企业官网建设流程全解析

先把话放这儿：AI 拿起 CAD 不是概念，是已经在发生的效率革命。我用 WorkBuddy 驱动 SolidWorks 连续跑了一个多月的建模任务，从 2D 图纸重建到参数化改型再到装配体检查，每天都有一批平时要磨半天的活儿被 AI 在几分钟内消化掉。这篇文章不聊虚的，我会把整套环境怎么搭、指令怎么配、模型怎么一步步画出来、踩过哪些坑，全部按实际操作记录下来，给正在观望“AI + CAD”这个方向的机械设计、非标自动化同行一个可以直接参照的底稿。

我判断你看到“AI 握住 CAD”这句话的第一反应大概率是：AI 画个示意图还行，真能上手 SolidWorks 拉特征？说实话，一个月前我也这么想。但 WorkBuddy 这套东西走的是另一条路——它不让 AI 去“画图”，而是让 AI 读图纸、写方案、调 API，真正去驱动建模树里的每一个操作。适用场景非常明确：机械设计里的重复性劳动、标准件变体、图纸语义识别、装配体批量检查。今天这篇全程高浓度实操经验，适合正在选型 AI 辅助设计工具、或者想把手头重复劳动交给自动化的工程师和管理者。

1. 为什么要把 AI 接进 SolidWorks：我的真实动机

1.1 工程师真正该干的事，不该是重复建模

先算一笔账。我平时接触最多的是非标自动化设备的零部件，一个中等复杂度的安装板，从读图纸、定基准、画草图、拉伸切除、打孔阵列到标注出工程图，熟练工程师大概需要四十分钟到一小时。这活儿难吗？单看每一步都不难，但问题是它太“规整”了——图面上已经把所有尺寸、公差、粗糙度标得清清楚楚，三维建模本质上就是在做“抄写”。

真正值钱的判断在哪里？在于这个零件为什么这么设计、载荷路径是否合理、加工工艺能否实现、要不要跟旁边零件留装配间隙。这些事情 AI 不能替我做，但我也不该把时间耗在“把 58mm 的孔距从图纸抄到草图里”这种操作上。我的想法很简单：让 AI Agent 去干那些确定性强的机械步骤，我腾出手来干判断、沟通和方案决策。

另一个痛点是图纸版本变更。客户改了一个安装尺寸，下游所有相关零件的模型、装配体、工程图都要跟着动。过去我得打开文件、找特征、改尺寸、看关联特征有没有报错、重新生成工程图——一整套流程全是重复动作，而且改多了容易漏。这种场景天然适合交给 AI 做参数化驱动，因为它的执行路径是固定的，难的是“理解变更影响范围”这一步，而这一步恰恰是大模型的强项。

1.2 WorkBuddy 在大模型和 CAD 之间搭了一座桥

刚开始我想过去调 SolidWorks 的 API 自己写脚本。SolidWorks 提供了一套相当完整的 COM 接口，从 SketchManager 到 FeatureManager，理论上所有建模动作都能代码化，网上也能找到不少 VBA 宏和 C# 二次开发案例。但问题在于：传统脚本是“死”的，你得把每种情况都写进分支判断里；而真实的工程图纸千奇百怪，孔位分布可能是阵列，可能是镜像，可能是圆周均布，每个工程师的绘图习惯还不一样。写一个万能脚本的成本，比直接手画高得多。

WorkBuddy 的思路换了个赛道。它本质上是一个“AI Agent 运行时”，把大模型的语言理解能力、任务拆解能力和 SolidWorks 的 API 调用能力缝合在一起。你在对话框里给它一张图纸截图、一段需求描述，或者一个模板文件名，它会自己规划建模步骤，按顺序调用 SolidWorks 的功能模块来执行。你看到的交互界面像聊天，但后台跑的是“理解任务-生成计划-执行 API-校验结果”的循环。

我觉得这套设计最高明的地方在于：它没有试图替代 SolidWorks，也没有让工程师改用一套“AI 原生建模软件”，而是把 AI 变成 SolidWorks 的一个“驾驶层”。工程师原有的工作流全部保留，只是执行动作从“手操作”变成了“口述 + 确认”。这种过渡路径对生产环境特别友好，团队不用推翻现有图纸库和模板体系，学起来也快。

2. 先搭环境：SolidWorks + WorkBuddy 工具链配置

2.1 版本选择与安装调试记录

工欲善其事，必先利其器。我用的是 SolidWorks 2024 SP5 搭配 WorkBuddy 桌面端，系统是 Windows 11 专业版，CPU 是 i7-13700K，内存 64GB，显卡 RTX A4000。这个配置跑中等复杂度的零件模型很宽松，但如果你要处理大型装配体，建议内存上到 128GB，因为 AI 连续执行建模操作时 SolidWorks 的内存占用会明显爬升，32GB 以下容易出现长任务中途“软死”的情况。

安装环节有两个地方值得提醒。第一，SolidWorks 首次启动时如果弹许可相关的错误，别急着重装系统，先检查 SolidWorks FlexNet 服务是否正常启动，再用 SolidWorks Clean Uninstall Utility 把残留的注册表项和许可证缓存彻底清一遍，重新激活成功率会高很多——这类问题八成是旧版本残留或者许可服务没起来，而不是安装包本身有问题。第二，WorkBuddy 安装完以后，第一次连接 SolidWorks 会要求授权，需要在 SolidWorks 里开启“允许第三方应用通过 API 访问”，这个开关默认是关闭的，很多新手卡在这一步。

连接成功之后，建议先跑一个最简单的“Hello World”任务：让 WorkBuddy 新建一个零件文件，画一个 100mm×60mm×10mm 的矩形板。这个任务主要是验证三件事：API 调用链路是否通畅、特征管理器能否正确响应、命令执行速度是否在可接受范围内。我第一次跑的时候等了足足二十秒才看到拉伸特征出现，排查之后发现是杀毒软件在实时扫描 SolidWorks 的临时文件，把工作目录加入白名单后速度快了一倍多。

2.2 让 AI 懂设计：自定义指令与技能库配置

WorkBuddy 这类 Agent 工具最容易被忽略、但影响最大的配置项是“自定义指令”。默认状态下，大模型对 CAD 建模的“通用常识”并不够用，比如它可能默认你画草图时已经自动加了完全约束，或者默认所有孔都是通孔，事实上这些都要根据企业规范去设定。我在系统指令里写入了一整套设计规则，相当于给 AI 立了一本“小企业标准”。

我把我当前用的指令模板简化一下，你可以直接复制改：

系统指令基线: 单位体系: MMGS（毫米、克、秒） 草图规范: - 所有草图必须完全定义，欠约束草图视为失败 - 中心线/构造线用于对称约束，不使用于轮廓 - 圆角优先在特征阶段添加，不在草图中处理 特征命名: - 特征名称格式：类型_序号_用途（如 Boss_01_安装板主体） - 每个特征必须添加备注，注明设计意图 默认参数: - 未标注圆角统一 R0.5（钣金件除外） - 未标注公差按孔 H7、轴 h6 执行 失败处理: - 任何特征重建失败时，停止后续操作并报告原因 - 禁止自动删除出错特征，必须列出可选处理方案

这些规则看着琐碎，但直接影响 AI 建模的质量。没有这些约束时，AI 生成的模型经常“乍一看没问题，一深究全是毛病”——草图开环、特征顺序混乱、命名不可读，交付到下游工艺那里根本没法用。加了规范之后，模型的可维护性和可追溯性提升了一个量级。

技能库方面，我会给固定场景各写一个 Skill。比如“从工程图 PDF 提取建模要素”是一个技能，“按模板创建标准件变体”是另一个技能，“导入中间格式后清理与修复”又是一个。每个技能都包含一段提示词、输入输出的约定，以及可选的参考文件路径。这样做的好处是，日常使用不用每次都重复长篇大论描述需求，直接说“用图纸重建技能处理这个文件”就行，AI 会自动调用对应的那套流程。

3. 实测全记录：WorkBuddy 是怎么把一件件模型画出来的

3.1 从 2D 图纸到 3D 模型：一次完整的自动重建

我先挑了一个难度适中、又最能体现 AI 价值的场景来描述：一张客户发来的 PDF 工程图，一个带四个沉头安装孔、两个腰型槽的电机安装座，需要重建为三维模型。过去我的做法是打开 PDF、切换软件、手动画草图、拉伸、切除、检查尺寸，耗时大概四十五分钟；现在整个过程被拆成了四个阶段，全部由 WorkBuddy 驱动。

第一步是读取图纸语义。把 PDF 转成高清图片发给 WorkBuddy，它会先识别视图方向、尺寸标注、基准符号、剖面符号这些图纸元素。这一步我特别关注的是它能否分清“主视图看到的沉头孔”和“俯视图看到的腰型槽”各自对应的建模特征。实测下来，对于标注规范的图纸，识别准确率相当高；但遇到局部剖视图、局部放大图混排的图纸，它也有犯迷糊的时候，这时需要我在对话框里追加一句“注意 B -B 剖视图表示的是安装孔沉孔深度”，它就能快速修正。

第二步是生成建模方案。AI 会输出一段文字描述它的建模计划，比如“基准选择前视面，先拉伸主体 120×80×15，再在上表面添加四个沉头孔，孔距水平 80 垂直 50，沉孔直径 13 深度 8，通孔直径 7，最后在前端面绘制两个腰型槽”。这个方案生成后不会直接执行，而是等我来确认——这一步是安全设计的关键，给工程师保留了“否决权”。我会重点检查建模顺序是否合理，比如先做主体后打孔没问题，但如果它想把腰型槽放在主体拉伸之前做，就要纠正一下，因为后者的特征树逻辑比较别扭，后续改尺寸容易崩。

第三步才进入自动执行。确认方案后，WorkBuddy 会通过 API 在 SolidWorks 里逐步建模，每完成一个特征就刷新一次模型树。你能在屏幕右下角看到类似“正在创建草图 2”“正在拉伸凸台 15mm”“正在创建异型孔向导 沉头孔”这样的执行日志。整台机器像有一个看不见的工程师在快速操作。中间偶尔会出现参数输入错误，比如把腰型槽的长度 25mm 输成了 20mm，这时 AI 会暂停并弹出提示，不会硬着头皮继续做下去。

第四步是结果验证。建模结束后，WorkBuddy 自动调用了测量工具，把关键尺寸和图纸标注逐项比对，输出一份偏差报告。我之前设想这个环节可能要人工校对，但实测它对已标注尺寸的比对非常可靠。最终我从发出指令到拿到合格模型，耗时十一分钟，其中还包括我人工确认方案的两分钟。效率提升是实打实的。

3.2 参数化改型：标准件批量换尺寸的“魔法时刻”

如果说从图纸重建模型是“从无到有”，那参数化改型就是“一变百”。我们公司有一批标准铝型材支架，结构拓扑完全一致，只是根据客户需求，长度、宽度、安装孔距、槽位会变化。以前每来一个新规格，我都要打开上次的模型、修改关键尺寸、检查关联特征、重新出图，单个型号最快也要二十分钟。

用 WorkBuddy 之后，我把这个流程做成了固定 Skill：“基于模板的标准件改型”。输入只需要三样东西：模板文件名、目标尺寸表、输出命名规则。AI 会先打开模板，识别模板里设定的全局方程式和设计表，然后根据新的尺寸表更新参数，重建模型，最后重新生成工程图并更新图纸标题栏里的型号和重量。

我第一次实际跑的时候做了一个很关键的验证：把一组极限尺寸（长度方向从 600mm 改到 1500mm）交给 AI，看它是否会正确处理阵列数量和加强筋的位置。结果是 AI 先识别出长度方向上的孔阵列是“等距阵列，间距固定，数量由长度计算”，于是自动把阵列数量从 5 增到 12；而加强筋的位置关联到阵列的中间点，也跟着正确移动了。整个过程没有报错，模型更新得干净利落。

这里特别想强调一下模板质量的重要性。如果你原来的模板本身就是“草图欠约束 + 尺寸硬编码”的野路子模型，那 AI 再聪明也改不动，因为它没办法安全地把尺寸 A 关联到特征 B。反过来，只要模板是参数化做得规范的——尽量用全局变量、方程式、设计表，而不是把数字直接填在草图里——AI 的改型成功率会极高。所以我会建议，在引入 AI 之前，先花一两周把高频使用的模板全部参数化重构一遍，这个前期的“模型整洁度”投资，会直接决定后面 AI 自动化能省多少时间。

3.3 装配体场景：配合、限制与自动化检查

零件级建模跑通之后，我开始把需求延伸到装配体。最典型的任务是：一个由十几个零件组成的焊接夹具，当某个关键零件的厚度从 8mm 改到 12mm 时，所有相关配合、定位、螺栓长度是否需要联动调整。这种任务以前最头疼，因为光打开装配体等它完全加载就要几分钟，改完一个零件后还要逐个检查干涉和配合错误。

WorkBuddy 在这个场景里做了三类事。第一类是配合诊断，AI 会扫描整个装配体的配合列表，找出与“被修改零件”相关的配合项，并预测哪些配合可能因尺寸变化而失效。它的判断依据主要是配合面的几何关系和尺寸关联，准确度比我预想的高，基本能做到“报出来的问题都是真问题”。第二类是自动化修复建议，比如某个面与面的距离配合因为零件变厚而从 10mm 变成了 6mm，AI 会列出两个选项：调整配合距离，或者修改另一个垫片的厚度。第三类是干涉检查批量跑，它会自动调用 SolidWorks 的干涉检查工具，把结果按干涉体积排序输出，方便我优先处理严重干涉。

装配体场景我踩过的坑集中在文件引用路径上。SolidWorks 的装配体对文件路径极度敏感，如果 AI 在构建新模型时改了默认保存路径，或者某些外购件没有随模型一起打包，装配体一打开就是红色的“找不到参考件”，AI 后续的检查任务全部失效。我的解决方案是：单独给 WorkBuddy 划了一个“工作区目录”，所有由 AI 生成的零件、装配体、工程图统一存放，并且每次任务开始前强制 AI 检查文件引用完整性，缺文件的零件自动列入报告，而不是带病往下跑。

4. 踩坑实录与排查方案

4.1 特征顺序错乱：AI 思路对，但 API 执行顺序不对

要说这一个月里遇到最多的问题，不是 AI 看不懂图纸，而是“看懂了但做错了顺序”。有一次让 AI 做一个轴承座，它的建模思路是合理的：底座拉伸、然后肋板、然后轴承孔切除。但在实际执行时，WorkBuddy 先创建了轴承孔切除，再进行底座拉伸，导致后一个特征把前一个特征完全覆盖，模型重建出来完全不是图纸的样子。

这类问题的根源并不在于大模型的“理解”，而在于任务分解后 API 调用序列的编排。大模型按自然语言逻辑规划步骤，但 SolidWorks 的特征树要求严格的几何依赖顺序——后一个特征所引用的面边线必须在前一个特征中已经存在。排查手段也不复杂：WorkBuddy 每次运行都会保留工作流日志，里面记录了每一步调用的 API 函数名、参数、执行时间，我在日志面板里按时间倒序找到第一次出现“特征重建失败”的记录，就能顺藤摸瓜找到是哪一步顺序出了问题。

找到了规律之后，我的应对策略是在指令里加了一条：“在执行任何特征操作前，先检查该操作引用的几何元素是否在当前模型状态下存在”。这条指令看着简单，但显著降低了跨特征依赖的报错率。另一个有效手段是把复杂模型拆成多个子任务分批执行，比如“先单独完成主体，再单独完成孔系，最后做倒角”，每个子任务结束立刻检查模型状态，而不是让 AI 一口气从头画到尾。

4.2 崩溃、卡顿与许可异常的处理经验

AI 连续高频调用 API 时，SolidWorks 偶尔会卡死甚至闪退。我排查了一圈，发现并不完全是 WorkBuddy 的锅，而是 SolidWorks 本身在设计时也不是为“毫秒级连续操作”优化的。每执行一个特征，软件都要重建模型、刷新图形区、更新特征树，这些操作紧凑堆叠时，GUI 线程根本反应不过来。

我的建议是给 AI 执行的频率做“限速”——不是技术层面的限速，而是在工作流里插入短暂停，比如每完成一个特征，让 WorkBuddy 等待 300 毫秒到 500 毫秒再执行下一个。这一点小小的间隔，能把卡死率降一大截，代价是单个任务的完成时间拉长不到十秒，完全可以接受。此外，我养成了启动长任务前手动保存模型副本的习惯，一旦中途崩溃，重新打开自动保存的 .swx 文件就能恢复大半进度，不至于从头再来。

还有一类烦人的问题是许可异常。表现为：SolidWorks 用着用着突然弹“无法获得下列许可”的错误，然后整个软件退出。我遇到两次，都发生在 AI 长时间运行、期间 SolidWorks 窗口被最小化的场景下。分析后判断是许可证服务的“会话保活”机制被系统节能策略打断了。处理方式是在 Windows 电源设置里关闭 USB 选择性暂停、关闭硬盘休眠，并把 SolidWorks 和许可证服务进程设为“不会进入睡眠”的后台应用。调整之后，连续跑五六个小时也没再出过问题。

4.3 复盘：哪些环节必须有人在旁边把关

AI 建模提效明显，但我不建议把它当“无人值守”的工具。这一个月里，我认为有三个环节无论如何都要人工参与。第一个是设计方案的确认节点，AI 生成的建模计划难免有“方向对但不算最优”的情况，比如为了省一个草图而选择更复杂的切除特征，这种方案在模型后期维护时很痛苦，不如人工一秒钟纠正过来。第二个是涉及公差、材质、表面处理这类工程语义的输入，图纸上用文字标注的“未注公差按 GB/T 1804-m”这类信息，AI 容易忽略，需要人工明确提醒。第三个是交付前的最终检查，AI 的偏差报告只能覆盖它自己“知道”要检查的尺寸，如果图纸上某个形状位置度它根本没识别到，偏差报告里也不会有，这时候需要有经验的工程师对照原件做一次目检。

5. 效率对比与团队落地的现实建议

5.1 同样一个零件，AI 画要多长时间

这里我把自己过去几周记录的一组实测数据分享出来，样本来自不同复杂度的真实零件和改型任务：

值得注意的是，效率提升最大的是参数化改型和图纸重建，而复杂曲面、造型设计这类依赖“手感”和空间想象力的任务，AI 的介入价值很低。表格最后一行的 85 分钟里，有大量时间是花在 AI 不断试错、人工干预修正上，体验反而不如直接手画。这也是我强调“选对场景”的原因——AI 辅助设计不是万能的，它是专门解决重复劳动的利器，而不是设计灵感的源头。

5.2 什么活该交给 AI，什么活别硬上

结合这一个月的实践，我给同类团队一个很直接的分工建议。适合交给 WorkBuddy 和 AI 建模的活，特征非常明显：规则清晰、参数明确、重复性强、出错可校验。典型就是标准件变体、从规范化图纸重建模型、装配体批量检查和 BOM 整理。这些任务有一个共同点：执行逻辑可以被完整写成步骤，而大模型擅长把自然语言需求翻译成这些步骤。

不适合硬上的活也有明显画像：高自由度的工业设计、拓扑结构经常变化的创新结构、需要大量“看一眼实物才能决定”的逆向建模，以及图纸质量本身很差（缺标注、乱图层、草绘不规范）的情况。在这些场景里，AI 会用一种“礼貌而坚定”的方式把你的耐心耗干。我的做法是，手头图纸规范化程度高就大胆放给 AI，图纸质量参差不齐就先做人工整理，整理完再给 AI——把脏活累活前置，比让 AI 处理脏乱差输入要省心得多。

另外关于团队推行，我建议分三步走：先让一两个对工具敏感的工程师做一周试点，把问题和效率数据量化出来；再挑三个高频的标准化产品线做小范围推广，同时根据实际反馈把 Skill 和指令库打磨成熟；最后才全员铺开。而不是上来就让全部门改用，那样只会收获一堆“AI 不靠谱”的负面结论。刚开始阶段，最重要的是让人感受到“AI 在帮我省时间”，而不是“AI 在让我失业”，这需要管理层把节省出来的时间导向设计优化和创新能力建设，而不是变相增加个人产出指标。

我个人的体会是，AI 驱动 CAD 这事儿，真正难的不是技术接入，而是工作习惯的重塑。你得接受“AI 可以替你按按钮，但设计决策还得你来拍板”这个分工。顺便分享一个小技巧：给 AI 建立“错题本”。每次任务失败，我会把失败原因和修正方式追加到 WorkBuddy 的长期记忆里，比如“腰型槽建模前必须先选择正确的草图平面”“所有沉头孔的沉孔深度以剖面图为准”。测试下来，很多第一次会犯的错，第二次第三次基本就能避免，这个“越用越顺手”的积累过程，才是这套工具最有意思的地方。