当AI开始‘较真’几何：多智能体系统如何重塑CAD生成逻辑
在工业设计领域，将自然语言描述转化为精确的三维模型，一直是人工智能试图攻克的难题。过去几年，尽管生成式模型在图像、文本甚至代码层面取得了显著进展，但一旦涉及工程级CAD建模，其输出往往停留在“看起来合理”的层面，缺乏对几何精度、制造约束和尺寸一致性的严格把控。这种“视觉可信但工程不可靠”的鸿沟，长期制约着AI在真实工业场景中的落地。
从“画得像”到“造得成”：CAD生成的本质挑战
传统文本到CAD的生成路径通常分为两类：一类是直接生成三维网格或点云，依赖视觉相似度评估；另一类则是生成参数化建模脚本，如OpenSCAD或CadQuery代码。前者虽然直观，但难以满足工程制图对尺寸公差、装配关系和材料属性的硬性要求；后者虽具备精确性潜力，却常因缺乏闭环验证机制，导致生成的模型存在隐式错误——例如孔位偏移0.1毫米，或曲面连接处曲率不连续，这些在视觉上难以察觉的问题，却可能在实际加工中引发灾难性后果。
更深层的问题在于，现有系统大多采用端到端架构，将理解、生成与验证压缩在单一模型内部。这种设计在面对复杂指令时极易产生“幻觉式合规”——模型为满足语义连贯性而牺牲几何严谨性。例如，当用户要求“在直径50mm的圆柱体侧面开一个边长为10mm的正方形通孔”，模型可能生成视觉上合理的结构，但实际代码中却将孔位设置在曲面曲率突变区域，导致无法加工。
多智能体协同：让AI学会“自我质疑”
CADSmith系统的核心创新在于引入多智能体架构，将生成与验证过程解耦为独立但协作的模块。系统包含三个核心代理：语义解析代理负责将自然语言指令转化为结构化设计意图；代码生成代理基于CadQuery语法输出参数化建模脚本；几何验证代理则通过程序化方式对生成的模型进行多维度审查。
这种分工并非简单流水线，而是一个动态反馈循环。当验证代理检测到尺寸冲突、几何干涉或制造不可行等问题时，会向生成代理发送结构化错误报告，触发局部重生成。例如，若验证发现某特征超出主体边界，系统不会简单丢弃整个模型，而是仅重构受影响区域，保留已验证部分。这种“精准修复”机制显著提升了生成效率与可靠性。
尤为关键的是，验证过程完全基于几何代数与约束求解，而非图像比对。系统通过解析CadQuery代码构建参数依赖图，自动追踪尺寸链、基准面与特征关系，确保每一步操作都符合工程逻辑。这种程序化验证方式能够捕捉到传统视觉方法完全无法察觉的细微错误，如螺纹导程与螺距的匹配错误，或配合面的间隙过盈问题。
工程思维的数字化迁移
CADSmith的价值不仅在于技术实现，更在于其对工程思维的数字化重构。传统CAD软件依赖设计师手动设置约束与检查干涉，而该系统将这一过程自动化，使AI具备了“设计即验证”的能力。这意味着未来工程师可能不再需要逐项检查模型细节，而是专注于高层意图表达，系统自动确保底层实现的可制造性。
从行业演进角度看，这一架构预示着AI工具正从“辅助绘图”向“自主设计”跃迁。当前多数AI设计工具仍处于“增强人类”阶段，而CADSmith展示了“替代人类重复性验证工作”的潜力。尤其在标准化程度高的领域，如紧固件库、机柜布局或模具设计，该系统可大幅缩短设计周期，降低人为失误风险。
更深层次的影响在于设计民主化。当复杂几何验证被封装为自动化流程，非专业用户也能生成符合工程标准的模型。这或将重塑产品开发流程，使小团队甚至个人创作者能够快速验证设计可行性，推动创新从“概念草图”向“可制造原型”加速转化。
通往可信AI设计的必经之路
尽管CADSmith仍属研究原型，其多智能体验证架构已为AI在工程领域的可信应用树立了新范式。未来发展方向可能包括引入物理仿真代理进行应力分析，或与PLM系统集成实现版本追溯。更重要的是，这种“生成-验证-反馈”的闭环逻辑，可迁移至建筑信息模型（BIM）、电子设计自动化（EDA）等其它专业领域。
当AI开始像工程师一样“较真”于0.01毫米的误差，我们才真正接近了智能设计工具的终极形态——不仅理解人类意图，更能以超越人类的严谨性守护制造底线。这或许不是技术的终点，但肯定是通向工业4.0可信智能系统的关键一步。