企业官网建设流程全解析

第一次接触text-to-cad这个概念时，我第一反应是"又是营销号在吹牛"。毕竟传统CAD建模这条路，从参数化建模到布尔运算，背后是一整套严谨的数学逻辑，想靠一句自然语言生成可用模型，听起来确实像天方夜谭。但真正上手实测了几款主流工具之后，我必须承认自己被打脸了——用自然语言直接生成CAD模型这条路，已经走通了，而且走得比大多数人想象中更远。

text-to-cad本质上做的事情，是把设计师脑子里的"想法"直接翻译成"可编辑的CAD文件"。它不像是Midjourney那样生成一张好看的图片，而是生成有实际几何拓扑关系、能进CAM软件切片、能导入SolidWorks继续修改的真实三维模型。这个赛道的核心玩家包括Zoo Text to CAD、Autodesk的Project Bernini、Luma的Genie，以及一批开源社区的项目。它们解决的问题非常明确：传统建模的学习曲线太长，对于非机械设计专业出身的人（比如创客、产品经理、手工艺人），想要快速验证一个结构方案，以前至少需要几个月的CAD基础，现在只需要一句描述清晰的文字。

这篇文章我会从工具选型、核心参数、指令编写逻辑、模型后处理这几个维度，把text-to-cad从"玩玩而已"到"真能干活"这条路完整趟一遍。我会把自己实测过的工具结果、踩过的坑、摸索出来的指令模板全部摊开讲，不藏私。

1. text-to-cad的核心逻辑：从"生成一张图"到"生成一个几何体"

1.1 它和AI生图底层逻辑的根本差异

很多人会把text-to-cad和text-to-image混为一谈，这个误解要第一个澄清。AI生图（比如Stable Diffusion或Midjourney）的底层是扩散模型在像素空间里做去噪，最终产出是RGB像素矩阵，漂亮但"假"——没有体积、没有拓扑、没有闭合曲面。而text-to-cad的目标是生成一个可以被CAD内核（如Parasolid、ACIS、OpenCascade）解析的几何描述，最终输出通常是STEP、IGES或原生BREP文件。

我用一个生活化类比来解释：AI生图像是画家拿着一支笔在画布上作画，画得再像，也就是一层颜料；text-to-cad像是一个雕刻师拿着凿子在一块真实的石料上作业，你拿走的每一块都是实实在在的体积。前者没有厚度，后者有严格的材料边界。

具体到技术路径上，text-to-cad目前主流有三种实现路线。第一种是基于视图生成再重建，即先让扩散模型生成多视角的深度图或法线图，再用多视图立体几何（MVS）算法重建出网格，最后通过逆向工程转成BREP。这条路线的优点是能处理有机曲面，缺点是精度受限于视图数量和重建算法，容易出现细节失真。第二种是直接生成隐式场，模型直接预测一个占用场（occupancy field），把空间每个点标记为"实心"或"空心"，再通过Marching Cubes算法提取等值面成网格。这种方式对拓扑变化的适应性更好，能生成带孔洞或复杂内腔的结构。第三种是参数化约束求解，这也是Zoo Text to CAD早期版本采用的路线，模型实际上是在做"布局预测 + 约束识别"，从文本里提取几何参数（直径、深度、倒角半径），再交给底层的约束求解器去构建参数化特征树。

理解这条底层差异很重要，因为它直接决定了你后期能对模型做什么。基于视图重建出来的模型大概率是一坨三角网格，如果后续要进CNC或3D打印，必须做曲面拟合或重新参数化；而基于参数化约束生成出来的模型，天然带特征树，自由度极高，改一个参数就能全局更新。

1.2 为什么2024-2025年这个赛道突然爆发

text-to-cad这个概念其实几年前就有论文提出过，但一直停留在实验室阶段。最近一年密集爆发的原因，我认为是三股力量碰到了一块儿。

第一是大语言模型（LLM）的指令跟随能力大幅增强。早期text-to-cad的精度上不去，卡脖子问题在于"语言理解"和"几何生成"之间的对齐不够好。你输入"一个M8螺栓，直径8mm，螺距1.25mm"，模型根本分不清哪个数字是直径哪个是螺距。现在的LLM经过大规模指令微调，对这类结构化描述的解析准确度已经高到可以实际使用。

第二是3D数据集的规模和标注质量上了一个台阶。以Objaverse-XL为例，已经包含超过1000万个3D模型，配合Caption自动生成描述文本，模型有了足够多的"文本-几何"配对样本可以学习。这里特别要提一句，其实大量CAD级数据的贡献来自社区——比如McMaster-Carr的标准件库被各种爬虫抓取后用于训练，这让模型对标准螺纹、轴承、法兰这类规范零件的生成精度特别高。

第三是硬件和推理优化。现在一张消费级显卡就能跑通轻量级的text-to-cad推理，生成一个简单零件从输入文本到输出STEP文件只需要几秒到几十秒，这个响应速度已经进入"可用"区间。几年前同样任务需要数小时甚至直接超算。

2. 工具选型实战：我测过的五款text-to-cad工具横向对比

2.1 当前主流工具的分层定位

工具选型是这个赛道最让人头疼的事情，因为每天都在出新产品，而且各有各的脾气。我实际深度用过Zoo Text to CAD、Luma Genie、Autodesk Project Bernini（内测），以及两个开源权重模型，这里把真实使用感受摊开讲。

先说Zoo Text to CAD，目前综合体验最均衡的一款。它的底层是Revolution团队自己训练的参数化生成模型，输出直接就是BREP格式，可以用文本描述生成相对精确的机械零件，比如法兰盘、支架、轴套这种。我最喜欢的是它支持在描述里直接指定单位制，你告诉它"unit: mm"，它会把所有尺寸严格锁定在毫米单位下，这一点听着简单，但绝大多数同行工具都做不到。它生成的模型可以直接用STEP格式导出，拿到SolidWorks里编辑特征树时，居然能看到合理的建模顺序——先草图、再拉伸、然后倒角。能做到这一步，说明它的训练数据里有大量真实CAD操作日志，模型学到的不只是几何形状，而是建模思路。

再说Luma Genie，它的强项是自然语言理解能力极强，你可以用很口语化的描述："一个放在桌面上的可爱小蘑菇，带圆点花纹，底下有粗粗的柄"，它能看到你描述里蕴含的语义关系，生成像模像样的有机曲面模型。但Genie的短板非常明显——它输出的是三角网格（GLB格式），没有参数化特征树，精度和壁厚控制都一般，直接拿去3D打印或CNC会出问题。它的定位更像是"创意验证工具"或者"游戏资产生成器"，而非工程级CAD工具。

再来说Autodesk Project Bernini，这是背靠Autodesk多年CAD技术积累的产物，内测阶段的功能已经非常能打。它有一个独特优势是支持多模态输入——你可以同时输入一张草图照片加一段文字，比如"基于这个手绘草图，做一个壁厚3mm的花瓶外壳"，它能同时理解栅格信息和语言信息。生成结果可以返回多种表示形式，包括网格、点云和带特征参数化的近似模型。Bernini目前还没大规模公测，但它代表的是"设计意图理解"这个方向上走得最远的方案。

开源阵营里值得关注的是CAD-GPT系列和Text2CAD框架。CAD-GPT的思路是让LLM生成CAD脚本代码（如OpenSCAD或CadQuery代码），然后本地执行脚本生成模型。这个路线的好处是可控性极强，你甚至可以改生成的Python代码来微调几何；坏处是能处理的几何复杂度受限，因为代码生成是离散序列预测，某个参数错了就会全盘皆输。Text2CAD则是用预训练的3D扩散模型做主干，微调文本-3D对齐模块，偏向学术实验原型，工程化程度不高。

2.2 选型决策树：根据你的下游任务反推工具

我建议不要做"先玩再说"的盲目尝试，而是从最终交付物反推工具。这是我在实际项目中总结的决策逻辑，分享给读者参考。

如果你的最终交付物是3D打印件，那请优先用Zoo Text to CAD这类的参数化输出工具。因为3D打印切片软件对模型的要求是"流形网格"——也就是每个边恰好被两个面共享，体积封闭，没有悬空边或零厚度区域。而参数化BREP模型转网格时，可以通过网格密度控制保证流形性，但直接由AI生成的原始网格就经常有自交面和非流形边，修起来非常痛苦。实测下来，用Zoo生成的STEP文件在转STL时，能自动处理壁厚问题；用Genie生成的网格如果壁厚小于0.5mm，切片后基本就是废品。

如果你的交付物是产品效果渲染图，Luma Genie反而更好用。因为渲染只看外观，不需要精确的尺寸关系。你可以用非常口语化的Prompt生成一堆不同造型的瓶子、椅子、灯具，然后在Blender里做场景摆拍。这里有个小技巧：生成网格后如果后续要做细分曲面，可以在Blender里用"Decimate"减面再配合"Subdivision Surface"重新光滑，效果会比直接用原始高模好得多。

如果你的场景是CNC加工，那目前没有哪个text-to-cad工具能直接交付。CNC需要严格的刀具路径规划和毛坯余量设置，而AI生成的模型往往缺乏加工坐标系参考。但这个流程可以这样优化：用Zoo或Bernini快速生成一个概念模型，导出STEP后在Fusion 360里做二次加工——补基准面、加夹具预留位、调整圆角半径。这个"AI初稿+人工精修"的混合流程，能把单个零件的概念设计时间从小时级压缩到半小时以内。

对于纯学习目的，推荐开源CAD-GPT路线。因为你可以直接在生成的CadQuery代码里观察到"文本如何映射到几何操作序列"，对理解CAD本质的帮助比黑盒工具大得多。我自己在跑通CadQuery代码后，对参数化建模的理解加深了一个层次，回头用SolidWorks都有种"降维打击"的感觉。

3. 实操全流程：从指令编写到模型交付的完整记录

3.1 指令编写方法论：如何把脑子里模糊的想法变成AI能执行的精确描述

text-to-cad的Prompt编写和AI生图的Prompt完全是两码事。生图Prompt侧重风格渲染词（比如"8k, unreal engine, cinematic lighting"），而text-to-cad的Prompt要侧重几何约束、尺寸参数、拓扑关系。

我总结了一套五段式Prompt模板，经过大量实测，生成成功率有明显提升，这里直接分享出来：

第一段是基础形态定义，一句话说清这是什么零件，命名要尽量贴合工程术语，比如"hex socket head cap screw"而不是"带六角孔的螺丝"，因为训练数据里标准术语出现的频率远高于口语表达。

第二段是核心尺寸约束，用"diameter: 8mm, length: 45mm"这种明确的键值对形式。这里有个细节——不要用"约""大概""左右"这类模糊词，它们会严重干扰模型的数值解析，宁可给一个确切值然后在后处理时修改。

第三段是结构特征拆解，把零件拆成多个子特征，按顺序排列，比如"head diameter 13mm, hex hole size 6mm, thread length 30mm, pitch 1.25mm"。注意要按照建模逻辑排序，先主体后辅体，这样模型在构建特征树时会更合理。

第四段是拓扑关系说明，用词要克制，明确说"concentric""through hole""盲孔""对称"这类关系词。特殊几何关系一定要点名，比如"counterbore for M6 cap screw, depth 8mm"，否则模型大概率会把沉孔做成通孔。

第五段是非几何要求，CAD模型的壁厚、拔模斜度、公差等级，这类信息也要写进去，例如"wall thickness: 2mm"和"draft angle: 1.5 degrees"。这些内容不仅让模型生成更精确的几何，还能在后续CAM时省很多事。

举个例子——模糊Prompt："做一个能装下五号电池的盒子，带盖子的那种，要能3D打印"。用这种Prompt生成出来的东西，大概率尺寸不对、壁厚不合理、盖子没有卡扣结构。但用我的模板改写成："rectangular enclosure for AA battery holder, with hinged lid, outer dimensions 62mm x 32mm x 18mm, wall thickness 2mm, lid snap-fit pegs at four corners, bottom has two mounting holes diameter 3mm centered at 12mm from each side, add 1 degree draft angle on all vertical faces"。生成结果的可用性立刻提升几个量级。

我还要专门提一个很反直觉的经验：描述越"啰嗦"，效果越差。不要试图把外观的美学细节和工程细节混在一起写，比如不要写"一个很现代感的花瓶，曲线流畅，壁厚3mm，底部平整，高180mm"。因为模型内部在做两种不同任务时的注意力分配完全不同，混着写容易让两边都糊。真的想两者兼得，就用Bernini这类支持多模态输入的方案——先用生图工具画一个外观参考，再用文字补充工程约束。

3.2 完整实操记录：从一句中文到可装配的STEP文件

拿一个我最近真实做过的项目当案例：做一个直径80mm、厚度12mm、8个通孔的法兰盘，孔直径6mm，分布在直径64mm的PCD（节圆直径）上，倒角0.5mm。

第一步，写Prompt。我的最终版本是："flange plate, outer diameter 80mm, thickness 12mm, 8 through holes diameter 6mm on a 64mm pitch circle diameter, chamfer 0.5mm on all sharp edges, material suggestion: aluminum 6061, unit: mm"。这里"material suggestion"其实不直接控制几何，但我发现加上材料名有助于模型调用对应行业标准，因为训练数据里铝制法兰和钢制法兰的典型结构往往不同。

第二步，选择工具并生成。我用的Zoo Text to CAD，在输入框粘贴上述描述后，选择"Precise"模式而不是"Fast"模式。Fast模式大约10秒出结果，但倒角特征经常丢失；Precise模式大约要40秒，但几何完整性明显更好。生成结果是一个嵌在页面里的3D预览，可以实时旋转查看。从预览来看，法兰外形正确、孔位正确、倒角存在。

第三步，导出STEP文件并检查质量。在Zoo界面点击Export后得到一个STEP格式文件。这步最关键，我把它导入FreeCAD。注意一定要在导入后用"Check Geometry"功能做一次全面体检，因为AI生成的模型可能躲过了肉眼检查但在几何内核层面存在拓扑缺陷。实测这次体检通过，没有自交面、没有未缝合边。

第四步，继续精修。在FreeCAD里删除一个孔，做一个"LinearPattern"再复制出8个孔，顺便验证了模型的参数化关联——如果生成的特征树是合理的话，修改PCD直径后所有孔的位置会联动更新。实测这个操作完美生效，说明Zoo生成的STEP文件保留了参数关联，这让我挺意外的，确实不是简单的静态几何导出。

第五步，对接制造。用FreeCAD的Mesh Workbench将STEP转为STL，网格密度选"Medium"，导出后直接在PrusaSlicer里切片，层高0.2mm。实地打印出来之后，用卡尺量了关键尺寸：外径79.96mm、厚度12.02mm、孔径5.95mm，都在IT9公差范围内。这个结果已经能达到很多非标零件的设计要求。

3.3 后处理工作流：AI生成的模型为什么不能直接用，以及怎么修

后处理是text-to-cad投入使用中最容易被忽略、也最能拉开效率差距的环节。很多人的流程是"AI生成 → 直接导出 → 打印/加工"，结果翻车率极高。

我用一个真实例子说明后处理的重要性和方法。某次用Luma Genie生成一个"带波浪纹的桌面收纳盒"，原始网格直接导出后进Cura切片，发现两层楼以上波长纹路全部悬空打印失败。原因分析：生成网格时曲面内壁和外壁间距在波谷处小于0.3mm，切片后形成不可打印的悬空薄壁。

修复方案是三步走。第一步，用Blender的"Solidify"修改器给网格统一加厚度，这次加到2.0mm。第二步，用"Remesh"修改器做体素化重网格，把不一致的三角面统一成均匀的四边形网格，这样切片软件遇到的连续轮廓更少。第三步，用"3D-Print Toolbox"插件检查非流形边和零厚度区域，修复后重试切片成功。

如果你要处理的是STEP格式的参数化模型，后处理思路完全不同。重点是检查特征树里是否有可编辑参数，没有的话就要做"特征识别再参数化"。这个其实可以用Fusion 360的"Push/Pull"功能实现——在导入的模型上重新定义关键草图尺寸，然后让软件重新生成特征。这是一个很神奇的过程：AI生成一个死模型，你用参数化工具把它"唤醒"成活模型。

遇到的另外一类高频问题是坐标系混乱。生成模型的原点位置、基准平面朝向经常是随机的。不管用哪个工具链，我都建议在后处理的第一步就重新对齐坐标系——把模型移动到原点、底面贴合XY平面、长边对齐X轴。这一步做完了，后续所有CAM或FEA分析都会顺利很多。

4. 踩坑实录与排查速查表

4.1 五个高频问题的出现原因和解决思路

我在上百次生成测试中，把遇到的高频问题归集为五类，这里逐一讲透。

第一类是尺寸失真。现象是描述里指定80mm，生成出来却是82.4mm。原因有三个：模型训练数据里的单位混乱（有的源数据用英寸，有的用毫米）、文本编码器对数字的解析不够精准、分辨率量化误差。解决办法是加强约束——在Prompt里同时给出"unit: mm"和"dimensions critical"两个信号，生成后再用FreeCAD的"Tweak"功能做全尺寸检查。实测双重声明之后尺寸精确度能提升一个档级。

第二类是特征遗漏。最常见的是"chamfer 0.5mm"，模型有时候完全忽略倒角，有时候生成错误的45度倒角角度。原因是倒角这类微特征在体素栅格化时被吞掉了特征向量。解决办法有三个：把倒角写进特征树描述而不是作为附加属性，如"add 0.5mm x 45-degree chamfer on outer circumference, both faces"；将倒角尺寸放大到最终要求的两倍，生成后再用参数化工具改回指定尺寸；接受无倒角版本，在CAM阶段用刀具倒角。

第三类是对称性破坏。四孔法兰生成出来孔距不对称，一个孔明显偏了。原因是训练数据里法兰类零件数量分布不均，模型学到了对称概念但没有严格要求。解决思路是强制描述对称关系，比如"8 holes evenly spaced on 64mm pitch circle diameter, symmetric about both axes"。我在实际测试中，这种描述能把孔位对称度从±0.8mm提升到±0.1mm，效果显著。此外还有一个偏门但有效的做法：在Prompt末尾追加"rotational symmetry: 8-fold"，让模型调用对称先验。

第四类是布尔运算痕迹。有些模型生成的STEP文件虽然外形正确，但打开特征树发现每个孔都是布尔减运算的产物，而不是真正的圆孔拉伸特征。这意味着CAD里修改孔的位置会整个失效。解决办法是接受这一点，然后手动重做特征树，或者用"CAD Doctor"流程自动识别特征并重构。

第五类是虚假装配关系。描述里说"两个零件是装配关系，有配合间隙"，模型却把两个零件生成为一个整体。这是因为模型对"间隙"这类关系预测能力较弱，更倾向于生成连续实体。解决办法是分两次分别生成两个零件，各自导出后在CAD里做装配约束。别想着AI帮你一次性搞定装配体，至少目前它做不到，分件处理效率最高。

4.2 实用排查技巧：如何判断生成结果可用还是不可用

这里分享我用几个快速动作判断模型质量的实用技巧，可以帮助读者省下大量无效时长。

第一招，检查是否流形。在FreeCAD导入后打开"Part"工作台，运行"Check Geometry"，如果报非流形错误，直接放弃或回炉重造。不要浪费时间修复复杂网格——AI生成模型的重建成本远低于手画修复成本，这是实践给我的痛感。

第二招，切片前用模拟打印。在PrusaSlicer里用"Slice"预览，一层层查看支撑结构分布。如果某区域支撑面积超过实体面积的50%，说明悬伸结构设计不合理，果断重新生成。省掉实际打印的材料和时间。

第三招，光照下观察表面连续性。在Blender里给网格添加一个高光材质，用强光从侧面照射，观察表面是否出现带状条纹——带状条纹说明曲面法线计算有问题，后期印刷会看到明显层纹。

第四招，做一次热力壁厚分析。在Fusion 360或Rhino里用"Wall Thickness Analysis"工具，给模型一种颜色映射——低于你预期最小壁厚的区域会显示为红色。这一步能发现肉眼完全看不到的"隐形薄壁"，是加工质量事故隐患。

第五招，装配检验。如果目标是做装配体，就把生成件和一个标准件（从McMaster下载）在CAD里做干涉检查。如果干涉量超过0.5mm，八成是孔位置偏了，不要怪标准件规格不对。

没有哪个AI工具能保证一次生成就完美，真正拉开效率差距的是"快速判断 + 快速失败"的能力。这个思维比任何Prompt技巧都重要。

5. 效率提升三板斧：把text-to-cad从玩具变成生产力工具

5.1 交叉验证法：用多个工具互相纠错

我的一个不太常见但非常好用的技巧是交叉验证法。同一个Prompt，分别用Zoo和CAD-GPT各生成一次，然后对比两个模型的几何差异。如果它们在关键尺寸上一致，那大概率没有幻觉；如果差得离谱，必有一方在偷懒或是不够力。

这一招在生成标准化零件时特别有效。标准件的几何定义有严格规范（ISO/DIN/GB），如果一处模型给的尺寸参数在标准范围之外，那整个模型基本是幻觉。交叉验证能快速抓住这些异常。

举个例子，我生成一个"DIN 912 M8x40 socket head cap screw"——Zoo生成了正确的头部直径13mm，CAD-GPT给出的头部直径是14.2mm。明显不对，因为我记得DIN 912标准的M8头部直径范围是12.9-13.3mm。那我就会拒绝CAD-GPT这个结果，同时高度信任Zoo的。

5.2 模板库思维：建立自己的Prompt资产管理

我发现很多新手在写Prompt时都是"每次都从头开始"，效率极低。我的做法是建立一个结构化Prompt模板库，按照零件类别分组：法兰类、支架类、外壳类、轴套类、紧固件类、齿轮类。

每积累到一个成功案例，就把Prompt和最终成品模型存进库里，命名规范是"类别_用途_关键参数"。比如我库里这条："flange_真空吸盘安装_8孔80mm"。三个月下来积累了80多条高质量模板，现在写新Prompt至少有70%可以直接复用，只需改参数。这个习惯把我在text-to-cad上的平均出图时间从半小时压缩到了5分钟以内。

5.3 二次优化回路：让AI学你的修改习惯

目前大多数text-to-cad工具没有显式的"在线学习"功能，但你可以搭建一套人工优化回路。具体操作：记录下每个成功Prompt的修改历史，比如"第一次生成孔距偏了0.4mm → 第二次在Prompt里加了'symmetric about both axes' → 第三次成功"。这个历史记录本身比任何工具内置的优化算法都更有参考价值。

我还在实验一种更激进的用法：把修改后的CAD模型和原始Prompt"喂回"给一些支持多模态输入的工具（比如Bernini），让它在下次生成时自动参考你修改后的几何结构。这个"以人教机"的工作流虽然还不是官方主流用法，但实测下来效果很明显，值得跟进。

6. 项目后续可以怎么扩展：从设计到制造的全链路

6.1 对接工业软件的三种成熟路径

text-to-cad已经能产出STEP文件，这意味着它可以无缝接入大部分主流CAD/CAM软件。但不同行业的对接路径不太相同，需要根据实际情况选择适配方案。

机械加工方向，最合适的路径是STEP导入Fusion/fusion 360或Mastercam，做CAM刀路规划。这里的关键动作是在AI生成模型上重新定义加工坐标系和毛坯边界，然后让软件自动生成粗加工和精加工刀路。实测下来，这对简单车削件和铣削件能节省约50%的编程时间。执行细节和注意事项：在CAM之前一定要确认倒角特征是否存在——刀具倒角和模型自带倒角是两回事，刀具倒角会在CAM阶段自动扣除，模型倒角会被错误识别为几何特征，可能导致漏切。

3D打印方向，用Mesh或STEP方式均可。但针对FDM工艺，我强烈建议用STEP再转STL，而不是直接用AI生成的三角形网络。因为FDM打印的切片精度受网格密度影响，STEP转网格时可以控制输出密度在合理区间，直接用低模三角网则会损失薄壁结构。

快速原型方向，STEP文件可以直接导入3D打印切片软件、CNC加工、硅胶复模等全流程。目前这套流程最大的瓶颈还是在模型修复耗时上，但配合工业软件里日益强大的特征识别功能，预计一年内这个瓶颈就会从"数小时"降级到"分钟级"。

6.2 定制化工具链：把text-to-cad嵌入你的现有工作流

目前text-to-cad工具大多以网页应用或API形式提供，这就意味着你可以把"生成→检查→后处理"的流程脚本化。我目前的实践是：用Python脚本调用Zoo的API生成STEP，再用FreeCAD的Python控制台做几何检查，最后用PrusaSlicer的命令行接口自动切片。整套链路跑下来，一个标准件从文本到切片文件只花了不到2分钟。

如果基于开源的Text2CAD或CAD-GPT框架，自由度更高。你可以把公司内部的标准化零件库数据微调进自己的开源模型，这样每次生成的产品天然符合内部规范。这个方向的定制化程度更高，需要一定的机器学习基础，但带来的效率提升也非常可观。对于一些生产图纸保密要求较高的企业，私有化部署开源模型也是把数据安全和生成效率同时照顾到的路径。

6.3 行业落地展望与我的保守判断

Text-to-cad在细分行业的落地，正在逐步从"花哨演示"走向"真刀真枪"。

在非标自动化设备设计领域，标准件选型是大量重复性劳动。以前工程师需要在SolidWorks的标准件库里一个个找轴承、气缸、联轴器，现在用一句话"40x80 aluminum extrusion profile, 1 meter length, with 8mm T-slot"直接生成料架模型，省下的时间很可观。

在家居定制方向，消费者和设计师沟通方案时经常"鸡同鸭讲"。设计师画了一个柜子，客户说"我想要更圆润一点的"。以前要改模型至少半小时，现在用text-to-cad重新生成一个带圆角的版本只需要几分钟。但目前受制于材质渲染和结构强度的模拟能力还比较弱，最终生产图纸仍然需要专业设计师终审复核。

在教学培训场景下，text-to-cad特别有潜力。机械制图课程里，学生脑子里想的结构和最终画出来的二维图纸经常对不上。现在可以先用自然语言生成三维模型，再让学生围绕模型做测绘——这种教学路径比传统"盲画"效率高得多。当然这也会让基础练习的价值打折扣，需要教学工作者重新平衡练习设计。

我的保守判断是：text-to-cad短期内不会取代传统参数化CAD，但会成为"概念设计"环节的重要工具。正如计算器没有取代数学家，但它让算术不再是瓶颈。text-to-cad让几何表达不再停留在"打字之前先学会建模软件"的阶段，这会推动产品设计的民主化，非专业出身的创意者也允许基于真实结构表达想法——这是我认为它最有价值的方向所在。