1. 从一堆跑得通的Demo说起AICAD到底卡在哪过去一年多我陆陆续续接触过十几个号称AICAD的项目有做图纸识别的、有做参数化生成的、有做自然语言建模的Demo演示的时候一个比一个惊艳——上传一张DWG几秒钟吐出结构化数据说一句帮我画个法兰盘模型自动生成。但真正要往工程里塞的时候几乎全部卡住。这个现象不是个例而是当前这个赛道最真实的写照。我自己是做机械设计和工业软件集成出身的后来因为项目需要硬着头皮啃了OpenCASCADE、FreeCAD的源码也写过不少基于DXF/DWG的批处理脚本。这几年AI大模型火了之后我一直在尝试把两者接起来。踩过的坑多了慢慢就看清了一件事AICAD的难点从来不在AI本身而在CAD这一侧的工程语义根本无法被AI直接消化。这篇文章想聊的就是这个。不是唱衰也不是画饼而是把我在实际落地过程中看到的真实障碍、尝试过的绕行方案、以及目前能跑通的最小闭环原原本本讲清楚。如果你正在做AICAD相关的产品、研究或者内部工具或者你是个CAD工程师想知道AI到底能不能帮上忙这篇内容应该能帮你少走几个月弯路。核心关键词会贯穿全文AI、CAD、DXF、DWG、FreeCAD。这几个词看起来简单但它们之间的鸿沟比大多数人想象的要深得多。2. Demo与工程之间的三道鸿沟2.1 第一道鸿沟图纸不是数据是意图的化石很多人对CAD图纸有个根本性误解觉得DWG文件就是一堆线段、圆弧、标注的集合只要解析出来就能喂给AI。这个理解在几何层面没错但在工程层面完全错了。一张工程图纸承载的信息分三层几何层线、圆、弧、样条曲线这些是DXF/DWG里能直接读到的实体。语义层这条线是中心线还是轮廓线这个尺寸是配合尺寸还是参考尺寸这个剖面图对应的是哪个视图意图层设计者为什么这么画这个倒角是为了装配还是为了加工这个公差是基于什么工况定的AI模型能轻松处理第一层勉强能猜第二层但第三层几乎无能为力。而工程落地要的恰恰是第三层。我举个实际例子。之前做过一个项目要从一批DWG图纸里提取零件的加工特征。用OpenCASCADE读取几何没问题但读出来的就是一堆B-Rep实体。你问AI这个零件怎么加工它只能根据几何形状瞎猜。实际上图纸里明明有粗糙度标注、有公差带、有技术要求文字但这些信息散落在不同的图层、不同的块引用、不同的标注样式里AI根本不知道哪些信息是关联的。这就是为什么Demo里识别图纸看起来很准一到实际工程就废掉——Demo用的是精心挑选的、干净的、标准化的图纸而工程里的图纸是十年二十年积累下来的图层命名混乱、块引用嵌套七八层、标注样式五花八门。2.2 第二道鸿沟DXF/DWG的方言问题DXF格式看起来是个标准实际上各家CAD软件导出的DXF都有自己的方言。AutoCAD的DXF、中望CAD的DXF、FreeCAD导出的DXF甚至同一款软件不同版本导出的DXF在实体组织方式、图层命名规则、扩展数据XDATA的使用上都有差异。我做过一个统计手头200多张来自不同来源的DWG图纸用同一套解析脚本处理能完整读出来的不到60%。剩下的要么是块引用解析出错要么是标注信息丢失要么是自定义实体比如AutoCAD的ACAD_PROXY_ENTITY根本读不了。更麻烦的是DWG格式。DWG是闭源二进制格式虽然有Open Design Alliance这样的组织在做逆向但版本兼容性一直是个大问题。你用一个库能读R14的DWG换到2018版本可能就出问题。而工程现场最常遇到的情况就是甲方给的是各种版本的DWG你还不能要求他们转格式。2.3 第三道鸿沟AI的幻觉在工程里是致命的在聊天场景里AI说错一句话无所谓用户笑一笑就过去了。但在CAD工程场景里AI生成一个错误的尺寸、一个不合理的结构可能导致整个零件报废、整条产线停工。我见过一个案例某团队用大模型做自然语言转CAD参数Demo里输入画一个直径100mm、厚10mm的法兰盘模型输出了正确的参数。但实际使用时工程师输入画一个DN100的法兰盘模型就懵了——它不知道DN100对应的实际外径、螺栓孔数量、密封面形式都是有标准规定的不是随便定的。这种看起来对、实际错的输出在工程里比明显的错误更危险。因为工程师可能不会逐项检查直接就拿去用了。3. 拆解一条DWG图纸从文件到AI可理解的全链路3.1 读取环节为什么OpenCASCADE不是万能钥匙很多人一提到CAD几何处理就想到OpenCASCADE。确实OpenCASCADE在B-Rep建模、几何运算方面非常强大FreeCAD的底层就是它。但用它来读DWG其实是个绕路方案。OpenCASCADE原生支持的是STEP、IGES这些中性格式对DXF的支持是通过一个相对独立的模块对DWG则基本没有原生支持。实际工程中的常见做法是用ODAOpen Design Alliance的库或者Teigha把DWG转成DXF用ezdxf或者类似库解析DXF把解析出来的几何数据转成OpenCASCADE能识别的TopoDS_Shape在OpenCASCADE里做后续的几何运算。这条链路每一步都有信息损失。DWG转DXF可能丢扩展数据DXF解析可能丢块属性转TopoDS可能丢图层信息。等你拿到一个干净的几何体时原始图纸里的工程语义已经丢得差不多了。我自己的做法是分层处理几何信息走OpenCASCADE非几何信息图层、标注、文字、块属性单独用ezdxf提取最后在应用层做关联。这样虽然麻烦但至少不会把有用的信息丢掉。import ezdxf from OCC.Core.STEPControl import STEPControl_Reader # 用ezdxf提取非几何信息 doc ezdxf.readfile(part.dxf) msp doc.modelspace() # 提取所有文字标注 texts [] for entity in msp.query(TEXT MTEXT): texts.append({ layer: entity.dxf.layer, content: entity.dxf.text if entity.dxftype() TEXT else entity.text, position: entity.dxf.insert }) # 提取图层信息 layers {layer.dxf.name: layer.dxf.color for layer in doc.layers}这段代码看起来简单但实际跑起来你会发现很多图纸的文字是放在块引用里的直接query TEXT是查不到的得递归遍历INSERT实体。而且有些文字是属性定义ATTDEF转成的属性ATTRIB处理方式又不一样。3.2 解析环节图层命名里的潜规则图层是CAD图纸里最重要的语义载体之一。一个规范的图纸图层命名应该能反映实体类型轮廓线、中心线、标注、文字、剖面线各占一层。但实际工程图纸里图层命名是这样的0层里塞了一半的实体图层1、图层2、新建图层DIM、标注、尺寸线混用有些设计院有自己的标准但标准文档早就找不到了我试过用规则引擎去猜图层含义准确率大概70%。后来换成用AI做分类把图层名、颜色、线型、实体类型作为特征准确率能到85%左右。但剩下的15%还是得人工确认。这里有个经验不要试图100%自动化留一个人工确认的环节反而整体效率更高。因为工程师花5分钟确认一下比AI猜错了导致后面全错要划算得多。3.3 语义重建从几何到特征的鸿沟这是整条链路里最难的一步。你从DXF里读出来一堆线段和圆弧怎么知道它们构成了一个孔、一个槽、还是一个台阶学术界有很多特征识别的方法基于规则、基于图匹配、基于机器学习都有。但工业界实际能用的不多因为特征定义因行业而异。机械行业的孔和建筑行业的孔完全不是一回事。同一个几何形状可能对应不同的特征。一个圆柱面可能是孔也可能是轴取决于它是材料去除还是材料添加。特征之间有关联。一个螺纹孔包含底孔、螺纹、倒角这些在几何上是分开的但语义上是一个整体。我目前看到比较靠谱的做法是混合方案用规则处理标准特征比如通孔、盲孔、螺纹孔用AI处理非标准特征最后用人工兜底。纯AI方案在Demo里好看工程里不实用。4. FreeCAD在AICAD链路里的真实定位4.1 FreeCAD能做什么不能做什么FreeCAD是个好东西开源、免费、可扩展Python脚本能力很强。但它在AICAD链路里的定位需要搞清楚。FreeCAD能做的作为几何处理引擎通过Python API做参数化建模作为格式转换中间层读写STEP、IGES、DXF等格式作为验证工具把AI生成的参数转成实际模型看效果作为二次开发平台用Python写自定义工作台FreeCAD不能做的直接读DWG需要先转DXF而且转换质量不稳定处理大型装配体性能是硬伤替代商业CAD做生产级出图我自己的用法是把FreeCAD当成一个几何沙盒。AI生成的参数先扔进FreeCAD里跑一遍看看能不能生成合理的几何体能生成再往商业CAD里导。这样即使AI出错也不会污染正式的设计文件。4.2 用FreeCAD做AI输出的几何校验层这个思路我觉得挺有价值展开说一下。AI模型输出参数后不要直接信任。写一个FreeCAD脚本把参数转成几何体然后做几项检查几何有效性检查生成的实体是不是有效的Solid有没有自相交尺寸合理性检查关键尺寸是不是在合理范围内装配干涉检查如果是装配体零件之间有没有干涉import FreeCAD import Part def validate_ai_output(params): 用FreeCAD校验AI生成的参数 try: # 根据参数生成几何体 cylinder Part.makeCylinder( params[radius], params[height] ) # 检查几何有效性 if not cylinder.isValid(): return {valid: False, reason: 几何体无效} # 检查尺寸范围 if params[radius] 0 or params[height] 0: return {valid: False, reason: 尺寸非正} # 检查体积是否合理 volume cylinder.Volume if volume 1e6: # 假设1立方米是上限 return {valid: False, reason: 体积异常} return {valid: True, volume: volume} except Exception as e: return {valid: False, reason: str(e)}这层校验不能保证AI输出100%正确但能过滤掉大部分明显错误。在实际项目里这一层帮我们拦掉了大约30%的AI错误输出。4.3 FreeCAD脚本化的坑版本兼容与API变动FreeCAD的Python API在不同版本之间变动挺大的。0.18、0.19、0.20、0.21这几个版本Part模块的API就有不少差异。如果你写的脚本要分发给别人用最好锁定版本或者在脚本里做版本判断。另外FreeCAD的文档相对分散很多API得看源码才知道怎么用。我的习惯是遇到不确定的API直接在FreeCAD的Python控制台里试试通了再写进脚本。5. 那些真正跑通的场景长什么样5.1 场景一批量图纸的标准化预处理这是目前我觉得最成熟、最容易落地的场景。不涉及AI生成只用AI做识别和分类。具体做什么批量读取DWG/DXF图纸识别图纸类型零件图、装配图、工艺图提取标题栏信息图号、名称、材料、比例按规则重命名文件、归档这个场景为什么能跑通因为容错率高。AI识别错了人工改一下就行不会造成严重后果。而且这个场景的需求量大几乎每个制造企业都有这个痛点。我用ezdxf 一个微调过的分类模型做过这个处理1000张图纸标题栏信息提取准确率能到90%以上剩下的10%人工复核。整体效率比纯人工提升大概5倍。5.2 场景二基于历史图纸的参数推荐这个场景稍微进阶一点。企业积累了大量历史图纸新设计时可以参考。传统做法是人工翻图纸效率很低。用AI的做法把历史图纸的几何特征和参数提取出来建成数据库新设计时输入需求描述AI检索相似的历史设计推荐参考参数工程师在此基础上修改这个场景的关键是检索质量。我试过用几何特征做检索也试过用图纸标题和描述做检索效果都不错。但要注意推荐结果必须标注来源让工程师知道这个参数是从哪张图纸来的方便追溯。5.3 场景三自然语言驱动的参数化建模受限场景这个场景Demo最多但落地最难。我的建议是把范围缩到足够小。比如只做标准件生成螺栓、螺母、垫圈、法兰这些有国家标准的零件。用户输入规格AI解析成参数FreeCAD生成模型。这个场景能跑通因为标准件的参数空间是有限的、明确的。但如果你想让AI做任意零件的自然语言建模目前基本不现实。不是AI不够强而是自然语言本身的歧义性太大工程语义又太精确两者很难对齐。6. 落地路上最容易踩的五个坑6.1 坑一低估图纸的脏乱差程度做Demo时用的图纸都是精心准备的图层清晰、标注规范。一到实际项目拿到的图纸能让你怀疑人生。我的建议在项目开始前先随机抽100张实际图纸做评估。看看图层命名有多乱、块引用有多深、标注有多不规范。这个评估结果直接决定你的技术方案能做到什么程度。6.2 坑二把AI当万能钥匙AI能做的事很多但不是所有事都该用AI做。图层分类可以用规则AI混合几何运算老老实实用OpenCASCADE格式转换用专门的库。不要为了AI而AI。我见过一个团队非要用大模型做DXF解析结果准确率还不如ezdxf。这就是典型的用错工具。6.3 坑三忽视DWG的版本问题DWG有R12、R14、2000、2004、2007、2010、2013、2018等多个版本。不同版本的二进制结构差异很大。如果你的工具只支持某几个版本一定要在文档里写清楚并且提供一个版本检测和提示功能。6.4 坑四没有人工复核环节纯自动化的AICAD方案目前我还没见过能稳定跑通的。一定要设计人工复核环节而且要让复核变得简单高效。比如AI提取的信息用高亮的方式在图纸上标出来工程师一眼就能看出对不对。6.5 坑五忽略性能问题一张复杂的装配图可能有几万个实体。用Python逐实体处理速度会慢到无法接受。该用C的地方就用C该做并行就做并行该缓存就缓存。工程场景对性能的要求比Demo高得多。7. 给不同角色的实操建议7.1 如果你是CAD工程师不要等着AI来替代你而是主动去用AI工具。从最简单的场景开始用AI帮你整理图纸、提取信息、做重复性工作。你比AI更懂工程你的价值在于判断AI输出对不对。学一点Python学一点ezdxf或者FreeCAD的脚本。不需要学到能开发软件的程度能写个批处理脚本就够了。这个技能在未来的CAD工作里会越来越重要。7.2 如果你是AI开发者不要只盯着模型效果多去现场看看工程师怎么用CAD。你会发现很多你以为的问题不是问题很多你没想到的问题才是真问题。学一点CAD基础知识知道DXF和DWG的区别知道图层、块、标注是什么。这些知识不需要很深但能让你和工程师沟通顺畅很多。7.3 如果你是产品经理不要被Demo迷惑。评估一个AICAD方案不要看它演示时多流畅要看它在真实图纸上的表现。要求提供真实场景的测试报告要求有明确的人工复核流程要求有失败案例的处理方案。8. 我目前跑通的最小闭环说了这么多问题最后分享一下我目前实际在用的方案。不完美但能跑通。整体架构是输入层DWG/DXF图纸先做版本检测和格式转换解析层ezdxf提取几何和非几何信息OpenCASCADE做几何运算AI层用微调过的小模型做分类和提取不用大模型做生成校验层FreeCAD做几何校验规则引擎做逻辑校验输出层结构化数据 人工复核界面这个方案处理一张普通零件图从输入到输出大概30秒人工复核1-2分钟。比纯人工处理快3-5倍而且质量更稳定。关键设计原则就一条AI做它擅长的识别、分类、检索传统方法做它擅长的几何运算、格式转换、规则校验人工做只有人能做的最终判断。这个原则听起来简单但实际执行时很容易走偏。因为AI太火了大家都想多用一点。但工程落地不是比谁用的AI多是比谁能稳定解决问题。我在实际项目里最大的体会是AICAD的落地技术只占30%剩下70%是对工程场景的理解和对工作流程的重构。你把工程师的工作流程摸透了知道哪个环节最耗时、哪个环节最容易出错、哪个环节最需要辅助然后针对性地用AI去解决成功率会高很多。反过来如果你只是拿着一个AI模型去找场景大概率会碰壁。另外一个小技巧从辅助而不是替代的角度切入。不要想着让AI自动完成整个设计流程而是让AI帮工程师省掉某个具体环节的重复劳动。这样即使AI只做到70分工程师补上剩下的30分整体效率还是提升的。而且工程师的接受度会高很多因为他们感觉到的是AI帮我干活而不是AI要抢我饭碗。这个方向还在快速演进今天跑不通的场景可能半年后就有新方案了。但底层的逻辑不会变工程场景要的是可靠、可追溯、可复核而不是炫酷。谁能把这三件事做好谁就能真正落地。