说句得罪人的：文生 CAD 生成的是「草图」不是「设计」，离生产力还差一个参数化【免费下载链接】text-to-cadGive your agent CAD superpowers.项目地址: https://gitcode.com/GitHub_Trending/tex/text-to-cad过去两年，「文生 CAD」大概是硬件圈最性感的叙事之一：不用画图、不用学软件，敲一句「19 齿直齿轮」——几分钟后一个符合工程外形的 STEP 文件就躺在你面前。Zoo 的 Text-to-CAD 引爆了这场讨论，随后 YC W25 背景的 AdamCAD 拿到 410 万美元融资，海外媒体开始报道「把文本描述转换成可打印 3D 模型」的开源多智能体系统，国内社区则忙着总结「5 分钟零门槛建模」的教程。热闹是真的，但我要先泼一盆冷水：这类工具生成的，绝大多数是「草图」，不是「设计」。原因很简单。设计不只是「长得对的几何」，而是意图、约束、可编辑性与可追溯性的集合——一个能改、能迭代、能验证、能进制造流程的活体。而大多数文生 CAD 产品给你的是快照：一句 prompt 换一个静态模型，换句话重来一遍，输出的东西既没有特征树，也没有参数，更没法放进装配里约束。本文不想停留在情绪上，我结合开源项目 earthtojake/text-to-cad（一个把 CAD 能力封装成 Agent Skills 的插件仓库，口号是 "Give your agent CAD superpowers."）的源码，逐层拆解「生成模型」与「工程设计」之间的那道真实鸿沟，以及为什么参数化是那道分水岭。先看清楚：文生 CAD 现在到底能做什么把市面上的方案粗分两派，各看能力边界。第一派：提示词直出几何（Zoo 系）。典型形态是社区教程里反复出现的 text-to-cad-ui：SvelteKit 前端 + Three.js 实时预览 + 云端 API，自然语言进、B-rep 出，支持 STL/STEP/GLTF 导出。它的价值真实存在：对创客、教育演示、客户需求验证来说，从「脑子里有个想法」到「手里有个 3D 文件」的链路被压缩到几分钟，这确实是传统 CAD 学习曲线给不了的体验。第二派：把 CAD 变成 Agent 的技能（text-to-cad 系）。这个仓库走的是另一条路——不替你做几何，而是给 AI 代理一套完整的、可执行的建模工作流。安装后，代理拥有 12 个左右的技能，覆盖从建模到制造的全链路：CAD 建模、STEP 零件检索、工程图纸、DXF 排样、URDF/SRDF/SDF 机器人描述、DFM/DFAM 可制造性检查、G-code 切片，甚至直接对接 SendCutSend 钣金下单和 Bambu Lab 打印机（见 skills/ 下的技能矩阵）。两派的差异从各自的「能」与「不能」里立刻显现。先说共同的短板——这也是「草图」二字的来历：一次性输出，没有编辑语义。提示词生成的模型是结果不是过程。你说「把孔从 6mm 改成 8mm」，它大概率重新生成一个模型，而不是在原模型上改一个特征。网格不是几何。很多工具吐的是 STL 网格。网格可以看、可以打印，但不可测量、不可做布尔运算、不可参与装配约束。这个仓库的 DFM 技能在 skills/dfm/SKILL.md 里把话说得很直白：「Prefer exact STEP/B-rep measurements for radii and analytic faces. If only a mesh is available, record its resolution and approximation limits. A screenshot supports a suspected issue, not a measured pass/fail.」——截图只能佐证怀疑，测量才是判定依据。这就是「草图」与「图纸」的技术本质区别。非确定性。同一个 prompt 换一次生成，输出的拓扑可能完全不一样。你没法对它做版本 diff，也没法审阅「这次改了什么」。从「能出模型」到「可编辑、可迭代」：参数化是那道鸿沟现在看第二派仓库怎么回答上述问题。答案浓缩在一个词：把设计写进源码，让一切可参数化、可重跑、可追溯。在 skills/cad/SKILL.md 里，一个「模型」被明确定义为「一个带参数化装饰函数的普通 Python 脚本，返回 build123d 形状」。看仓库里真实的零件——models/examples/src/l_bracket.py：BASE_LENGTH = 80.0 BASE_WIDTH = 50.0 BASE_THICKNESS = 8.0 HOLE_DIAMETER = 6.0 BASE_HOLE_LOCATIONS = ((-25.0, -10.0), (25.0, -10.0)) TRANSITION_FILLET = 2.0 @step(out="../STEP/l_bracket.step") def l_bracket(): """Return the L-bracket model in millimeters.""" with bd.BuildPart() as bracket: bd.Box(BASE_LENGTH, BASE_WIDTH, BASE_THICKNESS, align=(bd.Align.CENTER, bd.Align.CENTER, bd.Align.MIN)) ...再比如 models/examples/src/centrifugal_impeller.py：BLADE_COUNT = 12、BLADE_BACKWARD_SWEEP_ANGLE = radians(45.0)、BLADE_THICKNESS = 3.0——叶片数量、后掠角、厚度全部显式化为常量。这就是参数化最朴素也最核心的形态：设计决策被写进变量，改一行、重跑一次、输出跟着变。相比之下，提示词生成器给你的是一张一次性「照片」，这里给你的是随时可修订的「配方」。光有零件级参数还不够，真正的工程难题在装配。仓库里这个问题的答案是「typed mates」——见 packages/cadgen/src/cadgen/kinematics.py：KINEMATICS = { "mates": [ cadgen.revolute("elbow", parent="#upper_arm", child="#forearm", axis="#forearm.pivot_bore", limits=(0, 150)), ], "couplings": [cadgen.couple("curl", {"mcp": 50, "pip": 70, "dip": 40})], "poses": {"open": {"jaw": 40}, "closed": {"jaw": 0}}, } @step(out="../STEP/arm.step", kinematics=KINEMATICS) def arm(): ...注意它的设计取舍：运动副是纯数据（revolute/slider/cylindrical/fastened），求值是一次对运动副树的正向运动学折叠，「没有框吸附、没有求解器，闭链明确不在范围内」。这不只是实现细节——它意味着装配关系像参数一样被固化、可重放、可验证，而不是靠某次生成的运气。仓库的演示语料库（models/README.md）里，mars_rover 概念车带 27 个运动副、7 个耦合、4 个姿态；f14d 整机由 10 个子系统按 occurrence 顺序链接，改一个子零件、重跑父装配，整机联动更新。参数化的威力不止于几何本身，它像多米诺一样推倒了下游的每一张「派生文档」：工程图纸是派生态。skills/engineering-drawing/SKILL.md 开宗明义：「An engineering drawing is a DOCUMENT derived from a part」——三视图、隐藏线、中心线、尺寸全部从几何投影得到，「图上没有一笔是手绘的，没有一个数字是你手输的（除非你刻意覆盖）」。改模型、重跑图纸脚本，尺寸自动跟着动。图纸跟随模型，而不是模型将就图纸——这正是生产环境要的东西。可制造性检查给「证据」。skills/dfm/SKILL.md 要求每条发现都带「测量值、单位、版本、测量方法、引用的规则来源」，并且明确「没有发现 ≠ 可制造性通过」。这不是滤镜式的提示，而是对着真实 B-rep 几何量出来的。机器人描述被当作约束建模。skills/urdf/SKILL.md 写着「Treat URDF work as constrained kinematic modeling, not just XML writing」，强制在写文件前建立坐标系、关节、单位、假设台账，并强制cadgen urdf validate后才算完成。把这些连起来看，仓库的架构哲学在 packages/cadgen/README.md 里被写成「设计法则」：生成物与源码完全独立（删光所有.py渲染结果不变）、写出器字节确定性（同一模型必然产出同一批字节）、STEP/DXF 是纯几何，语义信息全部住在 sidecar 里。这些法则共同保证一件事：设计意图有一个唯一权威的存放处——源码；一切产物（STEP、图纸、网格、URDF）都是它的派生结果，可以随时推倒重算。这跟「生成一个模型就完事」是两种完全不同的工程世界观。它的真正归宿：辅助创意，还是替代设计？那么问题来了：文生 CAD 究竟会取代设计师，还是只是新的草图工具？我的判断是：两条路都有人走，但只有一条通向生产力。分场景看会更清楚：场景一：灵感、原型、教学、客户沟通——mesh 就够。这里 Zoo 系工具是当之无愧的主角。「一句话出模型、5 分钟上手」的传播热度货真价实，因为这类场景的验收标准就是「看得见、摸得着、聊得来」。模型是一次性的没关系，反正它本来就是用来沟通的。场景二：工程交付、制造、装配——必须回到参数化源头。要出 DFM 报告、要出带公差和孔标注的图纸、要排 DXF 钣金下料、要生成打印路径，起点必须是可编辑、可验证的参数化几何。这个仓库展示的正是一条从「一句话需求」到「可制造工件」的完整链路：代理先写可追溯的源码模型 → 产出 STEP → 派生工程图纸 → 跑 DFM 检查 → 对接 SendCutSend / G-code / Bambu 打印。每一步都有真实文件与命令可查，而不是黑盒生成。关于 AI 的角色，真正的结论是：AI 是「候选生成器 + 检索引擎」，不是「设计者」。设计 = 意图 + 约束 + 变更历史。意图和约束必须有人表达（哪怕用自然语言），而变更历史必须落在某个可 diff、可审阅、可回滚的载体上——在 text-to-cad 这里，载体就是源码与参数。AI 的价值在于把「意图 → 参数化源码」这一步做得越来越快、越来越准，然后把「验证闭环」交还给工程师。至于市场信号：AdamCAD 获得 410 万美元融资、开源多智能体文生 CAD 论文被海外 3D 打印媒体关注，说明资本与研究者都在往「AI 原生 CAD」挤。但融资热度是一回事，生产力兑现是另一回事——如果产品停留在「生成好看的结果」，它收获的永远是好奇心；只有补上参数化交互、可编辑语义和验证闭环，它才第一次摸到生产工具的门槛。说句得罪人的结论：如果文生 CAD 的终局是「一句话出模型」，那它产出的永远是草图；当它把语言变成可执行、可参数化、可制造验证的设计源码时，它才真正成为设计工具。目前最接近这条路的开源实践之一，就是把 CAD 封装成 Agent 技能、让「源码即设计、派生即文档」的 text-to-cad 系方案——毕竟，「草图」解决的是从无到有，而「设计」解决的是从有到对，后者才配叫生产力。【免费下载链接】text-to-cadGive your agent CAD superpowers.项目地址: https://gitcode.com/GitHub_Trending/tex/text-to-cad创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
说句得罪人的：文生 CAD 生成的是「草图」不是「设计」，离生产力还差一个参数化【免费下载链接】text-to-cadGive your agent CAD superpowers.项目地址: https://gitcode.com/GitHub_Trending/tex/text-to-cad过去两年，「文生 CAD」大概是硬件圈最性感的叙事之一：不用画图、不用学软件，敲一句「19 齿直齿轮」——几分钟后一个符合工程外形的 STEP 文件就躺在你面前。Zoo 的 Text-to-CAD 引爆了这场讨论，随后 YC W25 背景的 AdamCAD 拿到 410 万美元融资，海外媒体开始报道「把文本描述转换成可打印 3D 模型」的开源多智能体系统，国内社区则忙着总结「5 分钟零门槛建模」的教程。热闹是真的，但我要先泼一盆冷水：这类工具生成的，绝大多数是「草图」，不是「设计」。原因很简单。设计不只是「长得对的几何」，而是意图、约束、可编辑性与可追溯性的集合——一个能改、能迭代、能验证、能进制造流程的活体。而大多数文生 CAD 产品给你的是快照：一句 prompt 换一个静态模型，换句话重来一遍，输出的东西既没有特征树，也没有参数，更没法放进装配里约束。本文不想停留在情绪上，我结合开源项目 earthtojake/text-to-cad（一个把 CAD 能力封装成 Agent Skills 的插件仓库，口号是 "Give your agent CAD superpowers."）的源码，逐层拆解「生成模型」与「工程设计」之间的那道真实鸿沟，以及为什么参数化是那道分水岭。先看清楚：文生 CAD 现在到底能做什么把市面上的方案粗分两派，各看能力边界。第一派：提示词直出几何（Zoo 系）。典型形态是社区教程里反复出现的 text-to-cad-ui：SvelteKit 前端 + Three.js 实时预览 + 云端 API，自然语言进、B-rep 出，支持 STL/STEP/GLTF 导出。它的价值真实存在：对创客、教育演示、客户需求验证来说，从「脑子里有个想法」到「手里有个 3D 文件」的链路被压缩到几分钟，这确实是传统 CAD 学习曲线给不了的体验。第二派：把 CAD 变成 Agent 的技能（text-to-cad 系）。这个仓库走的是另一条路——不替你做几何，而是给 AI 代理一套完整的、可执行的建模工作流。安装后，代理拥有 12 个左右的技能，覆盖从建模到制造的全链路：CAD 建模、STEP 零件检索、工程图纸、DXF 排样、URDF/SRDF/SDF 机器人描述、DFM/DFAM 可制造性检查、G-code 切片，甚至直接对接 SendCutSend 钣金下单和 Bambu Lab 打印机（见 skills/ 下的技能矩阵）。两派的差异从各自的「能」与「不能」里立刻显现。先说共同的短板——这也是「草图」二字的来历：一次性输出，没有编辑语义。提示词生成的模型是结果不是过程。你说「把孔从 6mm 改成 8mm」，它大概率重新生成一个模型，而不是在原模型上改一个特征。网格不是几何。很多工具吐的是 STL 网格。网格可以看、可以打印，但不可测量、不可做布尔运算、不可参与装配约束。这个仓库的 DFM 技能在 skills/dfm/SKILL.md 里把话说得很直白：「Prefer exact STEP/B-rep measurements for radii and analytic faces. If only a mesh is available, record its resolution and approximation limits. A screenshot supports a suspected issue, not a measured pass/fail.」——截图只能佐证怀疑，测量才是判定依据。这就是「草图」与「图纸」的技术本质区别。非确定性。同一个 prompt 换一次生成，输出的拓扑可能完全不一样。你没法对它做版本 diff，也没法审阅「这次改了什么」。从「能出模型」到「可编辑、可迭代」：参数化是那道鸿沟现在看第二派仓库怎么回答上述问题。答案浓缩在一个词：把设计写进源码，让一切可参数化、可重跑、可追溯。在 skills/cad/SKILL.md 里，一个「模型」被明确定义为「一个带参数化装饰函数的普通 Python 脚本，返回 build123d 形状」。看仓库里真实的零件——models/examples/src/l_bracket.py：BASE_LENGTH = 80.0 BASE_WIDTH = 50.0 BASE_THICKNESS = 8.0 HOLE_DIAMETER = 6.0 BASE_HOLE_LOCATIONS = ((-25.0, -10.0), (25.0, -10.0)) TRANSITION_FILLET = 2.0 @step(out="../STEP/l_bracket.step") def l_bracket(): """Return the L-bracket model in millimeters.""" with bd.BuildPart() as bracket: bd.Box(BASE_LENGTH, BASE_WIDTH, BASE_THICKNESS, align=(bd.Align.CENTER, bd.Align.CENTER, bd.Align.MIN)) ...再比如 models/examples/src/centrifugal_impeller.py：BLADE_COUNT = 12、BLADE_BACKWARD_SWEEP_ANGLE = radians(45.0)、BLADE_THICKNESS = 3.0——叶片数量、后掠角、厚度全部显式化为常量。这就是参数化最朴素也最核心的形态：设计决策被写进变量，改一行、重跑一次、输出跟着变。相比之下，提示词生成器给你的是一张一次性「照片」，这里给你的是随时可修订的「配方」。光有零件级参数还不够，真正的工程难题在装配。仓库里这个问题的答案是「typed mates」——见 packages/cadgen/src/cadgen/kinematics.py：KINEMATICS = { "mates": [ cadgen.revolute("elbow", parent="#upper_arm", child="#forearm", axis="#forearm.pivot_bore", limits=(0, 150)), ], "couplings": [cadgen.couple("curl", {"mcp": 50, "pip": 70, "dip": 40})], "poses": {"open": {"jaw": 40}, "closed": {"jaw": 0}}, } @step(out="../STEP/arm.step", kinematics=KINEMATICS) def arm(): ...注意它的设计取舍：运动副是纯数据（revolute/slider/cylindrical/fastened），求值是一次对运动副树的正向运动学折叠，「没有框吸附、没有求解器，闭链明确不在范围内」。这不只是实现细节——它意味着装配关系像参数一样被固化、可重放、可验证，而不是靠某次生成的运气。仓库的演示语料库（models/README.md）里，mars_rover 概念车带 27 个运动副、7 个耦合、4 个姿态；f14d 整机由 10 个子系统按 occurrence 顺序链接，改一个子零件、重跑父装配，整机联动更新。参数化的威力不止于几何本身，它像多米诺一样推倒了下游的每一张「派生文档」：工程图纸是派生态。skills/engineering-drawing/SKILL.md 开宗明义：「An engineering drawing is a DOCUMENT derived from a part」——三视图、隐藏线、中心线、尺寸全部从几何投影得到，「图上没有一笔是手绘的，没有一个数字是你手输的（除非你刻意覆盖）」。改模型、重跑图纸脚本，尺寸自动跟着动。图纸跟随模型，而不是模型将就图纸——这正是生产环境要的东西。可制造性检查给「证据」。skills/dfm/SKILL.md 要求每条发现都带「测量值、单位、版本、测量方法、引用的规则来源」，并且明确「没有发现 ≠ 可制造性通过」。这不是滤镜式的提示，而是对着真实 B-rep 几何量出来的。机器人描述被当作约束建模。skills/urdf/SKILL.md 写着「Treat URDF work as constrained kinematic modeling, not just XML writing」，强制在写文件前建立坐标系、关节、单位、假设台账，并强制cadgen urdf validate后才算完成。把这些连起来看，仓库的架构哲学在 packages/cadgen/README.md 里被写成「设计法则」：生成物与源码完全独立（删光所有.py渲染结果不变）、写出器字节确定性（同一模型必然产出同一批字节）、STEP/DXF 是纯几何，语义信息全部住在 sidecar 里。这些法则共同保证一件事：设计意图有一个唯一权威的存放处——源码；一切产物（STEP、图纸、网格、URDF）都是它的派生结果，可以随时推倒重算。这跟「生成一个模型就完事」是两种完全不同的工程世界观。它的真正归宿：辅助创意，还是替代设计？那么问题来了：文生 CAD 究竟会取代设计师，还是只是新的草图工具？我的判断是：两条路都有人走，但只有一条通向生产力。分场景看会更清楚：场景一：灵感、原型、教学、客户沟通——mesh 就够。这里 Zoo 系工具是当之无愧的主角。「一句话出模型、5 分钟上手」的传播热度货真价实，因为这类场景的验收标准就是「看得见、摸得着、聊得来」。模型是一次性的没关系，反正它本来就是用来沟通的。场景二：工程交付、制造、装配——必须回到参数化源头。要出 DFM 报告、要出带公差和孔标注的图纸、要排 DXF 钣金下料、要生成打印路径，起点必须是可编辑、可验证的参数化几何。这个仓库展示的正是一条从「一句话需求」到「可制造工件」的完整链路：代理先写可追溯的源码模型 → 产出 STEP → 派生工程图纸 → 跑 DFM 检查 → 对接 SendCutSend / G-code / Bambu 打印。每一步都有真实文件与命令可查，而不是黑盒生成。关于 AI 的角色，真正的结论是：AI 是「候选生成器 + 检索引擎」，不是「设计者」。设计 = 意图 + 约束 + 变更历史。意图和约束必须有人表达（哪怕用自然语言），而变更历史必须落在某个可 diff、可审阅、可回滚的载体上——在 text-to-cad 这里，载体就是源码与参数。AI 的价值在于把「意图 → 参数化源码」这一步做得越来越快、越来越准，然后把「验证闭环」交还给工程师。至于市场信号：AdamCAD 获得 410 万美元融资、开源多智能体文生 CAD 论文被海外 3D 打印媒体关注，说明资本与研究者都在往「AI 原生 CAD」挤。但融资热度是一回事，生产力兑现是另一回事——如果产品停留在「生成好看的结果」，它收获的永远是好奇心；只有补上参数化交互、可编辑语义和验证闭环，它才第一次摸到生产工具的门槛。说句得罪人的结论：如果文生 CAD 的终局是「一句话出模型」，那它产出的永远是草图；当它把语言变成可执行、可参数化、可制造验证的设计源码时，它才真正成为设计工具。目前最接近这条路的开源实践之一，就是把 CAD 封装成 Agent 技能、让「源码即设计、派生即文档」的 text-to-cad 系方案——毕竟，「草图」解决的是从无到有，而「设计」解决的是从有到对，后者才配叫生产力。【免费下载链接】text-to-cadGive your agent CAD superpowers.项目地址: https://gitcode.com/GitHub_Trending/tex/text-to-cad创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考