1. 从一条热搜说起AI-CAD 到底在解决什么问题前几天刷到一条消息说某个开源 CAD 项目在代码托管平台上攒了 17K stars背后拿了 740 万美元融资最抓眼球的是那句2 分钟出图。作为一个在机械设计和参数化建模领域摸爬滚打十来年的人我第一反应不是兴奋而是怀疑——CAD 这东西2 分钟能出什么图是随手画个方块还是真能出一套带约束、带公差、能直接下厂加工的零件图带着这个疑问我把这个方向的东西翻了个遍也自己上手试了几套 AI-CAD 工具链。结论是2 分钟出图这个说法有水分但它背后的趋势是真的——AI 正在从帮你画变成陪你画也就是所谓的副驾模式。这篇文章我不打算吹某个具体产品而是想把这波 AI-CAD 热潮背后的技术逻辑、实操路径、以及我踩过的坑完整地拆给你看。先说清楚这篇文章适合谁如果你是从业多年的结构工程师、机械设计师想搞清楚 AI 到底会不会抢你饭碗那这里有你需要的技术细节如果你是刚入行的新手或者做产品、做硬件创业的想用 AI 快速把脑子里的想法变成可看的模型那这篇文章能帮你少走至少半年的弯路。核心关键词就三个AI-CAD、副驾模式、参数化建模我会围绕它们把整件事讲透。所谓副驾不是自动驾驶。它不会替你决定这个零件该用什么材料、该留多少余量但它能在你敲下一句给我一个 80 毫米见方、四角带 M6 沉头孔的安装板之后几秒钟内把草图和特征树搭出来你只需要微调参数。这个定位非常关键理解错了你对它的期待就会跑偏用起来全是失望。2. 拆解2 分钟出图AI-CAD 的核心技术点到底在哪2.1 从文本到 CAD的三条技术路线要把一句话变成三维模型业内目前主要有三条路子理解它们的区别你才能判断一个工具到底强在哪、弱在哪。第一条是代码驱动路线代表就是各种基于脚本的 CAD 内核。你输入自然语言大模型把它翻译成建模脚本脚本再驱动几何内核生成实体。这条路的好处是完全参数化、可复现、可版本管理改一个数字整个模型跟着变。缺点是它对复杂曲面、自由造型的支持偏弱适合做规整的机械件、支架、外壳这类。第二条是特征树重建路线AI 直接操作传统 CAD 的特征树——拉伸、旋转、倒角、阵列。它更像是在模仿一个真人设计师的操作序列。优点是生成的模型血统纯正能无缝导入主流 CAD 继续编辑难点在于特征顺序和约束关系极容易出错一个约束冲突整个模型就崩。第三条是网格生成路线直接吐出一个三角网格模型。出图最快视觉上最唬人但没有参数、没有特征、没法精确修改基本只能用于渲染展示或者 3D 打印的一次性验证。很多号称2 分钟出图的演示用的就是这条路——好看但不工程。提示判断一个 AI-CAD 工具是不是工程可用最简单的办法就是问一句——生成的模型能不能改尺寸后自动更新如果不能那它就是个玩具。2.2 为什么2 分钟这个数字值得警惕我实测过几套工具简单零件确实能在 1 到 3 分钟内出结果但这个时间几乎全部花在大模型推理和几何内核计算上跟你手动建模省下的时间不是一回事。更关键的是那 2 分钟出的是第一版而工程上真正耗时的是改版。一个真实的零件从概念到能加工中间要经历至少五到八轮修改干涉检查、公差分配、工艺性调整、装配验证。AI 帮你省下的是第一版从零到一的那两小时但后面从一到十的迭代它目前只能帮上三成左右的忙。所以2 分钟出图应该理解成2 分钟出草稿而不是2 分钟交付。2.3 740 万美元和 17K stars 说明了什么这两个数字放在一起其实透露了资本和开发者社区对这个方向的判断。17K stars 意味着有大量工程师真的在用它、提 issue、贡献代码说明需求是真实存在的不是炒概念。740 万美元这个量级的融资在硬科技里不算大说明投资人还在观望——他们赌的是这个赛道能跑出标准但还没到all in的时候。对我们普通从业者来说这个信号的意义是现在入场学习成本最低红利最大。等它彻底成熟了工具会变得傻瓜化但那时候你也就失去了用工具建立差异化优势的窗口期。3. 副驾模式怎么落地一套可复现的实操流程3.1 环境准备与工具选型思路我不推荐具体品牌但可以给你一套选型逻辑。你需要三样东西一个几何内核负责真正算出实体、一个大模型接口负责理解你的话、一个中间层负责把话翻译成内核能懂的指令。几何内核这块开源的有 OpenCASCADE 这类成熟稳定社区资料多商业的有 Parasolid、ACIS精度和曲面能力更强但要授权。个人和小团队起步我建议直接用开源内核踩坑多但可控。大模型接口本地跑和调云端 API 是两条路。本地跑隐私好、无网络依赖但对显卡要求高7B 到 13B 参数的模型勉强够用调云端 API 效果好、上手快但要注意数据不能涉及敏感图纸。我的做法是通用对话用云端涉及具体产品结构时切本地模型。中间层是最容易被忽略但最关键的。它要干的事包括把自然语言里的尺寸、位置、特征提取成结构化参数再映射到内核的 API 调用。这一层写得好不好直接决定生成成功率。3.2 一句提示词到模型的完整链路我拿一个最典型的例子走一遍生成一块 100×60×8 毫米的安装板四角各一个直径 6.5 毫米的通孔孔中心距边缘 10 毫米。第一步意图解析。大模型需要从这句话里抽出基体是长方体尺寸 100/60/8特征是四个通孔孔径 6.5定位规则是距边缘 10 毫米。这里有个坑——四角这个词模型可能理解成四个顶点也可能理解成四个角区域必须用结构化 schema 约束它输出坐标。第二步参数计算。孔中心坐标要算出来X 方向是 10 和 90Y 方向是 10 和 50四个组合就是 (10,10)、(90,10)、(10,50)、(90,50)。这一步千万别交给大模型心算它经常算错要用代码算。第三步脚本生成。把基体和孔的特征翻译成内核脚本先建长方体再在四个坐标上打孔最后做布尔减运算。第四步执行与校验。跑脚本生成实体然后自动检查体积对不对、孔数是不是 4、孔径是不是 6.5。校验不通过就回滚重试。# 伪代码示意参数化生成安装板 plate box(length100, width60, height8) hole_positions [(10,10), (90,10), (10,50), (90,50)] for x, y in hole_positions: hole cylinder(radius3.25, height8) hole translate(hole, x, y, 0) plate plate.cut(hole) export_step(plate, mounting_plate.step)这套链路跑通一次之后你会发现真正的瓶颈不在生成而在校验。生成一个模型几秒钟但确认它对可能要几分钟。所以成熟的工具都会内置一套几何校验规则这也是区分专业工具和玩具的分水岭。3.3 参数化才是副驾的灵魂我见过太多人用 AI 生成一个模型觉得挺好看然后想改个尺寸发现整个模型散架了。这就是没走参数化路线的后果。正确的做法是AI 生成的每一个尺寸都要作为命名参数暴露出来。比如上面那块板长度、宽度、厚度、孔径、边距全部应该是可以单独调的变量。这样你后面说把板加宽到 120工具只需要改一个参数模型自动重建孔的位置规则也跟着更新。提示验收一个 AI-CAD 工具就让它生成模型后你口头改三个尺寸看它能不能稳定重建。能就是工程级不能就只能当草稿工具。4. 实操中的坑与排查我踩过的那些雷4.1 约束冲突最常见的崩溃源头参数化建模最怕约束冲突。举个真实场景我让工具生成一个带圆角的矩形槽同时又要求槽的四个角是直角。这两个条件直接矛盾工具要么报错要么默默选一个执行结果跟你想要的不一样。排查思路是先看特征树再看约束列表。大部分工具会把冲突的约束标红你顺着红点找基本能定位。如果工具不提示那就手动把模型拆成最小特征一个一个加加到哪个崩了就是哪个的问题。我的经验是给 AI 的提示词里永远不要同时出现互相矛盾的几何要求。想要圆角就别说直角想要对称就别指定单边尺寸。把需求拆成多轮对话比一次性说一大堆要靠谱得多。4.2 尺寸单位与精度陷阱这是新手最容易翻车的地方。你说直径 6AI 可能理解成 6 毫米也可能理解成 6 厘米甚至 6 英寸。不同内核默认单位不一样一旦搞错模型尺寸差 10 倍甚至 25 倍。我的做法是在系统提示里强制声明单位并且每次生成后自动量一下包围盒尺寸。比如预期 100 毫米的板量出来是 1000那就是单位错了直接回滚。这个校验一定要自动化靠肉眼看不出来。精度方面工程件一般要求 0.01 毫米级别但 AI 生成的模型经常有 0.1 毫米的误差累积。对于装配件这个误差足以导致干涉。所以关键配合面我建议生成后手动精修一遍别全信 AI。4.3 复杂曲面的能力边界前面说过代码驱动路线对自由曲面支持弱。我试过让工具生成一个流线型外壳结果出来的是棱角分明的多面体完全不是那回事。这不是工具不行是路线决定的。如果你要做的是消费电子产品外壳、汽车覆盖件这类曲面件AI-CAD 目前只能帮你做概念阶段的形态探索真正的高质量曲面还得靠传统 CAD 的曲面模块手工做。认清这个边界你就不会对它失望。常见问题典型表现排查方向解决手段约束冲突模型报错或形状异常检查特征树红点拆分需求逐条添加单位错误尺寸差 10 倍或 25 倍量包围盒尺寸强制声明单位并自动校验曲面失真曲面变多面体确认建模路线曲面件改用传统工具参数丢失改尺寸模型散架检查参数表要求全参数化输出孔位偏移孔不在预期位置核对坐标计算坐标用代码算不用模型算4.4 数据安全与图纸保密这一点我必须单独拎出来说。你把一张产品图纸喂给云端 AI等于把核心结构交出去了。对于有保密要求的项目绝对不能用云端接口处理原始图纸。我的做法是分两级概念探索阶段用脱敏后的简化模型调云端只讨论拓扑和大致尺寸进入详细设计后全部切本地模型数据不出内网。这个边界一定要提前划好别等出事了才后悔。5. 副驾时代工程师的价值往哪走5.1 从画图工到需求翻译官AI 能画图之后最直接受冲击的是那些重复性的、标准化的建模工作。以前一个熟练工一天画二十个标准件现在 AI 几分钟搞定。但这不代表工程师没用了而是价值重心转移了。以前你值钱是因为手快、记得住命令以后你值钱是因为你能把模糊的需求翻译成精确的几何约束。客户说我要一个看起来结实的支架AI 听不懂结实但你能翻译成壁厚 3 毫米、加两条加强筋、材料用铝合金。这个翻译能力才是副驾时代最稀缺的。5.2 校验能力比生成能力更值钱生成谁都会按个按钮的事。但生成出来的东西对不对、能不能加工、装不装得上这需要工程判断。我见过太多 AI 生成的漂亮模型拿去打样才发现根本没法脱模或者孔位跟配合件对不上。所以我现在带新人第一课不是教怎么用 AI 生成而是教怎么快速判断一个模型合不合理。看壁厚是否均匀、看拔模角够不够、看公差链是否闭合。这些判断力AI 短期内替代不了。5.3 一个务实的技能升级路径如果你现在还在纯手工建模我给你一条三个月的升级路线。第一个月把参数化建模彻底吃透理解约束、驱动、特征树这些概念这是跟 AI 协作的语言基础。第二个月学一点脚本化建模哪怕只是能看懂和改 AI 生成的脚本你就从使用者变成了掌控者。第三个月拿三五个真实项目全程用 AI 辅助走一遍把踩的坑记下来形成自己的提示词模板和校验清单。走完这三个月你会发现自己的产出效率至少翻倍而且做出来的东西质量更稳定——因为参数化和自动化天然就减少了人为失误。6. 关于这波热潮我个人的几点判断第一2 分钟出图会越来越普遍但2 分钟出好图还需要时间。出图速度不是瓶颈出图的工程可用性才是。谁能把校验和迭代做扎实谁就能跑出来。第二副驾模式是过渡态不是终态。现在需要人盯着、需要人翻译需求未来随着模型对工程语义的理解加深它会越来越自主。但这个未来至少还有三到五年足够你完成技能转型。第三开源生态会是主战场。17K stars 这个数字说明工程师群体更愿意相信能自己改、自己审的工具。闭源黑盒在工程领域天然吃亏因为没人敢把核心设计交给一个看不见内部逻辑的东西。最后分享一个我自己的小习惯每次用 AI 生成模型后我都会强制自己手动重建一遍关键特征。不是为了较劲而是为了确认我真的理解了这个模型是怎么来的。AI 可以帮你画但不能帮你理解——理解这件事永远得自己来。这个习惯让我在几次 AI 生成出错的时候第一时间就发现了问题也让我对参数化建模的理解比身边人深了一大截。工具再强脑子还是得长在自己身上。 
长河君 · 2026/10/14 22:57:34 · 阅读 1.2k AI-CAD副驾模式实战：参数化建模与2分钟出图的技术真相
1. 从一条热搜说起AI-CAD 到底在解决什么问题前几天刷到一条消息说某个开源 CAD 项目在代码托管平台上攒了 17K stars背后拿了 740 万美元融资最抓眼球的是那句2 分钟出图。作为一个在机械设计和参数化建模领域摸爬滚打十来年的人我第一反应不是兴奋而是怀疑——CAD 这东西2 分钟能出什么图是随手画个方块还是真能出一套带约束、带公差、能直接下厂加工的零件图带着这个疑问我把这个方向的东西翻了个遍也自己上手试了几套 AI-CAD 工具链。结论是2 分钟出图这个说法有水分但它背后的趋势是真的——AI 正在从帮你画变成陪你画也就是所谓的副驾模式。这篇文章我不打算吹某个具体产品而是想把这波 AI-CAD 热潮背后的技术逻辑、实操路径、以及我踩过的坑完整地拆给你看。先说清楚这篇文章适合谁如果你是从业多年的结构工程师、机械设计师想搞清楚 AI 到底会不会抢你饭碗那这里有你需要的技术细节如果你是刚入行的新手或者做产品、做硬件创业的想用 AI 快速把脑子里的想法变成可看的模型那这篇文章能帮你少走至少半年的弯路。核心关键词就三个AI-CAD、副驾模式、参数化建模我会围绕它们把整件事讲透。所谓副驾不是自动驾驶。它不会替你决定这个零件该用什么材料、该留多少余量但它能在你敲下一句给我一个 80 毫米见方、四角带 M6 沉头孔的安装板之后几秒钟内把草图和特征树搭出来你只需要微调参数。这个定位非常关键理解错了你对它的期待就会跑偏用起来全是失望。2. 拆解2 分钟出图AI-CAD 的核心技术点到底在哪2.1 从文本到 CAD的三条技术路线要把一句话变成三维模型业内目前主要有三条路子理解它们的区别你才能判断一个工具到底强在哪、弱在哪。第一条是代码驱动路线代表就是各种基于脚本的 CAD 内核。你输入自然语言大模型把它翻译成建模脚本脚本再驱动几何内核生成实体。这条路的好处是完全参数化、可复现、可版本管理改一个数字整个模型跟着变。缺点是它对复杂曲面、自由造型的支持偏弱适合做规整的机械件、支架、外壳这类。第二条是特征树重建路线AI 直接操作传统 CAD 的特征树——拉伸、旋转、倒角、阵列。它更像是在模仿一个真人设计师的操作序列。优点是生成的模型血统纯正能无缝导入主流 CAD 继续编辑难点在于特征顺序和约束关系极容易出错一个约束冲突整个模型就崩。第三条是网格生成路线直接吐出一个三角网格模型。出图最快视觉上最唬人但没有参数、没有特征、没法精确修改基本只能用于渲染展示或者 3D 打印的一次性验证。很多号称2 分钟出图的演示用的就是这条路——好看但不工程。提示判断一个 AI-CAD 工具是不是工程可用最简单的办法就是问一句——生成的模型能不能改尺寸后自动更新如果不能那它就是个玩具。2.2 为什么2 分钟这个数字值得警惕我实测过几套工具简单零件确实能在 1 到 3 分钟内出结果但这个时间几乎全部花在大模型推理和几何内核计算上跟你手动建模省下的时间不是一回事。更关键的是那 2 分钟出的是第一版而工程上真正耗时的是改版。一个真实的零件从概念到能加工中间要经历至少五到八轮修改干涉检查、公差分配、工艺性调整、装配验证。AI 帮你省下的是第一版从零到一的那两小时但后面从一到十的迭代它目前只能帮上三成左右的忙。所以2 分钟出图应该理解成2 分钟出草稿而不是2 分钟交付。2.3 740 万美元和 17K stars 说明了什么这两个数字放在一起其实透露了资本和开发者社区对这个方向的判断。17K stars 意味着有大量工程师真的在用它、提 issue、贡献代码说明需求是真实存在的不是炒概念。740 万美元这个量级的融资在硬科技里不算大说明投资人还在观望——他们赌的是这个赛道能跑出标准但还没到all in的时候。对我们普通从业者来说这个信号的意义是现在入场学习成本最低红利最大。等它彻底成熟了工具会变得傻瓜化但那时候你也就失去了用工具建立差异化优势的窗口期。3. 副驾模式怎么落地一套可复现的实操流程3.1 环境准备与工具选型思路我不推荐具体品牌但可以给你一套选型逻辑。你需要三样东西一个几何内核负责真正算出实体、一个大模型接口负责理解你的话、一个中间层负责把话翻译成内核能懂的指令。几何内核这块开源的有 OpenCASCADE 这类成熟稳定社区资料多商业的有 Parasolid、ACIS精度和曲面能力更强但要授权。个人和小团队起步我建议直接用开源内核踩坑多但可控。大模型接口本地跑和调云端 API 是两条路。本地跑隐私好、无网络依赖但对显卡要求高7B 到 13B 参数的模型勉强够用调云端 API 效果好、上手快但要注意数据不能涉及敏感图纸。我的做法是通用对话用云端涉及具体产品结构时切本地模型。中间层是最容易被忽略但最关键的。它要干的事包括把自然语言里的尺寸、位置、特征提取成结构化参数再映射到内核的 API 调用。这一层写得好不好直接决定生成成功率。3.2 一句提示词到模型的完整链路我拿一个最典型的例子走一遍生成一块 100×60×8 毫米的安装板四角各一个直径 6.5 毫米的通孔孔中心距边缘 10 毫米。第一步意图解析。大模型需要从这句话里抽出基体是长方体尺寸 100/60/8特征是四个通孔孔径 6.5定位规则是距边缘 10 毫米。这里有个坑——四角这个词模型可能理解成四个顶点也可能理解成四个角区域必须用结构化 schema 约束它输出坐标。第二步参数计算。孔中心坐标要算出来X 方向是 10 和 90Y 方向是 10 和 50四个组合就是 (10,10)、(90,10)、(10,50)、(90,50)。这一步千万别交给大模型心算它经常算错要用代码算。第三步脚本生成。把基体和孔的特征翻译成内核脚本先建长方体再在四个坐标上打孔最后做布尔减运算。第四步执行与校验。跑脚本生成实体然后自动检查体积对不对、孔数是不是 4、孔径是不是 6.5。校验不通过就回滚重试。# 伪代码示意参数化生成安装板 plate box(length100, width60, height8) hole_positions [(10,10), (90,10), (10,50), (90,50)] for x, y in hole_positions: hole cylinder(radius3.25, height8) hole translate(hole, x, y, 0) plate plate.cut(hole) export_step(plate, mounting_plate.step)这套链路跑通一次之后你会发现真正的瓶颈不在生成而在校验。生成一个模型几秒钟但确认它对可能要几分钟。所以成熟的工具都会内置一套几何校验规则这也是区分专业工具和玩具的分水岭。3.3 参数化才是副驾的灵魂我见过太多人用 AI 生成一个模型觉得挺好看然后想改个尺寸发现整个模型散架了。这就是没走参数化路线的后果。正确的做法是AI 生成的每一个尺寸都要作为命名参数暴露出来。比如上面那块板长度、宽度、厚度、孔径、边距全部应该是可以单独调的变量。这样你后面说把板加宽到 120工具只需要改一个参数模型自动重建孔的位置规则也跟着更新。提示验收一个 AI-CAD 工具就让它生成模型后你口头改三个尺寸看它能不能稳定重建。能就是工程级不能就只能当草稿工具。4. 实操中的坑与排查我踩过的那些雷4.1 约束冲突最常见的崩溃源头参数化建模最怕约束冲突。举个真实场景我让工具生成一个带圆角的矩形槽同时又要求槽的四个角是直角。这两个条件直接矛盾工具要么报错要么默默选一个执行结果跟你想要的不一样。排查思路是先看特征树再看约束列表。大部分工具会把冲突的约束标红你顺着红点找基本能定位。如果工具不提示那就手动把模型拆成最小特征一个一个加加到哪个崩了就是哪个的问题。我的经验是给 AI 的提示词里永远不要同时出现互相矛盾的几何要求。想要圆角就别说直角想要对称就别指定单边尺寸。把需求拆成多轮对话比一次性说一大堆要靠谱得多。4.2 尺寸单位与精度陷阱这是新手最容易翻车的地方。你说直径 6AI 可能理解成 6 毫米也可能理解成 6 厘米甚至 6 英寸。不同内核默认单位不一样一旦搞错模型尺寸差 10 倍甚至 25 倍。我的做法是在系统提示里强制声明单位并且每次生成后自动量一下包围盒尺寸。比如预期 100 毫米的板量出来是 1000那就是单位错了直接回滚。这个校验一定要自动化靠肉眼看不出来。精度方面工程件一般要求 0.01 毫米级别但 AI 生成的模型经常有 0.1 毫米的误差累积。对于装配件这个误差足以导致干涉。所以关键配合面我建议生成后手动精修一遍别全信 AI。4.3 复杂曲面的能力边界前面说过代码驱动路线对自由曲面支持弱。我试过让工具生成一个流线型外壳结果出来的是棱角分明的多面体完全不是那回事。这不是工具不行是路线决定的。如果你要做的是消费电子产品外壳、汽车覆盖件这类曲面件AI-CAD 目前只能帮你做概念阶段的形态探索真正的高质量曲面还得靠传统 CAD 的曲面模块手工做。认清这个边界你就不会对它失望。常见问题典型表现排查方向解决手段约束冲突模型报错或形状异常检查特征树红点拆分需求逐条添加单位错误尺寸差 10 倍或 25 倍量包围盒尺寸强制声明单位并自动校验曲面失真曲面变多面体确认建模路线曲面件改用传统工具参数丢失改尺寸模型散架检查参数表要求全参数化输出孔位偏移孔不在预期位置核对坐标计算坐标用代码算不用模型算4.4 数据安全与图纸保密这一点我必须单独拎出来说。你把一张产品图纸喂给云端 AI等于把核心结构交出去了。对于有保密要求的项目绝对不能用云端接口处理原始图纸。我的做法是分两级概念探索阶段用脱敏后的简化模型调云端只讨论拓扑和大致尺寸进入详细设计后全部切本地模型数据不出内网。这个边界一定要提前划好别等出事了才后悔。5. 副驾时代工程师的价值往哪走5.1 从画图工到需求翻译官AI 能画图之后最直接受冲击的是那些重复性的、标准化的建模工作。以前一个熟练工一天画二十个标准件现在 AI 几分钟搞定。但这不代表工程师没用了而是价值重心转移了。以前你值钱是因为手快、记得住命令以后你值钱是因为你能把模糊的需求翻译成精确的几何约束。客户说我要一个看起来结实的支架AI 听不懂结实但你能翻译成壁厚 3 毫米、加两条加强筋、材料用铝合金。这个翻译能力才是副驾时代最稀缺的。5.2 校验能力比生成能力更值钱生成谁都会按个按钮的事。但生成出来的东西对不对、能不能加工、装不装得上这需要工程判断。我见过太多 AI 生成的漂亮模型拿去打样才发现根本没法脱模或者孔位跟配合件对不上。所以我现在带新人第一课不是教怎么用 AI 生成而是教怎么快速判断一个模型合不合理。看壁厚是否均匀、看拔模角够不够、看公差链是否闭合。这些判断力AI 短期内替代不了。5.3 一个务实的技能升级路径如果你现在还在纯手工建模我给你一条三个月的升级路线。第一个月把参数化建模彻底吃透理解约束、驱动、特征树这些概念这是跟 AI 协作的语言基础。第二个月学一点脚本化建模哪怕只是能看懂和改 AI 生成的脚本你就从使用者变成了掌控者。第三个月拿三五个真实项目全程用 AI 辅助走一遍把踩的坑记下来形成自己的提示词模板和校验清单。走完这三个月你会发现自己的产出效率至少翻倍而且做出来的东西质量更稳定——因为参数化和自动化天然就减少了人为失误。6. 关于这波热潮我个人的几点判断第一2 分钟出图会越来越普遍但2 分钟出好图还需要时间。出图速度不是瓶颈出图的工程可用性才是。谁能把校验和迭代做扎实谁就能跑出来。第二副驾模式是过渡态不是终态。现在需要人盯着、需要人翻译需求未来随着模型对工程语义的理解加深它会越来越自主。但这个未来至少还有三到五年足够你完成技能转型。第三开源生态会是主战场。17K stars 这个数字说明工程师群体更愿意相信能自己改、自己审的工具。闭源黑盒在工程领域天然吃亏因为没人敢把核心设计交给一个看不见内部逻辑的东西。最后分享一个我自己的小习惯每次用 AI 生成模型后我都会强制自己手动重建一遍关键特征。不是为了较劲而是为了确认我真的理解了这个模型是怎么来的。AI 可以帮你画但不能帮你理解——理解这件事永远得自己来。这个习惯让我在几次 AI 生成出错的时候第一时间就发现了问题也让我对参数化建模的理解比身边人深了一大截。工具再强脑子还是得长在自己身上。