1. 从一堆炫酷 Demo 到工程落地中间隔了什么过去一年我参与过三个把 AI 和 CAD 结合的项目有做图纸识别的有做参数化生成的也有做智能标注的。每次立项的时候团队里都弥漫着一种乐观情绪——毕竟网上那些 Demo 视频太唬人了上传一张 DWGAI 自动识别出所有墙体和门窗输入一段自然语言模型直接吐出一套完整的零件图。但真正把东西推到产线、推到设计院、推到工厂车间的时候几乎无一例外地卡住了。这个现象不是个例。你随便翻翻技术社区关于 AI 辅助 CAD 的讨论热度一直很高关键词从 DXF、DWG 到 FreeCAD、OpenCASCADE从 Python 批量改图到 C 读取图纸看起来生态很热闹。但如果你去问那些真正在工程一线用 CAD 干活的人他们会告诉你能用的东西不多。Demo 满天飞工程走不通这不是一句吐槽而是一个需要被拆解的结构性问题。这篇文章想做的事情很具体把“AI CAD 落地”这件事拆开看看卡点到底在哪哪些是技术问题哪些是工程问题哪些是人的问题。我会结合自己在 DWG/DXF 解析、几何内核对接、AI 模型集成这几个环节的实际经验给出可操作的思路和踩过的坑。如果你正在做类似的事情或者打算入这个方向希望这些内容能帮你少走几个月弯路。适合的读者包括做 CAD 二次开发的工程师、想用 AI 提升设计效率的技术负责人、对图纸自动化处理感兴趣的产品经理以及那些被 Demo 吸引但还没动手的开发者。不需要你是 CAD 专家但需要对“图纸不只是图片”这件事有基本认知。2. 图纸不是图片DWG/DXF 解析的真实复杂度2.1 为什么“读个图纸”比想象中难十倍很多人第一次接触 CAD 数据时会下意识地把它当成一种图片格式。毕竟在屏幕上看起来就是线条和图形。但 DWG 和 DXF 的本质是结构化数据库里面存的不是像素而是实体对象线段、圆弧、多段线、文字、标注、块引用、图层信息、扩展数据等等。一个中等复杂度的机械零件图可能包含几千个实体每个实体有自己的坐标、属性、层级关系。这就带来第一个卡点解析工具的选择。市面上能读 DWG 的库不少但各有各的脾气。ODAOpen Design Alliance的 Teigha 是行业里用得比较多的功能全但商业授权不便宜LibreCAD 和 FreeCAD 走的是开源路线FreeCAD 底层用 OpenCASCADE 做几何处理对 DXF 的支持相对成熟但 DWG 需要额外转换Python 生态里有 ezdxf处理 DXF 很顺手但 DWG 得先转格式。我试过用 Python 直接读 DWG折腾了两天最后放弃转成 DXF 再处理十分钟搞定。这个教训很直接不要跟格式较劲选对工具链比写代码重要。另一个容易被低估的问题是版本兼容。DWG 从 R12 到 2018 有十几个版本每个版本的内部结构都有差异。你用高版本库读低版本文件通常没问题反过来就经常出幺蛾子。我遇到过一次客户发来的图纸在 AutoCAD 里打开正常但用解析库读出来丢失了所有标注。查了半天发现是标注用了自定义的扩展数据而那个库对扩展数据的支持不完整。这种问题在 Demo 里永远不会出现因为 Demo 用的都是标准样例图。2.2 DXF 与 DWG 的取舍不是技术问题是工程问题在项目里选 DXF 还是 DWG表面上看是技术选型实际上是工程约束的映射。DXF 是文本格式可读性好解析库多调试方便但文件体积大复杂图纸动辄几十兆传输和处理都慢。DWG 是二进制紧凑高效但解析门槛高工具链封闭。我的经验是如果处理流程里有人工介入环节优先用 DXF。因为出问题的时候你可以直接打开文件看甚至用文本编辑器搜关键字。如果是纯自动化流水线且对性能有要求再考虑 DWG。但不管选哪个都要在项目早期做一件事拿真实业务场景里的图纸做压力测试不要用网上下载的样例。真实图纸的“脏”程度远超想象——图层命名混乱、块引用嵌套多层、文字编码不一致、坐标原点飘到天边这些都是常态。还有一个细节值得单独说单位。DXF 和 DWG 本身不强制单位图纸单位靠约定。我见过一个项目AI 模型识别出来的尺寸和实际差了 25.4 倍查到最后发现一边按英寸画的一边按毫米读的。这种问题在 Demo 里不会暴露因为 Demo 通常只处理一种单位。工程落地必须把单位校验做成强制步骤读进来先判断$INSUNITS变量没有就按图层或标注推断推断不出来就报错不要猜。2.3 从实体到语义AI 要解决的第一道坎解析出实体只是第一步真正的难点是让 AI 理解这些实体的语义。一条线段在几何上就是两个端点但在工程语义上可能是墙、是边、是中心线、是剖面线。Demo 里通常用规则硬编码水平且长度大于阈值的线段是墙。但真实图纸里墙可能是多段线可能被修剪过可能和门窗块重叠。我做过一个实验用规则引擎识别建筑平面图的墙体在标准样例上准确率能到 90% 以上但换一套真实图纸就掉到 60% 以下。后来引入 AI 模型做辅助判断把几何特征长度、角度、图层、相邻实体关系作为输入让模型学习区分墙和非墙准确率回升到 85% 左右。但代价是需要大量标注数据而标注 CAD 图纸比标注图片贵得多——一张复杂图纸标下来熟练工程师要花半天。这里的关键认知是AI 在 CAD 里的角色不是替代规则而是补充规则处理不了的模糊地带。纯规则系统太脆纯 AI 系统太贵工程上可行的是“规则打底、AI 兜底”的混合架构。规则负责处理 80% 的明确情况AI 负责剩下 20% 的边界情况同时把 AI 的判断结果反馈回来优化规则。这个循环跑起来之后系统才会越用越准。3. 几何内核AI 生成的结果为什么经常“不能用”3.1 OpenCASCADE 与 FreeCAD 在 AI 流程里的位置当 AI 模型生成或修改了几何数据之后这些数据需要被“固化”成 CAD 能识别的格式。这个环节里OpenCASCADE 和 FreeCAD 是两个绕不开的名字。OpenCASCADE 是底层的几何建模内核提供 B-Rep边界表示数据结构、布尔运算、倒角圆角、曲面求交等能力。FreeCAD 则是在 OpenCASCADE 之上搭了一层应用框架提供了 Python API 和完整的 CAD 数据模型。在 AI CAD 的流程里典型的链路是这样的AI 模型输出参数或几何描述通过 FreeCAD 的 Python 脚本生成实体再用 OpenCASCADE 做几何校验和修复最后导出 DXF 或 STEP。我试过用这条链路做参数化零件生成跑通 Demo 花了不到一周但让它稳定输出可制造的模型花了三个月。问题出在几何有效性上。AI 生成的几何经常有微小缺陷面不闭合、边不连续、自相交、法线方向不一致。这些缺陷在可视化的时候看不出来但一旦进入下游的 CAM 加工或者有限元分析就会直接报错。OpenCASCADE 提供了一些修复工具比如ShapeFix_Shape但修复能力有限复杂缺陷还是得人工介入。3.2 参数化建模与 AI 的结合点在哪里参数化建模是 CAD 里比较成熟的技术核心思想是用约束和参数驱动几何。AI 和参数化的结合点我理解主要有三个方向。第一个方向是参数推荐。给定一个设计目标比如重量最轻、应力最小AI 模型推荐一组参数值。这个方向相对成熟因为参数空间是结构化的模型训练起来比较容易。但问题是推荐出来的参数往往在几何上不可行——比如壁厚太薄导致无法加工或者圆角半径太大导致面重叠。所以参数推荐必须和几何校验联动推荐一组就校验一组不可行就回退。第二个方向是约束求解辅助。参数化建模里约束求解是个计算密集且容易失败的过程。AI 可以学习哪些约束组合容易导致求解失败提前给出警告或建议。这个方向我还没看到特别成熟的落地案例但理论上可行。第三个方向是特征识别与重建。给一个已有的几何模型AI 识别出它的建模特征拉伸、旋转、倒角等然后重建出参数化的特征树。这个方向对逆向工程很有价值但技术难度也最大因为特征识别本身就是一个开放问题。3.3 几何校验AI 输出到 CAD 可用之间的必经关卡不管 AI 输出的是什么形式的数据在进入 CAD 之前必须过一道几何校验。这道关卡我建议至少包含以下检查项检查项目的常用工具拓扑有效性确保面闭合、边连续OpenCASCADEBRepCheck_Analyzer自相交检测避免面或边自己交叉OpenCASCADEBOPAlgo_CheckerSI最小特征尺寸确保可加工自定义阈值检查法线一致性确保渲染和加工方向正确OpenCASCADEShapeFix_Solid单位与坐标范围避免尺度错误自定义校验这张表里的每一项都是我在实际项目里被坑过之后加进去的。最开始只做了拓扑有效性检查结果导出的模型在 CAM 软件里报“面法线不一致”加工出来的零件方向反了。后来加了法线检查又发现有些小特征尺寸小于刀具半径根本加工不出来。每加一项检查就少一类现场事故。校验不通过的时候怎么办我的做法是分级处理轻微缺陷自动修复修复不了就标记出来让人工确认严重缺陷直接拒绝并返回错误信息。不要试图让 AI 去“猜”怎么修几何问题必须用几何方法解决。4. 工程走不通的真正原因不在算法在流程4.1 数据闭环缺失AI 模型拿不到反馈Demo 和工程最大的区别在于Demo 是一次性的工程是循环的。Demo 跑完就结束了工程跑完要收集结果、评估效果、反馈优化。但在 CAD 场景里这个闭环特别难建立。首先是数据采集难。设计师用 AI 辅助工具做完设计之后修改了哪些地方、为什么修改、修改后的结果好不好这些信息很难自动捕获。你不可能让设计师每改一笔就填个表。我试过用操作日志来间接推断但 CAD 操作粒度太细一次拖动可能产生几十条日志从中提取有效反馈信号非常困难。其次是标注成本高。前面提过CAD 图纸的标注比图片贵得多。而且 CAD 标注需要专业知识不是随便找个人就能标。一个建筑平面图的墙体标注得懂建筑的人来标一个机械零件图的特征标注得懂机械的人来标。这就导致数据积累速度很慢模型迭代周期很长。我的建议是不要一开始就追求全自动闭环。先做半自动让 AI 给出建议人工确认或修改把确认和修改的结果存下来作为反馈数据。虽然慢但数据质量高。等数据积累到一定量再逐步提高自动化比例。4.2 设计师的信任问题AI 建议被采纳率为什么低这个问题我感受特别深。我们做过一个 AI 辅助标注的工具技术上指标很好看标注准确率 90% 以上。但上线之后设计师的采纳率不到 30%。后来做用户访谈才发现问题不在准确率在信任。设计师不信任 AI 的原因有几个。一是 AI 犯错的时候没有解释设计师不知道它为什么这么标就不敢用。二是 AI 的建议和设计师的习惯不一致比如标注样式、放置位置、引线方向这些在设计师眼里有“行规”AI 不懂。三是修改成本高如果 AI 标错了设计师改起来比自己标还麻烦那还不如自己标。解决信任问题我的经验是三点。第一AI 建议必须可解释至少告诉设计师“我为什么这么判断”比如“根据图层名和相邻关系判断这是墙体”。第二AI 建议要可配置让设计师能调整 AI 的行为偏好比如标注样式、放置策略。第三修改要方便AI 标错了设计师一键就能改改完还能反馈给模型。这三点做到之后采纳率能明显提升。4.3 集成成本为什么“接进去”比“做出来”更难很多 AI CAD 项目死在集成环节。算法团队把模型做出来了准确率也不错但接进现有的 CAD 工作流里发现处处是坑。第一个坑是 CAD 软件的二次开发接口。AutoCAD 有 ObjectARX 和 .NET APIBricsCAD 有 BRX中望有 ZRX每个平台的接口都不一样。你为一个平台写的集成代码换一个平台就得重写。而且这些接口的文档质量参差不齐有些功能得靠试才能摸清楚。第二个坑是性能。AI 模型推理需要时间如果每次操作都等几秒设计师根本受不了。我见过一个项目AI 建议生成要 5 秒设计师直接关掉了。后来改成异步生成设计师继续操作建议在后台算好再弹出来体验才好起来。第三个坑是部署环境。设计院的电脑往往有严格的软件管控装个 Python 环境都费劲更别说 GPU 驱动和深度学习框架了。我们最后是把模型做成服务部署在内网服务器上客户端只负责发请求和收结果。这样虽然增加了网络依赖但部署难度大幅降低。5. 几条能走通的路从 Demo 到工程的实践思路5.1 从“辅助”而不是“自动”开始如果你现在要做一个 AI CAD 的项目我的第一个建议是不要一上来就做全自动。全自动意味着 AI 要对结果负全责但 AI 目前的能力还达不到。做辅助AI 给建议人做决策责任清晰风险可控。辅助的形式可以很多样。比如智能选择设计师框选一片区域AI 自动识别出里面的同类实体。比如智能补全设计师画了一半的标注AI 根据上下文补全剩下的。比如智能检查设计师画完图AI 自动检查有没有违反规范的地方。这些场景的共同点是 AI 不直接改图只提供信息设计师掌握最终控制权。我做过一个智能选择的功能设计师选中一条线段AI 自动把同图层、同方向、同长度的线段都选出来。这个功能技术上很简单就是几何匹配加规则过滤但设计师用得很顺手因为省去了反复框选和排除的麻烦。这个例子说明辅助功能不需要多智能只要切中一个具体的效率痛点就有价值。5.2 把校验和修复做成基础设施前面反复提到几何校验的重要性。我的建议是不管你的 AI 模型做什么先把校验和修复做成一套独立的基础设施所有 AI 输出都必须过这套设施。这套设施应该包含格式转换DWG/DXF/STEP 互转、几何校验拓扑、自交、法线、尺寸、自动修复能修的自动修、错误报告修不了的给出明确信息。这套设施做扎实之后AI 模型的迭代会快很多因为模型只需要关注“生成什么”不需要关注“生成的东西能不能用”。实现上OpenCASCADE 是很好的底座它提供了大部分需要的几何算法。FreeCAD 的 Python API 可以让你快速调用这些算法。如果团队有 C 能力直接基于 OpenCASCADE 开发性能更好如果以 Python 为主FreeCAD 的封装足够用。关键是这套设施要独立于具体的 AI 模型模型换了设施不用换。5.3 用真实图纸做持续回归测试Demo 用的样例图往往太干净真实图纸的脏乱差才是常态。我建议从项目第一天起就建立一套真实图纸的回归测试集每次模型或规则更新都跑一遍这套测试集看效果有没有退化。测试集的构建有几个要点。一是覆盖面要广不同来源、不同版本、不同复杂度、不同专业的图纸都要有。二是标注要准测试集里的期望结果必须经过人工确认不能靠自动生成。三是规模要适中太大跑一次太慢太小覆盖不够我的经验是 50 到 100 张图纸比较合适。回归测试的指标也要设计好。不能只看整体准确率要分场景看。比如墙体识别准确率、标注识别准确率、块识别准确率分开统计。这样出问题的时候能快速定位是哪个环节退化了。5.4 和一线设计师一起迭代而不是闭门造车最后一条也是最重要的一条让一线设计师参与迭代。不是让他们提需求然后你回去做而是让他们用你的工具你观察他们怎么用哪里卡住哪里绕过去了。我印象最深的一次我们做了一个自动生成标注的功能逻辑上很完美但设计师用了一次就不用了。问为什么他说“生成的标注位置不对我还要一个个挪不如自己标。”后来我们改成让 AI 只生成标注内容位置由设计师点一下决定采纳率立刻上去了。这个改动技术上更简单但体验上更符合设计师的工作习惯。闭门造车做出来的东西指标再好看没人用就是零。和一线设计师一起迭代虽然慢但方向不会偏。6. 几个具体技术点的实操心得6.1 Python 批量处理 CAD 文件的性能优化用 Python 批量处理 CAD 文件性能是绕不开的问题。我做过一个项目要处理几千张 DXF 图纸提取里面的文字信息。最开始用 ezdxf 逐张读一张图要几秒几千张就是几个小时。优化思路有几个。第一并行化。用multiprocessing把文件分到多个进程处理CPU 核数越多越快。注意 ezdxf 不是线程安全的所以用进程不用线程。第二只读需要的部分。ezdxf 支持按需加载如果只需要文字可以跳过几何实体的解析。第三预处理。把 DXF 转成更紧凑的中间格式比如只保留需要的实体后续处理就快了。实测下来并行化能带来接近线性的加速按需加载能省 30% 到 50% 的时间预处理能再省一半。综合下来几千张图的处理时间从几小时降到十几分钟。6.2 从 DWG 到 OpenCASCADE 的数据链路搭建如果你需要把 DWG 里的几何数据导入 OpenCASCADE 做处理链路大概是这样的DWG 先用 ODA 或 LibreDWG 转成 DXF再用 ezdxf 解析出实体然后把实体转成 OpenCASCADE 的 TopoDS_Shape最后做几何运算。这个链路里最容易出问题的是实体转换。DXF 里的多段线、样条曲线、椭圆弧转成 OpenCASCADE 的 B-Rep 时经常出偏差。我的做法是简单实体线段、圆弧直接转复杂实体样条、椭圆先离散成多段线再转虽然损失精度但保证拓扑正确。如果精度要求高就得用 OpenCASCADE 的曲线拟合功能把离散点拟合成 B-Rep 曲线。还有一个坑是坐标变换。DXF 里的实体可能带有变换矩阵比如块引用转换的时候要把变换应用到几何上否则位置会错。这个坑我踩过调了半天才发现是块引用的变换没处理。6.3 AI 模型输出的几何数据如何做有效性检查AI 模型输出的几何数据形式可能很多样点云、网格、参数化描述、甚至自然语言。不管哪种形式最终都要转成 CAD 能识别的几何。这个转换过程必须做有效性检查。检查的第一步是格式合规。比如输出的是 STEP 文件先检查文件头是否合法实体数量是否合理。第二步是几何有效用 OpenCASCADE 的BRepCheck_Analyzer跑一遍看有没有拓扑错误。第三步是工程有效检查最小壁厚、最小孔径、圆角半径这些工程约束。这三步都过了才能认为 AI 输出是可用的。任何一步不过都要返回明确的错误信息让 AI 模型或人工去修正。不要试图跳过检查直接输出那样到了下游会出更大的问题。7. 写在最后这件事值得做但要换个做法AI CAD 这个方向我依然看好。CAD 是高度结构化的数据理论上比图片、文本更适合 AI 处理。但过去一年的经验告诉我技术不是瓶颈工程才是。Demo 满天飞是因为做 Demo 只需要技术工程走不通是因为工程需要技术、流程、人、组织的配合。如果你正在做类似的事情我的建议是把预期放低把周期拉长把范围收窄。不要想着做一个通用的 AI CAD 助手先做一个解决具体问题的小工具。不要想着替代设计师先想着帮设计师省五分钟。不要想着一步到位先想着跑通一个最小闭环。我自己的体会是每解决一个具体的小问题就离“工程走通”近一步。那些看起来不起眼的辅助功能积累起来就是实实在在的效率提升。而那些看起来炫酷的全自动方案往往死在集成的路上。这个领域还在早期标准没定工具没熟但正因为如此现在进去的人有机会定义什么是“好用”。如果你有耐心有工程思维愿意和一线用户一起磨这件事是能成的。
