企业官网建设流程全解析

1. 为什么“AI + CAD”看起来很美，落地却处处碰壁

过去两年，我参与过三个跟“AI 辅助 CAD”相关的内部项目，从图纸解析、参数化生成到自动出图都摸过一遍。最直观的感受就是：Demo 视频里 AI 三秒画出一张装配图，真到了工程环境里，连一个 DXF 文件都读不干净。这不是某个团队的问题，而是整个“AI + CAD”赛道目前最真实的写照。

这个领域涉及的核心关键词包括AI、CAD、DXF、DWG、FreeCAD，本质上要解决的是“让机器理解工程图纸，并辅助或自动完成设计任务”。听起来很宏大，但落到实操层面，第一步就卡在文件格式上——DWG 是 Autodesk 的私有格式，DXF 虽然是交换格式但版本差异巨大，FreeCAD 作为开源方案虽然能读能写，但跟商业软件之间的兼容性坑多到让人怀疑人生。

这篇文章适合三类人看：一是正在做 AI + CAD 方向的产品或研发，想知道别人踩过哪些坑；二是传统 CAD 工程师，想了解 AI 到底能不能帮自己省事；三是对这个交叉领域感兴趣的技术爱好者，想搞清楚“为什么看起来简单的事情做起来这么难”。我会从整体设计思路、核心细节、实操过程、常见问题四个维度，把这件事掰开揉碎讲清楚。

2. 整体设计与思路拆解：AI 和 CAD 到底该怎么结合

2.1 三条主流技术路线及其取舍逻辑

目前市面上“AI + CAD”的落地尝试，基本可以归为三条路线，每条路线的技术栈、适用场景和坑点完全不同。

第一条是“图纸理解路线”。核心思路是把 DWG/DXF 文件解析成结构化数据，然后用 AI 做识别、分类、提取。比如从一张建筑平面图里自动识别门窗位置、墙体走向、标注信息。这条路线的技术栈通常是：CAD 解析库（如 OpenCASCADE、Teigha、ezdxf）+ 计算机视觉模型 + 规则引擎。优势是需求明确，很多设计院和施工单位愿意买单；劣势是图纸格式太杂，不同设计院出图规范天差地别，模型泛化能力很难保证。

第二条是“参数化生成路线”。思路是用 AI 根据输入条件（载荷、尺寸、材料）直接生成 CAD 模型或图纸。比如输入“跨度 6 米、承重 2 吨的钢梁”，AI 输出对应的三维模型和工程图。技术栈通常是：参数化引擎（FreeCAD 的 Python API、Grasshopper）+ 生成模型 + 优化算法。优势是想象空间大，能真正改变设计流程；劣势是工程约束太多，AI 生成的方案往往“看起来合理但算不过去”。

第三条是“辅助操作路线”。不追求全自动，而是用 AI 帮工程师做重复性操作，比如批量修改图层、自动标注、图纸合并、格式转换。技术栈相对轻量：CAD 脚本接口 + 简单的分类或匹配模型。优势是落地快、风险低；劣势是天花板低，容易被当成“高级脚本工具”。

我个人的判断是：现阶段最务实的路线是第三条，最有价值的是第一条，最需要耐心的是第二条。很多团队一上来就冲着第二条去，结果 Demo 很惊艳，工程化时发现连数据都准备不齐。

2.2 为什么 Demo 和工程之间有一道鸿沟

Demo 的环境是精心准备的：一张干净的图纸、固定的格式、理想的输入条件。工程环境是什么样？我见过一个项目，客户给的“样本图纸”有 200 多张，来自不同年代、不同设计院、不同 CAD 版本。有的图纸里所有线条都在一个图层，有的标注全是炸开的文字，有的甚至是用“画线+文字”冒充的表格。

这里面的核心矛盾在于：AI 模型需要的是规整的数据，而工程图纸的本质是“给人看的”，不是“给机器读的”。一个工程师能看懂一张乱糟糟的图纸，因为他有领域知识和上下文；但 AI 没有，它只能依赖输入数据的质量。所以“AI + CAD”落地的第一道坎，不是模型不够强，而是数据清洗和标准化的工作量被严重低估了。

另一个被低估的问题是格式兼容性。DWG 和 DXF 之间的转换、不同版本之间的差异、中望 CAD 和 AutoCAD 的兼容性、FreeCAD 导入 DXF 时的比例问题——这些在 Demo 里可能一句“我们做了预处理”就带过了，但在工程里每一个都是需要单独写代码解决的硬骨头。

3. 核心细节解析与实操要点：从文件解析到 AI 接入

3.1 DWG/DXF 解析：第一道也是最硬的一道坎

先说结论：如果你要做 AI + CAD，80% 的精力会花在文件解析和数据清洗上，只有 20% 花在 AI 模型上。这不是夸张，是我三个项目下来的真实体感。

DWG 是二进制格式，Autodesk 没有公开完整规范，所以开源方案基本靠逆向。常见的解析路径有这么几种：

• ODA（Open Design Alliance）：提供 DWG/DXF 的 SDK，功能最全，但商业授权费用不低。适合有预算的团队。
• LibreDWG：GNU 项目，能读大部分 DWG，但写入能力弱，遇到复杂实体容易崩。
• ezdxf：Python 库，专门处理 DXF，API 友好，适合快速原型。但只支持 DXF，不支持 DWG。
• OpenCASCADE：严格说不是 CAD 文件解析库，而是几何内核，但可以配合其他工具做几何处理。
• FreeCAD：内置了 DXF 导入导出，底层用的也是开源方案，但导入复杂图纸时经常丢实体。

实操建议是：如果只做 DXF，用 ezdxf 起步最快；如果要处理 DWG，要么买 ODA 的授权，要么先用工具转成 DXF 再处理。这里有个坑：DWG 转 DXF 不是无损的，某些自定义实体、动态块、标注样式在转换后会丢失或变形。我试过用某转换器把一张含动态块的图纸转成 DXF，结果所有动态块都变成了静态块，参数全丢。

还有一个容易被忽略的点是单位问题。DXF 文件里通常有$INSUNITS变量定义单位，但很多图纸这个值是空的或者错的。你按毫米解析，结果人家是英寸，整个模型尺寸差 25.4 倍。我踩过一次坑：一个管道图纸导入后所有管径都大了 25 倍，排查了半天才发现是单位没处理。

3.2 数据清洗：比模型训练更耗时的环节

解析出来的数据不能直接喂给 AI，必须先清洗。清洗的核心目标是把“给人看的图纸”变成“给机器读的结构化数据”。

常见的清洗操作包括：

• 图层规整：把散落在多个图层的同类实体合并，或者按规则重新分层。
• 实体去重：图纸里经常有重叠的线条、重复的标注，需要去重。
• 文字识别与归一：标注文字可能是 MTEXT、TEXT、属性块，甚至炸开的线条，需要统一提取。
• 坐标归一：不同图纸的坐标系原点不同，需要统一到同一参考系。
• 比例修正：特别是从其他软件导入的图纸，比例经常不对。比如 Pro/E 导入 DXF 时比例问题就是经典坑。

这里分享一个实操技巧：先用规则引擎做粗清洗，再用 AI 做精分类。比如先用规则把所有图层名包含“墙”的实体提取出来，再用模型判断哪些是承重墙、哪些是隔墙。纯靠 AI 从零开始分类，准确率很难看；纯靠规则又太死板，换个设计院就失效。

3.3 AI 模型选型：别一上来就上大模型

很多团队一提到 AI + CAD，第一反应是“上大模型”。我的建议是：先想清楚任务类型，再选模型。

• 图纸分类、实体识别：用 CNN 或 Vision Transformer 就够了，不需要大模型。
• 标注文字理解、语义提取：可以用 BERT 类的小模型，或者直接调 API。
• 图纸问答、辅助设计：可以考虑大模型，但要做好 RAG（检索增强生成），否则模型会一本正经地胡说八道。
• 参数化生成：更多是优化问题，遗传算法、拓扑优化可能比深度学习更合适。

我见过一个团队用大模型做图纸实体分类，结果推理成本是 CNN 的几十倍，准确率还差不多。模型选型的核心原则是：能用小模型解决的，绝不上大模型；能用规则解决的，绝不硬上模型。

4. 实操过程与核心环节实现：一个可复现的落地流程

4.1 环境准备与工具链搭建

假设你要做一个“从 DXF 图纸中自动提取门窗表”的功能，下面是我验证过的一套流程。

工具链清单：

安装命令：

pip install ezdxf opencv-python scikit-learn torch

如果是处理 DWG，需要先转 DXF。可以用 ODA File Converter（免费但需要注册），或者用 FreeCAD 的命令行模式转换：

freecadcmd -c "import FreeCAD; FreeCAD.open('input.dwg'); FreeCAD.saveAs('output.dxf')"

注意：FreeCAD 转换 DWG 依赖外部库，在 Windows 上配置比较麻烦，Linux 下相对顺畅。如果转换失败，优先检查 Teigha 或 ODA 的库是否装好。

4.2 DXF 解析与实体提取的完整代码

下面是一段我实际用过的代码，功能是读取 DXF 文件，提取所有 INSERT 实体（通常是块引用，门窗常用块表示），并输出它们的属性。

import ezdxf def extract_blocks(dxf_path): doc = ezdxf.readfile(dxf_path) msp = doc.modelspace() results = [] for entity in msp.query('INSERT'): block_name = entity.dxf.name insert_point = entity.dxf.insert attributes = {} # 提取块属性 if entity.attribs: for attr in entity.attribs: attributes[attr.dxf.tag] = attr.dxf.text results.append({ 'block_name': block_name, 'position': (insert_point.x, insert_point.y), 'attributes': attributes }) return results if __name__ == '__main__': blocks = extract_blocks('sample.dxf') for b in blocks[:10]: print(b)

这段代码能跑通的前提是：图纸里的门窗确实是用块做的。如果设计院把门窗炸成了线条，这段代码就提取不到任何东西。这时候就需要退回到“几何识别”方案：用 OpenCV 把 DXF 渲染成图像，再用轮廓检测找出门窗形状。

4.3 从解析到 AI 分类的衔接

提取到块之后，下一步是分类。比如判断哪些块是门、哪些是窗、哪些是设备。如果块名规范（比如“M-900”表示 900 宽的门），用规则就能搞定。如果块名是“Block1”“Block2”这种，就需要 AI 介入。

我的做法是：先用规则覆盖 70% 的常见情况，剩下的 30% 用模型兜底。模型输入可以是块的几何特征（宽高比、面积、线条数）+ 属性文本，输出是类别。用随机森林或 SVM 就能达到不错的效果，样本量几百条就够。

这里有个经验：不要追求 100% 准确率。工程场景里，AI 分类到 90% 准确率，剩下 10% 人工复核，整体效率已经提升很大了。追求 99% 准确率的成本可能是 90% 的十倍，不划算。

5. 常见问题与排查技巧实录

5.1 格式兼容性问题速查表

5.2 几个让我印象深刻的坑

第一个坑是“图纸比例”。有一次客户给了一张总图，我按 1:1 解析，结果所有尺寸都小了 100 倍。后来发现图纸是在模型空间按 1:100 画的，但 DXF 里没有记录这个比例信息。解决办法是：永远不要假设图纸是 1:1，要么让客户提供比例信息，要么用已知尺寸的实体（比如标准图框）反推比例。

第二个坑是“多重引用插入”。有些图纸用了 XREF（外部参照），解析时只能看到参照的路径，看不到实际内容。如果参照文件没一起给，解析出来就是空的。这时候需要用 CAD 的“绑定”功能把参照合并到主图纸，或者用支持 XREF 解析的库。

第三个坑是“AI 模型的过度自信”。我们训练了一个门窗分类模型，测试集准确率 95%，上线后客户反馈“经常把门识别成窗”。排查发现：测试集和实际图纸的分布不一样，测试集里门和窗的块名规范，实际图纸里块名乱七八糟。教训是：测试集必须来自真实工程环境，不能用整理过的数据。

5.3 给准备入坑的团队几条实在建议

第一，先做数据盘点，再做技术选型。花一周时间把客户给的样本图纸全部过一遍，统计格式分布、版本分布、实体类型分布。这个工作看起来笨，但能帮你省掉后面无数返工。

第二，把“格式转换”当成一个独立项目来做。不要觉得这是“预处理”，它本身就是核心难点。DWG 转 DXF、EXB 转 DWG、不同版本互转，每一个都值得单独写测试用例。

第三，AI 只做它擅长的事。规则能解决的用规则，几何计算能解决的用几何计算，AI 用来处理模糊的、需要语义理解的部分。混合方案比纯 AI 方案靠谱得多。

第四，留出人工复核的接口。工程场景里，完全自动化的风险太高，AI 出结果、人工确认的流程更容易被接受，也更容易落地。

6. 关于 FreeCAD 和开源方案的一些补充

FreeCAD 是这个领域绕不开的话题。它的优势很明显：开源、免费、有 Python API、支持 DXF/DWG（通过外部库）。但坑也很明显：没有内置齿轮工具（需要装 Gear 工作台）、导入复杂 DXF 容易丢实体、DWG 支持依赖外部库且配置麻烦。

我的使用体验是：FreeCAD 适合做几何验证和二次开发，不适合做高精度图纸解析。比如你可以用 FreeCAD 的 Python API 做参数化建模，然后用它导出 DXF 给其他软件用。但如果你要解析一张复杂的建筑图纸，FreeCAD 的 DXF 导入器可能会让你失望。

如果团队预算有限，我的建议是：用 ezdxf 做 DXF 解析，用 OpenCASCADE 做几何处理，用 FreeCAD 做三维验证和可视化。这套组合基本能覆盖大部分需求，成本也低。如果必须处理 DWG，再考虑 ODA 的商业授权。

最后分享一个我个人的判断：AI + CAD 的落地，短期内不会以“全自动设计”的形式出现，而是以“辅助工具”的形式渗透。比如自动标注、批量修改、图纸审查、格式转换这些“脏活累活”，才是 AI 最先能创造价值的地方。那些 Demo 里炫酷的“一句话生成整张图纸”，离工程化还有很长的路要走。但正是这些不起眼的辅助功能，能实实在在帮工程师省下时间，也更容易在真实项目里活下来。