第一次接触text-to-cad这个概念时我第一反应是又是营销号在吹牛。毕竟传统CAD建模这条路从参数化建模到布尔运算背后是一整套严谨的数学逻辑想靠一句自然语言生成可用模型听起来确实像天方夜谭。但真正上手实测了几款主流工具之后我必须承认自己被打脸了——用自然语言直接生成CAD模型这条路已经走通了而且走得比大多数人想象中更远。text-to-cad本质上做的事情是把设计师脑子里的想法直接翻译成可编辑的CAD文件。它不像是Midjourney那样生成一张好看的图片而是生成有实际几何拓扑关系、能进CAM软件切片、能导入SolidWorks继续修改的真实三维模型。这个赛道的核心玩家包括Zoo Text to CAD、Autodesk的Project Bernini、Luma的Genie以及一批开源社区的项目。它们解决的问题非常明确传统建模的学习曲线太长对于非机械设计专业出身的人比如创客、产品经理、手工艺人想要快速验证一个结构方案以前至少需要几个月的CAD基础现在只需要一句描述清晰的文字。这篇文章我会从工具选型、核心参数、指令编写逻辑、模型后处理这几个维度把text-to-cad从玩玩而已到真能干活这条路完整趟一遍。我会把自己实测过的工具结果、踩过的坑、摸索出来的指令模板全部摊开讲不藏私。1. text-to-cad的核心逻辑从生成一张图到生成一个几何体1.1 它和AI生图底层逻辑的根本差异很多人会把text-to-cad和text-to-image混为一谈这个误解要第一个澄清。AI生图比如Stable Diffusion或Midjourney的底层是扩散模型在像素空间里做去噪最终产出是RGB像素矩阵漂亮但假——没有体积、没有拓扑、没有闭合曲面。而text-to-cad的目标是生成一个可以被CAD内核如Parasolid、ACIS、OpenCascade解析的几何描述最终输出通常是STEP、IGES或原生BREP文件。我用一个生活化类比来解释AI生图像是画家拿着一支笔在画布上作画画得再像也就是一层颜料text-to-cad像是一个雕刻师拿着凿子在一块真实的石料上作业你拿走的每一块都是实实在在的体积。前者没有厚度后者有严格的材料边界。具体到技术路径上text-to-cad目前主流有三种实现路线。第一种是基于视图生成再重建即先让扩散模型生成多视角的深度图或法线图再用多视图立体几何MVS算法重建出网格最后通过逆向工程转成BREP。这条路线的优点是能处理有机曲面缺点是精度受限于视图数量和重建算法容易出现细节失真。第二种是直接生成隐式场模型直接预测一个占用场occupancy field把空间每个点标记为实心或空心再通过Marching Cubes算法提取等值面成网格。这种方式对拓扑变化的适应性更好能生成带孔洞或复杂内腔的结构。第三种是参数化约束求解这也是Zoo Text to CAD早期版本采用的路线模型实际上是在做布局预测 约束识别从文本里提取几何参数直径、深度、倒角半径再交给底层的约束求解器去构建参数化特征树。理解这条底层差异很重要因为它直接决定了你后期能对模型做什么。基于视图重建出来的模型大概率是一坨三角网格如果后续要进CNC或3D打印必须做曲面拟合或重新参数化而基于参数化约束生成出来的模型天然带特征树自由度极高改一个参数就能全局更新。1.2 为什么2024-2025年这个赛道突然爆发text-to-cad这个概念其实几年前就有论文提出过但一直停留在实验室阶段。最近一年密集爆发的原因我认为是三股力量碰到了一块儿。第一是大语言模型LLM的指令跟随能力大幅增强。早期text-to-cad的精度上不去卡脖子问题在于语言理解和几何生成之间的对齐不够好。你输入一个M8螺栓直径8mm螺距1.25mm模型根本分不清哪个数字是直径哪个是螺距。现在的LLM经过大规模指令微调对这类结构化描述的解析准确度已经高到可以实际使用。第二是3D数据集的规模和标注质量上了一个台阶。以Objaverse-XL为例已经包含超过1000万个3D模型配合Caption自动生成描述文本模型有了足够多的文本-几何配对样本可以学习。这里特别要提一句其实大量CAD级数据的贡献来自社区——比如McMaster-Carr的标准件库被各种爬虫抓取后用于训练这让模型对标准螺纹、轴承、法兰这类规范零件的生成精度特别高。第三是硬件和推理优化。现在一张消费级显卡就能跑通轻量级的text-to-cad推理生成一个简单零件从输入文本到输出STEP文件只需要几秒到几十秒这个响应速度已经进入可用区间。几年前同样任务需要数小时甚至直接超算。2. 工具选型实战我测过的五款text-to-cad工具横向对比2.1 当前主流工具的分层定位工具选型是这个赛道最让人头疼的事情因为每天都在出新产品而且各有各的脾气。我实际深度用过Zoo Text to CAD、Luma Genie、Autodesk Project Bernini内测以及两个开源权重模型这里把真实使用感受摊开讲。先说Zoo Text to CAD目前综合体验最均衡的一款。它的底层是Revolution团队自己训练的参数化生成模型输出直接就是BREP格式可以用文本描述生成相对精确的机械零件比如法兰盘、支架、轴套这种。我最喜欢的是它支持在描述里直接指定单位制你告诉它unit: mm它会把所有尺寸严格锁定在毫米单位下这一点听着简单但绝大多数同行工具都做不到。它生成的模型可以直接用STEP格式导出拿到SolidWorks里编辑特征树时居然能看到合理的建模顺序——先草图、再拉伸、然后倒角。能做到这一步说明它的训练数据里有大量真实CAD操作日志模型学到的不只是几何形状而是建模思路。再说Luma Genie它的强项是自然语言理解能力极强你可以用很口语化的描述一个放在桌面上的可爱小蘑菇带圆点花纹底下有粗粗的柄它能看到你描述里蕴含的语义关系生成像模像样的有机曲面模型。但Genie的短板非常明显——它输出的是三角网格GLB格式没有参数化特征树精度和壁厚控制都一般直接拿去3D打印或CNC会出问题。它的定位更像是创意验证工具或者游戏资产生成器而非工程级CAD工具。再来说Autodesk Project Bernini这是背靠Autodesk多年CAD技术积累的产物内测阶段的功能已经非常能打。它有一个独特优势是支持多模态输入——你可以同时输入一张草图照片加一段文字比如基于这个手绘草图做一个壁厚3mm的花瓶外壳它能同时理解栅格信息和语言信息。生成结果可以返回多种表示形式包括网格、点云和带特征参数化的近似模型。Bernini目前还没大规模公测但它代表的是设计意图理解这个方向上走得最远的方案。开源阵营里值得关注的是CAD-GPT系列和Text2CAD框架。CAD-GPT的思路是让LLM生成CAD脚本代码如OpenSCAD或CadQuery代码然后本地执行脚本生成模型。这个路线的好处是可控性极强你甚至可以改生成的Python代码来微调几何坏处是能处理的几何复杂度受限因为代码生成是离散序列预测某个参数错了就会全盘皆输。Text2CAD则是用预训练的3D扩散模型做主干微调文本-3D对齐模块偏向学术实验原型工程化程度不高。工具输出格式参数化能力自然语言宽容度工程可用性适合人群Zoo Text to CADSTEP/BREP强高支持单位指定高机械设计、产品工程师Luma GenieGLB网格弱极高口语化低-中创意设计师、游戏美术Project BerniniSTEP/网格/点云中极高多模态中-高工业设计师、CAD老手CAD-GPTOpenSCAD/CadQuery代码强中中喜欢改代码的极客Text2CADSTL网格弱中低学术研究者2.2 选型决策树根据你的下游任务反推工具我建议不要做先玩再说的盲目尝试而是从最终交付物反推工具。这是我在实际项目中总结的决策逻辑分享给读者参考。如果你的最终交付物是3D打印件那请优先用Zoo Text to CAD这类的参数化输出工具。因为3D打印切片软件对模型的要求是流形网格——也就是每个边恰好被两个面共享体积封闭没有悬空边或零厚度区域。而参数化BREP模型转网格时可以通过网格密度控制保证流形性但直接由AI生成的原始网格就经常有自交面和非流形边修起来非常痛苦。实测下来用Zoo生成的STEP文件在转STL时能自动处理壁厚问题用Genie生成的网格如果壁厚小于0.5mm切片后基本就是废品。如果你的交付物是产品效果渲染图Luma Genie反而更好用。因为渲染只看外观不需要精确的尺寸关系。你可以用非常口语化的Prompt生成一堆不同造型的瓶子、椅子、灯具然后在Blender里做场景摆拍。这里有个小技巧生成网格后如果后续要做细分曲面可以在Blender里用Decimate减面再配合Subdivision Surface重新光滑效果会比直接用原始高模好得多。如果你的场景是CNC加工那目前没有哪个text-to-cad工具能直接交付。CNC需要严格的刀具路径规划和毛坯余量设置而AI生成的模型往往缺乏加工坐标系参考。但这个流程可以这样优化用Zoo或Bernini快速生成一个概念模型导出STEP后在Fusion 360里做二次加工——补基准面、加夹具预留位、调整圆角半径。这个AI初稿人工精修的混合流程能把单个零件的概念设计时间从小时级压缩到半小时以内。对于纯学习目的推荐开源CAD-GPT路线。因为你可以直接在生成的CadQuery代码里观察到文本如何映射到几何操作序列对理解CAD本质的帮助比黑盒工具大得多。我自己在跑通CadQuery代码后对参数化建模的理解加深了一个层次回头用SolidWorks都有种降维打击的感觉。3. 实操全流程从指令编写到模型交付的完整记录3.1 指令编写方法论如何把脑子里模糊的想法变成AI能执行的精确描述text-to-cad的Prompt编写和AI生图的Prompt完全是两码事。生图Prompt侧重风格渲染词比如8k, unreal engine, cinematic lighting而text-to-cad的Prompt要侧重几何约束、尺寸参数、拓扑关系。我总结了一套五段式Prompt模板经过大量实测生成成功率有明显提升这里直接分享出来第一段是基础形态定义一句话说清这是什么零件命名要尽量贴合工程术语比如hex socket head cap screw而不是带六角孔的螺丝因为训练数据里标准术语出现的频率远高于口语表达。第二段是核心尺寸约束用diameter: 8mm, length: 45mm这种明确的键值对形式。这里有个细节——不要用约大概左右这类模糊词它们会严重干扰模型的数值解析宁可给一个确切值然后在后处理时修改。第三段是结构特征拆解把零件拆成多个子特征按顺序排列比如head diameter 13mm, hex hole size 6mm, thread length 30mm, pitch 1.25mm。注意要按照建模逻辑排序先主体后辅体这样模型在构建特征树时会更合理。第四段是拓扑关系说明用词要克制明确说concentricthrough hole盲孔对称这类关系词。特殊几何关系一定要点名比如counterbore for M6 cap screw, depth 8mm否则模型大概率会把沉孔做成通孔。第五段是非几何要求CAD模型的壁厚、拔模斜度、公差等级这类信息也要写进去例如wall thickness: 2mm和draft angle: 1.5 degrees。这些内容不仅让模型生成更精确的几何还能在后续CAM时省很多事。举个例子——模糊Prompt做一个能装下五号电池的盒子带盖子的那种要能3D打印。用这种Prompt生成出来的东西大概率尺寸不对、壁厚不合理、盖子没有卡扣结构。但用我的模板改写成rectangular enclosure for AA battery holder, with hinged lid, outer dimensions 62mm x 32mm x 18mm, wall thickness 2mm, lid snap-fit pegs at four corners, bottom has two mounting holes diameter 3mm centered at 12mm from each side, add 1 degree draft angle on all vertical faces。生成结果的可用性立刻提升几个量级。我还要专门提一个很反直觉的经验描述越啰嗦效果越差。不要试图把外观的美学细节和工程细节混在一起写比如不要写一个很现代感的花瓶曲线流畅壁厚3mm底部平整高180mm。因为模型内部在做两种不同任务时的注意力分配完全不同混着写容易让两边都糊。真的想两者兼得就用Bernini这类支持多模态输入的方案——先用生图工具画一个外观参考再用文字补充工程约束。3.2 完整实操记录从一句中文到可装配的STEP文件拿一个我最近真实做过的项目当案例做一个直径80mm、厚度12mm、8个通孔的法兰盘孔直径6mm分布在直径64mm的PCD节圆直径上倒角0.5mm。第一步写Prompt。我的最终版本是flange plate, outer diameter 80mm, thickness 12mm, 8 through holes diameter 6mm on a 64mm pitch circle diameter, chamfer 0.5mm on all sharp edges, material suggestion: aluminum 6061, unit: mm。这里material suggestion其实不直接控制几何但我发现加上材料名有助于模型调用对应行业标准因为训练数据里铝制法兰和钢制法兰的典型结构往往不同。第二步选择工具并生成。我用的Zoo Text to CAD在输入框粘贴上述描述后选择Precise模式而不是Fast模式。Fast模式大约10秒出结果但倒角特征经常丢失Precise模式大约要40秒但几何完整性明显更好。生成结果是一个嵌在页面里的3D预览可以实时旋转查看。从预览来看法兰外形正确、孔位正确、倒角存在。第三步导出STEP文件并检查质量。在Zoo界面点击Export后得到一个STEP格式文件。这步最关键我把它导入FreeCAD。注意一定要在导入后用Check Geometry功能做一次全面体检因为AI生成的模型可能躲过了肉眼检查但在几何内核层面存在拓扑缺陷。实测这次体检通过没有自交面、没有未缝合边。第四步继续精修。在FreeCAD里删除一个孔做一个LinearPattern再复制出8个孔顺便验证了模型的参数化关联——如果生成的特征树是合理的话修改PCD直径后所有孔的位置会联动更新。实测这个操作完美生效说明Zoo生成的STEP文件保留了参数关联这让我挺意外的确实不是简单的静态几何导出。第五步对接制造。用FreeCAD的Mesh Workbench将STEP转为STL网格密度选Medium导出后直接在PrusaSlicer里切片层高0.2mm。实地打印出来之后用卡尺量了关键尺寸外径79.96mm、厚度12.02mm、孔径5.95mm都在IT9公差范围内。这个结果已经能达到很多非标零件的设计要求。3.3 后处理工作流AI生成的模型为什么不能直接用以及怎么修后处理是text-to-cad投入使用中最容易被忽略、也最能拉开效率差距的环节。很多人的流程是AI生成 → 直接导出 → 打印/加工结果翻车率极高。我用一个真实例子说明后处理的重要性和方法。某次用Luma Genie生成一个带波浪纹的桌面收纳盒原始网格直接导出后进Cura切片发现两层楼以上波长纹路全部悬空打印失败。原因分析生成网格时曲面内壁和外壁间距在波谷处小于0.3mm切片后形成不可打印的悬空薄壁。修复方案是三步走。第一步用Blender的Solidify修改器给网格统一加厚度这次加到2.0mm。第二步用Remesh修改器做体素化重网格把不一致的三角面统一成均匀的四边形网格这样切片软件遇到的连续轮廓更少。第三步用3D-Print Toolbox插件检查非流形边和零厚度区域修复后重试切片成功。如果你要处理的是STEP格式的参数化模型后处理思路完全不同。重点是检查特征树里是否有可编辑参数没有的话就要做特征识别再参数化。这个其实可以用Fusion 360的Push/Pull功能实现——在导入的模型上重新定义关键草图尺寸然后让软件重新生成特征。这是一个很神奇的过程AI生成一个死模型你用参数化工具把它唤醒成活模型。遇到的另外一类高频问题是坐标系混乱。生成模型的原点位置、基准平面朝向经常是随机的。不管用哪个工具链我都建议在后处理的第一步就重新对齐坐标系——把模型移动到原点、底面贴合XY平面、长边对齐X轴。这一步做完了后续所有CAM或FEA分析都会顺利很多。4. 踩坑实录与排查速查表4.1 五个高频问题的出现原因和解决思路我在上百次生成测试中把遇到的高频问题归集为五类这里逐一讲透。第一类是尺寸失真。现象是描述里指定80mm生成出来却是82.4mm。原因有三个模型训练数据里的单位混乱有的源数据用英寸有的用毫米、文本编码器对数字的解析不够精准、分辨率量化误差。解决办法是加强约束——在Prompt里同时给出unit: mm和dimensions critical两个信号生成后再用FreeCAD的Tweak功能做全尺寸检查。实测双重声明之后尺寸精确度能提升一个档级。第二类是特征遗漏。最常见的是chamfer 0.5mm模型有时候完全忽略倒角有时候生成错误的45度倒角角度。原因是倒角这类微特征在体素栅格化时被吞掉了特征向量。解决办法有三个把倒角写进特征树描述而不是作为附加属性如add 0.5mm x 45-degree chamfer on outer circumference, both faces将倒角尺寸放大到最终要求的两倍生成后再用参数化工具改回指定尺寸接受无倒角版本在CAM阶段用刀具倒角。第三类是对称性破坏。四孔法兰生成出来孔距不对称一个孔明显偏了。原因是训练数据里法兰类零件数量分布不均模型学到了对称概念但没有严格要求。解决思路是强制描述对称关系比如8 holes evenly spaced on 64mm pitch circle diameter, symmetric about both axes。我在实际测试中这种描述能把孔位对称度从±0.8mm提升到±0.1mm效果显著。此外还有一个偏门但有效的做法在Prompt末尾追加rotational symmetry: 8-fold让模型调用对称先验。第四类是布尔运算痕迹。有些模型生成的STEP文件虽然外形正确但打开特征树发现每个孔都是布尔减运算的产物而不是真正的圆孔拉伸特征。这意味着CAD里修改孔的位置会整个失效。解决办法是接受这一点然后手动重做特征树或者用CAD Doctor流程自动识别特征并重构。第五类是虚假装配关系。描述里说两个零件是装配关系有配合间隙模型却把两个零件生成为一个整体。这是因为模型对间隙这类关系预测能力较弱更倾向于生成连续实体。解决办法是分两次分别生成两个零件各自导出后在CAD里做装配约束。别想着AI帮你一次性搞定装配体至少目前它做不到分件处理效率最高。4.2 实用排查技巧如何判断生成结果可用还是不可用这里分享我用几个快速动作判断模型质量的实用技巧可以帮助读者省下大量无效时长。第一招检查是否流形。在FreeCAD导入后打开Part工作台运行Check Geometry如果报非流形错误直接放弃或回炉重造。不要浪费时间修复复杂网格——AI生成模型的重建成本远低于手画修复成本这是实践给我的痛感。第二招切片前用模拟打印。在PrusaSlicer里用Slice预览一层层查看支撑结构分布。如果某区域支撑面积超过实体面积的50%说明悬伸结构设计不合理果断重新生成。省掉实际打印的材料和时间。第三招光照下观察表面连续性。在Blender里给网格添加一个高光材质用强光从侧面照射观察表面是否出现带状条纹——带状条纹说明曲面法线计算有问题后期印刷会看到明显层纹。第四招做一次热力壁厚分析。在Fusion 360或Rhino里用Wall Thickness Analysis工具给模型一种颜色映射——低于你预期最小壁厚的区域会显示为红色。这一步能发现肉眼完全看不到的隐形薄壁是加工质量事故隐患。第五招装配检验。如果目标是做装配体就把生成件和一个标准件从McMaster下载在CAD里做干涉检查。如果干涉量超过0.5mm八成是孔位置偏了不要怪标准件规格不对。没有哪个AI工具能保证一次生成就完美真正拉开效率差距的是快速判断 快速失败的能力。这个思维比任何Prompt技巧都重要。5. 效率提升三板斧把text-to-cad从玩具变成生产力工具5.1 交叉验证法用多个工具互相纠错我的一个不太常见但非常好用的技巧是交叉验证法。同一个Prompt分别用Zoo和CAD-GPT各生成一次然后对比两个模型的几何差异。如果它们在关键尺寸上一致那大概率没有幻觉如果差得离谱必有一方在偷懒或是不够力。这一招在生成标准化零件时特别有效。标准件的几何定义有严格规范ISO/DIN/GB如果一处模型给的尺寸参数在标准范围之外那整个模型基本是幻觉。交叉验证能快速抓住这些异常。举个例子我生成一个DIN 912 M8x40 socket head cap screw——Zoo生成了正确的头部直径13mmCAD-GPT给出的头部直径是14.2mm。明显不对因为我记得DIN 912标准的M8头部直径范围是12.9-13.3mm。那我就会拒绝CAD-GPT这个结果同时高度信任Zoo的。5.2 模板库思维建立自己的Prompt资产管理我发现很多新手在写Prompt时都是每次都从头开始效率极低。我的做法是建立一个结构化Prompt模板库按照零件类别分组法兰类、支架类、外壳类、轴套类、紧固件类、齿轮类。每积累到一个成功案例就把Prompt和最终成品模型存进库里命名规范是类别_用途_关键参数。比如我库里这条flange_真空吸盘安装_8孔80mm。三个月下来积累了80多条高质量模板现在写新Prompt至少有70%可以直接复用只需改参数。这个习惯把我在text-to-cad上的平均出图时间从半小时压缩到了5分钟以内。5.3 二次优化回路让AI学你的修改习惯目前大多数text-to-cad工具没有显式的在线学习功能但你可以搭建一套人工优化回路。具体操作记录下每个成功Prompt的修改历史比如第一次生成孔距偏了0.4mm → 第二次在Prompt里加了symmetric about both axes → 第三次成功。这个历史记录本身比任何工具内置的优化算法都更有参考价值。我还在实验一种更激进的用法把修改后的CAD模型和原始Prompt喂回给一些支持多模态输入的工具比如Bernini让它在下次生成时自动参考你修改后的几何结构。这个以人教机的工作流虽然还不是官方主流用法但实测下来效果很明显值得跟进。6. 项目后续可以怎么扩展从设计到制造的全链路6.1 对接工业软件的三种成熟路径text-to-cad已经能产出STEP文件这意味着它可以无缝接入大部分主流CAD/CAM软件。但不同行业的对接路径不太相同需要根据实际情况选择适配方案。机械加工方向最合适的路径是STEP导入Fusion/fusion 360或Mastercam做CAM刀路规划。这里的关键动作是在AI生成模型上重新定义加工坐标系和毛坯边界然后让软件自动生成粗加工和精加工刀路。实测下来这对简单车削件和铣削件能节省约50%的编程时间。执行细节和注意事项在CAM之前一定要确认倒角特征是否存在——刀具倒角和模型自带倒角是两回事刀具倒角会在CAM阶段自动扣除模型倒角会被错误识别为几何特征可能导致漏切。3D打印方向用Mesh或STEP方式均可。但针对FDM工艺我强烈建议用STEP再转STL而不是直接用AI生成的三角形网络。因为FDM打印的切片精度受网格密度影响STEP转网格时可以控制输出密度在合理区间直接用低模三角网则会损失薄壁结构。快速原型方向STEP文件可以直接导入3D打印切片软件、CNC加工、硅胶复模等全流程。目前这套流程最大的瓶颈还是在模型修复耗时上但配合工业软件里日益强大的特征识别功能预计一年内这个瓶颈就会从数小时降级到分钟级。6.2 定制化工具链把text-to-cad嵌入你的现有工作流目前text-to-cad工具大多以网页应用或API形式提供这就意味着你可以把生成→检查→后处理的流程脚本化。我目前的实践是用Python脚本调用Zoo的API生成STEP再用FreeCAD的Python控制台做几何检查最后用PrusaSlicer的命令行接口自动切片。整套链路跑下来一个标准件从文本到切片文件只花了不到2分钟。如果基于开源的Text2CAD或CAD-GPT框架自由度更高。你可以把公司内部的标准化零件库数据微调进自己的开源模型这样每次生成的产品天然符合内部规范。这个方向的定制化程度更高需要一定的机器学习基础但带来的效率提升也非常可观。对于一些生产图纸保密要求较高的企业私有化部署开源模型也是把数据安全和生成效率同时照顾到的路径。6.3 行业落地展望与我的保守判断Text-to-cad在细分行业的落地正在逐步从花哨演示走向真刀真枪。在非标自动化设备设计领域标准件选型是大量重复性劳动。以前工程师需要在SolidWorks的标准件库里一个个找轴承、气缸、联轴器现在用一句话40x80 aluminum extrusion profile, 1 meter length, with 8mm T-slot直接生成料架模型省下的时间很可观。在家居定制方向消费者和设计师沟通方案时经常鸡同鸭讲。设计师画了一个柜子客户说我想要更圆润一点的。以前要改模型至少半小时现在用text-to-cad重新生成一个带圆角的版本只需要几分钟。但目前受制于材质渲染和结构强度的模拟能力还比较弱最终生产图纸仍然需要专业设计师终审复核。在教学培训场景下text-to-cad特别有潜力。机械制图课程里学生脑子里想的结构和最终画出来的二维图纸经常对不上。现在可以先用自然语言生成三维模型再让学生围绕模型做测绘——这种教学路径比传统盲画效率高得多。当然这也会让基础练习的价值打折扣需要教学工作者重新平衡练习设计。我的保守判断是text-to-cad短期内不会取代传统参数化CAD但会成为概念设计环节的重要工具。正如计算器没有取代数学家但它让算术不再是瓶颈。text-to-cad让几何表达不再停留在打字之前先学会建模软件的阶段这会推动产品设计的民主化非专业出身的创意者也允许基于真实结构表达想法——这是我认为它最有价值的方向所在。 
长河君 · 2026/10/27 21:15:40 · 阅读 1.2k 从自然语言到可用CAD模型：text-to-cad核心逻辑与工程实践全解析
第一次接触text-to-cad这个概念时我第一反应是又是营销号在吹牛。毕竟传统CAD建模这条路从参数化建模到布尔运算背后是一整套严谨的数学逻辑想靠一句自然语言生成可用模型听起来确实像天方夜谭。但真正上手实测了几款主流工具之后我必须承认自己被打脸了——用自然语言直接生成CAD模型这条路已经走通了而且走得比大多数人想象中更远。text-to-cad本质上做的事情是把设计师脑子里的想法直接翻译成可编辑的CAD文件。它不像是Midjourney那样生成一张好看的图片而是生成有实际几何拓扑关系、能进CAM软件切片、能导入SolidWorks继续修改的真实三维模型。这个赛道的核心玩家包括Zoo Text to CAD、Autodesk的Project Bernini、Luma的Genie以及一批开源社区的项目。它们解决的问题非常明确传统建模的学习曲线太长对于非机械设计专业出身的人比如创客、产品经理、手工艺人想要快速验证一个结构方案以前至少需要几个月的CAD基础现在只需要一句描述清晰的文字。这篇文章我会从工具选型、核心参数、指令编写逻辑、模型后处理这几个维度把text-to-cad从玩玩而已到真能干活这条路完整趟一遍。我会把自己实测过的工具结果、踩过的坑、摸索出来的指令模板全部摊开讲不藏私。1. text-to-cad的核心逻辑从生成一张图到生成一个几何体1.1 它和AI生图底层逻辑的根本差异很多人会把text-to-cad和text-to-image混为一谈这个误解要第一个澄清。AI生图比如Stable Diffusion或Midjourney的底层是扩散模型在像素空间里做去噪最终产出是RGB像素矩阵漂亮但假——没有体积、没有拓扑、没有闭合曲面。而text-to-cad的目标是生成一个可以被CAD内核如Parasolid、ACIS、OpenCascade解析的几何描述最终输出通常是STEP、IGES或原生BREP文件。我用一个生活化类比来解释AI生图像是画家拿着一支笔在画布上作画画得再像也就是一层颜料text-to-cad像是一个雕刻师拿着凿子在一块真实的石料上作业你拿走的每一块都是实实在在的体积。前者没有厚度后者有严格的材料边界。具体到技术路径上text-to-cad目前主流有三种实现路线。第一种是基于视图生成再重建即先让扩散模型生成多视角的深度图或法线图再用多视图立体几何MVS算法重建出网格最后通过逆向工程转成BREP。这条路线的优点是能处理有机曲面缺点是精度受限于视图数量和重建算法容易出现细节失真。第二种是直接生成隐式场模型直接预测一个占用场occupancy field把空间每个点标记为实心或空心再通过Marching Cubes算法提取等值面成网格。这种方式对拓扑变化的适应性更好能生成带孔洞或复杂内腔的结构。第三种是参数化约束求解这也是Zoo Text to CAD早期版本采用的路线模型实际上是在做布局预测 约束识别从文本里提取几何参数直径、深度、倒角半径再交给底层的约束求解器去构建参数化特征树。理解这条底层差异很重要因为它直接决定了你后期能对模型做什么。基于视图重建出来的模型大概率是一坨三角网格如果后续要进CNC或3D打印必须做曲面拟合或重新参数化而基于参数化约束生成出来的模型天然带特征树自由度极高改一个参数就能全局更新。1.2 为什么2024-2025年这个赛道突然爆发text-to-cad这个概念其实几年前就有论文提出过但一直停留在实验室阶段。最近一年密集爆发的原因我认为是三股力量碰到了一块儿。第一是大语言模型LLM的指令跟随能力大幅增强。早期text-to-cad的精度上不去卡脖子问题在于语言理解和几何生成之间的对齐不够好。你输入一个M8螺栓直径8mm螺距1.25mm模型根本分不清哪个数字是直径哪个是螺距。现在的LLM经过大规模指令微调对这类结构化描述的解析准确度已经高到可以实际使用。第二是3D数据集的规模和标注质量上了一个台阶。以Objaverse-XL为例已经包含超过1000万个3D模型配合Caption自动生成描述文本模型有了足够多的文本-几何配对样本可以学习。这里特别要提一句其实大量CAD级数据的贡献来自社区——比如McMaster-Carr的标准件库被各种爬虫抓取后用于训练这让模型对标准螺纹、轴承、法兰这类规范零件的生成精度特别高。第三是硬件和推理优化。现在一张消费级显卡就能跑通轻量级的text-to-cad推理生成一个简单零件从输入文本到输出STEP文件只需要几秒到几十秒这个响应速度已经进入可用区间。几年前同样任务需要数小时甚至直接超算。2. 工具选型实战我测过的五款text-to-cad工具横向对比2.1 当前主流工具的分层定位工具选型是这个赛道最让人头疼的事情因为每天都在出新产品而且各有各的脾气。我实际深度用过Zoo Text to CAD、Luma Genie、Autodesk Project Bernini内测以及两个开源权重模型这里把真实使用感受摊开讲。先说Zoo Text to CAD目前综合体验最均衡的一款。它的底层是Revolution团队自己训练的参数化生成模型输出直接就是BREP格式可以用文本描述生成相对精确的机械零件比如法兰盘、支架、轴套这种。我最喜欢的是它支持在描述里直接指定单位制你告诉它unit: mm它会把所有尺寸严格锁定在毫米单位下这一点听着简单但绝大多数同行工具都做不到。它生成的模型可以直接用STEP格式导出拿到SolidWorks里编辑特征树时居然能看到合理的建模顺序——先草图、再拉伸、然后倒角。能做到这一步说明它的训练数据里有大量真实CAD操作日志模型学到的不只是几何形状而是建模思路。再说Luma Genie它的强项是自然语言理解能力极强你可以用很口语化的描述一个放在桌面上的可爱小蘑菇带圆点花纹底下有粗粗的柄它能看到你描述里蕴含的语义关系生成像模像样的有机曲面模型。但Genie的短板非常明显——它输出的是三角网格GLB格式没有参数化特征树精度和壁厚控制都一般直接拿去3D打印或CNC会出问题。它的定位更像是创意验证工具或者游戏资产生成器而非工程级CAD工具。再来说Autodesk Project Bernini这是背靠Autodesk多年CAD技术积累的产物内测阶段的功能已经非常能打。它有一个独特优势是支持多模态输入——你可以同时输入一张草图照片加一段文字比如基于这个手绘草图做一个壁厚3mm的花瓶外壳它能同时理解栅格信息和语言信息。生成结果可以返回多种表示形式包括网格、点云和带特征参数化的近似模型。Bernini目前还没大规模公测但它代表的是设计意图理解这个方向上走得最远的方案。开源阵营里值得关注的是CAD-GPT系列和Text2CAD框架。CAD-GPT的思路是让LLM生成CAD脚本代码如OpenSCAD或CadQuery代码然后本地执行脚本生成模型。这个路线的好处是可控性极强你甚至可以改生成的Python代码来微调几何坏处是能处理的几何复杂度受限因为代码生成是离散序列预测某个参数错了就会全盘皆输。Text2CAD则是用预训练的3D扩散模型做主干微调文本-3D对齐模块偏向学术实验原型工程化程度不高。工具输出格式参数化能力自然语言宽容度工程可用性适合人群Zoo Text to CADSTEP/BREP强高支持单位指定高机械设计、产品工程师Luma GenieGLB网格弱极高口语化低-中创意设计师、游戏美术Project BerniniSTEP/网格/点云中极高多模态中-高工业设计师、CAD老手CAD-GPTOpenSCAD/CadQuery代码强中中喜欢改代码的极客Text2CADSTL网格弱中低学术研究者2.2 选型决策树根据你的下游任务反推工具我建议不要做先玩再说的盲目尝试而是从最终交付物反推工具。这是我在实际项目中总结的决策逻辑分享给读者参考。如果你的最终交付物是3D打印件那请优先用Zoo Text to CAD这类的参数化输出工具。因为3D打印切片软件对模型的要求是流形网格——也就是每个边恰好被两个面共享体积封闭没有悬空边或零厚度区域。而参数化BREP模型转网格时可以通过网格密度控制保证流形性但直接由AI生成的原始网格就经常有自交面和非流形边修起来非常痛苦。实测下来用Zoo生成的STEP文件在转STL时能自动处理壁厚问题用Genie生成的网格如果壁厚小于0.5mm切片后基本就是废品。如果你的交付物是产品效果渲染图Luma Genie反而更好用。因为渲染只看外观不需要精确的尺寸关系。你可以用非常口语化的Prompt生成一堆不同造型的瓶子、椅子、灯具然后在Blender里做场景摆拍。这里有个小技巧生成网格后如果后续要做细分曲面可以在Blender里用Decimate减面再配合Subdivision Surface重新光滑效果会比直接用原始高模好得多。如果你的场景是CNC加工那目前没有哪个text-to-cad工具能直接交付。CNC需要严格的刀具路径规划和毛坯余量设置而AI生成的模型往往缺乏加工坐标系参考。但这个流程可以这样优化用Zoo或Bernini快速生成一个概念模型导出STEP后在Fusion 360里做二次加工——补基准面、加夹具预留位、调整圆角半径。这个AI初稿人工精修的混合流程能把单个零件的概念设计时间从小时级压缩到半小时以内。对于纯学习目的推荐开源CAD-GPT路线。因为你可以直接在生成的CadQuery代码里观察到文本如何映射到几何操作序列对理解CAD本质的帮助比黑盒工具大得多。我自己在跑通CadQuery代码后对参数化建模的理解加深了一个层次回头用SolidWorks都有种降维打击的感觉。3. 实操全流程从指令编写到模型交付的完整记录3.1 指令编写方法论如何把脑子里模糊的想法变成AI能执行的精确描述text-to-cad的Prompt编写和AI生图的Prompt完全是两码事。生图Prompt侧重风格渲染词比如8k, unreal engine, cinematic lighting而text-to-cad的Prompt要侧重几何约束、尺寸参数、拓扑关系。我总结了一套五段式Prompt模板经过大量实测生成成功率有明显提升这里直接分享出来第一段是基础形态定义一句话说清这是什么零件命名要尽量贴合工程术语比如hex socket head cap screw而不是带六角孔的螺丝因为训练数据里标准术语出现的频率远高于口语表达。第二段是核心尺寸约束用diameter: 8mm, length: 45mm这种明确的键值对形式。这里有个细节——不要用约大概左右这类模糊词它们会严重干扰模型的数值解析宁可给一个确切值然后在后处理时修改。第三段是结构特征拆解把零件拆成多个子特征按顺序排列比如head diameter 13mm, hex hole size 6mm, thread length 30mm, pitch 1.25mm。注意要按照建模逻辑排序先主体后辅体这样模型在构建特征树时会更合理。第四段是拓扑关系说明用词要克制明确说concentricthrough hole盲孔对称这类关系词。特殊几何关系一定要点名比如counterbore for M6 cap screw, depth 8mm否则模型大概率会把沉孔做成通孔。第五段是非几何要求CAD模型的壁厚、拔模斜度、公差等级这类信息也要写进去例如wall thickness: 2mm和draft angle: 1.5 degrees。这些内容不仅让模型生成更精确的几何还能在后续CAM时省很多事。举个例子——模糊Prompt做一个能装下五号电池的盒子带盖子的那种要能3D打印。用这种Prompt生成出来的东西大概率尺寸不对、壁厚不合理、盖子没有卡扣结构。但用我的模板改写成rectangular enclosure for AA battery holder, with hinged lid, outer dimensions 62mm x 32mm x 18mm, wall thickness 2mm, lid snap-fit pegs at four corners, bottom has two mounting holes diameter 3mm centered at 12mm from each side, add 1 degree draft angle on all vertical faces。生成结果的可用性立刻提升几个量级。我还要专门提一个很反直觉的经验描述越啰嗦效果越差。不要试图把外观的美学细节和工程细节混在一起写比如不要写一个很现代感的花瓶曲线流畅壁厚3mm底部平整高180mm。因为模型内部在做两种不同任务时的注意力分配完全不同混着写容易让两边都糊。真的想两者兼得就用Bernini这类支持多模态输入的方案——先用生图工具画一个外观参考再用文字补充工程约束。3.2 完整实操记录从一句中文到可装配的STEP文件拿一个我最近真实做过的项目当案例做一个直径80mm、厚度12mm、8个通孔的法兰盘孔直径6mm分布在直径64mm的PCD节圆直径上倒角0.5mm。第一步写Prompt。我的最终版本是flange plate, outer diameter 80mm, thickness 12mm, 8 through holes diameter 6mm on a 64mm pitch circle diameter, chamfer 0.5mm on all sharp edges, material suggestion: aluminum 6061, unit: mm。这里material suggestion其实不直接控制几何但我发现加上材料名有助于模型调用对应行业标准因为训练数据里铝制法兰和钢制法兰的典型结构往往不同。第二步选择工具并生成。我用的Zoo Text to CAD在输入框粘贴上述描述后选择Precise模式而不是Fast模式。Fast模式大约10秒出结果但倒角特征经常丢失Precise模式大约要40秒但几何完整性明显更好。生成结果是一个嵌在页面里的3D预览可以实时旋转查看。从预览来看法兰外形正确、孔位正确、倒角存在。第三步导出STEP文件并检查质量。在Zoo界面点击Export后得到一个STEP格式文件。这步最关键我把它导入FreeCAD。注意一定要在导入后用Check Geometry功能做一次全面体检因为AI生成的模型可能躲过了肉眼检查但在几何内核层面存在拓扑缺陷。实测这次体检通过没有自交面、没有未缝合边。第四步继续精修。在FreeCAD里删除一个孔做一个LinearPattern再复制出8个孔顺便验证了模型的参数化关联——如果生成的特征树是合理的话修改PCD直径后所有孔的位置会联动更新。实测这个操作完美生效说明Zoo生成的STEP文件保留了参数关联这让我挺意外的确实不是简单的静态几何导出。第五步对接制造。用FreeCAD的Mesh Workbench将STEP转为STL网格密度选Medium导出后直接在PrusaSlicer里切片层高0.2mm。实地打印出来之后用卡尺量了关键尺寸外径79.96mm、厚度12.02mm、孔径5.95mm都在IT9公差范围内。这个结果已经能达到很多非标零件的设计要求。3.3 后处理工作流AI生成的模型为什么不能直接用以及怎么修后处理是text-to-cad投入使用中最容易被忽略、也最能拉开效率差距的环节。很多人的流程是AI生成 → 直接导出 → 打印/加工结果翻车率极高。我用一个真实例子说明后处理的重要性和方法。某次用Luma Genie生成一个带波浪纹的桌面收纳盒原始网格直接导出后进Cura切片发现两层楼以上波长纹路全部悬空打印失败。原因分析生成网格时曲面内壁和外壁间距在波谷处小于0.3mm切片后形成不可打印的悬空薄壁。修复方案是三步走。第一步用Blender的Solidify修改器给网格统一加厚度这次加到2.0mm。第二步用Remesh修改器做体素化重网格把不一致的三角面统一成均匀的四边形网格这样切片软件遇到的连续轮廓更少。第三步用3D-Print Toolbox插件检查非流形边和零厚度区域修复后重试切片成功。如果你要处理的是STEP格式的参数化模型后处理思路完全不同。重点是检查特征树里是否有可编辑参数没有的话就要做特征识别再参数化。这个其实可以用Fusion 360的Push/Pull功能实现——在导入的模型上重新定义关键草图尺寸然后让软件重新生成特征。这是一个很神奇的过程AI生成一个死模型你用参数化工具把它唤醒成活模型。遇到的另外一类高频问题是坐标系混乱。生成模型的原点位置、基准平面朝向经常是随机的。不管用哪个工具链我都建议在后处理的第一步就重新对齐坐标系——把模型移动到原点、底面贴合XY平面、长边对齐X轴。这一步做完了后续所有CAM或FEA分析都会顺利很多。4. 踩坑实录与排查速查表4.1 五个高频问题的出现原因和解决思路我在上百次生成测试中把遇到的高频问题归集为五类这里逐一讲透。第一类是尺寸失真。现象是描述里指定80mm生成出来却是82.4mm。原因有三个模型训练数据里的单位混乱有的源数据用英寸有的用毫米、文本编码器对数字的解析不够精准、分辨率量化误差。解决办法是加强约束——在Prompt里同时给出unit: mm和dimensions critical两个信号生成后再用FreeCAD的Tweak功能做全尺寸检查。实测双重声明之后尺寸精确度能提升一个档级。第二类是特征遗漏。最常见的是chamfer 0.5mm模型有时候完全忽略倒角有时候生成错误的45度倒角角度。原因是倒角这类微特征在体素栅格化时被吞掉了特征向量。解决办法有三个把倒角写进特征树描述而不是作为附加属性如add 0.5mm x 45-degree chamfer on outer circumference, both faces将倒角尺寸放大到最终要求的两倍生成后再用参数化工具改回指定尺寸接受无倒角版本在CAM阶段用刀具倒角。第三类是对称性破坏。四孔法兰生成出来孔距不对称一个孔明显偏了。原因是训练数据里法兰类零件数量分布不均模型学到了对称概念但没有严格要求。解决思路是强制描述对称关系比如8 holes evenly spaced on 64mm pitch circle diameter, symmetric about both axes。我在实际测试中这种描述能把孔位对称度从±0.8mm提升到±0.1mm效果显著。此外还有一个偏门但有效的做法在Prompt末尾追加rotational symmetry: 8-fold让模型调用对称先验。第四类是布尔运算痕迹。有些模型生成的STEP文件虽然外形正确但打开特征树发现每个孔都是布尔减运算的产物而不是真正的圆孔拉伸特征。这意味着CAD里修改孔的位置会整个失效。解决办法是接受这一点然后手动重做特征树或者用CAD Doctor流程自动识别特征并重构。第五类是虚假装配关系。描述里说两个零件是装配关系有配合间隙模型却把两个零件生成为一个整体。这是因为模型对间隙这类关系预测能力较弱更倾向于生成连续实体。解决办法是分两次分别生成两个零件各自导出后在CAD里做装配约束。别想着AI帮你一次性搞定装配体至少目前它做不到分件处理效率最高。4.2 实用排查技巧如何判断生成结果可用还是不可用这里分享我用几个快速动作判断模型质量的实用技巧可以帮助读者省下大量无效时长。第一招检查是否流形。在FreeCAD导入后打开Part工作台运行Check Geometry如果报非流形错误直接放弃或回炉重造。不要浪费时间修复复杂网格——AI生成模型的重建成本远低于手画修复成本这是实践给我的痛感。第二招切片前用模拟打印。在PrusaSlicer里用Slice预览一层层查看支撑结构分布。如果某区域支撑面积超过实体面积的50%说明悬伸结构设计不合理果断重新生成。省掉实际打印的材料和时间。第三招光照下观察表面连续性。在Blender里给网格添加一个高光材质用强光从侧面照射观察表面是否出现带状条纹——带状条纹说明曲面法线计算有问题后期印刷会看到明显层纹。第四招做一次热力壁厚分析。在Fusion 360或Rhino里用Wall Thickness Analysis工具给模型一种颜色映射——低于你预期最小壁厚的区域会显示为红色。这一步能发现肉眼完全看不到的隐形薄壁是加工质量事故隐患。第五招装配检验。如果目标是做装配体就把生成件和一个标准件从McMaster下载在CAD里做干涉检查。如果干涉量超过0.5mm八成是孔位置偏了不要怪标准件规格不对。没有哪个AI工具能保证一次生成就完美真正拉开效率差距的是快速判断 快速失败的能力。这个思维比任何Prompt技巧都重要。5. 效率提升三板斧把text-to-cad从玩具变成生产力工具5.1 交叉验证法用多个工具互相纠错我的一个不太常见但非常好用的技巧是交叉验证法。同一个Prompt分别用Zoo和CAD-GPT各生成一次然后对比两个模型的几何差异。如果它们在关键尺寸上一致那大概率没有幻觉如果差得离谱必有一方在偷懒或是不够力。这一招在生成标准化零件时特别有效。标准件的几何定义有严格规范ISO/DIN/GB如果一处模型给的尺寸参数在标准范围之外那整个模型基本是幻觉。交叉验证能快速抓住这些异常。举个例子我生成一个DIN 912 M8x40 socket head cap screw——Zoo生成了正确的头部直径13mmCAD-GPT给出的头部直径是14.2mm。明显不对因为我记得DIN 912标准的M8头部直径范围是12.9-13.3mm。那我就会拒绝CAD-GPT这个结果同时高度信任Zoo的。5.2 模板库思维建立自己的Prompt资产管理我发现很多新手在写Prompt时都是每次都从头开始效率极低。我的做法是建立一个结构化Prompt模板库按照零件类别分组法兰类、支架类、外壳类、轴套类、紧固件类、齿轮类。每积累到一个成功案例就把Prompt和最终成品模型存进库里命名规范是类别_用途_关键参数。比如我库里这条flange_真空吸盘安装_8孔80mm。三个月下来积累了80多条高质量模板现在写新Prompt至少有70%可以直接复用只需改参数。这个习惯把我在text-to-cad上的平均出图时间从半小时压缩到了5分钟以内。5.3 二次优化回路让AI学你的修改习惯目前大多数text-to-cad工具没有显式的在线学习功能但你可以搭建一套人工优化回路。具体操作记录下每个成功Prompt的修改历史比如第一次生成孔距偏了0.4mm → 第二次在Prompt里加了symmetric about both axes → 第三次成功。这个历史记录本身比任何工具内置的优化算法都更有参考价值。我还在实验一种更激进的用法把修改后的CAD模型和原始Prompt喂回给一些支持多模态输入的工具比如Bernini让它在下次生成时自动参考你修改后的几何结构。这个以人教机的工作流虽然还不是官方主流用法但实测下来效果很明显值得跟进。6. 项目后续可以怎么扩展从设计到制造的全链路6.1 对接工业软件的三种成熟路径text-to-cad已经能产出STEP文件这意味着它可以无缝接入大部分主流CAD/CAM软件。但不同行业的对接路径不太相同需要根据实际情况选择适配方案。机械加工方向最合适的路径是STEP导入Fusion/fusion 360或Mastercam做CAM刀路规划。这里的关键动作是在AI生成模型上重新定义加工坐标系和毛坯边界然后让软件自动生成粗加工和精加工刀路。实测下来这对简单车削件和铣削件能节省约50%的编程时间。执行细节和注意事项在CAM之前一定要确认倒角特征是否存在——刀具倒角和模型自带倒角是两回事刀具倒角会在CAM阶段自动扣除模型倒角会被错误识别为几何特征可能导致漏切。3D打印方向用Mesh或STEP方式均可。但针对FDM工艺我强烈建议用STEP再转STL而不是直接用AI生成的三角形网络。因为FDM打印的切片精度受网格密度影响STEP转网格时可以控制输出密度在合理区间直接用低模三角网则会损失薄壁结构。快速原型方向STEP文件可以直接导入3D打印切片软件、CNC加工、硅胶复模等全流程。目前这套流程最大的瓶颈还是在模型修复耗时上但配合工业软件里日益强大的特征识别功能预计一年内这个瓶颈就会从数小时降级到分钟级。6.2 定制化工具链把text-to-cad嵌入你的现有工作流目前text-to-cad工具大多以网页应用或API形式提供这就意味着你可以把生成→检查→后处理的流程脚本化。我目前的实践是用Python脚本调用Zoo的API生成STEP再用FreeCAD的Python控制台做几何检查最后用PrusaSlicer的命令行接口自动切片。整套链路跑下来一个标准件从文本到切片文件只花了不到2分钟。如果基于开源的Text2CAD或CAD-GPT框架自由度更高。你可以把公司内部的标准化零件库数据微调进自己的开源模型这样每次生成的产品天然符合内部规范。这个方向的定制化程度更高需要一定的机器学习基础但带来的效率提升也非常可观。对于一些生产图纸保密要求较高的企业私有化部署开源模型也是把数据安全和生成效率同时照顾到的路径。6.3 行业落地展望与我的保守判断Text-to-cad在细分行业的落地正在逐步从花哨演示走向真刀真枪。在非标自动化设备设计领域标准件选型是大量重复性劳动。以前工程师需要在SolidWorks的标准件库里一个个找轴承、气缸、联轴器现在用一句话40x80 aluminum extrusion profile, 1 meter length, with 8mm T-slot直接生成料架模型省下的时间很可观。在家居定制方向消费者和设计师沟通方案时经常鸡同鸭讲。设计师画了一个柜子客户说我想要更圆润一点的。以前要改模型至少半小时现在用text-to-cad重新生成一个带圆角的版本只需要几分钟。但目前受制于材质渲染和结构强度的模拟能力还比较弱最终生产图纸仍然需要专业设计师终审复核。在教学培训场景下text-to-cad特别有潜力。机械制图课程里学生脑子里想的结构和最终画出来的二维图纸经常对不上。现在可以先用自然语言生成三维模型再让学生围绕模型做测绘——这种教学路径比传统盲画效率高得多。当然这也会让基础练习的价值打折扣需要教学工作者重新平衡练习设计。我的保守判断是text-to-cad短期内不会取代传统参数化CAD但会成为概念设计环节的重要工具。正如计算器没有取代数学家但它让算术不再是瓶颈。text-to-cad让几何表达不再停留在打字之前先学会建模软件的阶段这会推动产品设计的民主化非专业出身的创意者也允许基于真实结构表达想法——这是我认为它最有价值的方向所在。