企业官网建设流程全解析

在CATIA V5里，结构工程师每天最花时间的往往不是“设计一个全新零件”，而是“换个尺寸再来一遍”：同一个支架，客户改了几毫米，你就要重新拉伸、重新倒角、重新打孔；同一套外壳，型号多了几十个，每个都要手动更新参数。传统做法是录宏、做PowerCopy、写Knowledge Expert规则，但这些都需要专门的二次开发能力，普通设计师很难上手。最近“AI智能体”这个概念从大模型应用火到了CAD领域，很多人开始讨论“AI全自动建模、设计、改型、加特征一键搞定”。这篇文章就把这条技术链路掰开来看：智能体到底是怎么接管CATIA V5建模的、需要准备什么环境、真正落地时有哪些坑。

先说我的判断：CATIA V5 + AI智能体并不是让AI凭空生成一个复杂曲面，而是让AI接管“自然语言 → 参数化操作”这一层翻译和调度工作。真正能跑通的方案，核心不是大模型本身，而是你沉淀的模板库、规则库和参数化模型资产。如果手上没有一套规范的参数化模型，再强的AI也只能乱猜。接下来我会从技术原理、环境搭建、完整示例、验证方法到生产建议，给你一条可以照着复现的路径。

1. 为什么CATIA V5会和AI智能体走到一起

很多人误以为CATIA V5是纯粹的手工建模软件，跟AI没什么关系。实际上，CATIA V5一直提供完整的自动化接口：VBA宏、PowerCopy、User Defined Features（UDF）、Knowledge Expert、EKL语言，以及更底层的CAA C++ API。问题在于这些工具的使用门槛很高。

普通工程师最常见的自动化手段是“宏录制”。你手工操作一遍，CATIA生成一段VBA脚本，下次回放。可一旦模型结构变化，脚本立刻失效；参数不是按照规则命名的，脚本也基本没法复用。PowerCopy和UDF解决的是“将常用特征固化复用”的问题，但制作PowerCopy本身需要理解几何约束和外部参考的选择，不是人人都会。Knowledge Expert则要求使用EKL这种专门的知识工程语言，语法冷门、调试困难，很多企业里只有少数几个“二次开发高手”能维护。

AI智能体的价值就在这里：它位于“设计师的自然语言意图”和“CATIA的参数化能力”之间，扮演一个翻译和调度者。你说“把这个底板长度改成120，孔距保持60”，传统方式需要你打开参数树、找到长度公式、手动改数值，或者写一段脚本去遍历参数名；智能体则直接把这句话解析成结构化的任务，再从模板库里找到对应的参数化模型，执行修改并回读结果。

这个变化不是替代CAD，而是补上了CAD自动化的“最后一公里”。它让不会VBA、不会EKL的设计师，也能用接近自然语言的方式驱动CATIA。从这个角度看，它适合四类人：结构工程师、模具设计师、CATIA二次开发工程师，以及需要批量生成相似件的工艺人员。对二次开发工程师来说，它最大的价值是降低了脚本维护成本；对普通设计师来说，它提供了一种“低门槛自动建模”的入口。

2. AI智能体驱动CATIA V5的核心原理

要理解AI智能体怎么在CATIA V5里建模，先要分清它和传统自动化的边界。

CATIA V5的自动化能力可以分成五层，每一层的抽象程度和使用门槛都不同。

AI智能体通常不直接去操作底层CAA API，而是把上面这些能力封装成“工具”。一个大模型接收用户指令后，先判断当前任务属于“新建零件”“参数改型”还是“添加特征”，再决定调用哪一段工具代码、使用哪一个模板、替换哪些参数。整个链路可以概括为四步：

第一步是意图识别。用户输入“我要新建一个长120、宽80、高20的底板”，智能体先把这个文本解析成结构化信息，包括动作类型、目标对象、参数列表。第二步是任务拆解。如果是“加一个直径10的孔，位置在底板中心”，智能体需要判断底板的参考面、孔的定位方式，以及是否先要激活某个UDF。第三步是参数映射。这一步最关键——自然语言里的“长、宽、高”必须映射到CATIA模型里真实的参数名，比如pad_length、pad_width。映射关系存在哪里？存在企业模板库里。第四步是执行与回读。智能体生成或者复用一段VBA/Python脚本，通过COM调用CATIA完成操作，再回读特征树和参数值，验证是否成功。

这个架构的本质是“大模型做决策，脚本做执行，模板做边界”。大模型不直接生成任意几何，而是在你预先定义的参数化模板范围内组合、修改、添加特征。这也是为什么我说“模板库和规则库才是核心资产”。模型库越规范，AI的准确率和可解释性就越高；反过来，如果每个零件都是非参数化建模、草图和特征命名混乱，智能体就会频繁出错。

3. 环境准备与前置条件

要搭建一条可以做实验的“AI智能体 + CATIA V5”链路，需要准备以下环境。这里以Windows系统为主，因为CATIA V5的COM自动化在Windows下最稳定。

3.1 CATIA V5环境

CATIA V5需要正常安装并激活，版本本身不限制，但建议不低于V5 R20，因为越新的版本对COM对象模型的支持越稳定。安装完成后，要确认宏功能可用。具体操作是：点击菜单“工具 → 宏 → 宏录制”，随便录制一个新建零件操作，如果能够生成VBA脚本，说明自动化基础环境正常。

还需要注意宏安全性设置。在“工具 → 选项 → 常规 → 宏”里，把安全性级别设置为“低”，否则后续通过外部进程调用宏时，可能弹出权限拦截框，导致自动化中断。这个设置在实验环境可以放开，生产环境则建议设置成“中等”，并配合数字签名。

3.2 Python自动化环境

我们选择Python作为智能体的调度层，因为Python写大模型调用和脚本编排都更灵活。推荐使用Python 3.9以上版本，然后安装pywin32库，它负责让Python通过Windows COM接口连接CATIA。

pip install pywin32

安装完成后，可以用一个最简单的Python脚本测试能否连接CATIA。测试前请先手动打开一个空的CATIA V5会话。

# 文件路径：connect_catia.py import pythoncom import win32com.client def get_catia(): pythoncom.CoInitialize() try: # 优先连接当前已经打开的 CATIA 实例 catia = win32com.client.GetActiveObject("CATIA.Application") except Exception: # 如果没有打开，则启动一个新实例 catia = win32com.client.Dispatch("CATIA.Application") return catia if __name__ == "__main__": catia = get_catia() docs = catia.Documents print(f"Connected. Documents count: {docs.Count}")

如果运行后输出Connected. Documents count: 0或者当前文档数量，说明Python已经能驱动CATIA。这个步骤是整个智能体执行链路的地基，如果这里失败，后面所有能力都无从谈起。

3.3 大模型服务

智能体的大脑需要一个能理解自然语言并输出结构化JSON的大模型。实际项目中通常选择企业私有化部署，避免把产品设计数据传到外部服务。推荐使用本地推理服务，例如通过Ollama或者vLLM启动一个OpenAI兼容接口。只要是兼容OpenAI API格式的服务，Python代码里的调用方式基本一致。

需要注意，本文不会指定具体模型，因为模型选择跟企业数据规模和算力有关。实验阶段，任何能稳定输出JSON的模型都可以跑通链路，例如各类7B到14B规模的参数化模型。更关键的是，要在提示词里约束模型的输出格式，否则它可能返回一段散文而不是可解析的任务JSON。

3.4 安全提醒

在开始实验之前，必须强调一点：不要在正式交付的模型上直接做自动化验证。应该先复制一份模型，或者建立专门的实验目录，任何自动化脚本执行前都要有备份。后面所有示例都遵循这个原则。

4. 核心流程拆解：设计、改型、加特征

一次完整的“AI一键建模”可以拆成三条典型流程：新建设计、参数改型、添加特征。每条流程的输入输出不同，智能体调用CATIA的方式也不同。

4.1 新建设计流程

当用户说“新建一个长120、宽80、高20的底板”时，智能体需要做三件事。第一，在CATIA中新建一个Part文档。第二，找到模板库中的“底板模板”，或者通过脚本依次创建草图、拉伸、约束。第三，把自然语言中的尺寸参数填入模板。

这里最现实的路径不是让AI从零写几何代码，而是让AI调用你录制好的“底板创建宏”，然后替换其中的参数。用VBA宏录制手工建模底板的过程，得到一份原始脚本，之后由智能体把脚本里的尺寸值改成动态变量。这样既稳定，又能减少AI生成非法几何的风险。

4.2 参数改型流程

参数改型是智能体落地价值最大的场景。它的输入通常是“把某个零件的长度从100改成120，同时保持孔距不变”。智能体要解析出：目标零件是哪个、需要修改的参数名是什么、新值是多少、哪些参数需要联动更新。

在CATIA V5里，如果模板建模时已经用公式或者参数表管理尺寸，那么改型本质上就是一次“参数赋值”操作。智能体不需要重新建模，只需要调用COM接口，找到Parameters集合中的对应参数，执行Value = 120，然后调用part.Update()。

4.3 添加特征流程

添加特征比前两者复杂，因为特征往往涉及参考面、草图位置、几何约束。例如“在底板中心加一个直径10的通孔”，智能体要先确认底板是长方体、顶面是平面，然后找到顶面作为草图平面，画圆并启动Hole或Pocket特征。

这个流程里最容易出错的是参考面的选择。CATIA的模型树中有大量平面和曲面，AI如果只靠名字猜测参考面，可能选错。稳妥做法是让智能体从模板库中读取“孔特征模板”，模板里已经写好了参考面的选取规则，AI只需要提供孔的直径和二维坐标。这样，几何计算交给CATIA的约束求解器，而不是让大模型去想象。

为了让你更直观理解三类流程的差异，下面用表格对比。

5. 完整示例代码实现

下面给出一套可独立运行的最小示例，覆盖“连接CATIA → 大模型解析意图 → 参数修改 → 添加特征”这条链路。代码采用Python编写，重点演示思路，不是某个商业产品的功能。

5.1 Python连接CATIA并修改参数

先看最核心的改型操作。假设你已经有一个参数化底板Part文档，其中有名为pad_length的长度参数。下面的Python代码通过COM连接CATIA，读取当前参数值，然后修改为新的目标值。

# 文件路径：modify_parameter.py import win32com.client import pythoncom def update_part_parameter(catia, part_doc_path, param_name, new_value): """ 打开指定 Part 文档，更新参数值。 part_doc_path: CATPart 文件绝对路径 param_name: 参数名，例如 pad_length new_value: 新的参数值，例如 120.0 """ pythoncom.CoInitialize() catia = win32com.client.GetActiveObject("CATIA.Application") documents = catia.Documents part_doc = documents.Open(part_doc_path) part = part_doc.Part # 获取零件全部参数集合 parameters = part.Parameters target_param = parameters.Item(param_name) print(f"Before: {param_name} = {target_param.Value}") # 更新参数并刷新几何 target_param.Value = float(new_value) part.Update() print(f"After: {param_name} = {target_param.Value}") # 保存文档，建议另存为新文件，避免覆盖原模型 import os dir_name = os.path.dirname(part_doc_path) base_name = os.path.basename(part_doc_path) new_path = os.path.join(dir_name, "updated_" + base_name) part_doc.SaveAs(new_path) return new_path if __name__ == "__main__": # 请改成你自己的 CATPart 路径 path = r"D:\cad_agent_test\base_plate.CATPart" update_part_parameter(None, path, "pad_length", 120.0)

这段代码的关键逻辑有三个地方。第一个是parameters.Item(param_name)，它要求模板里的参数名必须稳定且唯一，如果项目里存在重名参数，这里会抛异常。第二个是part.Update()，改参数后必须显式刷新几何，否则模型特征树不会更新。第三个是另存为新文件，这是自动化流程中最重要的安全习惯。

5.2 用大模型解析自然语言意图

接下来是智能体的“大脑”部分。我们调用兼容OpenAI API的本地大模型服务，把用户的自然语言需求解析成结构化JSON任务。

# 文件路径：parse_task.py from openai import OpenAI import json # 兼容 Ollama / vLLM 等本地服务的 OpenAI 格式接口 client = OpenAI( base_url="http://127.0.0.1:11434/v1", # 替换成你的本地服务地址 api_key="ollama", # 本地服务一般无需真实密钥 ) SYSTEM_PROMPT = """ 你是CATIA V5建模助手。请把用户需求解析为结构化的JSON任务。 只输出JSON，不要输出任何解释文字。JSON格式如下： { "action": "create_part | modify_parameter | add_feature", "target": "目标零件或特征名称", "params": { "参数名": 参数值 } } """ def parse_user_task(user_text: str) -> dict: resp = client.chat.completions.create( model="YOUR_LOCAL_MODEL", # 换成你的实际模型名 messages=[ {"role": "system", "content": SYSTEM_PROMPT}, {"role": "user", "content": user_text}, ], temperature=0.1, response_format={"type": "json_object"}, ) content = resp.choices[0].message.content return json.loads(content) if __name__ == "__main__": user_input = "把底板长度改成120，孔距保持60不变" task = parse_user_task(user_input) print(json.dumps(task, ensure_ascii=False, indent=2))

这里有一个细节值得注意：response_format={"type": "json_object"}保证了模型输出是合法JSON，而不是一段解释性的文字。如果本地模型不支持这个参数，可以去掉，但需要在提示词里加强“只输出JSON”的约束，并在代码里加入异常处理，防止解析失败导致整个流程中断。

5.3 将JSON任务映射为CATIA操作

第三步是把解析出来的JSON任务翻译成实际的CATIA操作。这里的核心是一个“参数白名单”映射表，它告诉智能体哪些参数可以改、对应哪个模型库的哪个CATPart。

# 文件路径：task_router.py from modify_parameter import update_part_parameter # 参数白名单：只允许操作已经验证过的参数 PARAM_WHITELIST = { "pad_length": r"D:\cad_agent_test\base_plate.CATPart", "pad_width": r"D:\cad_agent_test\base_plate.CATPart", "pad_height": r"D:\cad_agent_test\base_plate.CATPart", "hole_diameter": r"D:\cad_agent_test\base_plate_hole.CATPart", } def execute_task(task: dict): action = task.get("action") params = task.get("params", {}) if action == "modify_parameter": # 每一个参数都要校验白名单，防止 AI 修改未授权的模型 for param_name, new_value in params.items(): if param_name not in PARAM_WHITELIST: raise ValueError(f"参数 {param_name} 未在白名单中，拒绝执行") part_path = PARAM_WHITELIST[param_name] # 同一零件可能有多个参数修改，这里简化成逐个调用 update_part_parameter(None, part_path, param_name, new_value) elif action == "add_feature": # 添加特征走“模板宏 + 参数替换”流程，这里给一个示意 # 实际项目中调用预先录制好的特征添加宏 print("执行添加特征模板，参数：", params) elif action == "create_part": # 新建零件走“模板复制 + 参数替换”流程 print("执行新建零件模板，参数：", params) else: raise ValueError(f"未知 action：{action}") if __name__ == "__main__": example_task = { "action": "modify_parameter", "target": "base_plate", "params": {"pad_length": 120} } execute_task(example_task)

在这个示例里，PARAM_WHITELIST是安全边界。AI生成的任务JSON永远不会被直接信任，它只能操作白名单里预先验证过的参数和模型。这是生产环境必须有的设计，也是给“AI全自动建模”加上的一道人工护栏。

5.4 用VBA宏作为特征模板的底座

添加特征和新建零件场景下，与其让AI从零生成底层几何调用，不如让AI去调用你录制好的VBA宏模板。下面是一段典型的宏录制骨架，展示了新建Part文档并读取参数的VBA结构。实际使用时，AI只需要替换其中的尺寸变量，不需要自己编写五行以上的底层API。

' 文件路径：create_plate_template.bas ' 说明：这是宏录制得到的骨架代码，实际项目中由 AI 做参数动态化 Sub CreatePlateTemplate() Dim partDocument1 As PartDocument Set partDocument1 = CATIA.Documents.Add("Part") Dim part1 As Part Set part1 = partDocument1.Part Dim bodies1 As Bodies Set bodies1 = part1.Bodies Dim body1 As Body Set body1 = bodies1.Item("PartBody") ' 以下为参数定义区 ' 在真实模板中，length/width/height 来自参数表 Dim padLength As Double Dim padWidth As Double Dim padHeight As Double padLength = 120# padWidth = 80# padHeight = 20# ' 此处省略“建立草图、创建约束、Pad拉伸”的过程 ' 因为该部分高度依赖具体模板的参考面选择，建议从宏录制中获得 part1.Update End Sub

VBA模板的存在，意味着AI不需要理解CATIA内部复杂的几何内核。它的任务只是“从模板库中挑选正确宏 + 填入正确参数”。这是一种更稳定、更可控的工程实践。

6. 运行结果与效果验证

跑通示例后，不能只看“没有报错”就认为成功，还需要做多维度验证。我建议按以下三个层次判断任务是否真正完成。

第一层是参数层验证。运行modify_parameter.py后，控制台会输出修改前后的参数值。如果Before和After的数值符合预期，说明参数已成功写入。

第二层是几何层验证。打开updated_base_plate.CATPart，观察特征树和三维模型。特征树中应该有且仅有一个Pad特征，模型的包围盒尺寸应该和新的参数对应。如果几何没有变化，即使参数值变了，也说明更新失败，常见原因是part.Update()没有执行，或者公式覆盖了直接赋值。

第三层是约束层验证。改型不只是改一个孤立参数，还要确认关联参数是否正确联动。例如底板长度改了，孔距保持不变，孔的位置要始终居中等。这一步需要打开CATIA的公式管理器，检查相关公式是否仍然成立。

如果执行过程中出现异常，优先检查以下位置：首先看Python控制台输出的异常栈，定位是COM连接失败还是参数名匹配失败；其次打开CATIA V5的“工具 → 消息”窗口，这里会记录宏执行时的内部错误；最后检查模型文件的时间戳，确认保存是否生效。不要一上来就怀疑大模型的理解能力，实测下来，大多数失败发生在参数名不匹配和参考面选择错误，而不是意图识别错误。

这里必须再次提醒：验证一定要在副本模型或实验目录中进行。自动化脚本一旦执行了错误的参数赋值，可能覆盖人工调整了很久的成熟设计。虽然SVN/Git能管代码，但CAD模型文件的版本管理远不如代码那么透明，提前备份是成本最低的容错手段。

7. 常见问题与排查思路

根据实际落地经验，把最常见的几类问题整理成下表，可以直接对照排查。

8. 最佳实践与工程建议

从能跑通的Demo，到真正能在生产环境中使用的AI建模助手，中间还隔着很多工程化问题。以下五条建议来自实际落地经验，建议在项目启动时就纳入规划。

第一，必须建立参数白名单机制。AI生成的任务JSON只能操作白名单里的参数，任何不在白名单里的参数名一律拒绝执行。白名单要有人工维护和审批记录。这是防止“AI乱改模型”最有效的一层防线。

第二，把所有可复用的建模经验沉淀成模板库。模板库不只是CATPart文件，还包括：特征创建宏、参数映射表、参考面选择规则、UDF定义。模板越标准化，AI的可靠性越高。相反，如果每个工程师都用自己的一套命名习惯，智能体就会不断踩坑。

第三，加入人工确认节点。不要追求“全自动无监督”，更合理的模式是“AI生成变更方案，工程师确认后执行”。在参数改型场景中，AI可以先输出“我准备把pad_length从100改为120，并且保持hole_diameter参数不变”，等待确认后再执行CATIA操作。这样既保留效率，又保留控制权。

第四，做好日志和审计。每一次AI任务都应该记录：原始自然语言、解析出的JSON任务、执行结果、耗时、模型文件的输入输出路径。日志不仅用于排错，也是后续优化提示词和模板的素材。建议日志以JSON格式落盘，方便统计成功率。

第五，版本管理要双轨并行。代码部分用Git管理，模型部分用PDM或企业图文档系统管理。自动化脚本每次执行前检测模型文件的最新版本，避免在旧版本模型上重复修改。

第六，性能优化集中在这几个点：尽量复用已经打开的CATIA会话，不要频繁启动新实例；批量处理时一次会话内完成多个任务；大模型推理使用本地GPU服务降低单次请求延迟；参数修改优先走直接赋值，而不是每次重新播放整段宏。

9. 总结与后续学习方向

这篇文章从技术链路的角度，把“AI智能体驱动CATIA V5建模”这件事拆成了意图识别、任务拆解、参数映射、脚本执行、结果验证五个环节。真正的技术重点不在大模型本身，而在参数白名单和模板库建设。

如果你想在真实项目里验证这条链路，建议按这个顺序推进：先选一个结构简单的参数化底板零件，录制一个标准的创建宏；再写Python脚本完成参数修改和验证；然后接上本地大模型服务，测试自然语言到JSON的解析；最后逐步添加“新建设计”和“添加特征”两个动作。整个过程不需要一开始就追求复杂零件，先跑通最小闭环，再扩大模板范围。

后续值得深入的方向包括：把设计规范写成EKL规则，让AI在生成方案前先做规则检查；用知识库RAG技术管理企业历史模型和设计经验，让智能体不再只能处理模板内的参数，还能参考过往相似案例；以及在PDM系统集成层面打通“AI任务审批流”，让模型变更可追溯、可回滚。

建议你把文中的最小示例在实验环境里完整跑一遍，重点观察参数修改前后的模型变化。只有亲手验证过一次“自然语言变成模型参数”的过程，你才能真正理解这类工具的边界在哪里。