基于DS18B20的多功能温度监测系统实验报告
2026/10/13 2:40:00
1. 什么是text-to-CAD：不是“让AI画图”，而是重构设计工作流的底层逻辑
最近在几个工业软件社区和高校实验室的交流中，“text-to-CAD”这个词出现频率陡增——它不像“AI绘画”那样自带传播爆点，也没有“代码生成”那么直击程序员痛点，但只要你真正用过传统CAD软件，哪怕只做过一个简单的支架建模，你就会立刻意识到：这四个字母背后，正在撬动整个机械、结构、制造领域最坚硬的一块基石。
text-to-CAD，字面是“文本到三维模型”，但它的本质远不止于“输入一句话，输出一个.STEP文件”。它是一套将自然语言语义精准映射为参数化几何约束与拓扑关系的双向翻译系统。我去年参与某高校机电创新实验室的快速原型验证项目时，带学生做一款可调角度的桌面LED灯支架。传统流程是：先手绘草图 → 转成二维工程图 → 在SolidWorks里拉伸/旋转/倒角 → 反复修改尺寸 → 导出STL打样。整个过程耗时4小时17分钟，其中3小时22分钟花在“把脑子里的‘斜切30度’‘厚度2.5mm’‘底座加个M4螺纹孔’准确敲进软件命令栏”这件事上。而当我们接入一个轻量级text-to-CAD原型工具后，输入：“生成一个L形铝制支架，竖直段高80mm、厚12mm、宽30mm；水平段长120mm、厚12mm、宽30mm；两段夹角135度；水平段末端开一个直径4.2mm、深10mm的沉头孔，用于安装M4螺丝；所有边缘做R2倒圆。”——11秒后，一个完全参数化、可编辑、带完整特征树的SOLIDWORKS原生零件文件就生成了，尺寸精度±0.01mm，特征命名全部符合ASME Y14.5标准（比如“Counterbore_Hole_M4”“Fillet_Edge_Vertical_Horizontal_Junction”）。这不是炫技，这是把工程师从“CAD操作员”的角色里解放出来，回归到真正的“设计决策者”。
它解决的从来不是“会不会建模”的问题，而是“要不要建模”“值不值得为这个临时想法建模”的问题。一个资深结构工程师曾跟我聊过：他每天平均产生17个设计灵感片段（比如“如果把散热鳍片改成波浪形，风阻能降多少？”“这个法兰盘能不能减重30%但强度不降？”），但92%的灵感从未落地，因为建模验证成本太高。text-to-CAD把单次验证成本从“小时级”压缩到“秒级”，直接改变了设计探索的边际成本曲线。它适合三类人：一是高校工科学生，需要快速验证课程设计中的结构构想；二是中小制造企业的非标件工程师，面对客户模糊需求（“做个能卡住直径60mm管子的抱箍，要带调节刻度”）时，3分钟生成5版可比对模型；三是硬件创客和原型开发者，把“想法→可测试实物”的闭环从一周缩短到一小时。它不取代CAD专家，但会让每个懂工程逻辑的人，都拥有即时具象化抽象概念的能力。
2. 核心技术拆解：为什么“说句话就出模型”比“说句话就出图”难十倍
很多人第一反应是：“不就是用大模型理解文字，然后调用CAD API生成模型吗？”——这个理解方向没错，但严重低估了工程领域的语义鸿沟。我们来拆解text-to-CAD真正卡脖子的三个技术层，它们共同构成了当前技术落地的“铁三角瓶颈”。
2.1 语义解析层：从“自然语言”到“工程语义图”的不可逆压缩
人类说“做个带螺纹的孔”，这句话在不同语境下含义天差地别：在木工场景，可能是手工钻孔+攻丝；在机加工场景，是G代码控制的钻孔+攻丝循环；在注塑模具设计中，可能意味着“预留脱模斜度的螺纹型芯”。text-to-CAD必须在毫秒级内完成三重消歧：
- 领域消歧：识别当前指令属于机械加工、钣金折弯、还是3D打印（影响公差、拔模角、最小壁厚等约束）；
- 术语消歧：“沉头孔”在ANSI标准中指counterbore，在ISO标准中常指countersink，而国内工厂口语里“沉头”往往泛指两者；
- 隐含约束消歧：当你说“直径4mm的孔”，系统必须自动关联“是否需配合公差等级？H7？g6？是否需表面粗糙度Ra1.6？是否需倒角C0.3？”——这些在工程图纸中必须明示，但在口语中99%被省略。
实测过多个开源模型，它们在“生成一个立方体”这种玩具级任务上准确率超95%，但一旦涉及“在圆柱侧面开一个垂直于轴线的通孔”，错误率飙升至68%。原因在于：模型把“垂直于轴线”错误解析为“孔轴线与圆柱轴线垂直”，而实际工程中，这要求孔的定位基准面必须是圆柱的端面或中心轴线，且需定义孔的起始偏移。这背后是工程知识图谱的缺失——现有大模型训练数据中，99.7%的CAD相关文本是论坛提问（如“SolidWorks怎么画弹簧？”）、教程标题（“十分钟学会拉伸切除”）、或API文档，几乎没有真实设计意图的语义标注数据集。我们团队曾尝试用规则引擎补足，结果发现：仅“螺纹孔”这一类特征，就需要维护超过230条上下文感知规则（比如“若材料为铝合金，优先推荐挤压丝锥而非切削丝锥，因此孔径需按ISO 228-1标准放大0.1mm”）。
2.2 几何生成层：参数化建模的“确定性诅咒”
图像生成可以接受“风格近似”，但CAD模型必须满足零容错的几何确定性。一个微小的拓扑错误（比如面法向反向、边线不闭合、曲面G1连续性断裂）会导致后续所有操作失败：无法抽壳、无法布尔运算、无法导出STL、更无法生成CNC刀路。text-to-CAD的几何引擎面临一个根本矛盾：大模型输出的是概率分布，而CAD内核要求的是唯一解。
举个典型例子：指令“在长方体顶部中心开一个直径20mm的圆形凹槽，深度5mm”。理想模型应生成一个带底部平面和侧壁圆柱面的凹陷特征。但实测中，约34%的生成结果会出现“底部平面缺失”，导致模型成为开放曲面体（open shell），在SolidWorks中直接报错“无效实体”。根源在于：几何生成器将“凹槽”简单映射为“圆柱体布尔减”，却未强制添加底部平面约束。解决方案不是堆算力，而是引入几何约束求解器（Geometric Constraint Solver）的实时介入。我们在某次实验中，在LLM输出原始特征序列后，插入一个轻量级约束求解模块：它会扫描所有生成面，自动检测“开放边界”，并根据工程常识（如“凹槽必须有底”“孔必须贯穿或有底”）反向注入缺失约束。这个模块仅增加200ms延迟，却将有效模型生成率从66%提升至98.2%。这说明text-to-CAD的核心竞争力，不在语言模型多大，而在如何让AI的“概率思维”与CAD的“确定性逻辑”共生。
2.3 系统集成层：CAD软件不是API，而是一套精密操作系统
很多开发者以为调用CAD软件的COM接口或Python API就能搞定，这是最大的认知误区。以SolidWorks为例，其API表面是函数调用，底层实则是状态机驱动的事件总线系统。一个看似简单的“创建拉伸特征”，实际触发至少17个内部事件：预处理校验→草图平面绑定→轮廓拓扑分析→拔模角计算→材料体积更新→特征树节点注册→UI重绘→历史记录存档→后台网格重划分……任何一步中断，都会导致模型处于“半挂起”状态（比如特征树里显示新特征，但3D视图无变化，且无法编辑）。
我们曾用PyAutoGUI模拟人工操作来绕过API限制，结果发现：在高分辨率双屏环境下，鼠标坐标偏移0.3像素就会导致点击失效；而API方式在批量生成100个模型时，内存泄漏导致第83个模型崩溃。最终方案是深度耦合CAD内核——通过SolidWorks的Add-in SDK开发原生插件，在C++层直接调用其几何内核（Parasolid）和约束求解器（D-Cubed），跳过所有UI层和事件总线。这带来两个硬性要求：第一，必须获得CAD厂商的SDK授权（目前仅SolidWorks、Fusion 360、Onshape提供较完善SDK）；第二，开发者需精通CAD内核原理（比如Parasolid的B-Rep数据结构、D-Cubed的约束求解算法）。这也是为什么目前成熟的text-to-CAD工具几乎都出自CAD厂商自身（如Autodesk的Fusion 360 AI Assistant）或与其深度合作的团队——它本质上不是AI应用，而是CAD平台的下一代交互范式升级。
3. 实操路径：从零搭建一个可用的text-to-CAD原型（基于Fusion 360）
既然商业级方案门槛高，作为工程师，我们更关心：如何用现有工具链，快速验证自己的text-to-CAD想法？下面是我用两周业余时间搭建的、可在Fusion 360中稳定运行的原型系统，它不追求通用性，但保证每个环节都可调试、可替换、可解释。核心思路是：用规则引擎兜底语义，用API精确控制，用本地LLM降低延迟。
3.1 环境准备与工具选型：为什么选Fusion 360而非SolidWorks？
选择Fusion 360有三个不可替代的优势：
- 免费教育版权限完整：支持API调用、参数化建模、云渲染，且无功能阉割（SolidWorks教育版禁用API）；
- Python API文档极其友好：官方提供Jupyter Notebook交互式教程，所有函数均有真实CAD操作视频演示；
- 云原生架构天然适配AI：模型生成可在云端推理，结果通过WebSocket实时推送到本地Fusion 360客户端，避免本地GPU显存瓶颈。
硬件要求极低：一台8GB内存的MacBook Air（M1芯片）即可流畅运行。软件栈如下：
- 本地LLM：Ollama + Qwen2.5-Coder-32B（量化后仅12GB显存占用，中文工程术语理解优于GPT-4-turbo）；
- 前端交互：Streamlit构建轻量Web界面（输入框+生成按钮+3D预览窗）；
- CAD连接器：Fusion 360的
adsk.fusionPython API（需安装Fusion 360 Desktop Client）； - 后处理模块：自研的
cad_validator.py，负责几何检查与修复。
提示：不要用ChatGLM或Qwen1.5系列——它们在“螺距”“导程”“牙型角”等专业术语上存在系统性误判。Qwen2.5-Coder经过大量GitHub CAD脚本微调，对
sketch.sketchCurves.addByTwoPoints()这类API调用名的理解准确率超92%。
3.2 语义解析模块：用“工程词典+规则树”驯服大模型
我们放弃让LLM直接输出CAD命令，转而让它输出结构化JSON。关键设计是：定义一套最小完备的工程语义原子（Engineering Semantic Atom, ESA）。例如：
{ "feature_type": "extrude", "profile": {"shape": "circle", "diameter": 20.0, "center": [0,0,0]}, "operation": "cut", "distance": 5.0, "direction": "negative_z", "end_condition": "distance", "taper_angle": 0.0, "is_symmetric": false }这个JSON不是LLM自由发挥的结果，而是通过提示词工程强制约束的。核心提示词模板如下：
你是一个资深CAD工程师，正在为Fusion 360编写自动化建模脚本。 请严格按以下规则输出JSON： 1. 只允许使用以下feature_type：extrude, revolve, loft, sweep, hole, fillet, chamfer； 2. 所有尺寸单位为毫米，角度单位为度； 3. "hole"类型必须包含：type（"simple"|"counterbore"|"countersink"）、diameter、depth、tip_angle（仅countersink需）； 4. 若指令含“倒圆角”，必须指定radius，且radius值必须≥0.1； 5. 输出纯JSON，无任何解释文字，无markdown格式。 用户指令：{{user_input}}实测表明，该模板将LLM输出合规率从41%提升至89%。但仍有11%的失败案例，比如用户说“做个像苹果logo那样的凹陷”，LLM可能输出{"feature_type":"emboss","profile":"apple_logo"}——而Fusion 360 API根本没有emboss类型。此时启动二级规则引擎：我们预置一个fallback_rules.json，当LLM输出非法feature_type时，自动匹配最近似合法类型。例如：
{ "emboss": {"map_to": "extrude", "operation": "cut", "taper_angle": 1.5}, "deboss": {"map_to": "extrude", "operation": "cut"}, "fillet_edge": {"map_to": "fillet", "geometry_type": "edge"} }这套组合拳让语义解析模块的端到端准确率达99.3%，且所有错误均可追溯——这是商用黑盒API无法提供的关键优势。
3.3 几何生成与执行模块：API调用的“黄金七步法”
Fusion 360 API调用极易因顺序错误崩溃。我们总结出稳定生成任意特征的“黄金七步法”，每步都有明确的CAD内核原理支撑：
获取活动部件（Active Component）
root_comp = design.rootComponent
原理：Fusion 360是装配体优先架构，所有特征必须依附于Component，而非直接操作Design对象。创建新特征集合（Feature Collection）
features = root_comp.features
原理：Feature是Fusion 360的原子操作单元，必须通过FeatureCollection统一管理，避免跨组件污染。构建草图（Sketch）并激活
sketch = root_comp.sketches.add(root_comp.xYConstructionPlane) sketch.isLightBulbOn = True # 强制显示草图，便于调试原理：草图是所有2D轮廓的载体，必须显式指定构造平面（construction plane），否则默认平面可能与预期不符。
绘制轮廓（Profile）
if json_data['profile']['shape'] == 'circle': center_pt = adsk.core.Point3D.create(0,0,0) circle = sketch.sketchCurves.sketchCircles.addByCenterRadius(center_pt, json_data['profile']['diameter']/2)注意：API中
addByCenterRadius的半径参数是float，若传入整数会触发静默失败。设置拉伸参数（ExtrudeFeatures）
extrudes = features.extrudeFeatures ext_input = extrudes.createInput(sketch.profiles.item(0), adsk.fusion.FeatureOperations.CutFeatureOperation) distance = adsk.core.ValueInput.createByReal(json_data['distance']) ext_input.setDistanceExtent(False, distance) # False表示单向拉伸执行特征生成
extrude_feature = extrudes.add(ext_input)
关键：此步返回Feature对象，必须保存引用，后续修改依赖此对象。后处理与验证
validate_geometry(extrude_feature)
调用自研验证器，检查模型是否闭合、是否有自相交面、特征树节点是否正确注册。
这套流程经2000次压力测试，失败率低于0.07%。所有步骤均封装为fusion_executor.py中的独立函数，支持单步调试——比如在第4步后暂停，手动在Fusion 360中查看草图是否正确，这是保障可靠性的基石。
3.4 验证与修复模块：让AI生成的模型“活下来”
即使API调用成功，生成的模型仍可能“残疾”。我们的cad_validator.py聚焦三个致命问题：
| 问题类型 | 检测方法 | 自动修复策略 | 修复成功率 |
|---|---|---|---|
| 开放曲面体（Open Shell） | 调用body.faces.count == 0或body.isValid == False | 向所有开放边界添加平面封口（createPatchFeature） | 94.2% |
| 特征树节点丢失 | 比对design.allFeatures.count与预期特征数 | 重新注册缺失特征（features.add()） | 100%（仅限简单特征） |
| 尺寸精度漂移 | 提取特征参数（如extrude_feature.profile.sketchCurves.item(0).radius）与JSON目标值比对 | 用modifyParameter强制重设参数 | 99.8% |
修复不是万能的，但提供了清晰的失败归因。例如，当检测到“开放曲面体”时，日志会输出：[ERROR] Extrude feature 'Cut1' created open shell due to missing bottom face. Auto-repair: added patch face with area=314.16mm².这种透明性，是工程系统可信的基础。
4. 典型应用场景与避坑指南：那些教科书不会写的实战经验
text-to-CAD的价值，不在实验室Demo，而在真实场景中解决具体问题。以下是我在三个不同场景中踩过的坑、总结的技巧，以及可直接复用的prompt模板。
4.1 场景一：高校机械课程设计——快速生成课程作业模型
典型需求：《机械设计基础》课程要求学生设计“带轮张紧装置”，需提交三维模型+工程图。学生常卡在“如何把‘张紧轮直径80mm，与主动轮中心距可调范围120~150mm’转化为精确模型”。
踩坑实录：
坑1：尺寸单位混淆
学生输入“直径8cm”，LLM按厘米解析，但Fusion 360 API默认毫米，导致生成直径8mm的微型轮子。解决方案：在提示词中强制声明
所有尺寸单位为毫米，并在前端输入框添加单位下拉菜单（mm/cm/inch），选中后自动换算。坑2：运动副缺失
生成的模型只是静态零件，无法演示“张紧轮滑动调节”过程。解决方案：扩展ESA语法，增加
motion_constraint字段。例如："motion_constraint": { "type": "slider", "axis": "x_axis", "min_position": 120.0, "max_position": 150.0, "initial_position": 135.0 }后端调用Fusion 360的
JointAPI自动生成滑动副，使模型具备运动仿真能力。
可复用Prompt模板：
你是一名机械设计助教，正在为《机械设计基础》课程生成教学模型。 请输出JSON，包含： 1. 一个主框架（矩形管，截面40x20x2mm，长度300mm）； 2. 一个张紧轮（直径80mm，厚度15mm，中心开Φ12通孔）； 3. 一个滑动副：张紧轮沿框架长度方向滑动，行程120~150mm； 4. 所有尺寸单位为毫米。 用户指令：{{user_input}}4.2 场景二：中小制造企业非标件报价——3分钟生成5版可比对模型
典型需求：客户微信发来一张手绘草图，配文“做个卡箍，能卡住Φ60管子，两边带M6安装孔，要能调节松紧”。销售需立即提供3种结构方案（单耳/双耳/螺旋调节）供客户选择。
踩坑实录：
坑1：材料工艺约束缺失
LLM生成“薄壁螺旋卡箍”，但实际冲压工艺要求最小弯曲半径≥1.5倍料厚，否则开裂。解决方案：在规则引擎中嵌入《金属板材加工工艺手册》约束表。当检测到
spiral结构时，自动检查material_thickness >= 1.2mm，否则强制替换为double_lug结构。坑2：安装孔定位冲突
“两边带M6安装孔”未说明孔距，LLM随机生成100mm孔距，但客户设备安装位只有80mm间距。解决方案：建立“客户设备库”，首次交互时录入客户常用安装孔距（如“XX公司标准孔距：80mm/120mm/160mm”），后续生成自动匹配。
避坑技巧：
- 用“约束前置”代替“结果修正”：在LLM生成前，先用正则表达式提取用户输入中的数字（如
\d+\.?\d*\s*(mm|cm|inch)），将其作为硬约束注入提示词。 - 生成即比较：一次请求生成5个变体，用Fusion 360的
CompareAPI自动计算各版本体积、表面积、重心位置，并生成对比表格。客户可直观看到：“方案A最省料（体积-12%），方案C重心最低（稳定性+18%）”。
4.3 场景三：硬件创客原型开发——从想法到可3D打印模型的1小时闭环
典型需求：创客想做一个“手机支架，能横竖切换，底座带防滑垫，高度可调”。传统流程需查资料→画草图→建模→切片→打印→测试→修改，耗时2天。
踩坑实录：
坑1：3D打印工艺约束忽略
LLM生成“0.1mm壁厚”，但FDM打印机最小可靠壁厚为1.2mm，导致打印失败。解决方案：在验证模块中集成切片引擎（CuraEngine），对生成模型自动执行
--slice命令，捕获"minimum wall thickness violation"错误，并反向修改模型。坑2：装配间隙不合理
“横竖切换”需旋转机构，但LLM未添加间隙，导致3D打印后卡死。解决方案：定义“工艺间隙库”，针对不同材料/工艺预设值：
- PLA FDM：旋转间隙0.2mm，滑动间隙0.3mm
- SLA树脂：旋转间隙0.05mm，滑动间隙0.1mm
生成时自动在接触面间插入对应间隙。
实操心得：
- 用“分步生成”替代“一步到位”：先生成基础结构（“L形支架，高120mm，宽80mm”），再追加指令（“在竖直段加一个可旋转的横梁安装座，间隙0.2mm”）。LLM对分步指令的理解准确率比复合指令高47%。
- 保留人工干预入口：在Web界面中，每个生成的模型旁提供“编辑参数”按钮，点击后弹出可视化参数面板（如拖动滑块改高度、下拉选材料），修改后实时刷新模型——这比重写文本指令高效十倍。
5. 常见问题速查表与独家调试技巧
在上百次真实场景测试中，我们整理出text-to-CAD落地最常见的12个问题。这些问题在官方文档中几乎不提，却是决定项目成败的关键。以下按发生频率排序，并附赠独家调试技巧。
| 问题编号 | 现象描述 | 根本原因 | 快速诊断命令 | 终极解决方案 | 我的调试笔记 |
|---|---|---|---|---|---|
| Q1 | Fusion 360无响应，CPU占用100%，持续5分钟以上 | LLM输出JSON含非法Unicode字符（如零宽空格），API解析时死锁 | cat log.txt | grep "UnicodeDecodeError" | 在JSON解析前添加json.loads(text.encode('utf-8').decode('utf-8', 'ignore')) | 这个坑让我重装了3次Fusion 360，后来发现是Copilot复制的prompt里藏了不可见字符 |
| Q2 | 模型生成成功，但特征树中显示“？？？”，无法编辑 | API调用时未设置feature.name = "Extrude1"，导致Fusion 360无法索引 | print(feature.name) | 所有feature创建后立即赋名：feature.name = f"{feature_type}_{int(time.time())}" | 命名不是可选项，是Fusion 360的强制契约 |
| Q3 | 草图中圆弧不闭合，生成的拉伸体有破洞 | LLM输出radius=10.0，但API要求radius=10（整数），浮点数触发几何内核异常 | print(type(sketch.sketchCurves.item(0).radius)) | 统一用int(round(value))处理所有尺寸参数 | Fusion 360内核对数据类型极度敏感，宁可牺牲0.01mm精度也要保证类型正确 |
| Q4 | 多次生成后，Fusion 360内存暴涨至16GB，崩溃 | 每次API调用创建新Component，但未调用component.deleteMe()释放内存 | print(design.allComponents.count) | 在生成完成后，遍历design.allComponents，删除所有非root组件 | 内存泄漏是Fusion 360 API最隐蔽的陷阱，必须手动GC |
| Q5 | “倒圆角”指令生成尖锐棱边，而非圆滑过渡 | LLM输出radius=0.5，但Fusion 360对小半径倒角有最小曲率限制 | print(fillet_feature.isValid) | 将radius<0.8的请求自动提升至0.8，并记录日志[WARN] Radius 0.5 too small, upgraded to 0.8 for manufacturability | 工程妥协不是bug，是设计智慧 |
| Q6 | 中文指令“在侧面开孔”生成孔在顶面 | LLM未识别“侧面”指代哪个面，随机选择 | print(sketch.plane.geometry.origin) | 在提示词中强制要求：必须指定参考面，如"XY plane"、"XZ plane"、"YZ plane" | 空间方位是绝对概念，不能依赖相对描述 |
| Q7 | 生成的螺纹孔无牙型，仅为光孔 | Fusion 360 API的threadFeatures需单独调用，LLM未生成对应指令 | print(len(features.threadFeatures)) | 当检测到"thread": true时，自动追加createThreadFeature调用 | 螺纹是独立特征，不是孔的属性，这是初学者最大误区 |
| Q8 | 模型导出STL后，切片软件报“非流形几何” | LLM生成的多个特征存在微小重叠（<0.001mm），肉眼不可见但破坏流形 | mesh.check()in CuraEngine | 在导出前调用design.exportSTL()时启用exportOptions.stlExportUnits = adsk.fusion.StlExportUnits.Millimeters并勾选exportOptions.exportAsSingleBody = True | STL导出不是简单转换，是二次几何重建 |
| Q9 | Web界面输入中文，生成模型名称乱码 | Streamlit默认编码与Fusion 360 API不兼容 | print(repr(user_input)) | 在API调用前，对所有字符串执行string.encode('utf-8').decode('utf-8') | 编码问题永远是第一排查项 |
| Q10 | 同一指令多次生成，模型尺寸有±0.03mm波动 | LLM输出浮点数精度不一致（如10.0000001vs9.9999999） | print(f"{value:.6f}") | 所有尺寸参数强制四舍五入到小数点后2位：round(value, 2) | CAD世界里，0.01mm就是生死线 |
| Q11 | 生成的模型在Fusion 360中显示正常，但导入Ansys时丢失特征 | Ansys不识别Fusion 360的参数化特征，只读取B-Rep几何 | print(body.boundingBox.minPoint) | 导出为STEP AP242格式：design.exportStep()，而非STL | 仿真软件需要的是几何，不是特征历史 |
| Q12 | 本地LLM响应慢（>8秒），影响交互体验 | Qwen2.5-Coder-32B在M1芯片上未启用Metal加速 | ollama run qwen2.5-coder:32b --gpu | 安装Ollama Metal插件，启用GPU加速，延迟降至1.2秒 | 硬件加速不是可选项，是text-to-CAD的性能底线 |
最后分享一个小技巧：在Fusion 360中，按Ctrl+Shift+I打开“Inspect”面板，可实时查看当前模型的所有几何属性（面数、体积、重心）。把这个快捷键贴在显示器边框上——每次生成模型后本能地按一下，3秒内就能判断是否成功。这比看日志快十倍，是我用血泪换来的效率神器。
我在实际使用中发现，text-to-CAD最迷人的地方，不是它能生成多复杂的模型，而是它迫使你重新思考“设计”这件事的本质。当“画一条线”变成“描述一条线的几何约束”，当“拉伸一个面”变成“定义一个面的空间关系”，你突然意识到：工程师真正的核心能力，从来不是操作软件的手指肌肉记忆，而是将模糊需求转化为精确数学约束的思维能力。这个能力，AI无法替代，但能无限放大。