企业官网建设流程全解析

我最早看到“text-to-cad”这个词，是在一次产品评审会上——有人问能不能像Midjourney一样，说一句话就生成一个能直接改尺寸的机械零件。当时我没太当回事，觉得这多半是个新造的营销词。直到自己折腾了整整两个周末，把“文本生成CAD模型”这件事从“能看”一路推进到“能出工程文件”，我才发现这个方向跟那些只会生成漂亮网格的AI完全不是一个物种。它背后牵扯到的参数化建模、特征历史、B-rep数据结构和工程语义精度，随便哪一个都比“生成一张图”麻烦一个量级。

这篇文章不打算写成综述，也不打算堆论文公式。我想站在一个既画了多年CAD、又试过各种AI生成工具的从业者角度，把text-to-cad到底是什么、目前主流路线怎么工作、实际跑通一个零件要经历哪些环节、哪里最容易翻车，以及什么场景值得真正上手，一次说清楚。适合谁看？如果你在机械设计、结构设计、3D打印、电子外壳设计，或者企业做CAD自动化选型，这篇文章应该能帮你省下不少试错时间。

1. 从“能看”到“能用”：text-to-cad为什么比AI生图更难

1.1 一句话说清text-to-cad是什么

text-to-cad，字面意思就是“从文本生成CAD模型”。你输入一句描述，比如“一个宽80毫米、深60毫米、高10毫米的方形底座，四角各有4.2毫米的安装孔”，系统输出的不是一个像素图，而是一个真正的三维CAD模型文件。

关键区别在于“真正的”这三个字。现在AI生成3D模型的工具不少，但大多数输出是STL或OBJ这种网格模型，本质是三角形拼出来的表面。你看着像那么回事，一旦想改尺寸、加倒角、钻个孔，就完蛋了。网格模型没有特征历史，也没有参数约束，改一下等于整个重来。而CAD模型讲究的是可编辑、可约束、可出工程图、可进入装配体。text-to-cad要解决的核心问题，就是让AI生成的模型具备这些“工程属性”，而不只是“长得像”。

单看这一点就能明白，这个方向的技术难度比AI生图要高得多。图像生成错了顶多丑一点，CAD模型生成错了，你没法直接拿去加工，得改半天还不如自己画。

1.2 为什么CAD领域对“语义精度”要求这么苛刻

我做机械设计十年，最深的体会是：CAD里每个数字都是有物理意义的。一个直径10毫米的孔，装一个M10螺栓，差0.2毫米就是装配不进去；一个圆角R3，标注成R5，加工出来就是应力集中点。AI生图可以“差不多”，CAD必须“对得上”。

所以text-to-cad系统面临的挑战是双重的。一方面，自然语言是模糊的，“大一点的孔”“稍微圆润一点”“中等厚度的板”这种表达没法直接建模。另一方面，即便用户给了精确数值，系统也要正确理解单位、基准面、坐标系、特征顺序，才能生成一个符合工程习惯的模型。这比“把一句话翻译成图片”要复杂得多。

我见过不少初上手AI设计工具的人，第一反应都是“这东西生成的模型怎么丑丑的”，但真正的问题根本不在于美观，而在于它能不能被后续加工、装配、仿真流程接住。没有工程语义，长得再好看也是废文件。

1.3 这类工具适合谁，不适合谁

先说适合的。第一类是概念设计阶段的产品工程师，手头需要一个参考模型快速评估布局，不要求一步到位，后面还得重画。第二类是3D打印玩家，做外壳、支架、夹具这类结构相对简单、对公差要求不那么严格的零件。第三类是CAD二次开发和自动化团队，想把“自然语言需求”和参数化模板结合起来，减少重复劳动。

不适合的也很明确。精密零件设计、装配体设计、有严格行业标准（比如ISO、GB、ASME）的零部件，目前text-to-cad还很难直接交付。我自己的判断是：它现在最大的价值是“提效”，不是“替代”。本质上它帮你把最初那版草稿快速搭出来，省下从空白画布开始的痛苦，但真正能用的模型，几乎总是需要人做二次调整。

2. 一句话变成模型的三种技术路线，我分别怎么理解

接触这个领域之后，我陆陆续续把能翻到的技术方案都试了一遍。归纳下来，目前让文本变成CAD模型的做法主要有三条路线，它们的区别决定了生成结果的“可编辑程度”和“精度上限”。

2.1 路线一：LLM直出参数化脚本

这条路线最直观，也是我自己最先跑通的。让大语言模型理解你的需求，然后生成一段CAD脚本代码。脚本的宿主可以是OpenSCAD、CadQuery、FreeCAD宏，也可以是Fusion 360的Python API。执行脚本之后，得到的就是一个带完整特征历史的参数化模型。

为什么这路线最容易被早期项目采用？因为LLM本身就擅长写代码，而CAD脚本就是代码。比如你让模型写一段CadQuery脚本，生成一个底板加四个安装孔，它大概率能写出来，而且你改尺寸的时候只需要改参数变量。我在实际项目中非常喜欢这种方式——生成结果不仅是个模型，还是个“自动化能力”，下次要类似零件，改几个数字就能重新生成。

但这路线的天花板也很明显。LLM对CAD API的理解是“从文档和训练数据里学来的”，遇到冷门功能、自定义库、版本差异，经常写出一堆报错代码。而且脚本生成的质量完全取决于你把需求描述得多清楚，一句话说太多隐含要求，它就容易漏。

2.2 路线二：草图-拉伸序列（Sketch-and-Extrude）

这是目前不少项目偏好的一条路线，尤其是一些开源研究项目。思路是：模型先根据文本生成一个二维草图，再自动为草图选择拉伸深度，形成三维体。

为什么这样设计？因为绝大多数机械零件，尤其是有一定规则形状的零件，都可以拆解成“草图+拉伸+切除+孔”这样的特征序列。这跟人用CAD建模时的操作习惯是一致的。你画一个矩形截面，向上拉伸20毫米，再在顶面画圆切除，就出来一个管状件。模型学着这个思路，把生成结果落在一系列可编辑特征上，而不是一次性吐出整个体。

我对这条路线的评价是：更“CAD-native”，因为它生成的模型天然带有特征历史，你可以在软件里回退、修改草图、调整拉伸深度，可编辑性比路线一还直观。但缺点是，一旦零件需要曲面、放样、扫描这类复杂特征，草图-拉伸的办法就不够用了，而且如果草图阶段就画错了，后面的每一步都是带着错走。

2.3 路线三：端到端输出边界表示（B-rep）

第三条路线更前端、也更硬核：直接用神经网络生成B-rep结构。B-rep，也就是边界表示，是CAD内核（比如Parasolid、ACIS）存放实体模型的核心数据结构，描述的是“哪些面围成了这个体，哪些边连接了这些面”。

这条路线的优势是模型生成自由度高，不局限于草图拉伸这种操作序列，可以处理更多变几何。缺点是工程化难度极高。B-rep的拓扑关系必须完全正确，差一条边、多一个面，模型就是坏的。我实际测试过几个声称端到端输出STEP文件的工具，经常遇到“文件能打开但补面失败”的情况，非常难修。

2.4 三种路线的取舍，我做了个对照

下面这个表是我根据自己的使用经验整理的，不保证绝对客观，但可以帮你快速做判断。

你要是问我选哪条，我的建议是：想立刻用到生产里，路线一最稳；想做规则零件、且希望生成结果好改，路线二很合适；三可以持续关注，但别把核心流程押上去，现阶段翻车概率还是偏高的。

3. 实战记录：从一句中文需求到一个可编辑的STEP文件

说了这么多原理，还是得动动手。我找一个典型场景：设计一个3D打印用的控制板底板。需求是“80×60×10毫米的方块底座，四角有M3沉头孔，中间留一个22×30毫米的矩形走线槽”。我用CadQuery脚本路线跑完整流程。

3.1 描述怎么写：把口语转成“机器听得懂的工程语言”

很多人第一次用text-to-cad写提示词，恨不得把整个需求倒进去，结果模型输出一堆不相关的东西。我自己摸索出来的经验是，要按“总体尺寸—基础形状—特征操作—特征参数”这个顺序组织描述。

比如下面这版提示词：

生成一个CadQuery脚本，创建如下零件： 1. 底座：长80毫米，宽60毫米，高10毫米，底面贴合XY平面。 2. 四角沉头孔：孔直径3.3毫米，沉头直径6.5毫米，沉头深度3毫米，孔中心距边缘8毫米。 3. 走线槽：位于顶面中心，长22毫米，宽30毫米，通槽，深度为10毫米。 4. 零件原点在底座底面中心，坐标系Z轴朝上。

“底面贴合XY平面”“坐标系Z轴朝上”这些信息，看起来像废话，其实是给后续编辑和加工留后路。如果坐标乱放，导入FreeCAD再改就得费半天劲。

3.2 运行脚本、输出STEP、导入验证，完整链路三步走

我这里用CadQuery做个示例，假设你机器上已经装好了CadQuery库。核心代码如下：

import cadquery as cq # 底座 result = ( cq.Workplane("XY") .box(80, 60, 10, centered=(True, True, False)) ) # 四角沉头孔 result = ( result.faces(">Z") .workplane() .rect(80 - 2 * 8, 60 - 2 * 8, forConstruction=True) .vertices() .cboreHole(3.3, 6.5, 3) ) # 中间走线槽 result = ( result.faces(">Z") .workplane() .rect(22, 30, forConstruction=True) .cutBlind(-10) ) # 导出STEP cq.exporters.export(result, "baseplate.step")

这段代码执行完，目录下会多出一个baseplate.step文件。注意我在四角孔的操作里用了一个构造矩形，它本身不是实体，只是用来定位四个角的点。这种“一个特征接一个特征”的写法，正是CAD脚本建模的精髓：每一步都基于上一步的结果。

导出的STEP文件拿到FreeCAD或Fusion 360里打开，能正常识别成实体模型，右键能看到特征树。到这一步，你才敢说“这是CAD文件”，而不是一堆网格。

3.3 怎么判断生成结果好不好，我看三个维度

生成完了，凭感觉说“还行”是不够的。我每次都会按三个维度打分第一。几何保真度：尺寸跟需求是否一致，孔距、深度、位置用卡尺工具量一遍；第二.可编辑性：进入CAD软件后，特征树是否完整，能不能直接改草图，还是只能当铁疙瘩看；第三.可制造性：有没有悬垂结构、薄壁区域、工艺上没法加工的形状。

这三个维度基本决定了一个AI生成的模型是“能看”还是“能用”。我自己踩过的坑是，很多工具生成结果第一眼看过去完美，孔的位置也对，但特征树里只有孤零零一个“Base Feature”，任何修改都得从零开始，这种模型的价值就打折了。

4. 最容易翻车的四个环节，以及我排查它们的过程

text-to-cad真正让人头疼的不是“生成不出模型”，而是“生成出的模型总在细节上坑你”。我把踩过的问题整理成四类，每个都附上我的排查思路。

4.1 单位、公差和坐标系的“三不管”

第一次用AI工具生成模型时，我拿到一个看起来正常的支架，结果放进Fusion 360一量，整体大了25.4倍。查了半天才发现，模型内部用的是英寸，软件默认是毫米。1英寸等于25.4毫米，所有尺寸等比放大。

从那以后，我每次让模型输出之前，都会在提示词里明确写清“单位是毫米”“坐标系Z轴向上”“原点在底面中心”。你可能会说，这不算text-to-cad本身的问题，但恰恰是这类工具最容易忽略的隐性要求。它不像传统CAD有个模板替你管着单位，AI生成时纯靠提示词约束。

排查方法也很简单：生成后第一时间测量一个你已知的关键尺寸，比如底板的厚度。如果测量结果和需求对不上，不要急着改模型，先看单位设置。别问我为什么知道要先看这个——问就是量了半小时才发现是单位问题。

4.2 功能性特征失效：螺纹孔、卡扣、倒角

这类问题最隐蔽。你让AI生成一个带螺纹孔的安装面，它确实给你挖了一个孔，但打开模型看，那只是普通通孔，没有螺纹线；你要求加倒角，结果它给了圆角；你要求“卡扣配合”，它给你做成了过盈配合，装配时根本扣不上。

为什么会有这个问题？因为很多text-to-cad系统的训练数据来自公共模型库，这些模型只存了几何形状，不存工程语义。模型学会了“孔长什么样”，没学会“孔是用来装M3螺丝的”。排查时我一般把功能性特征逐一列成清单，孔直径、有效深度、螺纹类型、配合间隙，一项项对照检查。

我的经验是，功能要求越关键，越要在提示词里拆成独立步骤描述，不要用“螺纹孔”一个词带过。比如写成“直径3.3毫米的通孔，孔口有90度沉头，沉头直径6.5毫米，深度3毫米”。把功能性特征“几何化”，AI的执行成功率会高很多。

4.3 可编辑性与“一次性几何”陷阱

还有一次，我用一个在线text-to-cad工具生成了一个外壳，效果出奇的好，圆角、厚度、卡扣全都有。等我兴致勃勃导入SolidWorks，准备把壁厚从2毫米改成2.5毫米，发现整个模型只有一个实体的壳，没有草图、没有拉伸特征，根本无从下手。这就是我常说的“一次性几何”。

这种模型看着是STEP格式，其实是把一堆曲面缝合成实体后导出的，B-rep结构虽然是对的，但完全没有参数化历史。你改壁厚，等于重新画一遍。

我现在用工具之前都会先确认：它能输出带特征历史的原生产物，还是只输出缝好的实体？如果只是后者，我只会把它当“参考模型”，绝不会直接作为交付文件。这一条想通之后，能省掉大量后期返工。

4.4 复杂装配体和多零件场景基本无能为力

最后一个坑是适用范围问题。text-to-cad目前能处理的大多是单个零件，最多到“带十几个特征”的级别。当你输入“一个包含电机安装座、传动轴、轴承座、外壳，且外壳能固定到基座上的装配体”这种需求，几乎所有工具都会崩溃。

我试过把装配体需求拆成零件分别生成，再手动拼装，过程极其痛苦，因为零件之间的配合关系（同轴、共面、距离约束）AI完全无法理解。最后那款项目我还是回到了传统CAD，老老实实自己画。结论很简单：目前这个技术适用范围就是单零件、中等复杂度、规则特征为主的设计。再往上，别硬来。

5. 按场景选工具：开源方案、商用平台和“别用AI”的判断

5.1 开源自建和商业平台，各自解决什么问题

先看开源方案。如果你技术团队有一定的CAD二次开发能力，我建议优先考虑基于CadQuery、OpenSCAD这类成熟库的自建流程。好处是可控性强，你能把公司标准件库、材料数据库、标注样式全部做成模板，LLM只负责把自然语言翻成参数，后面的建模逻辑完全在你自己手里。我们在一个工装夹具自动出图项目里就是这么干的，原来三天的方案设计压缩到半天，返工率反而降了。

商用平台的优势则是开箱即用，你不需要懂得CAD API，打开网页、输入需求、等结果就行。适合初创团队快速做外形验证，也适合非机械背景的人（比如电子工程师）自己搭结构初稿。但商业平台通常是个黑盒，你很难把公司内部的建模规范揉进去。

5.2 落地判断：什么场景值得上，什么场景别碰

每次有人问我“text-to-cad能不能用”，我都会反问一句：你说的“用”是指什么。

如果你是要减少重复劳动，比如每周都要画几十个类似结构的钣金件、支架、底板，那非常值得投入。公式就是“标准件库+参数化模板+LLM翻译”，把人工画图的环节尽量自动化。如果你是要它像资深机械工程师一样，直接设计出一个全新的、需要复杂装配和严密干涉检查的产品，那非常不值得投入。现有工具还没到这个水平，硬上就是给自己找麻烦。

还有一条判断标准我觉得也很实用：如果这个零件的关键尺寸少于大概三十个，以规则特征为主，加工方式相对常规（铣削、3D打印、钣金折弯），text-to-cad就可以试；如果零件需要复杂的曲面配合、公差链分析、模具分型，还是别让AI碰了。

5.3 我对当前阶段text-to-cad的定位：一个“超级草图助手”

说到底，我目前把text-to-cad当成一个“超级草图助手”来用。它帮我快速把脑子里的想法变成有依据的三维草稿，我再在这个草稿上进行工程决策和细节完善。这个定位放低之后，对工具的容错率就高了，成就感反而上来了。

如果你手里正好有一个“建模很规则但又很费时间”的零件，我建议你今晚就找一款text-to-cad工具试试，输入“长120、宽80、高5的板，四角有直径6.5通孔，板上有一条宽10深3的槽”，看看输出结果和你的预期差多少。大概率你会惊讶于它已经能做到多好——也会立刻发现，距离真正变成你的交付标准，还差着一层工程智慧的打磨。

那些能沉下心把“AI草稿”和“工程规范”两者结合起来的团队，我觉得才是这个领域真正的先行受益者。