“帮我做一个直径40毫米、壁厚3毫米的法兰盘边缘均匀分布6个M5螺纹孔”——这句话放在五年前怎么说都像个段子。但现在它是text-to-cad这类工具的标准输入格式。把自然语言直接转成CAD模型这已经不是某个实验室的PPT概念而是实实在在出现在工程桌面上的生产力工具。我做了一个多月的实测从玩具级零件到带参数约束的结构件都试了一遍这篇把核心原理、完整流程、踩坑记录一次说完。先给没接触过的朋友一个定位text-to-cad解决的是“从想法到模型”的第一公里。传统建模软件里设计师在草图、拉伸、旋转、布尔运算之间来回切换一个稍复杂的零件动辄半小时起步。而text-to-cad把建模动作变成了“对话”——你说需求系统把它翻译成参数化建模指令生成可直接编辑的CAD文件。它不打算取代工程师的手它替代的是“把脑子里的东西落到图面上”那段最机械的重复劳动。适合谁用三类人最能吃到红利一是做3D打印的极客快速验证结构想法二是机械设计工程师概念阶段快速出方案对比三是非机械背景的产品经理、创客不需要学完整套建模命令就能拿到可用的模型。下文所有内容都基于我实际跑过的Zoo Text-to-CAD、以及几个开源替代方案的实测结果不吹概念只讲能落地的东西。1. 整体思路拆解为什么text-to-cad能“听懂”建模需求1.1 它到底在“生成模型”还是在“生成代码”这是最容易被误解的一点。多数人想象text-to-cad是AI在三维空间里直接捏出一个实体模型像捏橡皮泥一样。实测下来主流方案的底层逻辑其实分两派一派走“网格生成”路线直接预测三维体素或网格典型代表是各种基于扩散模型的方案速度快但输出是三角网格放进CAD里没法编辑约束关系全部丢失另一派走“程序化建模”路线让大语言模型理解你的需求然后生成一段参数化建模脚本——最典型的就是生成OpenSCAD代码或者输出针对FreeCAD、CadQuery的Python脚本。我强烈建议把注意力放在后者。原因很简单工业级流程需要的是可编辑、可参数化、可追溯的模型。网格文件STL只能用于打印和渲染一旦要改尺寸、改倒角、改孔位就得重新生成。而程序化建模生成的脚本本质上是一份“建模说明书”改一个参数整个模型自动更新。这就好比给你一把乐高积木的搭建图纸而不是给你一个拼好的成品——前者能衍生出无数变体后者只能从头再来。1.2 核心痛点自然语言天生模糊CAD天生精确text-to-cad最难的不是“生成形状”而是“消除歧义”。你说“一个漂亮的支架”什么叫漂亮孔是通孔还是盲孔壁厚公差多少倒角多大CAD世界里每一个数值都必须是确定的而自然语言充满了模糊性。所以整个系统的关键设计目标就是把模糊需求“翻译”成精确的参数化指令链。实测中我发现好的text-to-cad工具本质上是在做三件事第一语义解析把你的描述拆解成特征列表主体形状、孔特征、阵列模式、倒角类型第二参数推理根据常见工程经验补齐你没说的尺寸——比如你说“M5螺纹孔”系统会自动推算底孔直径4.2毫米、螺纹深度合理值第三约束建模把特征组织成参数化脚本确保后续修改时所有关联尺寸联动更新。这一套“解析-推理-约束”的链路决定了输出质量的上限。理解了这个你就不会拿着text-to-cad去问“做一个跑车模型”这种离谱需求——不是不能做而是这种需求本身就缺少工程约束系统只能靠猜。2. 核心细节与实操要点把需求说“明白”是最高频的技能2.1 提示词工程一句话和一段话的效果差一个量级我实测过大量提示词写法最重要的结论不要用一句话描述要用“结构化的技术描述”。这听起来像废话但大多数人做不到。举个例子对比一下低质量提示“做一个带孔的法兰盘”高质量提示“创建一个外径80毫米、内径30毫米的法兰盘厚度12毫米圆周上均匀分布6个直径为6.5毫米的通孔孔中心位于半径55毫米的圆周上外边缘倒角2×45度”前者我测了三个工具生成结果五花八门——有生成实心圆盘的有孔位随机分布的有尺寸彻底跑偏的。后者几乎所有的工具都能给出合格输出。为什么因为“均匀分布”“位于半径55毫米圆周上”这些表述精确对应了建模系统里的“圆周阵列”和“定位草图”操作大模型能直接把语义映射到脚本函数上。我的建议是每个需求描述至少包含五要素——主体形状、关键尺寸、特征类型、特征位置、特征数量。缺哪一块系统就会自由发挥自由发挥就意味着大概率不符合预期。2.2 尺寸单位与公差语义最容易被忽略的坑text-to-cad这类工具处理单位时内部逻辑千差万别。有的默认毫米有的默认英寸有的会根据你描述中的“直径40毫米”自动识别。实测踩过最深的坑是描述里不写单位只写数字。比如“做一个直径40的圆盘”系统可能按40英寸生成结果出来一个直径一米的巨型零件。另一个隐蔽问题是“公差语义”。机械行业的人说话自带公差意识——“孔的间距大约55毫米”这里的“大约”在工程语境里意味着允差但在AI眼里就是模糊信号。实测时我发现把“大约”“差不多”“大概”这些词从提示词里删掉输出稳定性明显提升。精确到数值是让AI停止自由发挥的最有效手段。2.3 复杂模型的拆解策略永远不要一次生成完整零件很多新手一上来就想要“一次生成整个装配体”——比如“做一个完整的减速器”。实测下来这类请求几乎全部翻车。不是AI能力不够而是信息密度太大单次生成的上下文窗口根本装不下所有特征细节必然丢失信息。正确玩法是“分层拆解、逐个生成、最后组装”先描述整体外形和功能需求生成基础毛坯再逐个叠加特征孔阵列、筋板、凹槽、倒角最后用布尔运算或装配约束组合成完整零件。这和我们日常用CAD建模的思路完全一致——先画草图轮廓再拉伸切除再阵列开孔一个特征一个特征往上堆。text-to-cad本质上是替你执行了这套流程但流程的规划还得靠人脑。3. 实操过程从一句话到一个可打印零件的完整链路3.1 工具选型实录我测过的三个方案横向对比目前能跑通text-to-cad的免费/半免费工具不多我重点实测了三类结果差异非常明显。顺便说一句网上疯传的很多“AI建模神器”视频十有八九是反复生成几十次后挑最好的剪辑效果别被误导。方案类型代表实现输出格式可编辑性实测精度上手难度商业云端工具Zoo Text-to-CADSTEP/OpenSCAD代码好参数化脚本可直接改优几何体识别准确率高低网页直接用开源程序化方案CadQueryLLM调用Python脚本极好原生程序化建模良依赖提示词质量中需要Python基础网格生成方案若干研究原型STL网格差不可参数化编辑中精度和拓扑都看运气高通常只有demo如果你只是快速验证想法商业云端工具最省心如果你想做长期项目、需要模型可复用强烈建议研究开源的“LLM程序化建模脚本”路线。后者的好处不只是免费——你拿到的是Python代码意味着任何一步不满足需求可以直接改代码而不是重新生成。3.2 一个完整案例生成轴承座完整提示词参数复盘我拿一个典型的机械零件“带底座的开槽轴承座”做完整实测。最终提示词如下创建一个轴承座模型整体材料为铝合金。 底座长100毫米宽60毫米高15毫米四角各有1个直径8mm的通孔孔中心距底座边缘10毫米。 主体立板位于底座上方中央宽60毫米高50毫米厚度20毫米。 轴承安装孔直径40毫米贯穿立板厚度方向孔中心距底座上表面35毫米。 安装孔两侧各做一个直径10毫米的贯穿通孔用于固定轴承端盖孔中心距离轴承孔中心30毫米。 主体立板前后面各做4毫米深的沉槽槽宽30毫米槽高30毫米位于立板中心。 所有外露锐边添加2毫米倒角。这套提示词实测生成的OpenSCAD代码质量相当高编译出来就是一个结构完整的轴承座。需要说明的是提示词里的“贯通”“沉槽”“倒角”这类工程术语模型识别率明显高于口语化表述——“贯穿”能正确映射到cut操作“锐边倒角”能正确映射到chamfer。这进一步印证了前面说的对AI说话请用工程语言。3.3 从模型到制造不能跳过的三步检查生成模型不等于能用模型。我吃了好几次亏才养成习惯现在任何AI生成的CAD文件上机床或上打印机之前必做三步检查第一步尺寸核对。把STEP文件导入专业CAD软件我用FreeCAD和Fusion都试过用测量工具逐个核对关键尺寸。AI生成的代码里偶尔会出现尺寸数字写错的情况——描述里写“直径40”代码里可能写成radius40你这零件半径就直接翻倍了。这类错误不经过实际测量根本发现不了。第二步拓扑检查。生成的模型偶尔会出现非流形几何——比如多个实体黏连、面片重叠、零厚度壁。这类问题在网格格式里特别常见STEP格式好一些但也不是绝对没有。用CAD软件的“实体检查”功能过一遍能省掉后面打印或加工时的各种诡异失败。第三步可制造性评估。AI不懂工艺。它可能会生成一个直径40的轴承孔但不知道你需要公差配合可能会生成一个内腔但没留出刀具进刀的空间。所以最后一步永远要回到人脑——用加工常识审视一遍模型的加工可行性。这一步没法自动化也是现阶段AI替代不了工程师的核心价值所在。4. 常见问题与排查技巧让text-to-cad真正可控的经验库4.1 输出尺寸漂移三步定位法尺寸漂移是出现频率最高的问题。描述里写“直径40毫米”生成出来变成直径42毫米或者参数错乱。我总结了一套三步定位流程第一步先检查单位。很多工具默认英寸你没写“毫米”两个字系统可能按英寸理解40英寸直接变成一米多的大盘。第二步检查提示词里是否出现“大约”“左右”这类词这类词会显著降低参数推理的确定性果断删掉。第三步直接打开生成的脚本代码人工核对关键数值。OpenSCAD/CadQuery脚本都是可读的找到对应的参数赋值一眼就能看出是模型理解错了还是代码写错了。如果是前者改提示词重新生成如果是后者直接改代码——这比重新生成快得多。4.2 布尔运算失败与拓扑碎片程序化建模路线绕不开布尔运算——模型里几乎所有的孔和槽都是通过“主体减去圆柱/方块”实现的。实测中这类操作偶尔会留下拓扑碎片尤其在处理“圆柱与圆角相交”这种复杂曲面时。排查方法有两个一是检查生成的代码里布尔操作的先后顺序把“倒角”放在“布尔减”之后再执行能规避大量相交报错二是在最终导出前做实体“净化”操作把模型修复为标准流形。这个问题的本质是建模引擎OpenSCAD等的内核精度限制不是AI的理解问题。所以出现布尔失败时不必急于重写提示词先检查特征执行的先后顺序——这是纯工程问题工程问题就用工程手段解决。4.3 提示词太长丢失信息分阶段生成的正确姿势我的实测里超过300字的提示词生成质量会明显下降。特征太多时模型会“抓大放小”——主体结构能做出来但小特征小孔、小倒角经常被漏掉。解决思路前面说过分阶段生成。但具体怎么分有个实操原则把特征按“结构依赖关系”分组。底座孔和底座是同一批立板支撑孔和立板是同一批轴承孔则要等立板完成后再叠加——因为轴承孔的位置依赖立板的高度参数。如果所有特征一次性输入模型既要推理结构又要推理依赖关系上下文一长必然顾此失彼。分阶段生成还有一个额外好处每个阶段输出的脚本可以独立验证哪一步出问题就只改哪一步排查成本降到最低。4.4 生成了但没法用从“形似”到“神似”的最后一公里最后说一个很多人忽略的经验text-to-cad生成的结果经常“看起来没问题”但工程上没法用。比如孔的位置是竖直的但实际安装需要配合特定角度比如壁厚处处一致但受力最大的区域需要加强筋比如过度圆角挡住了螺纹孔的定位面。这些都是AI“不知道怎么才算正确”的知识盲区。解决的办法是把工程约束写进提示词里。不要只写“直径”写“直径40毫米H7配合公差”不要只写“通孔”写“通孔孔口倒角0.5×45度”。你还得记住AI是概率模型同一个提示词两次生成结果可能不同这就是为什么所有严肃使用场景下都需要人工复核。用它做“第一稿”效率极高但“最后一稿”永远得自己把关。5. 工具链扩展把text-to-cad接进你现有的工作流5.1 与参数化设计流程的配合text-to-cad最有价值的用法不是“生成一个一次性零件”而是生成一份可复用的设计模板。程序化建模脚本天生适合做这事——同一个底座模型改两个参数就能适配不同规格的马达。我现在的做法是用text-to-cad生成第一版脚本然后在脚本里把所有关键尺寸都升级为变量顶部集中定义参数表。后续设计变体时改参数表就行整个建模逻辑完全复用。这等于把AI变成了参数化设计团队的“外挂程序员”。使用时有几点注意尽量保持脚本的“单一职责”——一个脚本只做一个零件别把多个零件揉在一起命名规范要清晰用laml_、hole_d等可读前缀方便后期维护。毕竟AI生成的代码可读性直接影响你后期改它的意愿。5.2 从单个零件走向小批量装配我尝试过用text-to-cad生成一套简单的装配关系——上下盖加连接螺钉。结论是它能分别生成每个零件但“装配约束关系”目前还做不到全自动。你需要手动在装配环境里添加同轴、贴合等约束。不过即便如此效率提升依然可观三个零件如果手动建模怎么也得一小时现在十五分钟能拿到三个可编辑的零件文件剩下十五分钟做装配和干涉检查。对得起“text-to-cad”这个名号。5.3 预测下一步它会往哪个方向长基于我目前观察到的一线工具发展速度接下来半年到一年有几个明显的演进方向一是多模态输入——不只是文字而是文字加草图加参考图片混合输入用图片定位形状用文字标注尺寸和公差二是工艺感知——系统会开始理解锻造、注塑、CNC加工的不同要求提示词里说“注塑件”它自动加上脱模斜度三是闭环验证——生成模型后自动跑有限元或运动学仿真反过来迭代修改设计。这三个方向一旦落地text-to-cad就会从“建模助手”升级为“设计工程师”那时候真正被冲击的岗位或许是那些只做重复建模的执行层设计岗。我个人在这段时间的实际体会是把text-to-cad当“建模自动化工具”用你会失望把它当“快速原型搭档”用你会很惊喜。它最大的价值是让你在十分钟内试错十个方案而不是花一整天把第一个方案打磨到完美——设计早期最缺的从来不是精度是探索的广度。用这个思路去规划你的工作流工具才能真正为你所用。