1. 先搞清楚我们这一期到底要搭个什么最近在做一个3D智慧仓储数字孪生的项目我一个很深的感受是大多数人对“数字孪生”的理解还停留在“用三维软件画个好看的仓库模型”这个层面。但真做起来你会发现模型只是地基关键在数据和坐标。仓库里的货架、货物、通道、AGV运行路径每一样东西除了要长得像还必须能被程序读取、被业务系统驱动、被前端页面实时渲染。这件事的工程量远远超过“建个模”。所以这次我换了思路不自己一格格去建模而是把建模工作交给“Antigravity Blender MCP”这套AI协作流程。简单说我只需要用自然语言描述需求Antigravity负责编排任务、调用MCP服务Blender MCP在三维软件里执行AI生成的指令最终得到一个“能跑数据的仓库场景”。这一期是“上篇”先解决最核心的问题怎么用这套组合把仓库场景搭起来并把业务数据挂到三维物体上让模型从“能看”变成“能用”。这套工作流特别适合谁第一类是正在做智慧园区、智慧物流、工业数字孪生项目的人你们大概率还在用传统方式手动建模可以看看AI协作能省多少时间第二类是前端工程师想把three.js或者Unity的场景数据接回来这篇文章会讲清楚模型坐标和数据的导出链路第三类是刚接触数字孪生、想低成本验证概念的同学这套方案几乎零门槛一台能跑Blender的电脑就够了。2. 拆开看数字孪生、Blender MCP、Antigravity各自扮演什么角色2.1 数字孪生的三层架构不止是“像”我在实际项目里习惯把数字孪生拆成三层来看。最底层是数据层包括库存数据、设备状态、传感器数据、点位坐标这些是“孪生”的灵魂中间层是模型层也就是Blender里面建的货架、货物、AGV、摄像头等三维对象最上层是交互层也就是前端页面、大屏或者VR终端用来把数据和模型叠加展示给使用者。很多人做孪生项目容易犯一个错误先把模型建得很漂亮然后才去考虑数据怎么接结果要么模型结构没法对应数据字段要么坐标系统对不上最后只能返工。正确的顺序应该是先确认“哪些物体有数据、数据长什么样”再倒推模型结构。比如仓库里的一个货位它需要包含货位编号、所属货架、层数、当前库存、容量上限那么建模的时候就要给这个货位对象挂上这些属性字段而不是只建一个立方体。2.2 Blender MCP到底做了什么MCP全称是Model Context Protocol模型上下文协议。它解决的问题很直接AI模型没法直接操作你电脑上的软件MCP就是那座桥。浏览器里有Chrome DevTools MCP、自动化测试可以用Playwright MCP而Blender MCP则是专门用来连接AI和Blender的。Blender MCP的服务端运行在本地的Blender里通常是作为一个插件启动。AI客户端连接上这个服务端之后就能通过预定义的工具类型指令来操作Blender比如创建物体、修改材质、摆坐标、批量生成。对我来说最常用的是让它直接执行Python代码因为Blender本身就是全Python驱动的有了MCPAI就可以绕开“只能给我看代码、不能自己跑代码”的尴尬局面。这带来的体验变化是质的以前你说“帮我建一个20米乘20米的仓库地面再放四排五层货架”AI只能给你一段代码你得自己复制进Blender的Scripting窗口执行现在你用Antigravity这类Agent工具连上Blender MCP它直接就在Blender里把场景建好了。省去的不是一点点时间而是整个“人在中间传话”的环节。2.3 Antigravity在项目里的定位AI编排中枢Antigravity这类Agent开发环境在我看来就是承担“裁判和调度员”的角色。AI编程工具本身已经很常见但单个对话窗口的能力是有上限的尤其在项目链路长、工具多的时候你需要一个能自主拆解步骤、按顺序调用不同MCP服务、处理中间错误的执行体。Antigravity把这种能力产品化了你给它一个目标它自己去规划去执行遇到问题还能读报错并调整方案。在“Antigravity Blender MCP”这个组合里Antigravity负责这么几件事。第一理解你的中文需求拆解成“建地面、建货架、批量放货物、挂数据”这样的子任务第二按顺序调用Blender MCP的工具把生成的Blender Python脚本送进去执行第三维护整个会话上下文比如你中途说“货架往左边挪两米”它能知道指的是哪排货架而不是当新需求处理。当然Antigravity本身是一个通用Agent平台不是只服务于Blender。所以一个典型的做法是把Blender MCP作为MCP Server配置进Antigravity里面让它能同时拿到多个工具能力。如果你的环境里还配了浏览器MCP、文件系统MCP、数据库MCP那它就能干更多事比如读取库存CSV、调业务API、最后驱动Blender建模。这也是为什么我选择Agent平台而不是单纯在聊天对话框里写代码的根本原因只有Agent化跨工具协作才能真正自动跑起来。3. 环境准备与MCP连接一次说清3.1 软件安装清单动手之前先把环境备齐。我用的配置是Windows 11主力机加一张中端独显Blender版本用的4.1以上Python环境通过uv管理MCP插件直接从Git仓库拉取。Blender本身建议直接从官网下载长期支持版不要用发行版的精简包里带的旧版本因为MCP插件往往依赖新版Python API。Antigravity这边你需要一个能登录的账号它本质上是云端算力加本地Agent调度。首次使用会检查资格和权限建议把账号权限、区域配置、API密钥这些提前确认好不然很容易在启动任务时卡在权限校验。连接Blender MCP时一般会用WebSocket形式的服务地址也就是以wss://开头的MCP端点注意这个地址里通常会带token参数token就是你连接服务的身份凭证泄露了等于别人能控制你的Blender会话要保管好。3.2 配置Blender MCP Server尽量一次通过Blender MCP的部署流程我拆成三步。第一步把MCP服务端代码克隆到本地用uv工具安装依赖这是目前最不容易踩坑的Python包管理方式第二步在Blender里安装配套插件然后在插件面板开启MCP服务它会监听一个本地端口等待外部连接第三步在Antigravity的MCP配置里加入这个服务把地址类型、端口、token填对保存后测试连通性。一个容易搞混的地方MCP的连接协议有stdin、SSE、WebSocket几种Blender MCP这类针对GUI软件的服务大多走的是WebSocket因为它需要持续双向通信AI端随时要把Python代码送进去执行Blender端也会往回传执行结果。配置示例大概是这样的{ mcpServers: { blender-mcp: { command: uv, args: [run, blender-mcp] } } }如果你的Antigravity环境只支持WebSocket地址那就直接填MCP服务端页面显示的那个wss://地址。验证是否连通有个土办法先给AI发一条最简单的指令让它打印Blender场景里的物体列表如果返回了物体名字就说明链路已经通了。我每次换新环境都会用这个“最小测试”保底能省掉后面一大半排查时间。注意MCP服务端和Blender插件必须是同一个版本仓库里的东西混搭版本经常出现“服务端连上了但工具调用没反应”的诡异问题。4. 实操用自然语言建一个智慧仓库场景4.1 先生成一个能跑的地基整个仓库场景从地面开始。我会先给Antigravity一个空间尺寸定义而不是让它瞎猜。数字孪生最忌讳的就是模型比例不一致后面导出到前端、对接点云或导航数据时会全面错位。我实际下的第一条指令是这样“在Blender中创建一个长20米、宽15米的仓库地面用平面网格生成坐标为原点居中。再在四周生成高度4米的墙体墙体厚度0.2米留出南侧一个5米宽的出入口。”几秒钟后Blender里就会出现一个标准的矩形空间地面是网格物体墙体是挤出的立方体。之后我不需要再操心坐标系因为Blender的正交视图和系统原点已经基于这个框架定义好了。这条指令的背后Blender MCP实际上是让AI生成了这样一段核心Python代码并通过工具执行import bpy # 清理默认场景 bpy.ops.object.select_all(actionSELECT) bpy.ops.object.delete() # 创建地面 bpy.ops.mesh.primitive_grid_add(size20, x_subdivisions10, y_subdivisions10) floor bpy.context.active_object floor.name Warehouse_Floor floor.location (0, 0, 0) # 创建墙体 bpy.ops.mesh.primitive_cube_add(size1) wall bpy.context.active_object wall.scale (20, 0.2, 4) wall.location (0, -9.9, 2) wall.name Wall_North需要说明的是AI生成的代码不一定会这么规整但它能读懂“长20米宽15米墙体高4米”的空间语义转换成对应数值。这里有一个我反复踩坑后总结的原则给AI的空间尺寸必须具体否则AI会默认生成一个Blender里常见的2米见方小场景最后你在里面压根放不下货架。4.2 让货架和货物批量“长”出来场景框架建好后重点就来了用AI批量生成货架和货物。仓储场景里货架数量动辄几十上百手动摆放根本不现实。Antigravity的高效之处在于它能理解“批量”这个概念并且自动用循环去生成而不是真的一个个加。我的指令是“在仓库内部生成6排货架每排长8米货架高2.4米分5层每层再分4个货位格背靠背摆放两组之间留出1.2米通道。”执行后AI会用循环加嵌套的方式在Blender里创建大量立方体并把每个立方体按“哪排、哪层、哪个格子”进行命名比如Rack_01_Level_3_Slot_2。这一步是整期项目里最考验MCP稳定性的环节因为批量生成意味着几十上百次物体创建操作如果连接稍微不稳定半路就会断掉。我的做法是让它先生成两排验证确认模型尺寸和通道宽度没问题后再让它“按照相同规则生成剩下四排”。这种小步快跑的方式看起来多花了点时间实际上反而省了反复返工的麻烦。货物建模也同理。比如输入“在货架每个格子内生成一个尺寸0.8×0.9×0.6米的货物箱货物箱与格子的间距保持在0.05米。不同层高用不同颜色区分底层蓝色、中层绿色、顶层橙色。”AI会按层循环生成货物箱并自动设置材质颜色。这样出来的场景既有视觉区分度又便于后期按层做数据处理。4.3 挂上业务数据模型才算数字孪生三维物体建得再像没有数据就不是数字孪生。这一步要做的是给每个物体添加自定义属性。Blender物体可以通过Python直接写自定义属性这些属性会随工程文件保存导出时也能通过脚本读取。我在生成货架和货物后会继续让AI“为所有货物箱添加custom property键名是sku、quantity、storage_date其中sku和数据里CSV文件的sku字段对应”。假如你有真实的库存Excel或CSV文件可以让AI读取文件再反写属性。这种做法的好处是三维场景的每个货物箱都对应一条真实业务记录前端点击模型时可以直接展示“这个箱子是什么商品、有多少件、什么时候入库”。给物体挂属性的代码大致是这个模式import bpy obj bpy.data.objects[Box_SKU_10086] obj[sku] SKU-10086 obj[quantity] 120 obj[storage_date] 2025-06-18这一步跑通之后模型的“样子”和“数据”就绑定了。后面不管是做前端可视化、做库存热力图、还是对接WMS系统都有了最基础的数据底座。5. 把“孪生”变成“可用”坐标拉框与前端数据链路5.1 拉框到底在拉什么AABB和OBB的区别做智慧仓储绕不开“拉框”这个词。尤其你接触过3D点云、3D结构光相机、AGV导航雷达数据的话拉框其实就是给场景中某个区域或物体定义一个矩形边界范围。在三维空间里拉框一般有两种AABB轴向对齐包围盒也就是不管物体怎么摆框的每条边都平行于坐标轴OBB有向包围盒框跟着物体的旋转方向走。建模阶段我们用AABB就够了因为货架货物大多数都是横平竖直摆放的。但如果是后续对接3D雷达点云数据比如一辆AGV要通过通道它的导航系统会基于点云实时生成障碍物框这种框往往是任意姿态的就要用OBB去表达。我在项目里是把Blender建模出来的货物位置导出成坐标列表后期让AI把列表转换成前端导航可读的障碍物数据这个过程也属于“拉框”的一部分只是对象从图像变成了坐标数据。数字孪生项目的演进路线通常就是这样先用Blender MCP批量建立静态模型再通过点云或者结构光相机实时数据来更新货物状态。前者管“长什么样”后者管“现在什么样”。如果你的仓库里装了3D视觉传感器建议从一开始就在Blender里把相机位置也建出来并且给相机挂上视角参数这样点云数据映射到三维场景时会有对应关系。5.2 导出可被前端读取的JSON场景三维场景最终要给前端用所以必须导出一个前端能轻松解析的格式。Blender自带的导出格式很多FBX、OBJ、GLB都行但对我来说信息最完整的还是自定义的JSON格式因为可以同时包含几何信息、坐标和业务属性。前端拿到这个JSON用three.js就能还原场景。我在Blender Scripting窗口写了一个导出脚本通过MCP让AI执行跑完直接生成一个warehouse.json文件。脚本核心结构如下import bpy, json scene_data [] for obj in bpy.data.objects: if obj.type ! MESH: continue item { name: obj.name, type: obj.get(obj_type, general), sku: obj.get(sku, ), quantity: obj.get(quantity, 0), position: [obj.location.x, obj.location.y, obj.location.z], dimensions: [obj.dimensions.x, obj.dimensions.y, obj.dimensions.z], rotation: [obj.rotation_euler.x, obj.rotation_euler.y, obj.rotation_euler.z] } scene_data.append(item) with open(rD:\projects\warehouse.json, w, encodingutf-8) as fp: json.dump({objects: scene_data, scene_name: Warehouse_A}, fp, ensure_asciiFalse, indent2)这个JSON里每一条记录都能对应Blender里的一个物体前端拿它来做搜索、渲染、点击交互都非常方便。真正的数字孪生项目模型是静态底座数据是动态血液两者在这个环节第一次完成合流。这里还要提一句很多人问Blender能不能直接导出SketchUp格式其实Blender没有原生SKP导出。更合理的做法是导出FBX再转换但如果我们本来就要给前端用建议直接走GLB或JSON不要绕道SketchUp。三维数据交换的原则是能用轻量格式就不要用重量级格式能走JSON就走JSON。6. 常见报错与排查都是我踩过的坑6.1 Antigravity执行到一半报错agent execution terminated due to error这个报错是我遇到最多的。第一次跑完整流程时AI执行到生成货物箱的步骤直接终止控制台只留下这么一句没有任何细节。后来排查下来问题出在MCP连接在批量操作时断连导致工具调用的响应没回来Agent判定任务执行异常就自行终止了。解决思路分几步第一检查Blender MCP服务端窗口是否还开着批量生成的耗时操作会让Blender的Python进程处于繁忙状态这段时间如果AI发起新的工具请求可能超时第二把任务拆小不要指望一条指令生成几百个物体拆成“每排生成”甚至“每层生成”能明显降低断连概率第三确认Antigravity的任务级配置里超时时间是否太短有些默认超时只有几十秒生成大场景是不够的。我在项目里养成了一个习惯凡是生成步骤都会主动告诉AI“这个操作可能耗时较长请等待执行结果再发起下一步”。这句话能有效阻止AI在等待期间重复调用工具减少很多无谓的报错。6.2 Antigravity 403和eligibility check failed403一般是访问某接口时被拒绝。如果你是在Antigravity里调用外部的MCP端点收到403说明身份凭证没有通过服务端校验。常见的是token过期或者token绑定的权限范围不匹配。我的处理方法是重新生成token确认新token对应的权限组包含当前项目需要的工具类目。eligibility check failed是我刚开始接触时一脸懵的报错翻译过来是“资格检查失败”。这通常和账号的可用区域、套餐类型或者角色权限绑定不需要过度解读直接按提示去检查账号状态即可。如果遇到这类校验问题优先看账号控制台是否提示某个功能未开通而不是反复重启任务。6.3 Blender MCP连接不上的几种情况Blender MCP看着简单连接不上时的坑可不少。我整理成一张速查表现象可能原因排查思路服务端启动但客户端连不上端口被防火墙拦截检查本地防火墙是否放行对应端口或者将监听地址改为localhost连接成功但工具调用没反应Blender插件版本和MCP服务端版本不一致同步升级到同一版本然后重启Blender执行Python代码报No module namedBlender自带的Python环境缺少依赖在Blender的Python解释器里单独安装依赖不要用系统Pythonwss端点和token无效token过期或服务地址带错重新从服务端复制完整地址注意token和地址要同时匹配生成大量物体后Blender变卡物体数量过多关闭Blender的视口细分用简化显示模式或者拆任务执行还有一个非常容易被忽略的问题Blender在后台运行时如果弹出任何模态对话框MCP客户端发过来的操作就会一直排队等待表现就是“连接正常但任务卡住”。解法是先确认Blender界面没有弹出保存文件或者材质编辑之类的阻塞对话框再去排查其他原因。7. 一些真正有用的后续扩展想法到这一步“上篇”的核心链路已经跑通Antigravity编排任务Blender MCP连接三维软件模型和数据在Blender里完成绑定最后导出JSON交给前端。从这个底座出发能延伸的方向非常多。我个人最推荐下一步做的事情是把库存JSON放到一个本地接口服务里前端用three.js加载GLB模型然后再请求这个JSON做动态标签和数据面板。你会发现当三维模型里有坐标、有sku、有quantity之后前端做点击选中的交互几乎是白送的。另一个值得投资的方向是接入3D结构光相机或3D雷达的点云数据把实时点云和Blender里的静态模型做配准这样当仓库里的货物被挪动时系统能自动识别偏差。这条链路走通以后你的项目就不叫“三维可视化”了那才是真正的数字孪生。这一期先到这里下次可以接着聊怎么把Blender里建的仓库导出成前端能快速渲染的模型格式以及如何通过MCP把实时库存数据推送进场景里。对和我一样在搞数字孪生项目的人来说这条路值得走下去。
