企业官网建设流程全解析

1. 一句话背后的建模痛点：text-to-cad到底在解决什么

我最近把text-to-cad这条技术链路从论文到开源实现、再到商业产品完整趟了一遍，最大的感受是：这个方向被严重低估了，也被严重误读了。大多数人以为text-to-cad就是"AI替设计师画图"，喊一嗓子"帮我画个扳手"，软件就给你吐出一个扳手模型。实际接触下来你会发现，它真正解决的不是"画图"本身，而是从想法到可编辑CAD文件之间那条又臭又长的流程——尤其是对非专业建模人员来说。

先说一个我自己的例子。以前我想验证一个机械结构的装配方案，脑袋里构思得很清楚：底板、四个支撑柱、顶部法兰，法兰上六个等分孔。但要把这个想法变成能丢进仿真软件里的模型，我得打开CAD工具，画草图、定义约束、拉伸、打孔、倒角，一套流程下来最快也要四十多分钟，中间还得反复调整尺寸。如果我用的是OpenSCAD这类程序化建模工具，情况好一些，但前提是我必须对相关语法足够熟练。而text-to-cad的思路是：把"用鼠标/代码描述几何"这件事，替换成"用自然语言描述意图"。模型负责把意图翻译成合法的建模指令，再由建模内核执行，最后输出一个真正可编辑的CAD文件。

这条思路的价值，只有亲手跑通一遍才能真正理解。它不是替代专业设计师，而是把"能想清楚零件长什么样"和"能把零件建出来"这两件事解耦了。工厂里的工艺工程师、创客、机械专业的学生，甚至做3D打印的普通爱好者，都可以用自然语言跨过建模软件的门槛。这也是我决定写这篇文章的原因，我会从原理、工具选型、实操链路、踩坑记录四个维度，把我实际测试的结果和心得完整摆出来，给想上手的人一条能直接复现的路径。

2. 先拆原理：为什么大语言模型能输出CAD文件

在动手之前，我建议你先理解这套东西背后的逻辑。如果不懂原理，你会在调试提示词的时候一头雾水——为什么有时候一句话就能出模型，有时候同一句话翻来覆去就是报错。

2.1 地基是程序化建模，不是人工智能凭空画几何

很多人误会了text-to-cad的核心。它并不是让AI像人一样在三维空间里"捏"模型，而是让AI去生成一段能描述模型的程序。这段程序运行之后，由建模内核真正执行布尔运算、拉伸、旋转等操作，最终产出几何体。

这里就得提到两个基础概念：CSG（构造实体几何）和程序化建模。

CSG的意思是把复杂几何体看成简单几何体（立方体、圆柱、球体）通过并集、差集、交集组合出来的结果。比如一个带孔的法兰盘，可以理解为一个大圆柱体减去一个小圆柱体，再和几个小圆柱体做并集。这种描述方式非常符合"给人看的指令"。

而程序化建模，就是用代码把CSG操作按顺序写出来。典型代表是OpenSCAD，它的语法类似编程语言，你可以写变量、写循环、写条件判断。另一个更接近工业级的是CadQuery，它基于Python，内置了面向机械设计的建模操作——拉伸、扫掠、倒角、开孔，而且生成的是**边界表示（B-rep）**模型，也就是CAD工业标准的实体模型表达方式，能被FreeCAD、SolidWorks等专业软件直接编辑。

text-to-cad的大致链路是这样的：

1. 用户输入自然语言描述，比如"一个直径100mm、厚度20mm的圆形法兰，中心有直径30mm的孔，周围均布6个直径10mm的安装孔"。
2. 大语言模型把这句话解析成建模代码——这一步是核心中的核心，考验模型对几何关系、尺寸标注、建模API的掌握程度。
3. 建模内核执行代码，生成三维实体。
4. 导出为标准CAD格式（STEP、STL、DXF等）。

所以本质上，text-to-cad解决的是"自然语言到建模代码"的翻译问题，而不是直接重塑了一个"AI建模内核"。这个认知非常重要，它决定了你对工具上限的判断：只要你用的底层建模内核支持的功能足够多，AI理论上就能通过代码调用这些功能。反过来，如果目标CAD格式本身不支持某种几何表达，AI写出花来也没用。

2.2 语言模型在中间扮演的角色：翻译官而非建筑师

真正接触大模型API之后，你会发现一个事实：语言模型本身根本不理解"法兰盘""直径""均布孔"这些词的几何意义。它只是在大规模代码和文档数据上训练过，学会了"当用户说XXX时，对应的CadQuery/OpenSCAD代码往往是这样的"这种统计规律。

这意味着两件事。

第一，代码生成的准确性取决于训练数据覆盖度。如果某个建模API在训练语料里出现次数少，模型就很容易生成错误的函数名、错误的参数顺序。这也是为什么在text-to-cad任务上，有些模型表现好、有些模型表现差——差别不是"聪明不聪明"，而是有没有见过足够的CAD代码样本。

第二，提示词的结构化程度直接影响成功率。我自己实测过，同样一个需求，用"帮我画个法兰"这种口语化描述，和用"用CadQuery生成一个法兰盘：外径100mm、内径30mm、厚度20mm、6个直径10mm的安装孔均匀分布在直径70mm的螺栓圆上"这种结构化描述，模型的成功率差了一倍不止。原因很简单，大模型擅长做"格式转换"，你把需求拆成明确的参数列表，它翻译成代码的时候就有清晰的约束条件。

所以，text-to-cad绝不是"随便说话就能建模"。它更接近一种受限自然语言交互——你需要学会用模型的"语言习惯"去描述几何。这个技巧我后面会在实操部分详细说。

3. 现有工具与选型：两条本质上不同的技术路线

我在调研的时候发现，市面上的text-to-cad相关工具经常被混为一谈，其实它们分属两条完全不同的技术路线。搞清楚它们的区别，你才知道什么场景该用什么。

3.1 路线一：LLM直接生成参数化建模代码

这是目前最成熟、最实用的一条路线。大语言模型直接输出OpenSCAD、CadQuery或FreeCAD宏的代码，然后由本地CAD内核执行。

代表工具有：

这条路线最大的优势是可编辑性。因为最终产物是代码，你随时可以让AI"把厚度改成30mm"或者"把6个孔改成8个孔"，本质上是修改参数后重新生成。这在设计迭代阶段简直是降维打击——传统建模改一处设计可能要把相关特征全部重做，代码建模改一个变量就完事。

3.2 路线二：专用生成模型直接输出几何体

这条路线更"AI原教旨"，用深度学习模型直接从文本生成三维几何，常见做法是把文字描述编码成条件向量，再通过扩散模型或隐式场生成体素、点云或者网格，最后转换成CAD可用的格式。

代表方向包括一些论文级的项目，比如用CLIP文本编码器做条件的点云生成、基于扩散模型的三维生成等。我实测下来，这条路线目前的成熟度还不太够，原因在于：

• 生成的几何体精度很难达到机械设计的公差要求，毫米级误差在视觉demo里看不出来，放到装配里就是灾难；
• 输出格式多为网格（Mesh/STL），而不是参数化实体，你没法在专业CAD软件里编辑特征树；
• 复杂结构的可控性差，你没法精确指定"这个孔直径必须12.5mm"——生成模型是概率性的，不是参数性的。

我的判断是：短期两三年内，实际能落地的text-to-cad工作流几乎都是路线一。路线二代表未来方向，但现阶段更适合当demo看，不太适合真的用来做产品设计。

3.3 选型结论：我最终跑通的组合

我最终选择的是LLM + CadQuery的组合，配合通用大模型的API来生成代码。选择理由有三：

1. CadQuery生成的B-rep模型能被FreeCAD直接打开，打开之后特征树完整，可以用鼠标继续编辑，这是OpenSCAD做不到的——OpenSCAD是CSG网格，进SolidWorks会变成"死"模型；
2. CadQuery的API是为机械设计定制的，像.holes()、.fillet()、.edges()这些方法的语义非常贴近工程师的表达习惯，大模型反而更容易生成正确的调用逻辑；
3. Python生态方便，我可以写脚本批量处理、参数化生成系列零件，甚至接到自动化流程里。

如果你完全不想写代码，只想快速出一个能看的模型，那Zoo Text-to-CAD这种在线工具体验确实更好，它有专门的提示词优化，对口语化描述容错率更高。但我个人建议，如果你真想靠这个技能吃饭，一定要学会CadQuery这条链路——它能做的事情上限高得多。

4. 手把手复现一条text-to-cad实操链路

下面这部分是我踩了无数坑之后总结出的可复现流程，每一步都经过了实际验证。我用"带法兰的底座支架"作为完整示例，从环境搭建讲到最终导出STEP文件。

4.1 环境准备：两步装好CadQuery

CadQuery的安装比很多人想象中简单，有Python环境就行。我在Ubuntu 22.04和Windows 11上各测了一遍，都能正常跑通。

# 创建一个干净的虚拟环境，避免依赖冲突 python -m venv cadenv source cadenv/bin/activate # Windows下用 cadenv\Scripts\activate # 安装CadQuery pip install cadquery # 验证安装 python -c "import cadquery; print(cadquery.__version__)"

装完之后你可以顺手装一个FreeCAD，用来打开生成的STEP做可视化检查。如果你不想装全量FreeCAD，CadQuery也内置了基于CQ-editor的可视化工具，但体验和完整CAD软件还是差一些。

4.2 核心实操：让LLM生成CadQuery代码

环境好了之后，我用GPT-4o调用自然语言生成了一段CadQuery代码，需求描述是：

用CadQuery生成一个底座支架模型。底座是150mm见方、厚10mm的正方形板，四角各有一个直径8mm、沉头直径14mm的安装孔，孔心距板边12mm。底座中心竖直向上伸出一个高80mm、外径40mm、内径30mm的圆柱套筒，套筒外壁与底座之间均匀分布4个三角形加强筋，筋厚6mm，筋从底座顶面延伸到套筒外壁高度60mm处。

模型返回的代码如下（我稍作整理）：

import cadquery as cq # 底座 base = cq.Workplane("XY").box(150, 150, 10) # 四角沉头安装孔 for x, y in [(-63, -63), (63, -63), (-63, 63), (63, 63)]: base = ( base.faces(">Z") .workplane() .center(x, y) .hole(8) # 沉头孔无法直接用hole完成，需要额外的沉头倒角 ) # 圆柱套筒（中空） sleeve = cq.Workplane("XY").circle(40/2).extrude(80).faces(">Z").circle(30/2).cutThruAll() # 合并底座和套筒 part = base.union(sleeve) # 加强筋：在四个象限位置用三棱柱近似 import math for angle in [45, 135, 225, 315]: rad = math.radians(angle) # 使用三棱柱作为筋的简化，实际更合理的做法是用loft扫掠 rib = ( cq.Workplane("XY") .polyline([(0, 0), (30, 0), (30, 20)]) .close() .extrude(6) .rotate((0,0,0), (0,0,1), angle) .translate((0, 0, 0)) ) part = part.union(rib) show_object(part)

这个初版代码有三个明显问题：沉头孔只是普通通孔、加强筋的几何形状完全不对、加强筋没有和套筒外壁正确相交。这正是text-to-cad目前最真实的状态——AI能给出80分的初稿，剩下的20分需要你具备基本的建模素养去修正。

4.3 修正与迭代：把代码改到能用的过程

我不建议你把AI生成的代码直接当成成品，而是要把这个过程当作交互式迭代。我对上面的初稿做了三处修正。

第一处，沉头孔改.hole()为.cboreHole()。CadQuery专门有.cboreHole(diameter, cboreDiameter, cboreDepth)方法，一步实现沉头孔。

base = base.faces(">Z").workplane().center(x, y).cboreHole(8, 14, 3)

第二处，加强筋的建模方式改用"先建一端的截面，再放样到另一端"的Loft思路。更可靠的写法是先建立套筒和底板的轮廓，用Workplane在两个高度上画截面，然后loft()成实体：

rib_profile = ( cq.Workplane("XZ") .moveTo(-20, 0) .lineTo(20, 0) .lineTo(20, 60) .close() .extrude(6) ) rib = ( rib_profile .rotate((0, 0, 0), (0, 0, 1), angle) )

第三处，加强筋底部和底座顶面重合区域要做布尔合并之前，最好统一坐标系。CadQuery的Workplane默认在局部坐标系操作，建议把所有特征都union到一个主对象上，避免坐标偏移导致模型错位。

你发现没有，整个过程其实是人机协作：AI负责把模糊意图转成可运行的代码骨架，人负责把几何约束修正到位。所以我才说，小白的门槛确实降低了，但完全不懂CAD基础的人依然做不了复杂零件——你至少得能看懂代码，知道"布尔并集"是什么。

4.4 导出STEP与参数化改造

模型修正完后，导出STEP格式非常直接：

cq.exporters.export(part, "bracket.step")

STEP文件的好处是通用性极强，FreeCAD、Fusion 360、Onshape都能直接打开。我实际测试过，导出的STEP在FreeCAD中打开后，可以继续用Part Design工作台做二次编辑——虽然特征树不会像原生文件那样完整，但几何实体是可编辑的，还能继续加特征、改尺寸。

如果你想让模型真正参数化，建议把关键尺寸定义为变量，比如：

BASE_SIZE = 150 BASE_THICKNESS = 10 SLEEVE_OD = 40 SLEEVE_ID = 30 SLEEVE_HEIGHT = 80 RIB_THICKNESS = 6

这样以后调整任何尺寸，只需要改变量值，整段代码重新运行就得到新模型。AI生成代码的时候你就可以在提示词里明确"把所有尺寸定义为变量"，它对这类要求处理得很好。

5. 实测中的高频翻车点与排查思路

这部分是全文我最想让读者记住的内容。网上教程大多只会给你看成功的截图，但实际跑起来，我大概有六成的交互轮次会出各种问题。我把这些坑整理出来，每个都写清楚现象和解决思路。

5.1 尺寸标注的心智差异：模型对"直径/半径"的混淆

我遇到频率最高的错误，是模型把直径当半径用，或者反之。比如需求写"外径40mm"，模型在代码里写circle(40)，而CadQuery的circle()接收的是半径。结果模型导出来80mm的圆，直接翻倍。

排查思路：拿到AI生成的代码，第一步先核对每个数字参数的含义，不要想当然。我的习惯是让模型在生成代码时给每个函数调用配一行注释，标明单位与语义：

.circle(20) # 半径为20mm，即直径40mm

这个习惯能帮你快速定位尺寸错误。同时，你可以在提示词层面规避：明确说"注意：circle接收半径，直径参数需要除2后传给circle"。把这类提示词固定成你的模板，成功率会明显提升。

5.2 布尔运算报错：几何体不相交或者边界重合

CadQuery的union、cut这类操作偶尔会报错，最典型的是"布尔运算失败"。原因通常是两个几何体只有点或线接触，没有实体相交，某些内核版本对这种退化的边界情况处理不稳定。

比如做加强筋的时候，如果筋的长度刚好等于底板边缘到套筒外壁的距离，两者恰好相切于一条线段，布尔并集就可能失败或产生碎片面。

排查思路：不要精确相切，稍微让筋"伸进去"一点。比如让筋的轮廓超出底板边缘1mm，再整体裁剪到边界。这样布尔运算的输入是"有重叠体积"的状态，成功率要高很多。这个技巧和做焊接时的"融合量"是一个道理——用0间隙去做实体会很脆，留一点过盈才稳定。

5.3 坐标方向错乱：为什么模型是歪的

大模型生成的建模代码，很容易犯坐标系混乱的毛病。CadQuery支持在XY、XZ、YZ三个平面上开工，模型有时候分不清"从正面拉伸"还是"从侧面拉伸"，结果零件横七竖八躺在地上。

我自己遇到过最搞笑的一次，是让AI生成一个竖直的圆柱，它把截面放在YZ平面上挤压，出来了就像一个横着的管道。排查这类问题，关键是在提示词里显式指定工作平面和挤出方向："从XY平面向上（+Z方向）拉伸80mm"。Geek一点的解释是，你要像给施工队交底一样，把基准面和方向都说死，AI才不容易自由发挥。

5.4 沉头孔、螺纹孔这类特征：API要盯紧

CadQuery提供了丰富的专业特征API：cboreHole、cskHole、threadHole等。但通用大模型对它们的参数签名覆盖并不全面，很容易生成不存在的参数名，或者漏掉必填参数。

我的建议是，用之前先把CadQuery的官方文档翻一遍，重点记住这些常用API的签名。你不用背，但要知道"有这么个方法能用"。等模型生成代码报错时，你能从报错信息判断是缺参数还是参数名写错。这样人机协作的效率才会上去。

比如常见的.cskHole(直径, 顶径, 顶角)，模型经常把顶角忘了写，导致默认值不符合需求。你提前知道这个方法的存在，一眼就能看出来问题。

6. 提示词结构化：把自然语言变成建模约束

我发现一个扎心的事实：text-to-cad这类工具，与其说考验AI能力，不如说考验你描述需求的能力。同样一个零件，描述方式不同，生成质量天差地别。这节分享一下我自己沉淀的提示词模板。

6.1 模板化描述：五个必填要素

你可以把几何描述拆成五个维度，每次都按这个顺序填充，基本不会漏信息：

带完整五要素的提示词示例：

用CadQuery建模一个L型支架：主体是一个弯折成90度的L型钣金件，水平面和垂直面各厚5mm。展开尺寸相当于200mm长、100mm宽。水平面上均布4个直径8mm的通孔，孔位在水平面区域四角，孔心距边缘15mm。垂直面上方中间有一个直径20mm的圆孔，圆心距水平面顶面50mm。所有尺寸单位均为毫米，保留特征树。

这种描述方式信息密度高，模型几乎不需要"猜"。我对比过，同模型下结构化描述的成功率约85%，口语化描述只有不到40%。

6.2 少样本示例：给模型一个"榜样"

如果目标零件的建模方式比较特殊，单纯靠描述让模型直接生成往往不够。更稳的做法是：找一段结构相似的CadQuery参考代码，贴进提示词里，让模型照着改写。

比如我想生成一个带中心孔的圆盘，我会先给模型看一段"带矩形槽的方块"的CadQuery代码，然后说"参照这种结构，把方块改成圆盘，矩形槽改成中心通孔"。这种少样本提示实实在在地降低了模型的生成难度，因为建模API的语法风格已经在示例中了，模型只需要做参数和几何形状的替换。

6.3 多轮对话修正：让模型自己完成"设计评审"

我还会利用多轮对话让模型先"自检"。在产出代码后追加一句："请检查这段CadQuery代码，重点检查尺寸单位、坐标方向、布尔运算和孔特征参数，指出可能的问题并给出修正后的完整代码。"实测中，这一步能让错误率再降低20%左右。原因是推理类大模型在"检查模式"下对细节的注意力比"生成模式"更好，类似于你写代码后自己做review的效果。

这个做法最大的收益不只是修正代码，而是你被迫跟着模型一起思考"这个零件有哪些隐藏的几何关系"，对培养建模直觉也有帮助。

7. text-to-cad的边界与可以延伸的玩法

最后聊点我对趋势的判断，以及这个能力还能怎么往深了用。

7.1 别指望它一步到位：当前的边界在哪

经过大量实测，我倾向于把text-to-cad当前的能力定义为"从0到80分的助手"：

• 简单机械零件（板类、轴套、支座等）可以直接用，效率极高；
• 中等复杂装配体（超过十几二十个特征、有复杂的曲面过渡）需要大量人工修正，整体效率不一定比传统建模高；
• 曲面造型（涡轮叶片、车身覆盖件这类）目前基本不可用，不要强求。

另外，国内外的CAD厂商正在把这类功能集成到官方软件里，比如在传统CAD中添加AI辅助生成功能。趋势是明确的：自然语言交互会成为CAD软件的标配入口之一，但底层内核的技术门槛依然很高。所以如果你想长期吃这碗饭，不要把宝全押在"AI能自动建模"上，而是把AI当成"更聪明的输入法"，它帮你把想法变成代码框架，但设计判断力和几何理解力仍然是你自己的核心竞争力。

7.2 进阶玩法：参数化族库与自动化生成

我自己目前用得最爽的一个场景，是做参数化族库。之前做非标自动化方案时，需要频繁调用不同规格的铝型材支架、电机安装座、传感器固定件。以前的做法是画好一个模板，出图时手动改参数另存。现在我用AI生成CadQuery参数化模型，把所有尺寸变量都暴露出来，再套一层Python脚本做批量生成：

specs = [ {"base": 120, "hole_d": 6, "height": 60}, {"base": 160, "hole_d": 8, "height": 80}, {"base": 200, "hole_d": 10, "height": 100}, ] for spec in specs: model = generate_bracket(spec) cq.exporters.export(model, f"bracket_{spec['base']}.step")

只要初始代码是参数化的，后续生成一系列变体完全不需要再动脑子。这种"AI写生成器、生成器再批量出模型"的分层结构，才是text-to-cad最有想象力的用法。

再往后，你还可以把这套参数化代码包装成微服务，接到内部工具链里，让非专业人员通过Web表单填参数就能拿到CAD模型，直接对接CNC加工或3D打印。这一步的思路已经跳出了"对话建模"，成了真正的数字化研发基础设施。

7.3 一点实在的建议

如果你现在动心要上手，我的建议非常简单：今天就用你手头的AI工具，配一个几十行的CadQuery环境，挑一个你工作中真实遇到的零件，试着让AI生成出来。不要拿教程里的demo零件练，因为你对其结构没有真实感，练完就忘。只用真实需求去练，你才能感知到AI在哪个环节省了你的时间、在哪个环节反而让你更头疼。

我花了大概两个周末把这条路趟通，前期最痛苦的不是AI代码写得差，而是我自己对CadQuery的API不熟，分不清是AI错了还是我的理解错了。等我把常用API过了一遍，再回头看text-to-cad，感觉就像多了一个随时待命的建模实习生——它出活快，但有的时候不靠谱，你得知道怎么给它派活、怎么验收。

这条路的本质，不是让AI替代会建模的人，而是让"会建模的人"效率变成原来的三四倍。想清楚这一点，你就知道该把精力放在哪里了。