企业官网建设流程全解析

1. 从一句话到三维模型：text-to-cad 到底在解决什么问题

第一次听到 text-to-cad 这个词，很多人脑子里浮现的画面大概是：对着电脑敲一句“给我画一个带四个轮子的小车底盘”，然后屏幕上就自动生成一个可以旋转、可以导出、可以拿去打印的模型。这个想象不算离谱，但也不完全准确。text-to-cad 本质上是一类把自然语言描述转换成 CAD 可识别几何模型的技术方案集合，它的输出通常不是某个私有格式的图纸，而是 STEP、URDF、G-code 这类通用性更强的中间产物。换句话说，它做的不是“替你画图”，而是“替你把意图翻译成机器能读的几何语言”。

我接触这个方向是从一个很具体的需求开始的：手头有一批参数化的支架零件，每次改尺寸都要在 CAD 软件里手动拉伸、打孔、倒角，重复劳动太多。后来想，能不能用一段文字描述直接生成模型，再导出 STEP 丢给下游做仿真。试了几套方案之后发现，text-to-cad 并不是一个单一工具，而是一条链路：自然语言理解、几何参数抽取、建模内核调用、格式导出，每一环都有坑。它适合谁？适合那些需要快速验证结构想法的人、需要批量生成参数化零件的人、以及想把大模型能力和传统 CAD 工作流接起来的人。如果你只是偶尔画一张二维图纸，那它对你的价值有限；但如果你面对的是重复性建模任务，这套东西能省下大量时间。

需要先说明的是，当前 text-to-cad 的成熟度还处在“能用但不够稳”的阶段。它擅长生成结构相对规整、参数明确的零件，比如法兰、支架、齿轮毛坯、简单装配体；对于自由曲面、复杂倒角、装配约束关系，它往往力不从心。所以我在实际使用中会把它的定位放在“初稿生成器”和“批量参数化工具”上，而不是“替代 CAD 工程师”。这个定位很重要，决定了你后面怎么选工具、怎么设计流程、怎么验收结果。

2. 核心链路拆解：一句话是怎么变成 STEP 文件的

2.1 自然语言到结构化参数的转换逻辑

text-to-cad 的第一步，是把“一个长 80 宽 60 厚 5 的板，四角各打一个直径 6 的孔”这种描述，拆成机器能处理的键值对。这一步看起来简单，实际上是最容易出问题的地方。因为自然语言里充满了省略、指代和隐含约束，比如“四角各打一个孔”，机器需要知道“四角”指的是矩形四个顶点附近，“各”意味着对称分布，“直径 6”是孔径而不是半径。

我试过几种不同的解析策略。一种是纯规则匹配，用正则去抓数字和单位，优点是可控、可预测，缺点是稍微换个说法就失效。另一种是调用大模型做意图识别，让它输出 JSON 格式的参数表，优点是灵活，缺点是偶尔会编造不存在的参数。实际比较稳的做法是两者结合：先用大模型把句子转成结构化描述，再用规则校验数值范围和单位，最后交给建模内核。

这里有个关键细节：单位。CAD 领域里毫米和米混用是家常便饭，STEP 文件本身不强制单位，但下游软件读取时会按自己的默认值解释。我踩过一次坑，生成的模型在 FreeCAD 里看是 80 毫米，导入另一个软件变成 80 米，整个装配体直接飞出视野。后来我在参数抽取阶段就强制把所有长度统一成毫米，并在导出时显式写入单位信息。

2.2 几何内核的选择与调用方式

参数有了，接下来要真正“画”出几何体。这一步依赖几何内核，常见的有 OpenCASCADE、CGAL、以及一些商业内核的 Python 绑定。OpenCASCADE 是我用得最多的，因为它是开源的，Python 绑定相对成熟，能处理实体建模、布尔运算、倒角、抽壳这些常规操作。

调用方式上，我倾向于用 CadQuery 或 build123d 这类声明式建模库。它们的好处是把建模操作抽象成链式调用，代码读起来接近自然语言。比如画一个带孔的板，代码大概是这样：

import cadquery as cq result = ( cq.Workplane("XY") .box(80, 60, 5) .faces(">Z") .workplane() .rect(60, 40, forConstruction=True) .vertices() .hole(6) )

这段代码的意思是：在 XY 平面上建一个 80x60x5 的盒子，选顶面，在顶面上画一个 60x40 的构造矩形，取它的四个顶点，各打一个直径 6 的孔。你看，这跟自然语言描述的对应关系非常直接。text-to-cad 要做的，就是把前面抽取出来的参数，映射成这样的建模脚本。

注意：几何内核的布尔运算对模型拓扑很敏感。如果两个实体只是面贴面而没有真正相交，布尔并集可能产生无效实体。我在生成装配体时习惯让零件之间保留 0.1 毫米的过盈，确保布尔运算能正确执行。

2.3 导出格式的差异与选择依据

模型建好之后，导出成什么格式，取决于下游用途。STEP 是最通用的三维交换格式，适合做仿真、CAM 加工、跨软件协作；URDF 是机器人领域描述连杆和关节的格式，适合做运动学仿真；G-code 是数控加工指令，适合直接驱动机床或 3D 打印机。

这三种格式的生成逻辑完全不同。STEP 导出相对简单，几何内核直接支持。URDF 需要额外定义连杆坐标系、关节类型、惯性矩阵，text-to-cad 生成的往往只是视觉几何体，物理属性还得手动补。G-code 更复杂，它需要切片或刀路规划，通常要经过 CAM 软件中转，不是直接从几何体一步到位。

我一般的做法是：text-to-cad 负责生成 STEP，作为几何真值；如果需要 URDF，再写脚本把 STEP 里的实体按命名规则拆成连杆，补上关节定义；如果需要 G-code，把 STEP 导入切片软件或 CAM 工具，用它们的参数模板生成。这样分工明确，每一环都可控。

3. 实操环境搭建：从零把链路跑通

3.1 基础依赖安装与版本匹配

先把环境搭起来。我用的组合是 Python 3.10 + CadQuery 2.4 + OpenCASCADE 7.7。为什么不追最新版？因为 CadQuery 和 OpenCASCADE 的版本耦合比较紧，新版有时候会引入 API 变动，导致旧脚本跑不通。3.10 这个 Python 版本在科学计算和 CAD 生态里兼容性最好，踩坑最少。

安装命令如下：

conda create -n text2cad python=3.10 conda activate text2cad conda install -c conda-forge cadquery=2.4 pip install openai

这里用 conda 而不是 pip 装 CadQuery，是因为 conda-forge 渠道已经把 OpenCASCADE 的二进制依赖打包好了，pip 装的话经常卡在编译环节。我试过在 Windows 上直接用 pip 装，结果 OCCT 的 DLL 找不到，折腾了一下午。conda 一条命令解决。

大模型接口这块，我用的是通用的对话补全接口，把自然语言转成 JSON 参数。你需要准备一个 API key，放在环境变量里，不要硬编码在脚本中。

3.2 参数抽取脚本的编写要点

参数抽取脚本的核心是提示词设计。我试过很多版本，最后稳定下来的提示词结构是这样的：先给模型一个角色设定，再给输出格式的严格约束，最后给几个示例。示例非常重要，它能让模型理解你期望的粒度。

import json import os from openai import OpenAI client = OpenAI(api_key=os.environ["API_KEY"]) PROMPT_TEMPLATE = """ 你是一个 CAD 参数抽取助手。用户会用自然语言描述一个零件， 你需要输出 JSON，包含以下字段： - shape: 基础形状，可选 box, cylinder, plate - dimensions: 尺寸字典，单位统一为毫米 - features: 特征列表，每个特征包含 type 和参数 只输出 JSON，不要输出其他内容。 示例输入：一个长80宽60厚5的板，四角打直径6的孔 示例输出：{"shape":"plate","dimensions":{"length":80,"width":60,"thickness":5},"features":[{"type":"hole","diameter":6,"count":4,"position":"corners"}]} """ def extract_params(text): resp = client.chat.completions.create( model="gpt-4o-mini", messages=[ {"role": "system", "content": PROMPT_TEMPLATE}, {"role": "user", "content": text} ], temperature=0 ) return json.loads(resp.choices[0].message.content)

温度设成 0 是为了让输出稳定，同样的输入尽量得到同样的参数。实测下来，加了示例之后，参数抽取的准确率从六成提升到九成以上。剩下的错误主要集中在单位缺失和位置描述模糊上，需要靠后处理规则兜底。

3.3 建模脚本的自动生成与执行

拿到 JSON 参数后，下一步是把它翻译成 CadQuery 代码。我写了一个模板函数，根据 shape 字段选择不同的建模分支，再把 dimensions 和 features 填进去。

def build_model(params): shape = params["shape"] dims = params["dimensions"] if shape == "plate": model = cq.Workplane("XY").box( dims["length"], dims["width"], dims["thickness"] ) for feat in params.get("features", []): if feat["type"] == "hole": model = model.faces(">Z").workplane().rect( dims["length"]*0.7, dims["width"]*0.7, forConstruction=True ).vertices().hole(feat["diameter"]) elif shape == "cylinder": model = cq.Workplane("XY").circle( dims["diameter"]/2 ).extrude(dims["height"]) return model

这段代码里有个细节值得说：打孔时我用了 0.7 倍的构造矩形，而不是直接用零件外轮廓。原因是如果孔位贴着边缘，布尔减运算可能切穿侧面，产生开口。留出余量之后，孔就稳稳落在实体内部。这个比例不是固定的，零件越小余量要越大，我一般按最短边的 15% 来留。

生成模型后，导出 STEP 只需要一行：

cq.exporters.export(model, "output.step")

3.4 批量生成与参数表驱动

单个零件跑通之后，批量生成就简单了。我通常维护一个 CSV 参数表，每行是一个零件的描述，脚本读一行、生成一个 STEP，文件名用零件编号命名。

import csv with open("parts.csv") as f: reader = csv.DictReader(f) for row in reader: params = extract_params(row["description"]) model = build_model(params) cq.exporters.export(model, f"output/{row['id']}.step")

这套流程跑下来，一百个参数化零件大概十几分钟就能全部生成，比手动建模快了一个数量级。而且参数表本身就是文档，改尺寸只需要改表格，不用碰代码。

4. 格式转换与下游对接的实战细节

4.1 STEP 导出时的单位与精度控制

STEP 导出有两个参数经常被忽略：单位和精度。CadQuery 默认导出的 STEP 是毫米，但有些下游软件会按英寸读取。为了保险，我在导出后会用文本编辑器打开 STEP 文件，检查文件头里的单位声明。STEP 是文本格式，开头几行能看到SI_UNIT之类的标记。

精度方面，默认的线性公差是 0.001 毫米，对大多数零件够用。但如果你的模型尺寸很大，比如几米长的结构件，这个公差会导致文件体积膨胀。我一般按模型最大尺寸的百万分之一来设公差，既保证精度又控制体积。

提示：STEP 文件里的实体命名会影响下游识别。CadQuery 默认给实体起名Solid1、Solid2，导入装配软件后很难对应。我习惯在导出前给每个实体设置有意义的名字，比如base_plate、mounting_bracket，这样下游做装配时一目了然。

4.2 URDF 生成：从几何体到机器人模型

URDF 的生成比 STEP 麻烦得多，因为它不只需要几何形状，还需要连杆的坐标系、关节的旋转轴、质量惯性矩。text-to-cad 生成的几何体只是视觉部分，物理部分得补。

我的做法是：在参数抽取阶段就要求模型输出连杆和关节的拓扑关系，比如“底座通过旋转关节连接大臂，大臂通过旋转关节连接小臂”。然后写一个 URDF 模板，把几何体路径、关节原点、旋转轴填进去。

<robot name="arm"> <link name="base"> <visual> <geometry> <mesh filename="base.step"/> </geometry> </visual> </link> <joint name="joint1" type="revolute"> <parent link="base"/> <child link="arm1"/> <origin xyz="0 0 0.05" rpy="0 0 0"/> <axis xyz="0 0 1"/> </joint> </robot>

这里的关键是 origin 的 xyz 偏移，它决定了关节在空间中的位置。如果偏移设错，机器人动起来就会散架。我一般先在 CAD 软件里量好关节中心到连杆原点的距离，再填进 URDF。惯性矩阵如果懒得算，可以用简化公式，把连杆当成圆柱体估算，对运动学仿真影响不大。

4.3 G-code 生成的前置条件与参数设置

G-code 不是 text-to-cad 直接产出的，中间要经过切片或 CAM。以 3D 打印为例，把 STEP 导入切片软件后，需要设置层高、填充率、支撑、温度这些参数。这些参数跟几何形状无关，跟材料和设备有关，所以不适合放在 text-to-cad 阶段。

我通常把 text-to-cad 的产出定位在 STEP，然后针对不同的加工方式准备不同的切片配置模板。比如打印 PLA 用一套参数，打印 PETG 用另一套，切换时只换模板，不动模型。这样职责清晰，模型只管形状，工艺参数管加工。

5. 常见问题排查与避坑经验实录

5.1 模型生成失败的典型原因

跑 text-to-cad 最常遇到的报错是布尔运算失败，提示BRep_API: command not done。这个错误九成以上是因为两个实体没有真正相交，或者相交面存在微小间隙。解决办法是让参与布尔运算的实体有明确的重叠区域，哪怕只有 0.01 毫米。

另一个高频问题是孔位越界。如果参数抽取时把孔的位置算到了零件轮廓外面，打孔操作会失败或者产生开口。我的处理方式是在建模脚本里加一层校验：计算孔中心到最近边缘的距离，如果小于孔径的一半，就自动把孔往内移，并打印一条警告日志。

还有一种情况是模型生成了但导出 STEP 时报错，通常是实体不是闭合的。这时候可以用 CadQuery 的isValid()方法检查，无效的话尝试用clean()修复，或者调整建模顺序，先做布尔运算再做倒角。

5.2 参数抽取偏差的修正策略

大模型抽取参数偶尔会犯低级错误，比如把“直径 6”理解成“半径 6”，或者把“厚 5”当成“高 5”。我总结了几条修正规则：孔径和轴径默认按直径处理，除非描述里明确说“半径”；板类零件的厚度对应最小维度；圆柱的高度对应轴向尺寸。

如果描述里出现“大约”“左右”这类模糊词，我会在参数表里加一个容差字段，默认正负 5%。下游使用时可以按容差做公差分析，而不是当成精确值。

5.3 下游软件导入时的兼容性问题

STEP 导入不同软件时，最常见的兼容性问题是曲面缝合。有些软件对曲面的连续性要求高，如果模型里有微小缝隙，导入后会变成片体而不是实体。我一般导出前用sew操作把相邻面缝合成实体，再导出。

URDF 导入机器人仿真环境时，常见问题是 mesh 路径找不到。URDF 里的 mesh 路径可以是相对路径也可以是绝对路径，我建议用相对路径，并把 STEP 转成 STL 或 DAE 格式，因为有些仿真环境不直接支持 STEP。

5.4 性能优化：批量生成时的资源控制

批量生成几百个零件时，内存和 CPU 会成为瓶颈。OpenCASCADE 的布尔运算比较吃资源，如果串行执行，速度慢且容易内存泄漏。我的做法是用多进程池，每个进程独立处理一个零件，跑完就释放。进程数设成 CPU 核心数的一半，留出余量给系统。

from multiprocessing import Pool def process_part(row): params = extract_params(row["description"]) model = build_model(params) cq.exporters.export(model, f"output/{row['id']}.step") with Pool(4) as p: p.map(process_part, rows)

另外，大模型接口调用有速率限制，批量抽取参数时最好加一个重试机制和间隔。我一般设 0.5 秒间隔，失败重试三次，基本能稳定跑完。

6. 能力边界与扩展方向

6.1 当前方案的局限性

text-to-cad 目前最明显的短板是复杂曲面和自由造型。你让它生成一个流线型外壳或者一个有机形态的支架，它基本无能为力，因为参数抽取阶段就无法用简单的键值对描述这类形状。另一个短板是装配约束，它能生成多个零件，但零件之间的配合关系、运动副定义还得手动补。

还有一个隐性问题是可解释性。大模型抽取参数的过程是个黑盒，同样的描述跑两次可能得到略有差异的结果。对精度要求高的场景，这不可接受。我的应对方式是把大模型输出当成初稿，关键尺寸人工复核，或者用规则引擎做二次校验。

6.2 与现有 CAD 工作流的融合方式

我不建议把 text-to-cad 当成独立工具用，而是把它嵌到现有工作流里。比如在参数化设计阶段用它快速生成候选方案，选定后再导入传统 CAD 软件做精细调整。或者在批量出图阶段用它生成标准件库，减少重复劳动。

跟传统 CAD 的接口就是 STEP。STEP 是通用格式，几乎所有 CAD 软件都能读。生成 STEP 后，在 SolidWorks、Fusion 360、中望 CAD 里打开，继续做装配、出工程图、标注尺寸。这样既享受了自动化的效率，又保留了传统工具的精细控制能力。

6.3 后续可以尝试的改进点

我接下来想试的一个方向是把 text-to-cad 和参数优化结合起来。比如给定一个受力条件，让脚本自动调整筋板厚度和位置，生成多个方案，再用有限元分析筛选。这样就从“描述生成”进化到“目标驱动生成”。

另一个方向是支持更多输入模态。现在只支持文字，如果能支持草图或者点云，适用范围会大很多。比如拍一张手绘草图，自动识别轮廓和尺寸，生成三维模型。这个方向已经有了一些研究，但离实用还有距离。

最后再分享一个小技巧：如果你要生成一批相似的零件，不要每个都从头抽取参数，而是先生成一个基准模型，然后用参数表驱动尺寸变化。这样一致性更好，也更容易做版本管理。我在做系列化支架时就是这么干的，基准模型只建一次，后面改尺寸全靠表格，效率提升非常明显。