1. 2026年的AI CAD到底走到哪一步了先抛一个我自己的观察过去一年半我陆续在三个不同规模的团队里参与过Text-to-CAD相关工具的选型和落地测试从最初抱着输入一句话就能出图的幻想到现在能比较冷静地判断哪些环节它真能帮上忙、哪些环节它纯粹是给你添乱中间踩的坑足够写一本小册子。Text-to-CAD这个概念本身不新鲜但2026年这个时间节点之所以值得单独拿出来聊是因为它终于从演示视频里很惊艳过渡到了工程工作流里到底能不能用这个更残酷的问题上。这篇文章想解决的问题很具体如果你是一个机械设计工程师、结构工程师、工业设计师或者是一个需要频繁出CAD图纸的小团队负责人你想知道Text-to-CAD现在能不能接进你现有的工作流能接的话接在哪一环不能接的话卡在哪里以及那些已经把它用起来的人到底是怎么用的。我不会给你画大饼也不会一棍子打死我会把我在实际项目中看到的真实情况拆开来讲。适合谁看如果你完全没接触过CAD这篇文章可能对你偏硬核但里面关于AI生成的东西为什么不能直接用于生产的逻辑对任何做设计相关工作的人都有参考价值。如果你已经在用中望CAD、AutoCAD或者SolidWorks这类工具并且对AI辅助设计有好奇那这篇就是写给你的。我会尽量少用术语堆砌多用实际场景来说明问题。核心关键词先摆出来Text-to-CAD、AI CAD、工程工作流、CAD、3D。这几个词贯穿全文后面每个章节都会围绕它们展开不会跑偏。2. Text-to-CAD的技术底座到底是怎么回事2.1 从文字到三维模型中间隔了几道墙很多人对Text-to-CAD的理解停留在我打字它出图这个层面但实际的技术链路要复杂得多。你输入的那句一个带四个安装孔的方形法兰盘中心有通孔在系统内部要经过至少四个阶段的处理语义解析、几何推理、参数化建模、格式转换。每一道墙都可能让最终结果偏离你的预期。语义解析这一步本质上是一个自然语言处理任务。系统需要从你的描述里提取出实体类型法兰盘、特征安装孔、通孔、数量四个、空间关系中心、四角分布以及隐含的尺寸约束。这里最大的坑是工程语言的模糊性。你说大一点多大算大你说厚实一些厚度是多少人类工程师之间沟通都会因为这种模糊性反复确认何况是机器。几何推理是第二道墙也是目前AI CAD最薄弱的环节之一。大语言模型在文本任务上表现很好但三维几何的推理需要的是空间逻辑能力这跟语言能力是两套不同的东西。一个模型可以写出漂亮的Python代码来生成一个立方体但它不一定能理解这个孔的位置不能跟那条加强筋干涉这种工程约束。2026年的一些方案开始引入约束求解器来辅助几何推理但距离人类工程师的直觉判断还有明显差距。参数化建模是第三道墙。Text-to-CAD生成的模型如果是直接建模direct modeling产生的网格或实体后续修改会非常痛苦。真正对工程工作流有价值的是参数化特征树也就是说你生成的模型应该像你在SolidWorks或中望3D里手动建模一样有一个可以回溯、可以修改参数的特征历史。目前能做到这一点的Text-to-CAD工具不多大部分还是输出死的几何体。格式转换是最后一道墙也是实际工作中最容易被忽视但最影响效率的环节。AI生成的模型通常以网格格式如STL、OBJ或中间格式如STEP、IGES输出。如果你后续要做有限元分析、数控加工编程或者3D打印切片不同格式的兼容性和精度损失是需要提前考虑的。我见过太多案例是模型看起来没问题一导入CAM软件就报错原因就是格式转换时曲面精度丢失了。2.2 为什么2026年这个时间点特别关键2024年的时候Text-to-CAD还基本停留在研究项目和创业公司的Demo阶段。2025年开始一些主流CAD厂商开始把AI功能集成到自己的产品里比如中望CAD在2025年下半年的版本中加入了基于文本的草图生成功能AutoCAD也推出了类似的实验性功能。到了2026年这个领域已经出现了明显的分化一类是通用型Text-to-CAD工具试图用一个大模型解决所有问题另一类是垂直场景的AI CAD助手专注于某个特定环节比如自动生成标准件、自动标注尺寸、自动检查干涉。这个分化本身就是一个信号通用型方案在工程场景下遇到了瓶颈而垂直型方案因为约束更明确、验证更容易反而更快地进入了实际工作流。我在一个做非标自动化设备的团队里看到的情况就很典型他们用AI工具来生成传送带支架的标准结构因为这类结构的参数空间相对有限AI生成的准确率能到八成以上工程师只需要做微调。但让他们用同样的工具去设计一个全新的机械臂关节基本不可用因为创新性的结构设计需要大量的工程判断和迭代这不是当前AI能替代的。还有一个关键变化是3D网页渲染技术的成熟。2026年很多Text-to-CAD工具已经支持在浏览器里直接预览和轻量编辑生成的模型不需要安装厚重的桌面软件。这对于快速验证想法很有帮助但要注意网页端的渲染和编辑能力通常远弱于桌面端适合做概念验证不适合做详细设计。2.3 当前主流技术路线的优劣对比目前市面上能见到的Text-to-CAD方案大致可以分成三条技术路线每条路线都有自己的拥趸和适用场景。第一条是基于代码生成的路线。你输入文字描述AI生成一段建模脚本通常是Python调用CadQuery、OpenSCAD这类库然后执行脚本得到3D模型。这条路线的好处是可追溯、可修改你拿到脚本之后可以自己改参数、加逻辑非常适合需要批量生成相似结构的场景。缺点是学习门槛高工程师得懂一点编程而且脚本的调试本身就需要时间。我实测下来这条路线在生成规则几何体如支架、法兰、齿轮毛坯时表现最好但遇到自由曲面就基本歇菜。第二条是基于直接几何生成的路线。AI直接输出网格或实体模型不经过代码层。这条路线对用户最友好输入文字就能看到3D结果适合快速概念验证。但问题也很明显生成的模型往往是死的修改困难而且几何质量参差不齐经常出现自相交、法线翻转、薄壁过薄等问题。我见过一个案例AI生成的一个外壳模型壁厚只有0.3毫米3D打印出来一捏就碎但软件里看起来完全正常。第三条是混合路线也是我个人最看好的方向。系统先用AI理解你的意图生成一个参数化的骨架然后调用CAD内核如Parasolid、ACIS来生成精确的B-rep实体。这样既有AI的灵活性又有传统CAD的精度和可编辑性。2026年的一些新产品开始走这条路但成熟度还参差不齐有的只是在传统CAD上套了一个自然语言输入框本质上还是关键词匹配谈不上真正的语义理解。技术路线优势劣势适用场景代码生成可追溯、可批量、参数化门槛高、自由曲面弱标准件、规则结构批量生成直接几何生成上手快、直观不可编辑、质量不稳定概念验证、快速示意混合路线兼顾灵活与精度成熟度低、依赖CAD内核有精度要求的工程场景3. 把Text-to-CAD接进工程工作流的真实操作3.1 先搞清楚你的工作流里哪一环最值得接很多团队一上来就想让AI包办从需求到出图的全流程结果必然是失望。我的经验是先找到工作流里最耗时、最重复、最不需要创造力的那一环把AI塞进去成功率最高。以我参与过的一个非标设备设计项目为例他们的工作流大致是客户需求→方案草图→详细设计→出工程图→加工制造。其中详细设计环节里有大量时间花在画标准件上——螺栓、螺母、垫圈、轴承座、法兰盘这些东西结构固定只是尺寸不同。以前是工程师从库里调或者手动画现在用Text-to-CAD工具输入M8内六角螺栓长度30毫米强度等级12.9几秒钟就能生成一个参数化模型而且可以批量生成不同规格的系列。这一环的提效是实实在在的工程师可以把省下来的时间用在真正需要思考的结构设计上。另一个值得接入的环节是概念方案的快速可视化。以前跟客户沟通方案要么用文字描述客户听不懂要么花半天时间建一个粗略模型成本太高。现在用Text-to-CAD输入一个长宽高约2米乘1米乘1.5米的设备机架四面有可拆卸面板顶部有吊装环几分钟就能出一个示意模型虽然细节不能看但用来跟客户确认大致形态足够了。这里的关键是不要追求精度追求速度把AI当成一个快速草图工具来用。最不值得接入的环节是创新性结构设计和最终工程图出图。前者需要大量的工程判断和迭代AI目前给不了有价值的建议后者涉及尺寸公差、形位公差、表面粗糙度、材料热处理要求等大量工程语义AI生成的标注往往不符合制图规范改起来比自己画还费劲。3.2 实操用Text-to-CAD生成一个可用的法兰盘模型下面我以一个具体的例子来演示整个流程。假设你需要一个DN50的法兰盘带四个M12螺栓孔中心通孔直径50毫米外径165毫米厚度20毫米。这个需求在管道工程里非常常见用Text-to-CAD来生成是一个很好的练手项目。第一步写清楚你的描述。不要只写一个法兰盘要尽可能把关键参数都写进去。我的经验是描述里应该包含零件类型、关键尺寸、特征列表、材料可选、特殊要求可选。比如生成一个圆形法兰盘外径165毫米中心通孔直径50毫米厚度20毫米在直径125毫米的圆周上均匀分布四个直径12毫米的螺栓孔材料为碳钢。第二步选择输出格式。如果你后续要在中望3D或SolidWorks里继续编辑选STEP格式如果只是要3D打印看效果选STL如果要做渲染选OBJ。这里有个坑有些工具默认输出STL但STL是网格格式导入CAD软件后无法直接编辑特征只能当参考体。所以如果你要后续编辑一定要选STEP或IGES。第三步检查生成的模型。不要拿到模型就直接用至少检查以下几点尺寸是否准确用测量工具量一下外径、孔径、孔位、几何是否有效有没有破面、自相交、特征是否完整四个孔是不是都在有没有漏掉倒角。我遇到过AI生成的模型孔的数量对了但位置偏了原因是描述里均匀分布被理解成了随机分布后来改成在直径125毫米圆周上等角度分布就对了。第四步后处理和验证。如果模型基本可用导入CAD软件做微调。如果是用于实际加工还需要做干涉检查和强度校核。这里要特别提醒AI生成的模型通常没有考虑加工工艺性比如孔的位置可能太靠近边缘导致壁厚不足或者没有留倒角导致装配困难。这些都需要工程师根据经验来判断和修改。# 以CadQuery为例一个法兰盘的参数化建模脚本 import cadquery as cq # 参数定义 outer_dia 165.0 center_hole_dia 50.0 thickness 20.0 bolt_circle_dia 125.0 bolt_hole_dia 12.0 bolt_count 4 # 建模 result ( cq.Workplane(XY) .circle(outer_dia / 2) .extrude(thickness) .faces(Z) .workplane() .hole(center_hole_dia) .faces(Z) .workplane() .polarArray(bolt_circle_dia / 2, 0, 360, bolt_count) .hole(bolt_hole_dia) ) # 导出 cq.exporters.export(result, flange.step)这段代码是我根据常见实践整理的不是某个特定工具的输出但逻辑是通用的。你可以看到参数化建模的好处是改一个参数比如把螺栓孔数量从4改成6重新执行脚本就行不需要重新建模。这也是为什么我倾向于推荐代码生成路线给需要批量出图的团队。3.3 参数选择与计算以法兰盘为例上面那个法兰盘的尺寸不是随便定的背后有工程依据。这里展开说一下因为很多新手用Text-to-CAD的时候描述里给的尺寸是拍脑袋想的生成出来的东西不能用。外径165毫米这个尺寸对应的是DN50管道法兰的常见标准。管道法兰的外径通常由管道直径和法兰压力等级决定。对于PN16等级的DN50法兰标准外径就是165毫米。如果你不确定查一下相关标准或者问一下管道工程师不要自己随便定。螺栓孔分布圆直径125毫米这个尺寸的确定要考虑两个因素。一是螺栓孔不能太靠近法兰边缘否则边缘强度不够二是螺栓孔不能太靠近中心通孔否则密封面宽度不足。通常螺栓孔中心到法兰边缘的距离不小于螺栓孔直径的1.5倍到中心孔边缘的距离不小于密封面所需宽度。125毫米这个值算下来孔边缘到法兰外缘的距离是(165-125)/2 - 6 14毫米大约是螺栓孔直径的1.17倍偏小但可接受到中心孔边缘的距离是(125-50)/2 - 6 31.5毫米足够。厚度20毫米法兰厚度主要取决于压力等级和管道直径。PN16的DN50法兰标准厚度通常在18到20毫米之间。如果压力等级更高厚度要相应增加。这个参数如果给错了法兰的强度可能不够会有安全隐患。螺栓孔直径12毫米对应M12螺栓。螺栓孔的直径通常比螺栓公称直径大1到2毫米留出装配间隙。M12螺栓配12毫米孔偏紧配13或14毫米孔更常见。我写12毫米是为了演示实际使用时建议查一下机械设计手册。这些计算过程看起来繁琐但如果你经常用Text-to-CAD生成标准件可以做一个参数表把常用规格的尺寸都列好生成的时候直接查表效率会高很多。这也是我建议把AI生成和参数化脚本结合的原因——AI负责理解你的意图脚本负责保证尺寸的准确性。4. 实际落地中绕不开的那些坑4.1 几何质量问题看起来能用一用就废Text-to-CAD生成的模型最常见的几何问题有这么几类。第一类是薄壁问题AI倾向于生成看起来很精致的薄壁结构但工程上薄壁意味着强度不足和加工困难。我见过一个AI生成的支架模型壁厚只有0.8毫米在软件里旋转查看一切正常但3D打印出来一受力就断了。后来我们定了一个规矩AI生成的模型所有壁厚必须人工检查低于2毫米的都要重新评估。第二类是自相交和破面。这个问题在自由曲面较多的模型中特别常见。AI生成的曲面有时会出现自相交也就是曲面自己穿过自己这在数学上是不合法的会导致后续的布尔运算失败、网格划分报错。检查的方法是在CAD软件里做一次实体有效性检查如果软件提示无效实体或者存在自相交面就需要修复。修复的方法通常是重新生成或者手动重建问题区域。第三类是法线方向错误。这个问题在网格格式STL、OBJ中特别常见表现为模型看起来正常但渲染时有些面是黑的或者3D打印切片时出现奇怪的孔洞。原因是三角面片的法线方向不一致有的朝外有的朝内。修复方法是使用网格修复工具如MeshLab、Netfabb统一法线方向。注意不要假设AI生成的模型是干净的。每次拿到模型先做一次几何有效性检查这一步花不了几分钟但能避免后面大量的返工。4.2 语义理解的偏差你说的和它理解的不是一回事这是Text-to-CAD目前最大的痛点也是我认为短期内最难彻底解决的问题。工程语言里充满了隐含约束和行业惯例这些东西人类工程师之间沟通不需要明说但AI不知道。举个例子你说一个带加强筋的板人类工程师会默认加强筋的厚度跟板厚相关通常不会比板厚还薄而且加强筋的布置要考虑受力方向。但AI可能生成一个加强筋厚度只有板厚三分之一的模型因为它觉得这样看起来更精致。再比如你说一个可拆卸的盖板人类工程师会想到需要螺钉孔、定位销孔、拆卸用的工艺槽但AI可能只生成一个光板因为它只理解了盖板这个名词没有理解可拆卸这个功能要求背后的结构含义。解决这个问题的办法目前来看只有把描述写得足够详细。我的经验是描述里应该包含功能要求这个零件是干什么用的、约束条件安装空间、受力方向、工作温度、工艺要求加工方式、材料、表面处理、接口要求跟哪些零件配合、用什么紧固件。写得越详细AI理解偏差的概率越小。但这也带来一个问题写这么详细的描述本身就需要时间如果描述的时间比手动建模还长那AI的价值就大打折扣了。所以我的建议是只把Text-to-CAD用在那些描述成本低、生成收益高的场景。比如标准件生成描述可以模板化写一次之后改几个参数就行比如概念方案描述可以粗略因为不需要精确。对于那些描述起来很复杂、需要大量工程判断的零件还是手动建模更靠谱。4.3 与现有CAD系统的集成问题Text-to-CAD工具生成的模型要进入工程工作流通常需要导入到现有的CAD系统里。这个导入过程看似简单实际上有很多坑。第一个坑是坐标系不一致。AI生成的模型坐标系原点可能在几何中心也可能在某个角点还可能随机。导入到CAD系统后如果你要做装配坐标系不对齐会导致零件位置错乱。解决办法是导入后先检查坐标系必要时手动调整。第二个坑是单位制不一致。有的工具默认输出毫米有的默认输出米还有的默认输出英寸。导入时如果不注意会出现模型放大或缩小1000倍的情况。我见过一个案例AI生成的模型导入后变成了原来的千分之一小到看不见排查了半天才发现是单位问题。第三个坑是特征树丢失。前面提到过如果AI输出的是STEP格式的B-rep实体导入CAD系统后通常没有特征树只有一个导入的实体。这意味着你无法回溯修改特征只能在这个实体上做新的操作。对于需要频繁修改的设计这是很大的限制。解决办法是尽量选择支持参数化输出的工具或者在导入后手动重建关键特征。第四个坑是版本兼容性。不同CAD软件对STEP、IGES等中间格式的支持程度不同高版本软件生成的文件在低版本软件里可能打不开或者打开后丢失数据。如果团队里用的CAD软件版本不统一这个问题会特别突出。我的建议是导出时选择中性格式如STEP AP214并且尽量用较低的版本号兼容性会好一些。常见问题表现排查方法解决手段单位不一致模型过大或过小测量已知尺寸导入时指定单位或缩放坐标系偏移装配时位置错乱检查原点位置手动移动或重新定义坐标系特征树丢失无法修改特征查看模型树重建关键特征或换工具格式不兼容打不开或数据丢失换格式测试用中性格式低版本导出4.4 成本和效率的真实账很多团队在评估Text-to-CAD的时候只算了软件订阅的费用没有算学习成本和纠错成本。我参与过一个团队的评估他们买了一个Text-to-CAD工具的团队版一年费用不低但用了三个月之后发现工程师花在写描述、检查模型、修复问题上的时间比手动建模省下来的时间还多。最后这个工具被降级为偶尔用来做概念示意。这不是说Text-to-CAD没有价值而是说它的价值高度依赖于使用场景。在标准件生成、概念示意、批量出图这些场景下它的效率优势是明显的。但在复杂零件设计、精密装配、工程图出图这些场景下它目前还替代不了人工。我的建议是在正式采购之前先做一个小范围试点。选一个具体的、重复性高的任务让一两个工程师用Text-to-CAD做一周记录实际耗时和产出质量跟手动方式做对比。如果效率提升超过30%而且质量可接受再考虑扩大使用范围。如果效率提升不明显或者质量需要大量返工那就再等等这个领域变化很快明年可能会有更适合你的方案。5. 几个我实际踩过的坑和对应的解法5.1 描述里的陷阱词有些词在工程语境下有特定含义但AI不一定知道。我整理了几个我踩过的坑。对称你说左右对称AI可能理解成几何对称但工程上的对称往往还涉及受力对称、工艺对称。比如一个对称的支架如果两侧的安装面加工精度不同实际上是不对称的。AI生成的对称模型可能没有考虑这些工程细节。标准你说标准法兰AI可能不知道你指的是哪个标准。国标、美标、德标、日标尺寸都不一样。必须明确说GB/T 9119 PN16 DN50这样的具体标准号AI才能生成正确的尺寸。轻量化这是一个典型的工程模糊词。轻量化可以是通过减薄壁厚、开减重孔、用拓扑优化、换材料等方式实现AI可能选择最激进的方式生成一个强度不够的模型。我的做法是把轻量化的具体要求写清楚比如在保证安全系数2.0的前提下通过开减重孔减轻重量。美观这个词对AI来说几乎无意义。什么是美观圆角多大算美观表面处理用什么算美观如果描述里有美观这个词建议删掉换成具体的工程要求。5.2 批量生成时的参数管理如果你要用Text-to-CAD批量生成一系列零件参数管理是一个容易被忽视但很重要的问题。我见过一个团队用AI生成了200多个不同规格的支架结果发现其中有几十个的孔位参数搞错了原因是他们在描述里手动改参数的时候改漏了几个。我的做法是把参数从描述里抽出来做成表格或配置文件然后用脚本批量生成。这样参数只维护一份改一处就全改了不会漏。具体来说可以用CSV文件存参数用Python脚本读取CSV循环调用Text-to-CAD的API或者生成建模脚本。这样既利用了AI的理解能力又保证了参数的一致性。# 批量生成法兰盘的示例 import csv import cadquery as cq def generate_flange(params): outer_dia float(params[outer_dia]) center_hole_dia float(params[center_hole_dia]) thickness float(params[thickness]) bolt_circle_dia float(params[bolt_circle_dia]) bolt_hole_dia float(params[bolt_hole_dia]) bolt_count int(params[bolt_count]) result ( cq.Workplane(XY) .circle(outer_dia / 2) .extrude(thickness) .faces(Z).workplane().hole(center_hole_dia) .faces(Z).workplane() .polarArray(bolt_circle_dia / 2, 0, 360, bolt_count) .hole(bolt_hole_dia) ) return result with open(flange_params.csv, r) as f: reader csv.DictReader(f) for row in reader: model generate_flange(row) cq.exporters.export(model, fflange_{row[id]}.step)这段代码的关键在于参数和逻辑分离。参数在CSV里逻辑在脚本里AI负责生成脚本的框架你负责维护参数表。这样即使AI生成的脚本有小问题你改一次脚本所有零件都受益。5.3 版本管理和追溯用AI生成的模型版本管理比手动建模更重要因为AI的输出有时候不太稳定同样的描述今天生成的和明天生成的可能有细微差别。如果不做版本管理出了问题很难追溯。我的做法是每次生成都记录三样东西输入描述、生成时间、输出文件。可以用一个简单的文本文件或者表格来记录也可以用Git来管理模型文件和描述文件。如果团队有PLM系统最好把AI生成的模型也纳入PLM管理标注清楚是AI生成、谁审核、用于什么项目。还有一个细节是AI生成的模型不要直接用于生产必须经过工程师审核。审核的内容包括尺寸是否正确、几何是否有效、强度是否足够、工艺是否可行。审核通过后把模型冻结后续修改要走变更流程。这个规矩看起来繁琐但能避免很多低级错误。5.4 常见问题速查表问题现象可能原因排查步骤解决方法模型导入后尺寸不对单位不一致测量已知尺寸导入时指定单位模型无法布尔运算存在自相交或破面实体有效性检查修复几何或重新生成3D打印出现孔洞法线方向错误网格法线检查统一法线方向装配时位置错乱坐标系不一致检查原点位置手动调整坐标系特征无法修改特征树丢失查看模型树重建特征或换参数化输出描述理解偏差语义模糊对比生成结果与预期细化描述加约束条件批量生成参数错误参数管理混乱核对参数表参数与逻辑分离用表格管理6. 我对2026年Text-to-CAD的真实判断6.1 它现在能做什么不能做什么经过一年多的实际使用和观察我对Text-to-CAD的能力边界有了比较清晰的认识。它能做的生成规则几何体的参数化模型、快速出概念示意图、批量生成标准件、辅助生成建模脚本、做一些简单的尺寸标注。它不能做的创新性结构设计、复杂的自由曲面建模、工程图出图、装配干涉检查、强度校核、工艺性判断。这个边界不是固定的随着技术发展会变化。但至少在2026年如果你指望Text-to-CAD替代工程师做完整的设计工作大概率会失望。如果你把它当成一个辅助工具用在合适的环节它能帮你省下不少时间。6.2 给不同规模团队的建议个人用户和小团队可以从免费或低成本的工具开始试重点用在标准件生成和概念示意上。不要一上来就买贵的团队版先验证价值。学习成本方面建议花点时间学一下Python和CadQuery这样即使AI生成的脚本有问题你也能自己改。中型团队可以选一两个具体的场景做试点比如标准件库建设、概念方案快速可视化。试点期间记录效率数据三个月后做评估。如果效果好再考虑扩大使用范围。同时要建立AI生成模型的审核流程不能直接用。大型团队Text-to-CAD的集成需要考虑跟现有PLM、PDM系统的对接。建议先做技术验证确认工具的输出格式、API能力、数据安全性满足要求。同时要制定AI辅助设计的规范明确哪些环节可以用AI、哪些不能用、审核流程是什么。6.3 接下来值得关注的方向有几个方向我认为值得持续关注。一是多模态输入不只是文字还可以用手绘草图、语音、甚至照片来生成模型。二是约束求解器的集成让AI生成的模型自动满足工程约束减少人工检查的工作量。三是与仿真工具的联动生成模型后自动做强度校核或运动仿真形成闭环。四是领域专用模型针对特定行业如模具、钣金、管道训练的AI模型准确率会比通用模型高很多。我在实际使用中的一个体会是Text-to-CAD的价值不在于它有多智能而在于它能不能稳定地、可预期地完成某一类任务。那些演示视频里很惊艳但实际用起来不稳定的功能对工程工作流来说反而是负担。真正有用的AI CAD工具是那些你用了之后觉得这个环节确实省事了的工具而不是那些让你觉得哇好厉害但不知道怎么用的工具。最后分享一个小技巧如果你在用Text-to-CAD生成模型先把描述写下来自己读一遍看看有没有歧义。很多时候AI理解偏差的原因不是AI笨而是描述本身就不清楚。把描述写清楚这个习惯不仅对AI有用对跟同事沟通也有用。