1. 为什么“AI CAD”看起来很美落地却处处碰壁过去两年我参与过三个和“AI 辅助 CAD”相关的内部项目也帮朋友的公司做过几次技术选型评估。一个很直观的感受是演示视频里 AI 几秒钟生成一张漂亮的机械零件图、自动标注尺寸、一键导出 DXF弹幕里全是“CAD 要完了”“画图狗要失业了”。但真到了工程环境里把这些 Demo 往产线上一放十有八九跑不通。不是模型不行而是CAD 这个领域本身的工程约束和 AI 擅长的那套玩法之间存在结构性错位。这篇文章我想聊的就是这个错位到底在哪。核心关键词围绕AI、CAD、DXF、DWG、FreeCAD展开适合三类人看一是正在做 AICAD 产品、被 Demo 和落地之间的鸿沟折磨的开发者二是机械、建筑、电子行业的工程师想知道 AI 到底能不能帮自己干活三是想切入这个方向、但还没踩过坑的技术团队。我会把“为什么走不通”拆成几个具体的技术层面再给出我自己试过、相对靠谱的落地路径包括 DXF/DWG 的处理、FreeCAD 的脚本化、以及 AI 在哪些环节真的能省时间。先说结论AI 在 CAD 里能做的事远比“AI 画图”这个叙事要窄但也比很多人想的要深。问题不在于 AI 不够强而在于大多数人把 AI 放在了错误的位置上。2. Demo 满天飞的真相演示环境和工程环境的五道鸿沟2.1 第一道鸿沟演示用的是“干净输入”工程里全是“脏数据”你在网上看到的 AICAD Demo输入通常是一段文字描述比如“生成一个带四个安装孔的法兰盘”然后模型直接吐出一张规整的图纸。这个流程能跑通是因为演示者控制了输入。但真实工程里输入是什么是客户发来的一张扫描件 PDF、是十年前用某个已经停产的 CAD 软件存的 DWG、是同事随手在微信里发的截图、是 DXF 里图层命名混乱到0、Layer1、图层1、新建图层2混在一起的烂摊子。我做过一个统计在一个中等规模的机械加工厂里随机抽 100 个待处理的 DWG 文件图层命名符合企业规范的不到 30%图块Block嵌套超过三层的占 40%存在重复实体、零长度线段、未闭合多段线的超过 60%。AI 模型再强喂进去这种数据输出的结果也没法直接用。Demo 展示的是“AI 能力上限”工程要的是“脏数据下的可用下限”这两者之间差着十万八千里。2.2 第二道鸿沟DXF/DWG 不是“图片”是带语义的结构化数据很多人下意识把 CAD 文件当成图片来处理觉得 AI 看图能力这么强读个 CAD 图不是小菜一碟。这是个致命误解。DXF 和 DWG 本质上是矢量几何数据库里面每一条线都有坐标、图层、线型、颜色、线宽、句柄Handle、扩展数据XData每一个标注都有测量值、公差、关联的几何引用每一个图块都有插入点、缩放、旋转、属性。这些语义信息才是 CAD 图纸真正的价值所在。AI 如果只把 DXF 渲染成图片再去做视觉识别等于把一本结构化的数据库导成了一页 PDF 再让 AI 去猜信息损失极大。我见过一个团队做“AI 识别图纸里的孔位”他们把 DWG 转成 PNG 让视觉模型去标结果模型把螺纹孔的装饰线也当成了孔把中心线交点也识别成了孔。后来改成直接解析 DXF 的CIRCLE和ARC实体准确率立刻上去了。处理 CAD第一步永远是解析实体而不是渲染图像。2.3 第三道鸿沟CAD 的“正确”是工程约束不是视觉相似AI 生成内容无论是文本、图像还是代码的评价标准通常是“看起来对不对”“像不像”。但 CAD 图纸的验收标准是工程正确性尺寸链必须闭合、公差必须合理、装配关系不能干涉、加工工艺必须可实现、图层和线型必须符合企业制图标准。一张图看起来再漂亮如果两个零件的配合尺寸差了 0.5mm或者标注的基准选错了在工程上就是废图。我印象很深的一次一个 AI 工具自动给一张轴类零件图标注了尺寸视觉上非常规整但仔细一看它把直径标注标在了非圆视图上把长度基准选在了工艺基准而不是设计基准上。这种错误在 Demo 里没人会发现因为看 Demo 的人不懂机械制图但在车间里工人拿着这张图是没法加工的。AI 在 CAD 里要解决的不是“生成”而是“生成符合工程约束的合法解”这比生成一张好看的图难得多。2.4 第四道鸿沟格式生态的碎片化DXF 只是冰山一角热搜词里出现了allegro导入dxf、allegro导出dxf文件、dwg文件导入ad、eplan可以打开dwg格式吗、librecad打开dwg、exb转dwg转换器、dwg转shp这些词说明一个现实CAD 世界的格式生态极其碎片化。机械用 SolidWorks、UG、Creo建筑用 Revit、天正电子用 Altium Designer、Allegro、EplanPCB 用 GerberGIS 用 SHP还有一堆国产 CAD 的私有格式比如 EXB。DXF 和 DWG 只是其中流通最广的两种但远不是全部。这意味着什么意味着一个“AICAD”工具如果只支持 DXF那它只能覆盖一小部分场景。客户拿来一个 Allegro 导出的 DXF图层结构、单位、坐标系可能和 AutoCAD 导出的完全不一样拿来一个 Eplan 的图纸根本就不是 DXF 格式。落地时你面对的不是“一种 CAD 格式”而是“一个格式转换的泥潭”。很多 AICAD 项目死在这一步模型做出来了但前端的数据接入层要对接十几种格式工作量比模型本身还大。2.5 第五道鸿沟工程师的信任成本比技术成本高得多最后一道鸿沟最容易被技术团队忽略工程师不信任 AI 的输出。这不是保守而是职业理性。一个干了二十年的机械工程师他画的每一张图都要签字负责出了问题是要担责的。你让他用一个 AI 生成的图纸他第一反应不是“好厉害”而是“这玩意儿错了谁负责”。我见过一个团队做的 AI 标注工具准确率其实有 85%但工程师试用后拒绝使用理由是“剩下 15% 的错误我得逐条检查还不如我自己标”。信任的建立需要时间更需要可解释性和可干预性。AI 给出的每一个结果工程师要能看到“为什么这么标”要能一键修改要能追溯。黑盒式的“一键生成”在工程场景里是负资产。这一点是所有 AICAD 产品必须过的心理关。3. 拆解 AI 在 CAD 流程里的真实切入点3.1 先搞清楚CAD 工作流到底有哪些环节要谈 AI 落地得先把 CAD 的工作流拆开。一个典型的机械设计流程大致是需求理解 → 方案草图 → 三维建模 → 二维出图 → 标注尺寸公差 → 审核校对 → 导出 DXF/DWG 给下游 → 下游加工、装配、PCB、GIS再处理。建筑、电子行业的流程类似只是具体环节不同。AI 能在哪些环节切入我的判断是越靠前、越依赖“生成”的环节AI 越难落地越靠后、越依赖“处理”和“检查”的环节AI 越容易见效。原因很简单生成环节对正确性要求最高容错率最低而处理环节比如格式转换、批量修改、一致性检查本身就是规则明确的重复劳动AI 加上脚本能大幅提效。3.2 高价值切入点一批量处理与格式转换热搜词里python批量对cad修改、cad图纸合并、dwg转shp、exb转dwg转换器这些反映的是真实的高频需求。一个设计院每天可能要处理几百张图纸的图层整理、批量打印、格式转换。这些活儿规则明确、重复度高正是 AI脚本的用武之地。具体怎么做以 DXF 为例Python 生态里有ezdxf这个库可以读写 DXF 的实体、图层、块。你可以写脚本批量做这些事把所有Layer1重命名为企业标准图层名、把所有零长度线段删掉、把所有未闭合多段线闭合、把所有文字样式统一成HZ-S热搜词里出现的 CAD 字体、把多个 DXF 合并成一个。这些操作不需要 AI 模型纯脚本就能做但如果你加上 AI 做“意图识别”——比如让 AI 判断哪些图层应该合并、哪些实体是冗余的——就能处理更复杂的场景。我实测过一个流程用ezdxf读取 DXF提取所有实体的类型和图层喂给一个轻量模型做分类判断哪些是标注、哪些是轮廓、哪些是辅助线然后按类别批量处理。这个流程在 500 张图纸的测试集上处理速度比人工快 20 倍以上准确率在 90% 左右剩下的 10% 人工复核。这才是 AICAD 落地该有的样子AI 做判断脚本做执行人工做兜底。3.3 高价值切入点二图纸一致性检查与合规校验工程师画图最容易犯的错误不是画不出来而是画完了有疏漏标注漏了、图层用错了、线型不对、标题栏信息不全、尺寸链不闭合。这些检查工作人工做又累又容易漏AI 做正合适。思路是把企业制图规范拆成一条条可执行的规则比如“所有轮廓线必须在OUTLINE图层”“所有标注必须在DIM图层”“标题栏必须包含图号、材料、比例”“尺寸标注不能重复”。然后用脚本解析 DXF逐条检查输出问题清单。AI 在这里的作用是处理“规则难以完全形式化”的部分比如判断一个标注是否“合理”、判断两个视图是否“对齐”、判断尺寸链是否“闭合”。这些用传统规则引擎很难写全但用模型学习一批合格图纸的特征后可以做异常检测。我帮一个团队做过类似的校验工具核心逻辑是先用规则引擎跑一遍硬性规范再用一个分类模型跑一遍软性规范比如标注密度是否异常、视图布局是否合理。上线后图纸审核环节的平均耗时从每张 15 分钟降到了 4 分钟审核员只需要复核 AI 标出的可疑项。这个场景的好处是AI 不直接产出图纸只做“挑刺”工程师的心理接受度高得多。3.4 高价值切入点三自然语言驱动的参数化建模有限场景这是最接近 Demo 叙事的场景也是最难落地的。但并非完全不可行关键在于限定场景。如果你的需求是“用自然语言生成任意机械零件”那基本没戏但如果限定在“标准件库”或“参数化模板”范围内就有戏。举个例子法兰、齿轮、轴承座、螺栓这些标准件几何结构高度参数化可以用 FreeCAD 的 Python API 或 OpenSCAD 写模板。用户输入“M8 内六角螺栓长度 30”AI 负责把自然语言解析成参数直径 8、长度 30、头型内六角然后调用模板生成模型。这个流程里AI 只做“语言到参数”的映射几何生成交给确定性的参数化脚本。正确性由脚本保证灵活性由 AI 提供两者各司其职。FreeCAD 在这里是个很好的载体因为它开源、有完整的 Python API、支持 DXF/DWG 导入导出DWG 需要额外配置。热搜词里freecad、freecad教程pdf免费、freecad标注公差说明已经有不少人在用。我自己的经验是用 FreeCAD 做参数化模板配合一个小的语言模型做参数解析能覆盖 60% 以上的标准件建模需求而且生成的模型是“真参数化”的后续改参数不用重新生成。3.5 低价值切入点纯视觉的“图纸理解”很多团队一上来就想做“AI 读图”把 DWG 渲染成图片让视觉模型识别里面的零件、尺寸、标注。这个方向我不是很看好原因前面说过信息损失太大而且工程正确性无法保证。视觉模型能识别出“这里有个圆”但识别不出“这个圆是 M8 螺纹底孔公差 H7”。这些语义信息在 DXF 实体里是明确存在的绕开结构化数据去做视觉识别是舍近求远。当然有一种场景视觉识别是有用的处理扫描件和历史纸质图纸。这些图纸没有电子版只能扫描后做矢量化。但即便是这个场景纯视觉识别也不够通常需要“视觉识别 人工校正 矢量化”的组合流程。热搜词里babyface图片转cad反映的就是这类需求但实际用下来自动转换的结果往往需要大量手工修整省不了太多事。4. 实操用 Python ezdxf FreeCAD 搭一个可用的处理管线4.1 环境准备与依赖安装先说环境。我用的组合是 Python 3.10 ezdxf FreeCAD通过其 Python 控制台或freecadcmd命令行。ezdxf 负责 DXF 的读写和实体操作FreeCAD 负责三维建模和 DWG 转换。安装很简单pip install ezdxfFreeCAD 建议装 0.21 或更新版本安装后把它的lib目录加到 Python 路径或者直接用 FreeCAD 自带的 Python 环境。DWG 的支持需要额外配置 ODA File ConverterOpen Design Alliance 提供的免费转换工具因为 DWG 是闭源格式ezdxf 本身不直接读 DWG需要先转成 DXF。注意DWG 转 DXF 这一步ODA File Converter 是业界常用的免费方案但它对版本有要求建议用较新的版本否则遇到高版本 DWG 会转换失败。转换时统一输出 DXF R2018 或 R2013 格式兼容性最好。4.2 核心步骤一解析 DXF 并提取结构化信息第一步是把 DXF 读进来提取我们关心的实体。下面这段代码演示了如何遍历所有实体、按类型分类、并输出统计信息import ezdxf doc ezdxf.readfile(input.dxf) msp doc.modelspace() entity_stats {} for entity in msp: etype entity.dxftype() entity_stats[etype] entity_stats.get(etype, 0) 1 for etype, count in sorted(entity_stats.items()): print(f{etype}: {count}) # 提取所有圆的信息 for circle in msp.query(CIRCLE): center circle.dxf.center radius circle.dxf.radius layer circle.dxf.layer print(f圆: 中心({center.x:.2f}, {center.y:.2f}), 半径{radius:.2f}, 图层{layer})这段代码看起来简单但它是所有后续处理的基础。关键点在于你要先知道图纸里有什么才能决定怎么处理。我见过太多团队跳过这一步直接上模型结果模型输出的东西和图纸里的实体对不上。4.3 核心步骤二批量规范化处理拿到实体信息后就可以做批量规范化了。下面是一个典型的处理脚本做三件事删除零长度线段、统一图层名、闭合未闭合多段线import ezdxf from ezdxf.math import Vec3 doc ezdxf.readfile(input.dxf) msp doc.modelspace() # 1. 删除零长度线段 to_delete [] for line in msp.query(LINE): start line.dxf.start end line.dxf.end if Vec3(start).distance(Vec3(end)) 1e-6: to_delete.append(line) for entity in to_delete: msp.delete_entity(entity) # 2. 统一图层名 layer_mapping { Layer1: OUTLINE, 图层1: OUTLINE, 新建图层2: DIM, 0: OUTLINE, } for old_name, new_name in layer_mapping.items(): if old_name in doc.layers: # 把该图层上的实体移到新图层 for entity in msp.query(f*[layer{old_name}]): entity.dxf.layer new_name # 3. 闭合未闭合多段线 for polyline in msp.query(LWPOLYLINE): if not polyline.closed: polyline.closed True doc.saveas(output.dxf)这段脚本的价值在于它把人工需要几小时甚至几天的图层整理工作压缩到了几秒钟。而且规则明确不会出错。AI 在这里可以加一层用模型判断哪些图层名应该映射到哪个标准图层而不是写死映射表。但即便不加 AI纯脚本的收益已经很大了。4.4 核心步骤三用 FreeCAD 做参数化建模FreeCAD 的 Python API 可以做参数化建模。下面是一个生成法兰盘的例子import FreeCAD import Part def create_flange(outer_diameter, inner_diameter, thickness, bolt_count, bolt_circle_dia, bolt_hole_dia): doc FreeCAD.newDocument(Flange) # 创建法兰主体 outer_cyl Part.makeCylinder(outer_diameter / 2, thickness) inner_cyl Part.makeCylinder(inner_diameter / 2, thickness) flange outer_cyl.cut(inner_cyl) # 创建螺栓孔 import math for i in range(bolt_count): angle 2 * math.pi * i / bolt_count x (bolt_circle_dia / 2) * math.cos(angle) y (bolt_circle_dia / 2) * math.sin(angle) hole Part.makeCylinder(bolt_hole_dia / 2, thickness) hole.translate(FreeCAD.Vector(x, y, 0)) flange flange.cut(hole) obj doc.addObject(Part::Feature, Flange) obj.Shape flange doc.recompute() doc.saveAs(flange.FCStd) return obj create_flange(100, 50, 10, 6, 80, 8)这个脚本生成一个外径 100、内径 50、厚 10、6 个 M8 螺栓孔、螺栓圆直径 80 的法兰。参数全部可调改一个数字就能重新生成。AI 的作用是把“生成一个 6 孔法兰外径 100”这样的自然语言解析成create_flange(100, 50, 10, 6, 80, 8)这样的函数调用。这个映射用一个小模型微调就能做到不需要大模型。4.5 核心步骤四导出 DXF 并做后处理FreeCAD 生成的模型可以导出成 DXFimport FreeCAD import importDXF doc FreeCAD.open(flange.FCStd) importDXF.export(doc.Objects, flange.dxf)导出后再用 ezdxf 做后处理比如添加标注、设置图层、统一线型。这一步是把“三维模型”变成“可交付的二维图纸”的关键。很多 AICAD 项目卡在这里模型能生成三维但生成不了符合制图标准的二维图。二维出图涉及投影、剖视、标注、公差这些是工程规范不是几何问题AI 很难直接搞定需要结合规则引擎和模板。5. 常见问题与排查技巧实录5.1 DXF/DWG 读取失败怎么办这是最高频的问题。常见原因和排查方法问题现象可能原因排查方法ezdxf报DXFStructureError文件不是标准 DXF或版本过高用 ODA File Converter 转成 R2013 DXF读取成功但实体为空实体在布局空间而非模型空间用doc.layouts遍历所有布局中文图层名乱码编码问题指定encodinggbk或utf-8DWG 直接读取失败ezdxf 不支持 DWG先用 ODA 转 DXF图块内容读不到图块是嵌套的用msp.query(INSERT)递归展开我踩过最坑的一次是一个 DWG 文件用 AutoCAD 打开正常但 ezdxf 读取时报错。后来发现这个文件是用某个国产 CAD 存的DXF 头信息不规范。解决办法是用 ODA File Converter 重新转一遍问题就没了。遇到读不了的文件第一反应应该是“转格式”而不是“改代码”。5.2 单位混乱导致尺寸错误CAD 里单位是个大坑。DXF 文件头里有$INSUNITS变量但很多文件不设置或者设置错了。我遇到过一张图标注写着“100”但实际几何长度是 100 英寸导出时按毫米处理结果差了 25.4 倍。排查方法是先读$INSUNITS再抽查几个已知尺寸的实体对比标注值和实际几何值确认单位一致。提示处理跨软件、跨地区的图纸时单位检查必须作为第一步。建筑行业常用毫米机械行业常用毫米但欧美图纸可能用英寸。DXF 的$INSUNITS值 1 是英寸4 是毫米6 是米务必确认。5.3 图层和线型不符合企业标准这是批量处理时最常见的问题。我的做法是先定义一份企业标准图层表图层名、颜色、线型、线宽然后用脚本做映射。映射表可以人工维护也可以用 AI 辅助生成——把历史图纸的图层名收集起来聚类后让 AI 建议映射关系。实测下来AI 建议的映射准确率在 80% 左右剩下 20% 人工调整比纯人工快很多。5.4 AI 模型输出不稳定怎么破如果你用了模型做判断比如分类、识别输出不稳定是常态。解决办法有三个一是降低模型自由度把任务拆细每个模型只做一件小事二是加规则兜底模型输出后用规则引擎校验一遍不合法的直接拒绝三是加人工复核环节把模型输出当成“建议”而非“结论”。我自己的原则是AI 的输出永远不直接进入生产环节必须经过规则校验或人工确认。5.5 性能问题大图纸处理慢一张复杂的建筑图纸可能有几十万个实体用 Python 逐个遍历会很慢。优化方法一是用msp.query()做过滤只处理需要的实体类型二是用ezdxf的groupby做批量操作三是把处理逻辑写成 C 扩展或用多进程。我处理过一张 50 万实体的图纸纯 Python 遍历要几分钟用query过滤后降到十几秒。性能优化的核心是“少做事”而不是“做得快”。6. 落地路径建议从小场景切入别一上来就做平台6.1 先找一个“痛点明确、规则清晰、容错率高”的场景如果你现在要启动一个 AICAD 项目我的建议是别做通用平台先做一个具体场景的小工具。什么样的场景合适三个条件痛点明确有人愿意为它付费或投入时间、规则清晰能拆成可执行的步骤、容错率高错了不会造成严重后果。比如“批量图层规范化”“图纸一致性检查”“标准件参数化生成”都符合这三个条件。而“AI 自动生成整张机械图纸”就不符合因为容错率太低。我见过一个团队一开始想做“AI 设计助手”做了半年发现没法落地后来转型做“图纸审核辅助”反而很快找到了客户。场景选对了技术才有价值。6.2 技术栈选择Python 生态是当前最优解在 CAD 处理这个领域Python 生态是目前最成熟的。ezdxf处理 DXFFreeCAD做建模和格式转换OpenCV处理扫描件shapely处理几何运算numpy做数值计算。AI 部分可以用transformers加载小模型做分类和解析不一定非要上大模型。大模型在 CAD 里的作用被高估了很多任务用小模型加规则就能解决成本和稳定性都好得多。6.3 数据是核心资产从第一天就要积累AICAD 项目最值钱的不是模型是标注好的 CAD 数据。哪些图纸是合格的、哪些是有问题的、问题在哪、怎么修的这些标注数据是训练模型的基础。我的建议是从项目第一天起就建立数据积累机制把处理过的每一张图纸、每一次人工修正都记录下来。这些数据积累到一定量就是你的护城河。模型可以开源数据不能。6.4 和工程师一起工作别闭门造车最后一条也是最重要的一条做 AICAD一定要和一线工程师泡在一起。我在项目里最大的收获不是技术上的而是理解了工程师真正的工作方式和痛点。很多技术团队想当然地认为“工程师需要 AI 帮他们画图”但实际聊下来工程师最烦的是“改图层”“对标注”“转格式”这些琐事。你以为的需求和真实的需求往往差得很远。多去车间、多去设计院、多和工程师吃饭聊天比看一百篇论文都有用。我自己在这个方向摸索了两年多最大的体会是AI 在 CAD 里的落地技术只占三成对工程场景的理解占七成。那些 Demo 满天飞的团队往往是把七成的精力花在了技术上结果做出来的东西没人用。反而是那些愿意蹲在现场、理解工程师真实工作流的团队能用很朴素的技术做出真正有价值的产品。这个领域不缺聪明人缺的是愿意下笨功夫的人。
)
