企业官网建设流程全解析

从“我想在 CAD 里画一个 120×80 的安装板，四角带安装孔，中间一个沉孔”到最终能导进中望或 AutoCAD 的 STEP 文件，过去我至少要开软件、建草图、拉约束、打孔、倒角，忙活十几分钟。如果告诉你现在可以对着电脑输入一句话就拿到这个模型，你会不会觉得这是给设计师的“魔法”？这就是 text-to-cad 在做的事。

text-to-cad 本质上是把自然语言描述转成可编辑的三维 CAD 模型。它和我平时给客户做的三维效果图完全不同——效果图只需要“看起来像”，而 CAD 模型必须“能加工、能装配、能出工程图”。这篇文章就是写给想把这个工具真正用进日常设计流程的人，包括刚接触 CAD 制图的初学者，也包括被重复建模折磨的工程师。我会从技术原理讲起，把当下能用的方案逐个对比，最后给出一条从生成到落地生产的完整链路，以及我实测踩过的真实坑。

1. 一句话出图？CAD 工程师先别高兴太早

第一次看到 text-to-cad 的演示视频，我脑子里蹦出来的想法是：以后是不是不用画图了？但等我真正在项目里用了一段时间才发现，这句话得拆成两半理解。它确实能让你少画大量重复的基础几何，但离“输入一句描述就拿到一张能直接下发的生产图纸”还差得远。

1.1 它到底解决了什么问题

传统 CAD 建模流程里，最耗时间的往往不是“设计”本身，而是把设计意图“翻译”成几何的操作过程。你想表达“直径 8 毫米的孔”，就得点选面、再选孔命令、输入直径、给定深度、确认位置，这一套动作熟练工也要几秒钟。如果一个零件上有十个孔，而且孔距、孔径还在反复修改，时间成本会成倍上涨。

text-to-cad 的思路是把“操作翻译”这层交给大模型。你只需要描述最终结果，比如“一块 100 毫米长、60 毫米宽、8 毫米厚的铝板，四角各有一个直径 5 的孔，顶部有一个 M6 的螺纹孔”，模型尝试生成对应的参数化特征。它特别适合以下场景：

• 前期概念设计的快速验证：客户说的需求还比较模糊，想看到几个备选外形，比手动画三个方案快很多。
• 标准件、非标件的初版模型生成：像支架、法兰、安装板这类规则几何，文本描述足够清楚时，生成效果相当可期。
• 重复变体设计：同样一个底座，孔径不同、孔距不同，用文本模板批量出模型，远比一个个改图省事。

它不适合的场景也很明显：复杂的曲面造型（比如汽车外覆盖件）、需要大量空间姿态调整的装配体、以及需要严格遵循内部设计规范的零部件。这类工作目前的 text-to-cad 工具还接不住，别硬来。

1.2 对新手和老师傅的价值不一样

刚学 CAD 制图的人，经常会卡在“不知道用什么命令组合出想要的形状”。text-to-cad 可以当半个老师：你描述形状，它生成特征历史树，新手照着历史树一步步看，能反推出建模思路。这个价值被很多人忽略了，它其实是一种“建模思路可视化”。

对于老师傅，价值则在另一头。你在行业里干了十几年，脑子里全是设计规范，最烦的是重复劳动。把“先画草图、拉伸、再切孔”这种规律操作交给工具，自己能腾出时间做结构评审、工艺分析和成本估算。我接触过的一个做盘扣脚手架配件的工厂，他们内部的建模流程就是把常用构件做成模板参数，然后在 CAD 插件里调用。这种场景和 text-to-cad 天然互补——模板负责约束，文本负责快速改参数，两者合起来是效率翻倍的路子。

一句话总结：别指望它替你当设计师，指望它替你当“建模操作工”，目前更现实。

2. 画画归画画，制图归制图：为什么 text-to-cad 拼的不是生成能力而是 B-rep

很多做 AI 生成的人一开始想得很简单：既然 Stable Diffusion 能从文本生成图像，那从文本生成 CAD 模型不就是把输出从像素换成三维网格吗？真做起来才发现，这条路从根上就比图像生成难一个量级。

2.1 网格、体素和 B-rep 的根本差异

图像和三维打印用的 STL 文件，本质是一堆三角形网格。网格可以非常精细地逼近任意曲面，但它有一个致命问题：它只是一层“皮”，没有内部拓扑信息。你在网格模型上拉一个圆孔，孔壁是由几百个小三角面拼出来的，面与面之间没有连成严格的数学曲面，更没有圆柱面、球面这种“高级语义”。

CAD 软件里真正的实体模型，用的是 B-rep，边界表示法。它把三维实体描述成一系列精确的数学曲面（平面、圆柱面、NURBS 曲面）以及它们之间的拓扑关系——哪条边属于哪个面、哪个顶点被哪些边共享、哪组面围成一个封闭壳体。这个描述本身就是“可以精确到小数点后第三位”的，所以加工厂才敢照着它开机床。

打个不那么严谨但很直观的比方：AI 画图是给你一幅油画，text-to-cad 必须给你一份建筑蓝图。油画好看就行，蓝图差一毫米楼就塌。

2.2 为什么生成 B-rep 这么难

生成一个 B-rep 模型，等价于要求 AI 同时满足三个条件：几何形状正确、拓扑封闭、特征语义完整。三个条件里任何一个出错，模型导入 CAD 后就会出现破面、实体不闭合、无法拉伸倒角这类问题。

更麻烦的是参数化特征。设计软件里的圆柱孔不是一个“静态的洞”，它是一段带有参数（直径、深度、位置）的建模历史。你要修改直径，直接改参数就行。text-to-cad 如果只生成最终 B-rep 而没有生成特征树，那它给到你的就是一个“死模型”——能看、能测，但改不了，等于半废。

还有个被低估的瓶颈是数据。大模型擅长从海量数据里学规律，但公开的、带特征树标注的三维 CAD 数据集极其稀缺。图像数据集动辄上亿张，带标注的 CAD 模型数据集能到百万级就算很了不起，而且标注一个特征树需要专业的 CAD 工程师手工完成，成本比给图片打标签高太多了。训练数据不够，生成质量自然受限。

所以你会发现，当下的 text-to-cad 模型生成结果经常“远看还行，近看全是毛病”。这不是研发团队不努力，而是问题本身难。

2.3 现在主流的技术路线

我拆过几个开源项目，目前最主流的做法不是让大模型直接输出网格，而是让它输出一段 CAD 脚本。原理很聪明：大模型不适合精确计算坐标和拓扑，但它很擅长写代码。于是把建模操作封装成 Python 接口（比如 CadQuery、build123d），让大模型生成脚本，再在本地执行脚本得到真正的 B-rep 模型。

这样做的好处是“可控”，脚本生成的每一步都有迹可循，报错了能看日志。坏处是“上限取决于脚本接口”，特别复杂的曲面造型用脚本表达很难。另一条路线是 Autodesk 等大厂直接训练专用模型输出原生 B-rep，但它对数据和算力的要求高得离谱，现阶段只有少数大公司玩得起。

理解了这条技术路线，你就能明白为什么我会建议“想认真玩 text-to-cad 的人先学一点 Python 和 CadQuery”——因为你只有看懂脚本，才能真正掌控生成的模型。

3. 当前能落地的 text-to-cad 方案：表格对比和我的实测结论

市面上的 text-to-cad 工具，真正能称得上“能落地”的不多，更多是演示级项目。我按自己的实际使用体验把它们分成了三类，各有各的脾气，千万别只看宣传就入坑。

3.1 三类方案速览

先说说 ZOO。它当年刚出来时我第一时间本地部署过，界面确实漂亮，生成速度也快。但它有个老毛病：生成一些复杂模型时会牺牲拓扑精度，导入 CAD 后需要修复。我拿它生成过一个有多级台阶的基座，外表看着挺好，导入中望后一检查，内部有面没闭合，根本不能直接切片加工。它更适合做“形状探索”，不适合直接出生产模型。

再来是 Project Bernini。它接受文本、图像甚至点云输入，输出是 B-rep，这是它最吸引我的地方。实际测试下来，它对简单机械件的几何理解力不错，但因为是云端预览阶段，免费额度有限，生成速度也受服务端排队影响。还有一个实际痛点：它导出的文件在某些老版本 CAD 里兼容性一般，处理不当会丢特征。

3.2 我更推荐“脚本控制”这条路线

用过一圈之后，我自己工作流里用得最多的反而是“LLM 写脚本”这条路。我本地跑一个开源大模型，或者调用云端 API，让它生成 CadQuery 代码，然后我在本地执行得到 STEP 文件。这样做最大的好处是：任何时候生成的模型不对，我能直接看脚本定位问题，而不是对着一个黑盒结果干瞪眼。

我拿一个真实的案例测过。描述是“一个外径 80、内径 60、厚度 12 的法兰，圆周上均匀分布四个直径 8 的孔”。LLM 生成的 CadQuery 脚本基本能一次跑通，输出的 STEP 导进 CAD 后，所有尺寸和孔位都能正确识别，而且因为脚本里有明确参数，我把外径改成 100，重新执行一次，整圈孔位自动跟着改。这种“参数化”能力，是其他方案很难给的。

但脚本路线对使用者的要求也明确：你得会看 Python，至少要能读懂坐标变换、循环、布尔运算。否则模型生成错了，你也无从下手。我的建议是：如果你想长期依赖 text-to-cad 提升效率，花一周时间把 CadQuery 的基本接口过一遍，性价比极高。

4. 从生成模型到能下发生产的 STEP 文件：完整链路一次走通

模型生成出来只是第一步，真正让它进入你的设计流程才是重头戏。我平时接触的很多同行，卡就卡在这：AI 工具生成结果挺好，但不知道怎么把它变成自己 CAD 环境里那个能继续编辑、能出图、能交接的文件。

4.1 一条我实测跑通的链路：文本到 STEP

以我上面提到的“带孔安装板”为例，完整走一遍：

第一步，把需求拆成结构化的中文描述。我建议不要让模型猜，把关键参数全部点明，包括长宽高、孔直径、孔位置、孔数量，有特殊要求（比如倒角、螺纹）也一并写清。写得越像“工程说明”而不是“口语聊天”，生成质量越高。

第二步，用 LLM 生成 CadQuery 脚本。如果你用的是本地开源模型，把上面那段描述丢给它，要求它“生成 Python 代码，使用 CadQuery 3.x，创建如下几何体”。生成的脚本经过我人工检查和少量修正后，长这样：

import cadquery as cq plate = ( cq.Workplane("XY") .box(120, 80, 10) .faces(">Z") .workplane() .rect(80, 40, forConstruction=True) .vertices() .hole(8) .faces(">Z") .workplane() .center(0, 0) .hole(30) ) cq.exporters.export(plate, "mounting_plate.step")

第三步，在本地执行脚本，得到 STEP 文件。这一步注意，CadQuery 有不同的版本，接口有变化，最好在虚拟环境里固定版本，否则今天能跑明天报错是常事。

第四步，把 STEP 文件导入你日常使用的 CAD。中望 CAD 和主流的三维软件对 STEP 支持都不错，导入后可以直接继续做工程图、标注尺寸、出 BOM。之前有个同事拿着 STEP 到 AutoCAD 里想直接编辑，发现只能看不能改——这是正常现象，STEP 本质上是一个交换格式，三维特征在部分软件里会被压成一个“哑实体”，你再想改就得在原生环境里重建特征。所以我现在的习惯是：如果后续还要大幅修改，就保留 CadQuery 脚本；如果只是出图和外发加工，STEP 就够了。

4.2 供应链和后处理：转 PDF、快速看图那一摊事

模型建完，真正的生产协同才刚刚开始。日常项目里，我至少得面临三类后续需求：出 PDF 图纸给客户、把模型发到手机上快速预览、以及把多个零件图合成一张总装图。这些工作，text-to-cad 本身不管，但如果你把生成链路建立起来，它们全都变成“顺手的事”。

转换 PDF 工程图不用多说，很多 CAD 软件自带批量打印功能，也可以先导入中望的查看器再导出。快速看图我用得最多的是手机端轻量工具，STEP 大文件先转成轻量化网格或者直接发原文件，手机上翻一翻，和客户当场确认结构，不用开电脑。至于多个零件的图纸合并，处理烦人的图框、比例协调的话，用脚本批量操作比手搓有效率得多，前提是你前一步生成的每个零件文件命名规范、版本清晰。

我还见过有人用 python 批量处理这些 CAD 文件，比如把所有生成零件的孔距统一改大 2 毫米，或者把一批 STEP 批量转成中间格式再导入总装。这种活人工做容易漏，用脚本做就是几行循环的事。text-to-cad 的价值在这里和脚本自动化叠加了：它批量生成初版，脚本批量修正变体，最后统一出图归档。这样一条流水线，才是“AI 辅助设计”真正让人省心的地方。

4.3 垂直行业插件的启示

热搜词里那个“盘扣 CAD 插件”让我印象很深。它本质上是把盘扣式脚手架的构件做成参数化模板，在 CAD 里直接调用生成。这和 text-to-cad 的思路殊途同归，区别在于：行业插件是人工把规则固化成“按钮”，text-to-cad 是让模型理解文本、现场生成脚本。

我现在很看好二者的结合：垂直插件提供行业规范和构件库，text-to-cad 提供灵活的文本入口。用户说一句“立杆间距 1.2 米，步距 1.5 米，三层”，系统理解后去调插件模板，输出合法合规的盘扣架体模型。这比让 AI 自由发挥靠谱得多——因为行业标准、荷载规范这类东西，大模型根本背不全，必须交给插件去约束。

5. 五连坑复盘：单位、布尔体、插件残留和中文描述的教训

用 text-to-cad 这几个月，我踩过的坑完全可以单独写一篇“排雷报告”。这里挑五个最有代表性的，个个都是加班换来的教训。

5.1 单位不统一：模型直接差 25.4 倍

第一次用 LLM 生成脚本时，我描述里写“长度 4”，本意是 4 英寸还是 40 毫米？模型给了我一个 4 单位的模型，导入软件后按毫米解释，整块板小得跟硬币一样。后来我学乖了：不管描述还是代码里，一律标注单位。描述写“长度 101.6 毫米（即 4 英寸）”，代码里用cq.Workplane("XY").box(101.6, ...)。单位这问题不只在 text-to-cad 里有，但 AI 生成让它变得更隐蔽——因为你看不到过程，只看到结果，错了也不容易意识到。

5.2 布尔运算失败：看着是实体，其实是个“坏体”

生成脚本里如果有多个实体做并集或差集，时不时就会遇到布尔运算失败。CadQuery 这类库对几何内核的容错性再高，也架不住两个面完全共面或者微小缝隙。典型的报错是“cannot compute boolean operation”，遇到这种情况别硬调代码，先简化模型——减少不必要的拆分，合并特征，或者把共面的部分稍微错开 0.001 毫米，往往就能绕过。

5.3 中文自然语言描述远没你想的靠谱

我用中文描述过“圆角稍微大一点”，结果模型给我倒了一个 5 毫米的角，根本不是我要的“稍微”。这里我必须说句实话：当前的大模型对中文工程语义的理解，比英文要弱不少，尤其是单位、公差、表面处理这些隐含信息。想避坑，就得把描述写“死”。不要写“稍微”“大约”“圆润一点”，写“倒角 2×45°”“公差 H7”“表面 Ra1.6”。工程语言越像代码，模型越不容易自由发挥。

5.4 玩插件玩出的系统残留

为了试各种 text-to-cad 客户端和插件，我在工作电脑上装了一堆环境。某次我卸了一个英文工具的本地服务模块，结果它没把注册表和环境变量清理干净，导致我后来装新版本 CAD 插件时一直报错，折腾了整整半天才查出来是残留的 DLL 在捣鬼。这件事教会我两件事：第一，尝鲜工具尽量装在虚拟机或独立环境里，别污染主力设计环境；第二，卸载这类带服务、带命令行工具的软件，要检查系统变量和启动项，确保彻底清理，否则“影响二次安装”绝不是危言耸听。

5.5 云端生成的数据安全问题

这是很多人忽略的一坑。把公司新产品的结构描述丢给免费云端 text-to-cad 工具，等于把设计意图告诉了一个你完全不控制的服务。我听说过有同行把未公开的零件外形喂进去生成概念图，结果一个星期后模型参数在网上被泄露的传闻——真假没法验证，但风险是实打实的。能本地部署就本地部署，或者至少脱敏处理：把真实尺寸等比模糊成整数，生成后再自己换算回来。

6. 给准备入坑的人：从哪学起、怎么写描述最不踩雷

如果你看到这里，说明你是真的想把这个工具用起来，而不只是看个热闹。那我给你几条基于实际经验的建议，照着走能少走很多弯路。

6.1 先选一条适合你的入门路径

我建议按你的编程基础分两条路走。完全不会写代码的，先用商业化的云端产品（比如 ZOO、Bernini）感受一下完整流程，重点观察它输出的模型能不能导入你自己的 CAD、导入后能不能编辑。这个阶段不用纠结原理，目标是建立“文本到模型”的直觉。

会一点 Python 的工程师，我强烈建议直接学 CadQuery 或 build123d 的基本用法。你不需要精通计算机图形学，只要会画矩形、拉伸、打孔、做阵列这四件事，就足够覆盖 80% 的机械零件场景。学完基础后，再让大模型帮你生成脚本，你会发现自己改脚本的速度比从头手搓快得多。

6.2 写描述就按“特征清单”来

我总结了一个实操模板，能让生成成功率大幅提高。描述按这个结构写：主轮廓（基本形状和尺寸） + 特征列表（孔、槽、凸台、倒角） + 约束关系（对齐、对称、阵列、同心） + 单位与精度 + 输出要求（STEP、可参数化）。

举一个正面例子：“创建一块 L 形安装板，总长 150 毫米，总宽 100 毫米，厚度 10 毫米，两臂宽度均为 50 毫米；四角各有一个直径 6 毫米的通孔，孔中心距边缘 12 毫米；右侧臂上阵列 3 个直径 4 毫米的孔，间距 20 毫米；所有棱边倒 1 毫米圆角。单位：毫米，输出 STEP 文件。”

对比一下反面例子：“做个 L 形板，上面打几个孔，带圆角。”前者模型基本能一次生成，后者大概率会给你一个面目全非的“六边形战士”。

6.3 最后一件事：把“审图”的立场守住

text-to-cad 生成的东西再快，也只是“提案”，不是“成品”。我现在的习惯是，AI 生成的模型一律当草稿看待，进入正式评审前必须做一轮几何检查：实体是否闭合、是否有干涉、关键尺寸是否在公差范围内、制造工艺是否可行。这个流程不是我信不过 AI，而是工程出图这件事本身就不允许“差不多”。

我自己这几月最大的体会是：text-to-cad 真正提升的不是“画图速度”，而是“方案的试错速度”。以前改一版结构我要花 40 分钟重新建模，现在只需要改一段文字、重新执行一次脚本，十分钟就能拿到新模型。工具给到的是一种“快速把想法变成几何”的能力，至于这个几何好不好、能不能用，定夺的人仍然是你。把这层想明白了，你就不会对它过度期待，也不会轻易错过它。