企业官网建设流程全解析

上个月有个做机械零部件加工的朋友跟我抱怨，接了个小单子，对方只发来一段文字描述：“底板长100、宽80、厚5，四角倒圆角R10，中间开六角孔，间距25”，他对着屏幕画了半个小时。我当时就说：这种活，其实已经可以用text-to-cad来做初步落地了。所谓text-to-cad，简单讲就是把你对图纸的自然语言描述，交给AI去解析并生成CAD模型或图纸。它并不是一个空概念，而是两条非常明确的技术路径，今天我想用实战经验把这两条路讲透，并且给出一套你自己也能在电脑上跑通的最小流程。这套东西对机械加工、室内设计、建筑草图、电气布局这些经常要画重复图纸的领域特别有用，适合那些已经被CAD重复劳动折磨到想换行的工程师，也适合刚学CAD、想找新工具的初学者。

1. text-to-cad 到底是什么：两个技术路线的选择

1.1 端到端模型：现阶段更适合造玩具

所谓端到端，就是输入一段文字比如“一个咖啡杯”，模型直接输出一个三维网格或者点云文件。这类方案以OpenAI的Point-E、以及一系列基于CLIP的生成模型为代表，近几年发论文发得很热闹。你确实能在几秒钟内看到杯子形状的雏形，问题在于，这个“杯子”是艺术家眼里的杯子，不是机械设计师眼里的杯子——它没有壁厚、没有精确的底部圆角半径、没有标注中心孔的位置，更不要说公差要求。

工程图纸跟美术模型完全是两码事。CAD建模的核心价值是可度量、可修订、可下游加工。端到端生成的网格一旦落到加工环节，要么没法标注尺寸，要么转成STEP之后拓扑烂得一塌糊涂。所以目前它在游戏资产、概念设计、3D打印小摆件这些“不较真”的场景比较合适，在正经工业流程里只能当灵感草图用。换句话说，你让它生成“一台减速器”的精确装配图，现阶段就是天方夜谭。

1.2 脚本中间层：让 LLM 替你写 CAD 代码

第二条路线更有意思，不直接生成几何体，而是让大语言模型根据文字描述去写一段CAD软件能执行的脚本代码。比如AutoCAD的AutoLISP、中望CAD的Python API、FreeCAD的Python脚本，甚至直接生成DXF文件的纯Python代码，然后由CAD软件或代码库去执行这段脚本，最终得到一个精确、干净、可以继续编辑的图纸或模型。

打个比方，端到端模型像你直接找画家手绘草图，画家理解多少画多少，细节靠猜；脚本中间层则像你给一个精通CAD命令的实习生下达明确操作指令，实习生不是自己想象你画什么，而是去调用命令帮你画出来——实习生可能偶尔听错、偶尔写错命令，但我们能看见他到底执行了什么，错了还可以改命令，改完重新执行。

这个区别非常关键。脚本中间层生成的图纸是“真图纸”，里面的圆角是带R10参数的标准圆角，孔是带定位坐标的孔，图层、线型、颜色都遵循工程约定。而且因为脚本是可读的，任何人检查脚本就能知道这张图是怎么画出来的，改参数就可以改图型，可复用性极高。

1.3 为什么我选择脚本中间层

我一开始也试过端到端方案，折腾了几天就放弃了。原因很简单：客户要的不是“看起来像”，而是尺寸准确、能加工。端到端模型生成一个所谓的“底板”，我量来量去尺寸飘忽不定，横截面还经常破面，这电话我没法打。

脚本中间层则不同。哪怕大模型生成了代码，代码执行报错，我也能根据错误信息去修正；哪怕它偶尔把长度100写成了1000，我在校验阶段用程序检查一下实体边界就能抓出来。整个过程完全可控，就像带一个新手助理画图，你随时可以纠正他，而他永远不嫌累、不闹脾气、随叫随到。

所以我的结论很直接：如果你关心的是“生成一个能进生产链路的CAD图纸”，脚本中间层是当前唯一靠谱的地基。后面满篇讲的都是这条路的具体玩法。

2. 环境与选型：别再卡在安装和插件上了

我看后台关于cad下载、cad安装、cad插件、cad安装教程的热搜词每天都有人问，说实话，text-to-cad的第一步往往不是模型选得有多好，而是基础环境能不能跑起来。这里我先把输出格式搞清楚，再给你三套方案做对比，最后给出我最顺手的组合。

2.1 先搞清楚你要输出什么格式

做text-to-cad前，先想清楚产物要给谁用。

• DXF：Autodesk开放出来的图纸交换格式，几乎所有2D/3D CAD软件都能打开，纯文本化，适合程序生成。
• DWG：AutoCAD原生格式，闭源且版本混乱，直接生成难度高，通常需要借助AutoCAD或中望CAD做转换。
• 脚本文件：比如AutoLISP、Python文件，不是最终图纸，但可以在CAD软件里执行后生成实体模型。

我强烈建议个人项目从DXF入手。理由是DXF本质是一种结构化的文本文件，用Python生成完全不需要安装大型CAD软件，写一个脚本就能产出一个可用图纸，随后用你电脑上的CAD看图王、中望CAD或者AutoCAD打开都能识别。等流程跑通了，再考虑DWG兼容或脚本接入。

2.2 三套常用方案对比

市面上并不是只有一条路，我在三个方向上都做过测试，这里直接给个对比表方便你对号入座：

2.3 我最终使用的环境清单

我平时最常用的组合是“Python + ezdxf + 一个支持工具调用的LLM”。Python负责调度，ezdxf负责生成DXF，LLM负责把用户描述翻译成ezdxf代码。有人问为什么不用AutoLISP？因为AutoLISP这段逻辑只活在AutoCAD进程里，不方便我自动化测试；而ezdxf只要能跑Python，在哪都能运行，出错了也能直接在终端看到堆栈，调试效率天差地别。

安装也非常简单，在一个干净环境里执行：

pip install ezdxf

其他依赖比如OpenAI的SDK或者HuggingFace的Transformers，按你用的模型去安装。我在本地测试时也试过用开源模型跑，不过目前能用API或者本地跑量比较大的模型效果更好。

提示：如果你是在国内环境使用在线大模型API，请务必先确认服务商网络策略，不要使用任何不合规的代理方式访问外部模型。更稳妥的做法是使用国内厂商提供的合规API，或者直接在本地部署可商用开源模型。

3. 核心实操：用 LLM 把一段中文描述变成可编辑的 DXF 图纸

现在进入真正动手环节。我会带你完整过一遍从“用户文字描述”到“生成DXF文件”的最小流程。这个流程我第一次跑通大概花了两个小时，你照着走，应该更快。

3.1 第一步：准备LLM与代码运行环境

首先准备好Python环境，最好用虚拟环境隔离依赖：

python -m venv cad_env cad_env\Scripts\activate # Windows # 或者 macOS/Linux 用 source cad_env/bin/activate pip install ezdxf openai

这里我以OpenAI SDK为例调用大模型，你换成其他任何一家提供OpenAI兼容接口的厂商都能套用。如果你用的本地模型，比如Qwen或DeepSeek，也可以使用对应接口。

3.2 第二步：写一个清晰的Prompt

很多人text-to-cad翻车，翻在prompt太随意上。你问LLM“帮我画个底板”，它给你生成的代码千奇百怪。后来我总结出一套稳定的提示词模板，核心是把“角色、输出格式、技术约束、用户描述”四件事交代清楚。

下面是我实测效果不错的一套中文模板：

你是CAD领域资深工程师，擅长使用ezdxf库编写Python脚本生成DXF图纸。 请根据用户的描述，生成一段完整的Python代码。 代码要求： 1. 使用ezdxf库，版本不低于1.1.0。 2. 坐标系采用世界坐标系，默认单位为毫米。 3. 实体必须添加到doc.modelspace()，最后用 doc.saveas("output.dxf") 保存。 4. 图形几何必须与用户描述里的参数严格一致，尺寸不能随意缩放。 5. 只输出代码，不要输出任何解释和备注，不要使用Markdown代码块。 用户描述：{在这里填入用户的原始文字}

关键点在于第5条——“只输出代码，不输出解释”。为什么非要这么严格？因为后面我要把返回的文本直接保存成.py文件来执行，如果模型夹带markdown围栏或译文，exec起来就会报错。用了这个约束，代码提取成功率会大幅提升。

3.3 第三步：生成代码，执行并检查

下面是一个简化的调用示例，用来演示完整链路怎么串起来：

import openai client = openai.OpenAI(api_key="你的key") user_desc = "底板长100毫米、宽80毫米，四角倒圆角R10，中心位置开一个直径为20毫米的圆孔。" prompt = """你是CAD领域资深工程师，擅长使用ezdxf库编写Python脚本生成DXF图纸。 请根据用户的描述，生成一段完整的Python代码。 代码要求：... 用户描述：""" + user_desc response = client.chat.completions.create( model="gpt-4o-mini", messages=[{"role": "user", "content": prompt}], temperature=0.1 ) code = response.choices[0].message.content with open("generated_cad.py", "w", encoding="utf-8") as f: f.write(code) import subprocess result = subprocess.run(["python", "generated_cad.py"], capture_output=True, text=True) print(result.stdout) print(result.stderr)

跑通以后你会在当前目录得到一个output.dxf。如果代码报错，别急，把stderr里的错误信息直接塞回给LLM，让它修正后重新生成，这个“错误反馈迭代”是提高成功率的关键。

3.4 第四步：用中望CAD/AutoCAD打开验证

生成DXF后，我用中望CAD打开过，也用过AutoCAD和CAD看图王，都没有问题。打开后你要重点检查四样东西：尺寸数值是否与描述一致、圆角是否真的生成成功、圆孔中心位置对不对、图层结构是否干净。

如果你不想打开CAD软件，也可以直接用ezdxf写一段校验脚本，把模型空间里的实体数量、包围盒尺寸、图元类型都打印出来：

import ezdxf doc = ezdxf.readfile("output.dxf") msp = doc.modelspace() print("实体数量:", len(msp)) bounding = ezdxf.bbox.extents(msp) print("包围盒:", bounding) for e in msp: print(e.dxftype(), e.dxf.handle)

看一眼包围盒，长宽方向与800x100是否吻合，心里就有底了。这一步我建议每次都做，别嫌麻烦。生成得多了，你会意识到这是整个流水线里最值得花功夫的保险环节。

4. 调优与避坑：为什么生成代码频频翻车，以及我怎么驯服它

跑了十几次之后你会发现，LLM写代码不是每次都能一次过。我统计过自己一个月的实验数据，在基础几何描述下，一次通过率大约在80%，但一旦涉及多个圆角、阵列、图层合并这些相对复杂的操作，一次通过率直接掉到50%以下。好消息是，利用错误反馈迭代，最终成功率能拉到95%以上。这里把最常见的坑和根治办法都摊开讲。

4.1 最常见的四类报错与根因

这些坑都不是不可破解的，核心原因是LLM对“CAD领域专家”这个角色理解得还不够精确。你要喂它更具体的标准。比如在prompt里明确写“使用毫米单位，R10倒角的圆弧必须存在于四条边的内切位置”，模型翻车的概率就会降很多。

4.2 让LLM更懂CAD的三个技巧

我总结了三招，专门用来驯服大模型，让它从“一本正经胡说八道”变成“靠谱实习生”。

第一招，上下文注入。在prompt里附带一小段ezdxf官方用法示例，比如画矩形的样板。模型对语言模板的模仿能力极强，你给它一个正确的范例，它产出的代码在结构上会无限接近范例。

第二招，错误反馈闭环。代码跑挂后，把完整traceback文本再作为新的上下文拼到Prompt末尾，让LLM看到自己刚才写的代码和报错，它修正类问题的能力远超一遍生成的同期水平。我测过，这种闭环修正一次就能解决六成以上问题。

第三招，脚本约束前置。把“最后保存后必须执行audit检查”写在Prompt中。ezdxf有doc.audit()方法，会扫描内部结构一致性，哪怕只是轻微的问题也能自动修复标出。要求模型在代码结尾加上这个检查，能挡掉大量低级错误。

4.3 实测成功率的表现

我会按复杂程度把任务分成三档：单图形、多图形组合、带参数阵列。单图形比如“一个矩形底板加四个角孔”，带错误反馈后成功率基本在95%-100%；多图形组合比如“底板加四个凸台，凸台上再各开三个等距小孔”，一次成功率约70%，迭代2-3次后能到90%；带参数阵列比如要求按25mm间距排布6行5列出孔，迭代次数会更多，但最终也基本能通过。

这说明一个事实：目前text-to-cad的生产力，不在“一次生成完美”，而在“AI初稿+人工迭代+程序校验”这套闭环。谁把这套闭环做得越顺滑，谁的文字转图纸效率就越高。

5. 进阶玩法：将 text-to-cad 接入日常工作流

跑通最小流程只是开始，真正让这个技术产生价值的是把它接到现有工作流里。下面这几个点我都在实际用，分享给你。

5.1 批量生成参数化图纸

最常见的场景是批量生成规格系列图纸。比如电气柜底板，尺寸随型号变化，孔位随元器件布局变化，人工改图画半天。你完全可以把Excel表格里的参数读出来，一行数据拼一个描述文本，然后往LLM的prompt里批量塞，循环调用并保存成不同文件名的DXF。

我这里用了个最简单的循环：

import csv with open("params.csv", encoding="utf-8") as f: rows = list(csv.DictReader(f)) for row in rows: desc = f"底板长{row['length']}宽{row['width']}厚{row['thickness']}，倒角R{row['corner_r']}，按间距{row['hole_pitch']}均匀排布{row['hole_rows']}行{row['hole_cols']}列孔，孔直径{row['hole_diameter']}。" # 调用LLM生成代码并执行 # 保存为 output_{型号}.dxf

这样做一天的产量比你手画一个月还多。而且因为程序可复现，设计变更时只要改一行Excel，重新跑一遍就得到整套更新后的图纸，这对工程管理来说是质变。

5.2 与现有cad插件、cad教程生态结合

另一个方向是给text-to-cad接上“图层规范”和“标注规范”。我看到热词里很多人在找盘扣cad插件、金林钣金cad版、电气cad安装这类垂直工具，其实它们背后都是让图纸更符合特定行业规范。你也可以让LLM在生成代码时强制设置图层策略，比如“标注放在Dim层，中心线放在Center层，轮廓放Main层”，然后再用ezdxf进一步整理。

我自己在做一个类似“豆腐块”的插件，输入一段工艺描述，自动生成带图框、带图层、带标注的DXF，然后用中望CAD批量打开审阅。整个过程没有人工手绘，只有人工审。这个配合度一旦跑起来，团队里最枯燥的那部分画图任务基本就消失了。

5.3 加校验层：文本到精确图纸的最后防线

校验层是我认为整个链路里最重要、也最容易被忽略的一环。文本转图纸出错是必然的，关键是如何在交付前揪出错误。我常用的校验规则有四条：

• 检查实体数量是否符合预期：比如要求4个孔，程序统计出模型空间里圆实体数量必须是4个。
• 检查包围盒尺寸是否落在描述容差范围内：长宽只能有小幅误差，不允许差10毫米以上。
• 检查是否有未闭合的Polyline：多段线不闭合会导致加工问题。
• 检查是否存在重叠实体：重叠会导致后续标注混乱。

这些规则都可以用ezdxf读取生成后的DXF自动执行，不需要打开CAD。把规则集合成一个validate_dxf()函数，不合格就触发重新生成或报给人工处理。这套层级的水平面更高，也决定了你是否敢把AI生成的图纸直接推给下游。

5.4 我踩过更多的坑，最后想说的

走了这条路快一年，我踩过最痛的坑有两件事。一是太信任AI一次成图，导致一批图纸里有几份尺寸标注不一致，后来返工了整整一个下午。从此我立下规矩：AI生成的图纸，没有经过自动校验和人工抽查，绝不发出去。二是试图样样都在Python里搞定，连三维曲面也想生成，结果发现ezdxf在三维曲面表达上很吃力。后来我调整了定位，把“文本转图纸”框定在二维工程图和简单三维棱柱体上，复杂曲面依然交给人去做，工具焦虑瞬间就解决了。

如果你决定上手text-to-cad，我建议从最简单的矩形底板加孔位这种任务开始，先跑通链路，再慢慢增加复杂性。不用担心AI抢你的图饭碗，目前它更像一个给你递工具、替你跑腿的画图实习生，而真正的工程判断力，还得靠你。最后再加一句，工具可以自动化，但该有的校验和审核一步都不能省——这句话，是我用一整个下午的返工换来的。