1. “2分钟出图”背后AI-CAD 为什么偏偏在这个时间点爆发过去这一年我在多个设计沟通现场反复看到同一个场景甲方早上十点提了一个新需求下午两点要看到方案初稿。放在以前这是个不可能完成的任务——建模、改约束、调特征树、出工程图一套流程下来大半天就没了。但最近几次我基本都能在一两个小时内交出可评审的初版靠的就是把 AI-CAD 工具嵌进了工作流。这个现象不是我一个人的体感。那个在开源社区拿到 17K stars、融资 740 万美元的 AI-CAD 项目本质上就是把这个“从想法到几何模型”的过程压缩到了极致。它的核心卖点“2 分钟出图”听起来像营销话术但实际用下来在简单零件、标准件选型、概念方案对比这些场景里确实能做到。更值得关注的是它的定位——不是要取代 CAD而是以“副驾”的身份坐在工程师旁边。这个定位的转变才是 AI-CAD 真正进入实用阶段的信号。先说清楚一个前提AI-CAD 不是什么全新的建模内核也不是要颠覆 SolidWorks、NX、CATIA 这些老牌工具。它解决的是 CAD 使用链路里最耗时的一环——把设计意图变成可编辑的几何模型。这一环在过去几十年里几乎没有本质变化设计师要用鼠标在草图里画线、标尺寸、加约束、建特征每一步都在跟软件“对话”。AI-CAD 改变的是这个对话方式你用自然语言描述“我要一个什么样的零件”它直接给你生成对应的特征树和参数化模型。这篇文章我想从五个方面把这轮 AI-CAD 热潮讲透。适合谁看如果你在用传统 CAD 做设计想知道 AI 到底能不能帮你提效如果你在关注工业软件赛道想理解开源社区和资本为什么同时盯上这个方向或者你只是好奇“2 分钟出图”背后到底是什么技术——这篇内容应该都能给你一个相对完整的参考。2. 从“画线”到“说需求”AI-CAD 副驾模式的技术底牌2.1 为什么传统 CAD 的慢是慢在“操作翻译”而不是“计算”要理解 AI-CAD 的价值得先算一笔传统建模的时间账。一个典型的机械零件比如带安装孔的 L 型连接支架熟练工程师从新建零件到完成可评审的初版大概需要 25 到 40 分钟。时间花在哪了不是在“想”——设计方案通常几分钟就定了真正耗时的是把脑子里的方案“翻译”成软件能理解的操作序列画草图、添加几何约束、标注尺寸、拉伸、倒角、打孔、再回头修改前面某一步因为后续特征报错……这里有个很反直觉的事实CAD 软件的计算能力早就不是瓶颈了。显卡实时渲染几万个面的模型毫无压力布尔运算、圆角生成的算法也足够成熟。真正卡住效率的是“人机交互通道”太窄——鼠标加键盘一步一命令人的思路得不断切换成软件的操作语言。AI-CAD 切入的正是这个环节。它不是让软件算得更快而是让软件的“输入方式”更接近人的思维方式。你用自然语言描述需求AI 负责把它翻译成 CAD 内核能执行的特征操作序列。这个翻译过程可以理解为把过去“人适应软件”的交互逻辑翻转成“软件适应人”。2.2 三类主流技术路线以及为什么“副驾”比“自动驾驶”更靠谱目前 AI-CAD 项目背后主要有三条技术路线搞清楚它们的区别你就能理解为什么有的项目看起来炫酷但落不了地有的却能真正进到设计流程里。第一类是大语言模型 程序化生成。这类系统的做法是用一个语言模型理解你的自然语言需求然后生成一段程序化建模脚本比如基于几何内核的 Python API 脚本由 CAD 内核执行这段脚本生成模型。好处是生成结果完全可控、可编辑因为它走的还是正经的建模流程难点在于语言模型要准确理解工程语义比如“一个壁厚 3mm 的钣金件四角倒 R5 圆角”这句话里每一项都可能影响最终几何漏掉一个约束模型就废了。第二类是几何约束推理 特征识别。这类系统不追求从零生成而是让你给一个草图或者参考图AI 自动识别其中的几何关系平行、垂直、相切、等长补全约束和尺寸生成参数化特征。这个方向在“逆向参数化”场景里非常实用——比如拿到一个第三方导出的无参模型传统做法是手动重新建模现在可以让 AI 半自动地把特征树还原出来。第三类是端到端的几何生成直接输出网格或隐式曲面。这类技术用在概念设计、复杂曲面造型上效果好但有个致命问题生成的是“死模型”没有特征历史没法在后端继续修改参数工程上用起来很尴尬。现在主流且真正能落地的基本都走第一类路线辅以第二类做局部修正。这背后的逻辑很有意思工程软件的底线是“可编辑、可复用、可追溯”AI 生成的东西如果进不了特征树、没法改参数那它在工程师眼里就是一堆垃圾连参考价值都很有限。这也解释了标题里“副驾”这个词的分量——方向盘还是人在握AI 只是帮你打轮、帮你观察路况。全自动“自动驾驶”——也就是你一句话它生成一个完全免修改的复杂装配体——在可见的将来都不现实因为工程设计里大量隐含知识、企业规范、加工工艺约束根本没写在需求描述里。3. 实测 AI-CAD 工作流从设计意图到可编辑模型的完整链路3.1 一次典型的“需求描述→模型生成→人工收尾”实操纸上谈兵没意思我直接在某个开源 AI-CAD 项目上跑过一个真实任务设计一个带法兰安装面的电机支座。传统流程里这个零件从草图到完稿大概要 35 分钟用 AI-CAD 辅助整个链路我记录如下。第一步写清楚需求描述。我给的原文是“设计一个电机支座底座是 120mm x 80mm 的法兰板厚度 10mm四角有 M8 通孔孔距 100mm x 60mm上方是一个半圆形的电机抱箍半径 40mm壁厚 5mm底座和抱箍之间用两条加强筋连接筋板厚度 6mm。”第二步AI 生成建模脚本并执行。它给出的是一段基于 Python API 的建模程序包含了草图、拉伸、打孔、布尔操作等特征序列然后一键执行直接在 CAD 界面里生成了模型。从提交需求到看到三维模型整个过程大约 1 分 40 秒。第三步人工检查。这一步是我认为整个流程里最关键的。我对照需求清单逐项核验法兰板尺寸对不对孔位是不是 100x60 的阵列加强筋的位置和厚度是否符合预期检查下来发现一个问题——AI 把“半圆形抱箍”理解成了完整半圆但工程上这个抱箍只需要包住电机底部 180 度范围顶部需要开口方便电机放入。我改了脚本里的一段参数从 360 度改成 180 度重新生成耗时不到 2 分钟。第四步接回传统流程。生成的模型自带完整特征树我可以像操作手工建出来的模型一样继续添加加工特征、调整倒角、出工程图。整个过程中AI 承担了从“文字需求”到“特征建模”的翻译和执行我承担了从“工程需求”到“设计约束”的定义和校验。3.2 提示词怎么写得“像工程师”而不是“像客户”你可能会说这不就是让 AI 写代码吗关键差异在于传统写代码生成模型你得懂 API、懂内核语法本质上还是在跟程序打交道而 AI-CAD 允许你用半自然语言描述它自动补全中间的工程语义和程序细节。但这里有个很实际的坑——描述方式不同出图质量天差地别。我总结了一套有效的描述模板分享给大家参考设计目标[零件名称 主要功能] 关键尺寸[长 宽 高 / 孔径 / 厚度 / 孔距 等硬性数字] 几何约束[平行/垂直/对称/同心 等关系] 特征要求[需要哪些特征——拉伸、切除、圆角、倒角、阵列] 工程细节[公差、表面处理、壁厚均匀性、拔模斜度 等后续工艺要求]举个例子如果你写“给我做一个联轴器”AI 可能给你一个装饰级别的模型——看着像但尺寸全靠猜。如果你写“做一个梅花形弹性联轴器外径 65mm轮毂直径 25mm厚度 30mm6 个梅花瓣中心孔带键槽键槽宽 6mm 深 3mm”生成结果基本可以直接作为初版设计。工程描述精确到这种程度AI 生成的第一版可用率会大幅提升。这里还有一个反直觉的经验不要把 AI 当成“会画图的同事”要把它当成“一个执行力超强但完全不懂工程规范的新手”。你给的信息越结构化、越量化它的表现越好你指望它自己脑补行业规范翻车的概率很大。3.3 生成结果的“验收清单”以及最容易翻车的三个地方我用了大概三个月 AI-CAD 之后整理了一份验收检查表每次 AI 生成完模型我都按这个清单过一遍检查项具体内容常见坑几何尺寸关键尺寸是否与描述一致AI 可能对“直径/半径”理解混淆圆周分布的角度基准容易错特征完整性所有要求的特征都生成了吗加强筋、圆角、倒角这类“次要特征”经常被遗漏可编辑性生成的是参数化特征树还是死网格有些项目输出的是网格没法继续改约束合理性草图的约束是否过度/缺失过度约束会导致后续改尺寸失败缺失会导致拖动变形单位与规范单位制是否正确符合出图规范吗英寸/毫米混淆是重灾区壁厚均匀性问题频出在实际使用中最容易翻车的三个位置分别是孔特征阵列方向错、深度基准错、圆角特征作用对象选错、顺序不对导致几何报错和复杂装配关系AI 生成的零件之间没有关联约束装配后位置全靠手动调。这三个坑目前没有完全自动的解决办法但在需求描述里写得足够明确可以把翻车率从“每次必翻”降到“偶尔翻一次”。4. 17K Stars 与 740 万美元说明赛道进入什么阶段4.1 Stars 不只是“人气指标”它代表了工具链的成熟度信号GitHub 上 17K stars 是个什么水平放在通用开源项目里不算夸张但放在工业软件/ CAD 这个圈子里这个数字相当有分量。工业软件的用户群体本来就小——全世界的 CAD 活跃工程师数量和全世界的开发者数量根本不在一个量级。在这种情况下能拿到 17K stars说明用户不只是“看了一眼觉得有意思”就点了星而是真的把它当成工具在试、在传、在参与完善。我观察到一个细节这类项目 star 增长曲线的拐点往往发生在“某个关键能力补齐”之后——比如第一次能稳定输出带参数特征树的模型、第一次支持导入主流格式、第一次有了让工程师觉得“可用”的界面。也就是说17K stars 背后是一连串技术突破的累计结果而不是单纯的市场炒作。另一个信号是生态的多样性。如果去看这个项目的 contributer 和 issue 讨论区会发现参与的人里有一大票是传统 CAD 用户机械工程师、建筑设计师、产品结构工程师。他们在 issue 里提的需求极其具体——“能不能支持按参考平面镜像特征”“草图的弧线约束什么时候能做好”——这些问题都不是 AI 技术人员拍脑袋能想出来的它们是真实工程场景里的血肉。一个开源项目能吸引到这类用户持续反馈说明它真的长在了需求上。4.2 740 万美元融资在工业软件圈意味着什么740 万美元这个数字放在消费级 AI 应用里是小钱放在工业软件赛道里是一个非常典型的“A 轮前后”信号。工业软件的研发周期长、客户决策链复杂早期投资看的是“团队能否熬到产品真正进工厂、进设计院的那一天”。740 万美元刚好足够一个 15-20 人的团队跑 18 到 24 个月完成从“开源社区验证”到“商业客户付费验证”的惊险一跃。这个金额背后还有一个判断资本认为 AI-CAD 的商业模式已经过了“讲故事”阶段到了“做产品”阶段。我身边一些关注工业软件的投资人朋友普遍的观点是AI-CAD 的核心壁垒不是模型算法的先进程度——那东西迭代太快、很容易被追上——而是开源社区的生态粘性。当一大批工程师在这个项目上贡献过脚本、提过 issue、做过本地化适配这个项目就不仅仅是软件了它成了一个工程师共同体。这个壁垒比任何算法都难被复制。如果把 17K stars 和 740 万美元放在一起看信号就很清楚了这个赛道正在从“技术验证期”进入“产品化初期”。开源社区用 star 投票证明了需求真实存在资本用真金白银证明了这条路径可以商业化接下来就看产品团队能不能跑出稳定的付费场景。5. “副驾”的真实边界AI-CAD 能做什么、不能做什么5.1 它能替你扛的活概念方案、标准件、改型设计如果用一句话概括 AI-CAD 目前最适合的场景我觉得是**“把 70 分的工作从 30 分钟压缩到 2 分钟”**——这里的“70 分”不是贬义而是指那些不需要极高精度和复杂工艺的设计任务。具体来说我现在最常用的场景有四个。第一个是概念方案对比。客户说“我想要个方形的外壳”“如果改成圆柱形呢”“能不能加个提手”——这种探索性设计传统流程里每个方案都要重新建模很痛苦AI-CAD 可以在一小时内给出三到四个不同方案的初版模型虽然细节不能直接用但足够让客户“看到”方向、做出决定。这一步的价值在于很多项目卡死不是因为最终方案难而是因为可选方案太少。第二个是标准件和通用件的快速生成。法兰、支架、底座、外壳、连接件——这些零件有大量成熟的设计规则只是参数不同。用 AI-CAD 生成初版再人工微调关键尺寸比从零建模快一个数量级。第三个是改型设计。以前改型意味着把旧模型翻出来、一层层找特征改参数、处理特征报错现在可以直接用自然语言说“把这个支架的安装孔距从 80mm 改成 100mm同时把壁厚加厚到 5mm”AI 自动定位相关特征并修改。这个场景的体验是最接近“副驾”的——你管方向它管执行。第四个是无参模型的参数化还原。拿到一个第三方提供的 STEP 文件没有特征历史以前要么手动重建要么将就着用现在可以靠 AI 做特征识别把无参模型还原成带参数的可编辑模型这个能力在设备维修、逆向工程场景里非常好用。5.2 它扛不了的活精密公差、复杂装配、企业级规范说完能干的得说说不能干的——这一部分我觉得比上一部分更重要因为“副驾”俩字最容易让人产生错误的信任感。目前 AI-CAD 在我看来的硬边界有三个。第一个是精密公差场景——比如航空零件、模具型腔、高精度配合面这类设计对公差的把控、对加工工艺的理解远超“生成一个模型”的范畴AI 生成的初版只能算“形状正确”离“工程可用”还差十万八千里。第二个是复杂装配体的层次管理——几十上百个零件的装配涉及坐标系、配合关系、自由度约束、干涉检查AI 目前没有能力管理这种复杂度强行生成出来的装配体基本没法用。第三个是企业级规范和知识图谱——每个企业都有自己的设计规范、标准件库、BOM 规则AI-CAD 要真正嵌入企业流程必须跟这些体系做深度集成这不是一个开源项目能单打独斗解决的。还有一个很容易被忽视的边界是数据合规。很多企业的设计数据是核心资产根本不允许上传到云端 API 去跑 AI 推理。所以实用主义者最靠谱的姿势是优先考虑能本地部署的开源方案至少在敏感项目上保证数据不出内网。5.3 我的使用原则怎么判断“这个任务该不该交给副驾”用了一段时间之后我总结了一个判断原则遇到设计任务先问自己三个问题第一这个任务的标准答案是不是已经基本确定只是参数不同是交给 AI-CAD 能省大量时间不是比如需要创造性探索、需要跨领域知识AI 帮不上什么忙。第二生成结果的容错空间有多大如果生成结果只需要“形状对、比例对”后面还有大量人工修改和设计迭代AI-CAD 的高效就很有价值如果生成结果要求“直接能拿去加工”目前还是别指望 AI 一步到位。第三出问题时的排查成本高不高AI 生成的模型如果后面改不动、或者改一个尺寸导致一堆特征报错那省下来的 2 分钟会在后续排查里成倍还回去。所以我一般只把 AI-CAD 用在“需求相对清晰、特征结构简单”的零件上复杂件还是老老实实手工建模——这不是保守是算过账的。写在最后的实操心得我个人的体会是AI-CAD 最明显的提升其实不是“最终出图”那一下而是在方案修改和迭代环节。以前客户提出一个改动你要花二十分钟改模型再花十分钟出图跟客户确认现在两分钟出初稿哪怕方向不对客户也能快速看到“错在哪里”沟通效率提高了一个量级。这个价值很难用“出图速度”四个字概括它是整个设计沟通流的质量变化。另外分享一个小技巧把自己常用的零件族和设计规范整理成提示词模板。我建了一个本地文档里面放了十几类常用零件的描述模板、参数范围、注意事项每次要用的时候复制出来改改数字就行。AI-CAD 这类工具的上限很大程度上取决于你喂给它的上下文质量一套好的模板抵得上反复调教十几次。可以预见的是这个领域接下来会有一波快速迭代哪怕你今天看完这篇文章觉得“还不够能打”半年后再看可能会完全不同。所以我建议所有做设计的同行现在就开始把 AI-CAD 放进自己的工具箱——用不用得熟练是其次先养成“让 AI 打第一版草稿”的习惯才是真正跟上这波变化的关键。
