1. 建筑方案协作里AI 到底能帮上什么忙干了十几年建筑设计我最怕听到的一句话就是“你先随便画两版看看”。随便画两版背后是方案逻辑、场地关系、功能流线、立面语言、规范限制一大堆东西真要“随便”画出来往往就是熬夜到凌晨三点第二天还被说“方向不对”。所以当“AI 成为建筑方案的协作搭档”这个说法出现时我第一反应不是兴奋而是警惕它到底能不能理解建筑方案的特殊性还是又一个只会生成漂亮废图的玩具。先说结论。AI 在建筑方案阶段最有价值的地方不是替你“设计”而是帮你把脑子里那些还没成型的构思快速变成可看、可改、可讨论的东西。建筑方案的前期本质上是一个“翻译”过程把模糊的空间意图翻译成图形把抽象的场地条件翻译成体块关系把业主嘴里“想要那种感觉”翻译成具体的比例和材质。这个过程里人的判断不可替代但重复劳动和信息整理完全可以交给 AI 来打配合。我现在的定位很清楚AI 是我的协作搭档不是主创。它负责快速出草稿、做变体、整理资料、生成分析图底稿、把文字描述转成可视化参考我负责判断哪个方向值得深入、哪个比例不对、哪个流线会出问题。这个分工一旦理顺方案前期的效率提升非常明显。以前一个住宅组团的概念推敲从场地分析到三版体块模型差不多要两到三天现在借助 AI 工具链半天就能把可讨论的素材铺满桌面。这篇文章适合谁看如果你是建筑学学生正在为课程设计的前期概念发愁如果你是设计院或事务所的方案建筑师天天被要求“多出几版”如果你是独立设计师一个人要兼顾创意、表达和汇报那这套协作思路应该能帮到你。我不打算讲空泛的“AI 赋能设计”而是把我实际用下来的一套流程、工具组合、参数设置和踩过的坑尽量说透。需要提前说明的是AI 生成的建筑图像和方案逻辑目前还不能直接当作施工依据它的价值集中在“构思可视化”和“协作沟通”这两个环节。把它放在正确的位置上它就是好帮手指望它一键出施工图那只会失望。2. 整体协作思路为什么这样搭工作流2.1 从“线性设计”转向“并行推敲”传统方案设计流程是线性的场地分析、概念生成、体块推敲、平面深化、立面表达、效果图制作一环扣一环。这个流程的问题在于前期一个判断失误后面全部返工。而 AI 介入之后最大的改变是让多个环节可以并行。你可以在做场地分析的同时就让 AI 根据文字描述生成几组体块关系可以在推敲平面的同时让 AI 出对应的立面意向。这种并行不是乱来而是把“构思—表达—反馈”的循环压缩到极短。我自己的做法是把方案前期拆成三条并行的线第一条是信息线包括场地条件、规范要点、类似案例第二条是图形线包括体块、平面、立面、透视第三条是沟通线包括汇报文本、分析图、对比方案。AI 在三条线上都能插上手但介入方式不同。信息线用大模型做整理和摘要图形线用生成工具做变体沟通线用可视化工具做排版和图表。为什么这样分因为建筑方案的核心矛盾是“信息量太大”和“决策时间太短”。并行处理能让信息更早暴露让决策更有依据。我试过纯线性做一个小型文化建筑光是等效果图公司出图就耗掉一周期间方案几乎停滞。后来改成并行效果图意向当天就能看到虽然精度不高但足够支撑方向判断。2.2 工具选型的底层逻辑不追新追稳定市面上 AI 工具更新极快今天这个模型明天那个插件。我的选型原则只有三条第一输出可控不能每次生成都像开盲盒第二能和现有工作流衔接不能为了用 AI 把 CAD、SketchUp、Rhino 全扔掉第三本地或私有化部署优先方案图纸涉及保密不能随便往公开平台传。具体来说图形生成我用的是本地部署的 Stable Diffusion 配合建筑类 LoRA 模型这样出图风格稳定也不会泄露项目信息。大语言模型方面我用 Ollama 在本地跑开源模型做文本整理和提示词优化涉及敏感信息时绝不上传云端。可视化部分ECharts 和轻量级图表库足够应付大部分分析图需求没必要上重型 BI 工具。协作沟通则用普通的在线文档加截图保持团队都能访问。这里要特别提醒不要被“无限制生成”这类词带偏。建筑方案需要的是精确和可复现不是无限随机。一个每次生成都不同的工具在方案阶段反而添乱。我宁愿要一个输出稳定、参数可调的工具也不要一个花哨但不可控的。2.3 人机分工的边界在哪里这条边界我摸索了很久。现在我的划分是AI 负责“广度”人负责“深度”。AI 可以在十分钟内给你二十个体块变体但哪个变体真正回应了场地的高差、日照和风向需要人来判断。AI 可以生成漂亮的立面意向但立面开窗是否满足采光规范、材料是否可实施需要人来把关。还有一个容易被忽略的点AI 不擅长处理“矛盾需求”。业主说“要通透又要私密”“要标志性又要低调”这种矛盾恰恰是建筑方案的核心张力所在。AI 往往会选择折中生成一个平庸的结果。这时候人的价值就体现出来了——不是折中而是创造性地解决矛盾。所以我把 AI 定位为“提案者”把人的角色定位为“决策者”和“深化者”。3. 核心环节拆解从文字构思到可视化方案3.1 把模糊想法变成结构化提示词很多人用 AI 做建筑方案第一步就卡住了不知道怎么写提示词。我的经验是建筑方案的提示词不能像写诗要像写任务书。一个可用的建筑提示词至少包含六个要素建筑类型、场地环境、体量关系、立面特征、材质色调、视角与氛围。举个例子我要做一个滨水的小型图书馆最初的构思是“轻盈、悬浮、与水面呼应”。直接把这个词丢给 AI出来的东西大概率是玻璃盒子加水面倒影毫无新意。我会把它拆成结构化描述建筑类型是两层小型公共图书馆场地是缓坡临水体量关系是底层架空、上层悬挑立面特征是横向长窗加竖向遮阳百叶材质是浅色混凝土加木格栅视角是黄昏人视角度氛围是安静通透。这样生成的图像才有参考价值。这里有个实操技巧先用本地大模型把中文构思翻译成英文提示词再手动调整关键词权重。建筑类生成对术语很敏感“悬挑”和“漂浮”出来的结果完全不同。我一般会把核心体量词权重调高把氛围词权重调低避免氛围压过形体。3.2 体块推敲阶段的快速变体生成体块推敲是方案前期最耗时的环节之一。传统做法是在 SketchUp 里手动拉模型改一个体块关系要重新拉一遍。用 AI 之后我可以在半小时内生成几十个体块变体然后挑出三到五个有潜力的方向再回到建模软件里精确深化。具体操作上我会用 Stable Diffusion 的图生图功能先画一个简单的体块草图然后用不同的提示词生成变体。关键参数是去噪强度一般设在 0.4 到 0.6 之间。太低则变化不大太高则完全脱离原草图。我试过 0.75结果生成的体块和原草图毫无关系等于白画。0.5 左右比较平衡既能保持基本关系又能产生有意义的变化。还有一个技巧是控制随机种子。找到一组好的体块关系后固定种子只微调提示词里的材质或视角这样可以在同一体块逻辑下生成不同表达方便对比。这个做法在向业主汇报时特别有用业主看到的是同一方案的不同可能性而不是一堆互不相关的图。3.3 平面与立面的联动生成平面和立面的联动是建筑方案的核心难点。AI 目前还不能直接生成符合规范的平面图但可以辅助生成平面意向和立面意向帮助快速判断空间氛围。我的做法是先用 AI 生成立面意向确定开窗节奏和材质关系再回到 CAD 或 Rhino 里手动绘制平面确保功能流线合理。这里要强调一个原则AI 生成的立面不能直接反推平面。因为 AI 不懂结构逻辑和规范限制它生成的悬挑可能跨度离谱开窗可能违反防火间距。我一般把 AI 立面当作“氛围参考”而不是“技术依据”。真正深化时还是要靠人来做结构选型和规范核对。不过AI 在平面意向生成上有一个意外好用的场景复杂功能区的气泡图整理。把功能需求文字输入大模型让它生成功能关系气泡图再手动调整比从零画起快很多。这个做法在医疗、教育类建筑的前期策划中特别实用。3.4 分析图与可视化表达的自动化方案汇报离不开分析图。传统做法是用 Illustrator 或 Photoshop 手动绘制一张日照分析图可能要调半天。现在我用 Python 加 ECharts 做数据可视化把场地数据、日照数据、流线数据快速转成图表再叠加到总平面上。这个过程可以脚本化一次写好后续项目改改参数就能复用。比如日照分析我用 Python 读取场地周边建筑的阴影数据生成热力图再用 ECharts 渲染成可交互的图表。汇报时可以直接在浏览器里展示比静态图片直观得多。流线分析也是类似思路把不同人流的路径数据可视化用颜色区分一目了然。这里的技术门槛不高会基本的 Python 和 ECharts 配置就行。我在本地用 Ollama 跑模型辅助写代码遇到不会的图表类型直接问生成的代码改改就能用。这个组合对建筑师的编程要求降到了最低值得花一个周末学一下。4. 实操流程一个滨水文化中心方案的前期推敲4.1 场地信息整理与关键词提取拿我最近做的一个滨水文化中心举例。场地是城市河道旁的一块狭长用地北侧是城市道路南侧是河道东西两侧是既有建筑。业主需求是文化展示、小型剧场、咖啡休闲三大功能希望建筑“融入环境但不失标志性”。第一步是信息整理。我把场地条件、业主需求、规范要点输入本地大模型让它生成一份结构化的设计任务书摘要。这一步用 Ollama 跑开源模型十分钟出结果。摘要里包括用地面积、容积率限制、建筑限高、退线要求、功能面积配比、日照和通风要点。这些信息后续会作为提示词的一部分确保 AI 生成的方向不跑偏。关键词提取也很关键。我从摘要里挑出核心词滨水、狭长用地、文化展示、小剧场、咖啡、融入环境、标志性、轻盈、水平线条。这些词会按权重分配到提示词里形体类词权重高氛围类词权重低。4.2 第一轮体块生成与筛选第一轮生成我用的是图生图先手绘一个简单的体块草图底层退台面向河道上层体量横向展开中间挖一个庭院。去噪强度设 0.5生成 20 张变体。筛选标准有三条体量关系是否回应场地狭长特征、是否有面向河道的开放界面、是否有可识别的标志性元素。20 张里大概有 5 张值得深入。我把这 5 张的种子固定分别微调提示词生成不同材质和视角的版本。这一步大概花了一个小时产出了 15 张可讨论的图像。如果按传统方式建模渲染这个工作量至少两天。筛选时要注意不要被漂亮的渲染效果迷惑。有些图光影氛围很好但体块逻辑混乱这种要果断放弃。我一般先把图缩小到拇指大小看轮廓轮廓站得住的才值得细看。4.3 平面功能与立面意向的交叉验证选出三个体块方向后我开始做平面功能布局。这一步回到 Rhino 手动绘制因为功能流线必须精确。平面画完后再把平面轮廓截图用图生图生成对应的立面意向验证体块和功能是否匹配。这里有个交叉验证的技巧把平面图旋转 90 度再生成立面看看 AI 是否能识别出体块关系。如果旋转后生成的立面和正放时差异很大说明体块逻辑不够清晰需要回去调整。这个做法听起来有点玄但实测下来对检验体块一致性很有帮助。三个方向里最终选了一个底层架空、上层悬挑、中间庭院的方案。理由是它既回应了滨水开放需求又通过悬挑形成了标志性同时庭院解决了狭长用地的采光问题。这个判断是 AI 做不出来的它需要综合场地、功能、规范和业主偏好。4.4 汇报材料的快速组装方案确定后汇报材料的组装也用 AI 加速。分析图用 Python 加 ECharts 生成效果图意向用之前生成的图像筛选整理汇报文本用大模型辅助润色。整个汇报文件从确定方案到完成大概花了半天时间。这里要提醒一点AI 生成的汇报文本不要直接使用。大模型写建筑描述容易堆砌形容词读起来空洞。我的做法是让 AI 生成初稿然后手动改写把具体的设计逻辑和数据加进去。比如“建筑与环境和谐共生”这种话要改成“底层架空 4.5 米形成连续滨水灰空间与河道步道衔接”。5. 常见问题与排查技巧实录5.1 生成图像千篇一律怎么办这是最常见的问题。原因通常是提示词太泛或者模型缺少建筑类训练。解决办法有三个第一提示词里加入具体的建筑类型和场地特征越具体越好第二使用建筑类 LoRA 模型这类模型在专业社区可以找到第三调整采样器和步数不同的采样器对建筑形体的表现差异很大。我自己的参数组合是采样器用 DPM 2M Karras步数 30CFG 缩放 7。这套参数在建筑体块生成上比较稳定。如果生成结果还是太雷同就换种子或者手动在草图里加入变化。5.2 生成结果不符合规范怎么办AI 不懂规范这是硬伤。我的处理方式是把规范要求转化成提示词里的负面词。比如防火间距不够就在负面词里加入“过近的建筑间距”采光不足就加入“封闭的立面”。但负面词只能减少问题不能根治。真正的规范核对还是要靠人。我一般会在方案前期就做一轮粗略的规范自查把明显违规的方向直接排除不浪费时间去深化。这个习惯是从一次惨痛教训来的曾经花了两天深化一个 AI 生成的漂亮方案结果发现消防车道进不去全部推翻。5.3 团队协作时如何统一 AI 输出风格团队里每个人用 AI 的习惯不同输出风格容易乱。我的做法是建立一套团队提示词模板和参数预设大家共用。模板里固定建筑类型、场地描述、视角和材质关键词只留体量和氛围部分让个人发挥。参数预设包括采样器、步数、CFG 和常用 LoRA 权重。另外团队共享一个种子库把好用的种子记录下来方便复现。这个做法看起来笨但实际用下来团队出图的一致性明显提升汇报时不会出现风格割裂的问题。5.4 常见问题速查表问题现象可能原因排查与解决生成图像与草图差异过大去噪强度过高降到 0.4 到 0.6 之间体块逻辑混乱提示词形体描述不清晰增加体量关系关键词权重立面开窗不符合规范AI 不懂规范加入负面词人工核对生成风格不统一参数和模型不一致建立团队预设和种子库平面功能无法落地AI 平面意向过于理想化回到 CAD 手动绘制分析图制作耗时手动绘制效率低用 Python 加 ECharts 脚本化汇报文本空洞大模型堆砌形容词手动改写加入具体数据项目信息泄露风险使用公开云端工具改用本地部署模型5.5 几个踩过的坑和独家技巧第一个坑是过度依赖 AI 出图。有段时间我几乎把所有体块推敲都交给 AI结果发现自己的空间判断力在退化。后来我强制自己每天至少手绘一张草图保持对尺度和比例的敏感。AI 是工具不能替代基本功。第二个坑是忽略数据安全。早期我用公开平台生成方案图后来意识到项目信息可能被用于训练赶紧换成本地部署。建筑项目涉及业主隐私和商业机密这一点不能马虎。第三个技巧是用 AI 做“反向提问”。把方案描述输入大模型让它扮演挑剔的评审提出十个可能被质疑的问题。这个做法能帮你提前发现方案漏洞汇报时更有底气。我试过几次AI 提出的问题虽然有些外行但确实能触发新的思考角度。第四个技巧是建立个人素材库。把每次生成的好图、好提示词、好种子分类存档时间长了就是一个可复用的资源库。我现在做新项目第一步就是翻素材库找参考比从零开始快得多。6. 协作搭档的边界与长期价值6.1 哪些环节适合 AI哪些必须人工经过一年多的实践我总结出一条清晰的边界信息整理、变体生成、氛围表达、图表制作这四类工作适合 AI功能布局、规范核对、结构选型、材料确定这四类必须人工。这条边界不是绝对的但大方向不会错。为什么功能布局必须人工因为功能布局涉及大量隐性知识比如医院手术室和供应室的关系、学校普通教室和专用教室的噪音干扰这些知识 AI 目前掌握得很浅。它生成的平面看起来合理实际使用会出问题。为什么氛围表达适合 AI因为氛围本质上是视觉和情绪的匹配AI 在这方面有天然优势。它能快速生成不同光影、材质、视角的组合帮你找到最接近构思的那一张。6.2 从工具到搭档心态的转变把 AI 当工具你会想着怎么用它替代人力把 AI 当搭档你会想着怎么和它配合。这个心态转变很重要。工具是冷的用完就放下搭档是有反馈的你给它输入它给你输出你再判断它再调整。这个循环本身就是设计过程的一部分。我现在的工作状态是早上到办公室先和 AI“聊”半小时把当天的设计任务拆解成提示词生成一批素材然后开始手动深化。下午再根据深化结果让 AI 生成新的变体验证方向。这种节奏比纯手动快也比纯 AI 稳。6.3 对建筑教育的一点观察带过几个实习生之后我发现一个现象会用 AI 的学生前期概念阶段明显更敢想因为他们知道快速可视化不是问题但到了深化阶段基本功不扎实的问题就暴露出来。AI 能帮你把想法画出来但不能帮你把想法想清楚。所以我的建议是建筑学的基本功不能丢。手绘、建模、规范、构造这些是根。AI 是叶根深才能叶茂。把 AI 当作协作搭档前提是你自己得是个合格的搭档。6.4 后续可以扩展的方向这套协作流程目前主要用在方案前期后续可以往两个方向扩展。一是和参数化设计结合用 AI 生成体块逻辑再用 Grasshopper 做精确控制实现从意向到模型的半自动衔接。二是和可视化大屏结合把方案数据和分析图表整合成可交互的汇报界面提升沟通效率。这两个方向我都在尝试目前还在摸索阶段。参数化结合的门槛在于提示词和参数之间的映射关系不好建立可视化大屏的门槛在于数据整理的工作量不小。但方向是明确的值得投入时间。最后分享一个我个人的体会AI 在建筑方案里最大的价值不是让你画得更快而是让你想得更多。以前因为表达成本高很多想法在脑子里就被否决了现在表达成本降下来更多可能性被释放出来。这个变化对设计本身是好事前提是你还保持着判断力。