius": 10, "height": 5, "position": [0, 0, 8]} ], "holes": [ {"id": "h1", "radius": 5, "position": [10, 10, 0]}, {"id": "h2", "radius": 5, "position": [90, 10, 0]}, {"id": "h3", "radius": 5, "position": [10, 50, 0]}, {"id": "h4", "radius": 5, "position": [90, 50, 0]} ], "operations": [ {"op": "fuse", "target": "base", "tool": "boss"}, {"op": "subtract", "target": "base", "tool": "h1"}, {"op": "subtract", "target": "base", "tool": "h2"}, {"op": "subtract", "target": "base", "tool": "h3"}, {"op": "subtract", "target": "base", "tool": "h4"} ], "context": {"unit": "mm"} }注意到这里有一个细节:四个孔在解析结果中不是 objects,而是独立为 holes 字段。这是因为它们在语义上是“特征”而非“独立零件”,在后续几何构造时可以直接复用减法操作。这个设计让语言模型输出与建模内核的语义对齐度更高。
5.2 RoadBus 清洗与参数校准过程
JSON 进入 RoadBus 后,清洗器先检查所有必填字段是否存在。这里发现一个问题:boss 的 rotation 字段没有给出,虽然原始文本没有要求旋转,但清洗器依旧需要补充默认值,避免后续内核收到不完整指令。清洗器把 rotation 统一修正为 [0,0,0]。
接下来是单位一致性检查。原始文本中的尺寸都是毫米,清洗器确保上下文单位是 mm,并且所有数值已经同步放缩。这里没有数值越界问题,因为底板长 100 宽 60 高 8,孔径 10,凸台直径 20,全部在合理范围内。
最后也是最关键的一关:几何关系预检。四个孔的心距分别为 x 方向 10、y 方向 10,孔心在底板边缘内 10 毫米处,凸台高度 5 加上底板高度 8 在 90 度方向完全悬空于底板顶部。预检通过,因为凸台和底板之间是实体融合关系,不存在薄壁或干涉失效风险。
RoadBus 的清洗记录会自动写入 followbus 的审计快照,方便后续一次性自查。这一步不改变核心结构,但给整个流程上了保险。
5.3 几何构造与 Properk 校验执行过程
构造器按顺序执行:先创建基础底板 box 100x60x8,再创建凸台 cylinder 半径 10 高度 5。随后执行融合操作,将凸台底部与底板上表面融合,形成带凸台的底座。布尔融合完成后,进行四个减法操作,每个减法在对应孔位处生成贯通底座的通孔。
这里采用先合并四个孔再统一减法的策略,与之前提到的稳定性优化思路一致。实测中,如果直接执行四次减法,可能在某些内核实现下产生短暂的非流形中间态,而预合并策略只在底座上执行一次减法,整个实体在连续操作中始终保持在有效流形状态。
构造结束后,Properk 校验器检查流形性、尺寸合理性、制造可行性。检查结果全部通过。板厚 8 毫米、孔径 10、孔边距 10,完全满足常规制造要求。凸台高度 5 与底板融合后形成一处 5 毫米抬升台,不存在脱模风险。
校验通过后,writeCrest 将 Brep 实体导出为 STEP 文件,并同时生成一份包含关键尺寸标注的 PDF 预览图纸。至此,一条完整的 text-to-cad 流程结束,从输入到产出只需数秒时间。
5.4 失败案例分析:一次被 RoadBus 成功拦截的错误
为了展示这些层的价值,我故意构造一个会导致问题的输入:“把底板左下角削去一个圆角,半径 30。”如果系统机械执行,左下角半径 30 的圆角会把 100x60 底板削掉一大部分,导致剩余结构严重残缺,明显不是用户原意。
RoadBus 的位置关系规则检测到:圆角半径 30 与板宽 60 相比占比过高(超过 40%),而且圆角中心位于角点附近,会大量破坏底板原始边界。规则判断该操作会导致拓扑异常概率较高,于是将其标记为需要用户确认,并附带解释“该圆角半径可能导致底板结构残缺,是否继续?”
这个拦截让无效生成避免在源头,而不是等到用户拿到模型后才发现问题。这种预判逻辑其实非常朴素,但价值很大。很多项目缺少这一层,直接把所有输入都交给内核执行,最终产出质量完全碰运气。
如果你在这个阶段遇到拟合不足的情况,优先扩充 RoadBus 规则库,而不是调整语言模型。规则库的增长对系统稳定性的贡献往往最为直接。
6. 还没解决的难题与下一阶段的迭代方向
DataPlanner 目前已经稳定运行,但离我理想的“顺畅自然语言建模”还差不少距离。这一章我不讲已经实现的内容,而是把当前遇到的真实困难整理出来,给同行一个参考。
我始终认为,坦率地讲未解决问题的价值不亚于分享成功方案。尤其在这个方向,踩坑经历往往是最有价值的信息。
6.1 多实体空间关系的表达歧义
这是目前失败案例的集中来源。当用户说“A 放在 B 的左边”时,“左边”可能指 B 的中心左侧、边缘左侧、或者观察者视角的左侧。即使借助对话交互也未必能完全消除歧义。人类的语言表达天然依赖上下文,而上下文经常只存在于用户脑中。
我目前的策略是把这类歧义统一转成确认问题:“是否指 A 的中心对齐 B 的左侧边缘?”这虽然降低了歧义,但也带来了交互成本的提高。接下来我打算引入一个轻量的空间关系常识图谱,统计不同行业用户对同一短语最常接受的空间映射,按场景预判语义。
但说实话,这个方向很难有一步到位的解法。它本质上是个语言与几何的交叉问题,需要长期积累空间语境数据。我也在考虑是否通过让用户上传参考图来解决,不过这会引入视觉模型,整体系统的复杂度一下子会高很多。
6.2 复杂轮廓线的自动生成与可控性
目前拉伸轮廓体只支持由直线和圆弧组合成的轮廓,也就是在二维平面上定义截面然后拉伸,这对很多钣金类和外观类零件是够用的,但遇到自由曲面外壳就完全无能为力了。若想支持样条曲线轮廓,就面对智能化平滑和用户意图可控之间的冲突,因为曲线的控制点一旦多,机器生成的结果往往与用户心理预期差异巨大。
我当前想到的改进路径是:把曲线生成分割成若干段,让用户逐段确认控制点,而不是一次性生成完整曲线。但这个交互方案还没经过用户测试,不确定是否真的讨喜。
也有可能最终解决方案是提供两套模式:快速模式和精细模式。快速模式由系统自动拟合,大概够用;精细模式则让用户手动拖拽控制点,系统只提供约束辅助。这套方案动静比较大,短期内未必能做出来。
6.3 生成结果的可编辑性问题
目前生成的是静态实体,如果在 CAD 软件里打开后想修改某一个参数,比如把孔径从 10 改成 12,用户必须重新生成整个模型,而不是像原生参数化建模那样直接改尺寸标注。这个体验等于倒退回了二十年前的建模软件水平。
严格来说这不算错误,因为系统并不保留构造历史树。但只要想支持参数化回传,就必须要求 aCross 输出的每个实体都带完整的参数依赖关系,并在前端提供参数面板。这改造成本不小,但在长期规划中绝对是必须迈过的一道坎。
在没有找到更好方案之前,我的临时做法是让 STEP 文件的导出附带一个参数说明 JSON 文件,用户二次开发时可以读取文件里的参数并重新调用系统生成。这个方案能用,只是略显笨拙。
6.4 与主流 CAD 生态的对接深度
text-to-cad 的价值不完全在于生成一个孤立文件,更在于如何嵌入到设计师已有的工作流里。我测试过将生成结果导入多款商业化 CAD 工具,单纯导入基本没问题。但想要实现“生成后原地编辑”的深度集成,就必须依赖各个 CAD 厂商提供的 API。
这部分工作既繁琐又没有统一的跨平台接口,目前只能按厂商逐个适配。我计划优先适配用户量最大的三款工具,之后再考虑长尾。如果你自己做这块,建议不要一上来就贪多,选一个能专注调优的场景切入,效率会高得多。
坦白讲,这条路径的市场价值巨大,但工程复杂度也不是一个开源仓库能完全承载的。它更像一个持续演进的生态型工作,非常考验长期投入的耐心。
7. 在推进 text-to-cad 项目时的经验教训总结
前面已经把设计思路和技术路径完整讲完,最后我想分享几条贯穿全程的实践经验。这些经验不是针对某个技术细节,而是对整个项目推进方向的判断与取舍。
这些经验来之不易,很多都是推到重来后才真正理解的。如果你正在做或者打算做类似项目,建议认真琢磨一下,也许能少走不少弯路。
7.1 边界清晰的模块胜过昙花一现的巧妙技巧
在整个开发过程中,我经常看到有人沉迷于某个特别聪明的算法设计,比如用强化学习优化文本到实体映射,或者设计一个华丽的注意力机制。这些技巧在论文里很精彩,但到了真实场景往往很难稳定复现。我建议把主要精力放在模块边界的划分上。
一个边界清晰的系统可以有多个不完美的模块,但每个模块对工程团队而言都可理解、可修改、可测试,整体组合起来往往性能稳定。DataPlanner 里语言模型服务、RoadBus、aCross、Properk 各自独立,任何一个模块升级都不会影响其他模块,这种结构带来的长期开发效率提升是巨大的。
反过来,如果一个系统很出色但模块之间耦合严重,当出现一个 bug 时,排查成本会高到团队无法承受。这是我多次重构后最真切的心得。
7.2 测试集就是系统敢不敢改动的底气
如果你问我 DataPlanner 里哪个资产最值钱,我的答案不是某个算法,而是那套积累了 500 多个样本的基准测试集。有了它,每次改动算法后我都能立刻知道效果变好还是变差,不再依赖“感觉”。
建立测试集的核心原则是:覆盖所有已知失败场景,并持续添加新出现的问题场景。每当你修好一个 bug,都需要把它固化成测试样本,防止后续重构改回去。这个循环虽然枯燥,但能积累出业内很难被超越的护城河。
没有测试集的系统就像一个不敢变动的定时炸弹。项目运行越久,代码越乱,最后到了谁也不知道改了哪里会引发什么问题的阶段。这个教训极其深刻,希望你能尽早重视。
7.3 从文本到 CAD 的未来属于整套工具链,而非单一魔法模型
回看整个 text-to-cad 发展路径,我会明确指出:完整解决方案属于整套工具链,而非某一个单一魔法模型。语言模型负责语言理解,几何内核负责构造,校验器负责兜底,交互系统负责澄清歧义。它们组合起来产生的价值,才是单靠今天任何模型都无法替代的。
那些把工具链做成产品的人,会获得持续的迭代优势。因为语言模型每年都在变强,但你服务的用户需求和几何校验规则是能沉淀复用的。复用的越多,生态壁垒越厚。
我自己还在持续迭代这套 DataPlanner,重点放在空间歧义消解和参数化回传两个方向。后面有实质性进展时,我会再回来分享。如果你也在做相关项目,欢迎基于这篇文章的思路做你需要的实现和优化,毕竟每个人的需求场景都不完全一样。