text-to-cad：当LLM终于“摸得着”CAD/CAE/CAM这套硬核工具箱 🛠️

“从一句需求到一台实物零件”，中间差的不是模型，而是“手感”

先想象一个场景：你坐在电脑前，输入一句话——“请帮我设计一个适合小型无人机云台的轻量化支架，材料用7075铝合金，并输出可直接送数控加工的刀轨文件。”

大语言模型（LLM）能读懂这句话，甚至能给出很多合理的设计建议。但是，如果你让它真正操作一台CAD软件、完成参数化建模、跑一遍有限元分析、再生成CAM刀路，它大概率会“卡壳”。

原因并不神秘：CAD/CAE/CAM工具的门槛，从来不在“理解自然语言”，而在“操作系统界面”。鼠标点击、菜单层级、图元选中、约束链的调整、网格划分经验……这些极度依赖“手感”的操作，恰恰是大模型最不擅长、最缺少语料的部分。

今天登上 GitHub Trending 的 earthtojake/text-to-cad，仓库简介只有一句简洁得近乎低调的话：A library of agent skills for CAD, CAE and CAM。它想补上的，正是这块“手感的断层”。

它不是又一个CAD插件，而是一套agent“技能包”

项目名称里的“text-to-cad”容易让人联想到“输入文字、输出三维模型”的纯生成式工具。但如果细看描述就会发现，它的核心词是agent skills——也就是给AI智能体准备的“可复用技能集合”。

这两种定位有什么差异？感知上的差别非常大：

纯生成式工具：给你一个“黑盒”，输入文字，吐出模型文件。结果不可控、难以修改、交互逻辑封闭。
Agent 技能库：不试图替代CAD软件，而是把三维建模、仿真、制造过程中的原子化操作，封装成Agent可以一步步“调用”和“组合”的能力模块，相当于给AI装上了一双懂得操作工具的手。

换句话说，这个项目属于工程仿真与AI Agent相交的一个新地带：利用大模型的推理能力驱动专业工程软件，而不是让大模型自己“脑补”工程结果。

如果传统CAD是“画笔”，生成式AI是“照着文字描述直接打印一幅画”，那么agent skills更像是：教AI如何使用画笔、刻刀、卡尺和机床——它不和工具竞争，它成为工具的主人。

“CAD、CAE、CAM”这三个字母的并列本身也暗示了它的野心：不光要负责计算机辅助设计（Computer-Aided Design），还延伸到计算机辅助工程分析（Computer-Aided Engineering）与计算机辅助制造（Computer-Aided Manufacturing）。设计-仿真-制造，一整条链路都被纳入了“技能”的范畴。

一次设计决策背后，agent如何调用“技能”？

我们可以从概念上推演一次Agent作业过程，理解这套技能库存在的意义。假设任务来自一位机械工程师：“给这个支架减重10%，但保证最大应力不超过材料的屈服极限。”用AI来做，难点不在于减重思路，而在于：谁去打开模型？谁去修改草图约束？谁去重跑求解器？谁去判断收敛结果？”

一个具备CAD/CAE/CAM技能的Agent，可以将这个任务拆解成几步，每一步调用对应的“技能模块”：


# 以下为抽象示意代码，帮助理解技能库的工作逻辑
# 不代表仓库中真实存在的API

assumptions = parse_design_intent("减重10%，应力不超过屈服极限")

# CAD 技能：读取模型、识别特征、修改参数
part = cad_skill.load_existing_model("gimbal_bracket.step")
features = cad_skill.recognize_free_form_features(part)

# CAE 技能：设置材料属性、划分网格、施加载荷并求解
sim = cae_skill.create_study(part, material="7075铝合金")
sim.assign_boundary_conditions(features, load_case="static_3G")
result = sim.run_solver()

# 如果仿真不满足要求，Agent可返回修改几何参数，形成闭环
while result.max_stress > yield_strength_allowable():
    cad_skill.thin_wall(features[0], amount=param_suggested_by_llm)
    result = cae_skill.rerun(sim)

# CAM 技能：最终输出可制造刀轨
toolpath = cam_skill.generate_toolpath(part, strategy="adaptive_clearing")

注意，这里的每一步都不是让大模型去“想象”一个结果，而是映射到真实工程软件的操作：加载几何、参数化改形、网格重划分、求解器计算、刀路规划。LLM负责调度、判断与解释，工程软件负责精确计算，skill层负责“翻译”——这就是agent技能库最本质的角色。

🔧 技能库为什么比“写死一个脚本”更有价值？

工程领域里，每家企业的设计流程都不尽相同：有人用SolidWorks，有人用CATIA；有人要求做拓扑优化，有人只需要校核强度；有人输出STEP就够了，有人必须生成五轴加工的CL数据。把每一步都写成一个固定的自动化脚本，无异于面向单一场景做定制外包。

而把它设计成“技能库”，意味着Agent可以像搭积木一样组合技能：同一套模型读取逻辑，可以接不同的仿真流程；同一个减重策略，可以同时输出增材制造与减材加工的CAM方案。技能是可复用、可替换、可扩展的——这正适合工程中“流程相似但细节处处不同”的长尾场景。

谁最该关注它？工程师、AI开发者，以及“不信任AI画图”的人

这个项目之所以值得上Trending，是因为它踩中了一个痛点：工程领域并不缺会“说话”的AI，缺的是能够真正“动手操作专业工具链”的AI。

机械/结构工程师：如果你每天有大量重复性的建模前处理、仿真参数配置、CAM工艺设定工作，那么一个能按自然语言指令来代替你操作这些步骤的Agent，就是真正意义上的“数字助手”，而不只是“ChatGPT窗口里一个对话框”。
AI应用开发者：与其从零训练一个“CAD大模型”，不如站在巨人肩膀上，将这些技能库接入你已有的Agent框架。让工具能力的扩展通过“新增一个skill”来实现，而不是重新设计整套系统。
制造企业技术管理者：当AI Agent能调用CAD/CAE/CAM技能，知识沉淀的方式也会发生变化。资深工程师的很多经验——比如“倒角留多大方便加工”“网格画到多密能同时兼顾速度和精度”——有望沉淀成可调用的技能规则，让AI在不同项目里稳定复现这些经验。