企业官网建设流程全解析

如何为 Multi-Agent-CAD 的每个阶段挑选不同模型：混合路由策略与成本优化实战

【免费下载链接】Multi-Agent-CADMAC (Multi-Agent CAD): A decoupled multi-agent framework for text-to-CAD generation via constrained test-time compute项目地址: https://gitcode.com/gh_mirrors/mu/Multi-Agent-CAD

MAC（Multi-Agent-CAD）是一个用自然语言直接生成可打印 3D 模型的 text-to-CAD 多智能体框架：4 个智能体分工协作，token 消耗降低 116 倍、推理成本降低 13 倍。它的核心亮点之一是混合路由（Hybrid Routing）——流水线 4 个阶段各自独立配置模型、温度与推理开关，你可以为「需求解析」挂便宜小模型，为「几何设计」用旗舰大模型，把每一分钱花在刀刃上。本文带你完整跑通这套模型选择与成本优化策略。

一、先搞懂 MAC 的 4 个阶段

理解混合路由的前提，是理解流水线。MAC 把 text-to-CAD 拆成 4 个阶段，由 LangGraph 状态机串联，阶段之间只传递紧凑的结构化 JSON，不传对话原文：

正因为交接面只有两个小 JSON（CADBrief、ArchitectPlan），任意阶段换成什么模型，其它阶段都毫无感知——这就是「每个阶段自由选模型」的架构基础。

二、模型配置在哪里改

所有模型参数集中在multi_agent_cad/config.py一个文件里，每个阶段都有独立的四元组：MODEL（模型 ID）、TEMPERATURE、MAX_TOKENS、KWARGS（推理开关等额外参数）。

各阶段配置速查

• 阶段 1：SPEC_PLANNER_MODEL/SPEC_PLANNER_KWARGS
• 阶段 2：ARCHITECT_MODEL/ARCHITECT_KWARGS
• 阶段 3：CODER_MODEL/CODER_KWARGS
• 阶段 4：AIDER_MODEL（Aider 主修复，带供应商前缀如openai/、anthropic/）+REPAIR_MODEL（直连 API 兜底）

所有阶段共享DS_BASE_URL端点，且 MAC 通过OpenAI 兼容接口调用模型——OpenAI、DeepSeek、Gemini、本地 Ollama 都能直接接入，只需换 URL 和模型名。

三、每个阶段该怎么挑模型

核心原则：按任务难度分配模型档位，简单任务用便宜模型，复杂任务才上旗舰。

阶段 1：Spec Planner —— 挂最便宜的模型

任务只是「读一段话，输出结构化 JSON」。这类工作轻量模型甚至本地小模型完全胜任，建议：

• 云端：选该供应商最便宜的入门级模型即可
• 本地：Ollama 上的 7B~32B 代码模型也能胜任
• TEMPERATURE = 0.0保证输出确定

阶段 2：Geometric Architect —— 必须用强模型

这是整条流水线最考验空间想象力的一步：设计草图、规划拉伸/旋转/布尔运算步骤，还要遵守 5 条 Iron Rules（如自定义多边形必须给control_points）。换弱模型，后面的几何错误会成倍放大。默认配置刻意关掉了思维链（enable_thinking: False），因为该阶段追求 JSON 输出的确定性而非发散推理——这是一个值得学习的成本细节：省掉的输出 token 就是省下的钱。

阶段 3：Python Coder —— 通常「零成本」

MAC 用确定性翻译器_plan_to_code（位于multi_agent_cad/nodes.py）直接把ArchitectPlan翻译成 build123d 代码，支持 extrude、hole、布尔运算、阵列、圆角等常见操作，全程不花 1 个 token。只有翻译器不覆盖的步骤（如拔模、加强筋）才留# TODO_AIDER占位符交给 LLM。所以CODER_MODEL只是兜底配置，一般保持中档模型即可。

阶段 4：Aider 修复 —— 按「代码修复能力」选

修复循环（QA 报告 → 修代码 → 重跑，最多 5 轮）是真正烧钱的地方，选模型的思路：

• 擅长代码的模型优先：Claude、GPT 系列或旗舰级代码模型，AIDER_MODEL改成anthropic/claude-sonnet-4-6即可
• REPAIR_TEMPERATURE可略高（默认 0.3）：修复问题往往有多条有效路径，一点创造性反而更快收敛
• 进阶玩法：训练一个只处理「QA 报错 + build123d 参考 → 修复补丁」的本地专用模型，把最贵的一轮迭代成本打到接近零

四、成本优化实战：三档推荐组合

以单 prompt 为例，10 个基准 prompt 的总成本从单智能体基线的 ¥125.69 压到 ¥9.67（明细见docs/qwen3.7_token.md）。混合路由还能再省，三种典型组合供参考：

几个通用的省钱开关：

1. 架构阶段关思维链：ARCHITECT_KWARGS = {"extra_body": {"enable_thinking": False}}，输出 token 直接减半量级
2. 利用缓存：pipeline_cache/会保存前两阶段的输出，重跑同一 prompt 时直接跳过 Spec Planner 和 Architect 两次 LLM 调用，秒级重启于 Coder 阶段
3. 选对端点：本地 Ollama（http://localhost:11434/v1）完全免费，适合先验证流程再切云端

改错配置想回退？执行python -m multi_agent_cad._config_defaults --reset一键还原默认值。

五、为什么单智能体做不到这一点

单智能体架构里，提示词、文档、对话历史深度耦合在同一个上下文里，你只能选一个「全能型」模型通吃——既为简单任务多付费，也没法针对单点优化。MAC 的结构化交接让单个阶段可以被独立替换：哪怕只训一个小模型专读CADBrief输出ArchitectPlan，就能把架构阶段的调用成本打下来，其余阶段纹丝不动。这种模块化正是「受约束的测试时算力（constrained test-time compute）」思路的落地。

总结

• 按难度分档：解析用便宜模型、几何设计用旗舰、代码阶段靠确定性翻译器白嫖、修复阶段挑最会写代码的模型
• 一切配置在multi_agent_cad/config.py，四阶段各自独立，改完即生效
• OpenAI 兼容端点让你自由切换云端/本地供应商
• 配合缓存机制与思维链开关，单模型成本可以压到基准的 ¥0.3~3 元区间

更多阶段设计细节可查阅multi_agent_cad/WORKFLOW.md，各阶段提示词模板在multi_agent_cad/prompts/目录下，想深入调优时它们是第一手资料。

【免费下载链接】Multi-Agent-CADMAC (Multi-Agent CAD): A decoupled multi-agent framework for text-to-CAD generation via constrained test-time compute项目地址: https://gitcode.com/gh_mirrors/mu/Multi-Agent-CAD