企业官网建设流程全解析

第一次看到 text-to-cad 这个方向时，我第一反应是：如果自然语言真能直接变成可编辑的三维模型，那设计师是不是终于可以把重复的建模工作丢给机器了。实际研究了一圈之后发现，这个领域比想象中复杂得多，但也比想象中有价值得多。它解决的并不是“生成一张好看的渲染图”，而是把人的工程意图转成下游真正能用的参数化模型，也就是带特征树、带尺寸、能改参数、能出工程图的那种模型。

这篇文章我会从底层表达、方案选型、完整实操、效果评估到常见坑位，把 text-to-cad 这个方向彻底拆开讲清楚。适合正在做 AI+CAD 交叉方向的研究者、想给团队引入智能建模能力的工程师，以及只是好奇“一句话生成模型到底靠不靠谱”的读者。内容会保持技术向，但尽量说人话，能直接抄作业的步骤我不会省略。

1. 先别急着跑模型：text-to-cad 到底在生成什么东西

很多人第一次接触这个方向，会把 text-to-cad 和 text-to-3D（比如生成 NeRF、网格模型）混为一谈。两者最大的区别不在“输入”，而在“输出”。

1.1 产出的不是形状，而是一棵可编辑的特征树

text-to-3D 类任务输出的是网格、点云或者神经隐式场，本质上是“形状的近似表达”。你拿到一个 STL 文件，能看、能渲染、能 3D 打印，但没法改尺寸、没法拖拽特征、没法把它送进 CAM 做刀路规划。工程师一看就知道这东西在实际生产线里基本不可用。

text-to-cad 的目标完全不同。它想产出的是一个“参数化实体模型”，底层基于 B-Rep（边界表示）或特征历史，打开之后能看到这个模型是由哪些草图、拉伸、切除、倒角、阵列构成的。你改一个孔的直径，后面的圆角、阵列位置会自动联动。这在 CAD 术语里叫“参数化驱动”，是工程软件的基本功，也是 text-to-cad 和普通三维生成最大的分水岭。

可以这样类比：文生图是给画家一句描述，让他画一幅画；text-to-cad 是给木匠一张带尺寸标注的图纸，木匠照图施工，做完还能反过来调整图纸。画可以有一点艺术发挥，图纸不行。

1.2 从自然语言到 CAD 模型，中间隔着三层转换

一句“做一个长 60、宽 40、高 10 的平板，上面均匀分布四个直径 8 的圆孔”，听起来很直观，但模型要处理三层信息：

• 第一层是语义理解：识别“平板”是一个长方体拉伸件，“圆孔”是通孔，“均匀分布”暗示阵列或对称约束。
• 第二层是几何推断：四个孔的位置怎么排？是四角布置、单排布置还是 2x2 阵列？如果没有更多描述，需要按工程常识补默认值。
• 第三层是参数化表达：把上面的理解翻译成具体的建模操作序列，比如“新建草图 > 画矩形 60x40 > 拉伸 10 > 在四个角点画圆 > 切除贯穿”。

这三层转换恰恰是问题的核心。自然语言是高度歧义的，“均匀分布”在不同人脑子里可能是完全不同的排布方式，但 CAD 模型必须给出确定的坐标和参数。所以 text-to-cad 并不只是“语言生成模型”的问题，它同时是几何推理问题和参数化表达问题。

2. 方案选型：为什么大家都用“特征序列”而不是直接输出网格

早期也有工作尝试让模型直接回归网格顶点坐标，或者生成体素场再转换。这类方案放到 CAD 场景里几乎是灾难，原因很简单：网格模型没有特征信息，转成 B-Rep 极其困难，而且拓扑稍微复杂一点就会出现破面、缝隙、非流形边。对于生产环境，这种结果没法用。

2.1 特征序列表示法与 DeepCAD 的启发

目前 text-to-cad 的主流表示方法，很大程度上受到了 DeepCAD 这类工作的启发。核心思路是：把 CAD 模型的构造过程表示成一个有序的操作序列，每一步是一个带参数的建模原语，比如：

• Extrude（拉伸）：需要一个草图轮廓和拉伸高度；
• Revolve（旋转）：需要一个截面轮廓、旋转轴和角度；
• Fillet / Chamfer（倒圆角 / 倒角）：需要指定边和半径；
• Cut（切除）：本质上是布尔减运算；
• 布尔合并：把多个体素组合成一个实体。

这样一个法兰盘可以表示成：画草图圆 → 拉伸成圆柱 → 画底部矩形 → 拉伸 → 合并 → 选择边倒圆角。整个过程很像一个简化版的“建模操作日志”。

为了让神经网络能处理，这些操作和参数需要被离散化成 token。拉伸高度 5.0 可能对应某个 token，4.8 对应另一个 token。整个模型的构造历史就变成了一长串离散符号序列，类似于自然语言里的句子。于是问题被转换成一个条件序列生成任务：输入文本，输出一段 token 序列，解码后再交给 CAD 内核重建出实体模型。

2.2 为什么选择“序列”而不是“直接回归参数”

有人可能会问：既然最终要的是参数，为什么不直接让模型回归参数数值，非要绕一圈转成 token 序列？

一个原因是 CAD 模型的结构是变长的。两个模型的操作数量、草图复杂度完全不一样，直接回归固定维度向量根本行不通。另一个原因是“多解性”。同一个零件可以用拉伸加切除实现，也可以用旋转加倒角实现，两种特征序列都合法。序列生成天然适合这种多模态输出，而回归模型通常只能给出一个平均值，这在几何上是灾难级的错误。

token 化的另一个隐藏好处是：可以直接借用大语言模型里成熟的序列建模工具。Transformer 解码器、beam search、token masking 这些技术全都能迁移过来，省去了大量自创方法的工作量。

2.3 文本编码与条件注入

有了特征序列，剩下的问题就是怎么把文本“灌”进模型。最常见的做法是双编码器结构：

• 文本侧用预训练语言模型（比如基于 Transformer 的编码器）把自然语言描述编码成向量或 token 序列，保留语义信息；
• 序列侧用自回归解码器，在每一步生成下一个特征 token 时，通过 cross-attention 机制去参考文本上下文。

训练时用大量“文本描述 + CAD 特征序列”配对数据做监督。文本描述越贴近真实工程师的表述，模型学到的对齐关系越可靠。实际使用中我也建议对输入文本做一些预处理，比如固定单位描述、统一“孔”“圆孔”“通孔”这类叫法，能显著减少模型的理解偏差。

这里要泼一盆冷水：现阶段不要指望通用大模型直接端到端生成高精度 CAD 几何。语言模型擅长语义理解和逻辑推理，但“精确到 0.01mm”这件事它做不好，而且大模型输出的是文本，不保证合法拓扑。更务实的做法是把大模型当作调度器，让它在理解需求后调用我们上面说的专用 text-to-cad 网络或参数化模板库，最终几何交给 CAD 内核完成。

3. 完整实操路径：从一句自然语言到能打开的三维模型

下面讲一条我自己实践过多轮的端到端流程。整体思路是：数据准备 → 模型训练 → 推理重建 → 校验导出四步走。

3.1 端到端流水线长什么样

一个可落地的 text-to-cad 系统一般长这样：

1. 输入文本，先做清洗和标准化，比如统一单位、补全默认厚度等缺失信息；
2. 专用生成网络把文本编码成特征 token 序列；
3. 序列经过合法性过滤（比如剪掉非法布尔、检查参数范围），交给 CAD 内核重建；
4. 在 CAD 内核里做几何验证，确认体积非零、无自交、无零厚度面；
5. 导出 STEP、FCStd 等下游可用格式。

听起来简单，但每一步都能卡住你半天到一周，后面我专门讲坑。

3.2 数据准备和训练样本构造

text-to-cad 最大的瓶颈不是模型结构，而是数据。

公开可用的高质量数据首先是 DeepCAD 这类数据集，里面包含大量从真实 CAD 软件导出的建模历史记录，格式就是前文说的特征序列。这些数据非常宝贵，因为它们是“构造过程”，不是最终形状。有了构造过程，模型学到的才是“怎么建模”，而不是“形状长什么样”。

困难在于文本描述。原始 DeepCAD 数据没有文字说明，需要自己造配对语料。常见做法有三种：

• 模板生成：定义一些固定句式，把参数填进去，比如“一个长{length}宽{width}高{height}的{shape_type}，带{num}个直径{diameter}的圆孔”。
• 程序合成：根据特征序列自动反推可能的自然语言描述，再用同义词替换扩充表达多样性；
• 人工改写：把模板句改成口语化表达，让模型适应真实世界的输入，而不是只认死格式。

我强烈建议不要跳过数据清洗。训练之前必须做几何合法性检查，比如用 Open CASCADE 内核加载每个序列、执行特征操作、检查结果是否有效。模型生成出来的垃圾序列多半来自训练集里混入了失败的建模历史，源头脏了，后面怎么调结构都白搭。

3.3 模型推理与后处理

推理阶段的伪代码大致是下面这个流程，不是某个特定框架的代码，但结构可以复用：

# 伪代码示例：text-to-cad 推理主流程 text = normalize_input("long 60 wide 40 thick 10 plate with four 8mm holes") text_vec = text_encoder.encode(text) # 自回归解码，生成特征 token 序列 for step in range(max_len): token = decoder.generate_next_token(text_vec, previous_tokens) if not is_valid_partial(token_sequence): # 参数越界或非法操作，触发过滤/回退 token = fallback_token() sequence.append(token) # 交给 CAD 内核重建实体 cad_doc = cad_kernel.new_document() for op_token in sequence: cad_doc.execute(op_token.to_cad_command()) # 几何校验 if not cad_doc.validate(): cad_doc.repair(min_fillet=0.1, tolerance=1e-3) cad_doc.export("output.step")

解码阶段建议用 beam search，不要用贪心解码。贪心解码每一步只取概率最大的 token，但 CAD 序列是强结构化的，某个位置选错一个参数，后面整个几何就会崩掉。beam search 保留多个候选序列，最后在候选里按“合法性 + 文本相关度 + 长度惩罚”排序，成功率会高很多。

后处理阶段，模型输出的 token 序列还不等于实体模型。你需要把每个特征操作映射到 CAD 内核的命令，这一步通常基于 Open CASCADE 或者 CadQuery。CadQuery 的好处是代码就是建模指令，模型生成的序列可以直接翻译成 CadQuery 语句，非常顺。重建完成后再用内核做一次布尔运算检查和体量检测，凡是体积接近零或者面数异常的输出，一律打回重生成。

3.4 我的建议最小验证集

训练完第一个模型，别急着上复杂样例。建议先人工准备 8 个标准描述，覆盖最基本的特征组合：

• “长 60 宽 40 高 10 的平板，四个直径 8 的圆孔均匀分布”
• “直径 30 高 50 的圆柱，底部有半径 3 的倒角”
• “边长 20 的立方体，顶部切一个 10x10x5 的矩形槽”
• “直径 40 的圆盘，中心有一个直径 10 的贯穿孔”
• “长 100 宽 60 高 8 的底座，四角有直径 6 深 5 的沉孔”
• “六角形柱体，对边距离 24，高 30，中心贯穿孔直径 12”
• “两块垂直相交的板，厚度均为 5，相交处有半径 2 的圆角”
• “直径 25 高 30 的轴，一端有半径 4 的倒角，另一端有 20mm 长的 M16 螺纹段”

这组提示词覆盖了拉伸、切除、阵列、倒角、旋转、布尔合并这些基本特征类型。如果这几个都不能稳定生成，说明底子还没打好，不需要急着上复杂装配体。

4. 效果怎么评：光看渲染图是远远不够的

很多生成模型的评估方法到了 CAD 场景都要重写一遍。渲染好看不代表模型能用，真正的考核标准是“能不能进下游流程”。

4.1 几何精度类指标

最常用的几何指标还是体素 IoU 和 Chamfer Distance。IoU 衡量两个实体在三维空间中的重合程度，公式就是交集体积除以并集体积，数值越接近 1 越好。Chamfer Distance 则比较两个形状表面点云之间的平均最近距离，用来刻画“局部是否贴合”，单位是毫米，越小越好。

这两个指标需要把重建出的 B-Rep 模型离散化后才能计算，实际操作中一般通过网格化或者点云采样完成。注意两个指标口径差异很大，IoU 对整体形状贴合敏感，Chamfer 对细部偏差敏感，建议两个都报，不要只挑好看的那个。除此之外还有边缘 F1，专门衡量面与面之间的棱边是否对齐，适合判断圆角、倒角这类细节是否到位。

4.2 语义和合法性指标

几何贴合只能说明“形状像”，不能说明“建模过程对不对”。一个更关键也更容易被忽略的指标是特征树合法性，也就是模型生成的序列交回 CAD 内核重建时，有多大比例能成功构建出有效实体。这个比例直接决定了系统的自动化上限。实测中很多模型看起来 IoU 不错，但重建率只有 20%，因为输出序列里有非法草图、非法布尔操作，内核直接报错。

文本语义对齐也需要单独评估。可以把生成的 CAD 模型渲染成多视角图，再用 CLIP 类模型计算与输入文本的语义相似度；也可以设计一个简单的 CADScore：按输入文本里提到的关键约束逐项打分，比如是否包含“四个孔”、“倒角半径是否为 3mm”、“底座尺寸是否 100mm”。这个规则化评分比纯粹的 CLIP 分数更能暴露问题，建议两个结合。

4.3 失败模式分类

我自己习惯把生成结果分成四类：

四个类别的占比比单一分数更有指导意义。如果“参数漂移”占大头，说明模型结构没问题，是数值精度不够，可以调 token 量化或损失权重；如果“完全无效”占大头，那问题大概率出在数据清洗和后处理校验上。对症下药才高效。

5. 踩坑实录：我这几个月被卡住的地方

这个方向上能踩的坑实在太多，我挑几个最典型的展开讲，每个都是我实际体验过或看过别人反复摔倒的地方。

5.1 数据清洗不干净，训练出来的模型只会生成废料

最让我崩溃的一次经历：模型训练了几天，测试时发现大量输出在重建阶段报错，打开错误日志一看，全是“自交面”、“非法实体”、“布尔运算失败”。排查到最后，根子在训练数据。公开数据集里有一部分建模历史在原始 CAD 软件里就是失败的，或者步骤之间的参数是不自洽的，比如先拉伸出一个长方体，再尝试切除一个完全不在体内的圆柱。

解决办法只有一条：训练前做全量几何合法性清洗。用 Open CASCADE 或 CadQuery 把每个训练序列完整执行一遍，捕捉异常并把失败样本剔除。这个步骤很耗时，但绝对不能省。顺便说一句，光靠“能不能执行成功”还不够，还要做参数统计分析。比如如果数据集里拉伸高度的分布是 0.5mm 到 500mm，而你的文本样本里大量出现“厚度 3mm”，那就需要做对数空间重采样，避免模型对高频尺寸过度拟合。

5.2 尺寸漂移：模型总是往“平均尺寸”靠

我一开始训练出来的模型有个很烦人的毛病：你让它生成长 200mm 的板子，它给你输出 120mm；你让它生成长 20mm 的板子，还是 120mm 左右。原因不复杂，序列生成模型在尺寸 token 上的分布很不均匀，训练集中间尺寸样本多，小尺寸和大尺寸样本少，模型自然学会了“均值偏移”。

解决思路有几个，可以叠加使用。首先是对尺寸值做 log 变换后再分桶，避免大尺寸主导损失；其次是按尺寸区间做训练集重采样，保证每个区间样本量接近；最后是在损失函数里给尺寸误差更高的权重，让模型意识到“尺寸错了比形状错了更严重”。这三个组合拳打下来，我这边尺寸漂移问题降了大概一半。

5.3 布尔运算退化：共面、切边与零厚度

CAD 建模里布尔运算本来就是最容易出事的环节，在生成模型里这个问题被放得更大。模型生成的切除圆柱可能与主体表面刚好共面，或者与已有特征相切，内核执行布尔运算时会出现数值不稳定甚至崩溃。

我的经验是两条路并行：训练阶段在数据里增加“最小偏移”约束，比如孔的中心不能距离边界小于某个阈值，厚度不能低于 1mm；推理阶段加上拓扑安全规则，凡是被判断为共面、相切、零厚度的操作直接拒绝并触发重新采样。另外，模型输出的坐标值不要直接拿去做布尔，先做四舍五入对齐到网格（比如 0.01mm 精度），能避免大量浮点噪声导致的拓扑退化。

5.4 长序列生成崩溃

CAD 操作序列可以很长，一个中等复杂零件可能有上百个 token。自回归模型在长序列上很容易出现“跑偏”，前面的某一步选错了操作，后面全盘皆输，而且越到后面错误越不可挽回。

应对方案我实验下来最有效的是课程学习：先训练短序列（比如少于 20 个 token）的样本，模型稳定后再逐步加入长序列。推理阶段用 beam search 同时限制起始 token，比如强制第一个 token 必须是某个拉伸操作而不是倒角，等于给模型装了一个“建模规范”的前置条件。还有一个技巧是在解码序列末尾增加特殊的“结束特征” token，让模型自己判断什么时候该停，否则模型会把简单零件先生成到一个荒谬长度。

5.5 问题速查表

6. 工程落地：离“AI CAD 工程师”还有多远

实验室里跑通一个 demo 是一回事，真正放到产品里是另一回事。以现在的技术状态，text-to-cad 还做不到“输入一句话，直接交付生产图纸”，但它已经能在某些约束明确的场景里发挥价值。

6.1 当前最务实的落地形态

我目前比较看好的落地方式不是全自动生成，而是“模板库 + 文本检索 + 参数化调整”的半自动辅助。企业把常用的标准件、典型结构件做成参数化模板，用户输入自然语言需求，系统负责匹配模板并填入参数，再由 CAD 内核驱动生成最终模型。这种形态把问题从“从零生成一个任意几何体”降级为“从有限集合里做一个匹配和参数填写”，可靠性大幅提升，也更容易通过企业的质量评审。

对于生成式 text-to-cad，现阶段更适合放在设计早期的概念探索阶段。设计师用文本快速生成几个候选方案，从中获取灵感，再基于生成结果做修改。与其追求一次成型，不如把它当成“能听懂话的草图工具”。这个定位下即使生成的尺寸不精确，只要结构大致符合预期，就已经能节省大量从空白开始建模的时间。

6.2 扩展方向：多模态、约束优化与双向编辑

接下来值得关注的方向，一个是多模态输入。纯文本描述在很多场景下维度不够，比如“类似这个图，但把孔距改成 50mm”，这种需求必须结合草图或参考图。文本负责描述意图，图像负责提供参考形状，两者融合后生成 CAD 序列，比单一模态强很多。

另一个方向是和传统约束求解器结合。当前神经网络生成的尺寸只是“看起来合理”，并不一定满足强度、重量、装配空间等工程约束。一个可行的做法是让网络先生成一个基础的参数化结构，再接入优化器，在满足约束的前提下微调尺寸参数。这是生成模型和传统 CAE 工具链融合的关键路径，也是工程价值最大的方向。

6.3 现实约束与我的个人体会

最后说点现实的。text-to-cad 目前的推理速度还不够快，一个中等复杂模型的序列生成加内核重建可能要几十秒，比工程师自己建模慢不少，谈不上“提效”，只能说“省手”。硬件上，训练一个像样的模型需要一张 24GB 以上显存的卡，推理阶段稍微好一点，但也不是单 CPU 能扛的。数据集版权也需要留意，很多公开数据集来自商业软件用户贡献，商用前必须确认许可条款。

我自己实际跑下来的最大体会是：这个方向真正难的不是模型结构，而是“工程约束如何进入生成过程”。神经网络擅长从数据里学分布，但不擅长理解“这个孔不能跟那个孔干涉”、“这个壁厚不能小于加工极限”。这些问题短期内要靠后处理规则来兜底，长期则需要让约束信息参与训练。如果你准备入坑，建议先把手上的水管接好，也就是数据清洗、合法校验、CAD 内核重建这条链路，再回头调模型。这条链路通了，后面换什么模型架构都会顺手很多。