最近一直在折腾怎么让 AI 直接操作 Blender试过插件、试过写死脚本最后被 MCP Server 这套方案彻底折服。简单说我用 Blender 5.2.2 配合 MCP Server再把 VS Code Copilot 作为对话入口现在已经能做到在对话框里输入“在原点生成一个半径为 2 的 UV 球体材质改成红色”Blender 场景里立刻就会出现对应的模型。这篇文章就是这段时间踩坑、调试、实测的完整记录从安装到配置再到自然语言直接操作 Blender 的实际效果一次性讲清楚。这篇教程适合三类人一类是把 Blender 当生产力工具、想省掉大量重复操作的 3D 设计师一类是做程序化建模、批量场景生成的开发者希望用 Python 之外更自然的方式控制 Blender还有一类是刚接触 Blender 的新手对节点、快捷键还不熟但想快速看到“输入一句话、模型就出来”的效果。文章会覆盖原理、环境准备、完整配置流程、实测案例和常见问题排查尽量把每一步都交代清楚。1. 这个项目到底解决了什么核心问题1.1 从“找菜单”到“下指令”AI 操作 Blender 改变了什么用过 Blender 的人都知道它有两大学习门槛。第一是菜单和面板极多建模、材质、渲染、动画分布在不同的工作区新手经常要花大量时间去记“某某功能藏在哪个面板下”。第二是快捷键体系强大但记忆成本高高手可以双手不离键盘全程飞起但同样的操作放到新手手里就变成了反复搜索教程。MCP Server 接入之后这层交互逻辑完全变了。你不需要记住某个功能在哪里也不需要查快捷键只需要用自然语言告诉 AI 你要什么效果AI 会解析你的意图然后通过 MCP 协议把操作转换成 Blender 能识别的 Python API 命令直接执行在 Blender 进程里。举个例子我之前做一批装置艺术的概念模型需要反复生成几十个大小不同、位置随机的圆柱体。手动做的话要么一个一个人工摆放要么写 Python 脚本再手动运行。现在直接在 Copilot 对话框里说“在坐标 (0,0,0) 到 (10,0,0) 之间随机分布 20 个圆柱体半径 0.2 到 0.8高度 1 到 3”AI 会自己组织好参数和循环逻辑Blender 场景里几秒钟就全部生成完毕。这种改变的实质是把“软件操作能力”和“创作意图”之间的翻译工作交给了 AI。人的精力不再消耗在“怎么点按钮”上而是集中到“要什么结果”上。1.2 这条链路适合谁又有什么现实局限坦白说这套方案不是万能的它最适合以下场景批量重复建模比如生成大量树木、建筑体块、随机分布的小道具用自然语言描述规则比手写循环代码更直观。快速原型验证想快速看一下某个形状、某个布局效果直接说给 AI比手动一步步搭建快得多。自动化工作流集成把 Blender 操作嵌入到更大的自动化流程里MCP Server 本身就是标准协议可以被不同的 AI 客户端调用。教学演示与入门探索新手可以通过自然语言快速认识 Blender 的核心建模能力看到输入和结果的对应关系。但我必须给泼点冷水目前这套方案对精细操作还有些力不从心比如复杂的拓扑建模、逐顶点权重绘制、骨骼绑定、角色动作 K 帧这些高度依赖人工手感的工作AI 还做不到令人满意的程度。我的建议是把它定位成“高效辅助工具”而不是“全自动替代方案”。基础搭建交给 AI精修和艺术决策留在自己手里这是现阶段最高效的分工方式。1.3 技术选型为什么是 MCP Server而不是直接写插件可能有人会问Blender 本身就有 Python 接口为什么不直接写一个 Blender 插件把 AI 生成的代码丢进去运行答案是可行但不可持续。直接写插件的方式存在几个痛点。第一每个人都要自己实现 AI 与 Blender 之间的通信模块包括请求格式、错误处理、结果返回重复造轮子。第二AI 生成的代码质量不稳定经常报错缺少一个标准化的工具层来做异常过滤和结果封装。第三方案无法复用换个 AI 客户端又要重新对接。MCPModel Context Protocol模型上下文协议就是来统一这个问题的。它本质上定义了一套标准AI 模型如何发现外部工具、如何调用工具、工具的结果如何返回。把这个协议落到 Blender 上就是做一个 MCP Server把 Blender 的建模能力封装成一个个可以被 AI 直接调用的“工具函数”。AI 不需要懂 Blender 内部实现只需要按照协议调用即可。我在标题里特意用了 VS Code Copilot 作为对话入口因为它已经在 MCP 工具集成方面做得比较成熟而且 VS Code 本身的生态足够开放可以做到配置一次、长期使用。当然理解了原理之后这套 MCP Server 同样能接到其他支持 MCP 的客户端上换工具不需要改 Blender 端任何代码。2. 动手前的环境准备四件套一个都不能少2.1 Blender 5.2.2 安装与 Python 环境检查首先是 Blender 本体。我这里使用的是 Blender 5.2.2安装过程没什么特殊的从官网下载对应系统的安装包一路默认安装即可。需要注意的一点是Blender 是自带 Python 解释器的它内置的 Python 环境跟系统 Python 是隔离的后面配置插件时一定要搞清楚“当前脚本跑在哪个 Python 里”。安装完成后建议打开 Blender在顶部菜单栏选择“Edit”编辑下的“Preferences”偏好设置切到“Interface”页面勾选“Developer Extras”开发者附加选项。这个选项会显示一些 Python 相关的调试信息后面排查问题时会省不少事。验证 Blender 自带的 Python 是否正常可以切到“Scripting”工作区在中间的控制台窗口输入import bpy print(bpy.app.version_string)如果能正常输出版本号说明 Python 环境没问题。这里我强烈建议新手在首次使用前先跑一次这个验证因为后面 MCP 插件本质上是往 Blender 里注入 Python 代码如果 Python 环境有问题后面的步骤全部会卡住。2.2 VS Code 与 GitHub Copilot 的准备工作VS Code 的安装同样没什么门槛装好之后有两个扩展是必须的一个是 GitHub Copilot 本体另一个是支持 MCP 配置的扩展。GitHub Copilot 在 VS Code 里的配置方式比较直接登录 GitHub 账号并激活订阅后在扩展商店搜索“GitHub Copilot”点击安装等待右下角弹出登录提示按流程授权即可。授权完成之后新建一个文件输入几行代码如果出现灰色补全提示说明 Copilot 已经正常工作。这里有个容易踩的坑很多人装了 Copilot 但没装 VS Code 的 MCP 支持扩展导致后面在配置 MCP Server 时找不到入口。VS Code 目前的机制是通过.mcp.json或者编辑器的 MCP 扩展来加载服务器列表如果搜索不到相关设置项先确认扩展是否安装完整。我建议把项目文件单独放在一个干净的文件夹里比如D:\blender-mcp-project所有配置文件和测试脚本都放在这个目录下。这样做的好处是MCP Server 配置是以项目为作用域的不会污染全局设置以后要复用或者分享也方便。2.3 MCP Server 需要的运行环境Python 与 Node.js接下来是 MCP Server 本身的运行环境。虽然 Blender 自带 Python但 MCP Server 作为一个独立进程通常运行在系统 Python 环境里所以电脑上需要安装一个完整的 Python 3.10 或更高版本。安装时记得勾选“Add Python to PATH”这一步非常关键漏掉的话后面命令行调用 python 会直接报找不到命令。验证方式是在终端里执行python --version如果显示版本号说明 Python 环境没问题。接下来还需要确认 pip 可用一般 Python 安装包里已经自带执行pip --version验证一下。Node.js 也是需要准备的。虽然这不是硬性要求但很多 MCP 相关的工具链是用 Node.js 写的包括 VS Code 的一些 MCP 组件也依赖它。安装 LTS 版本即可装完后在终端执行node -v和npm -v能输出版本号就是正常的。环境准备这块我总结了一个小检查清单配置前逐项过一遍可以避免后面 80% 的问题检查项验证命令预期结果Blender 安装双击 Blender 可正常启动进入主界面Blender PythonScripting 区输入 import bpy无报错系统 Pythonpython --version3.10pippip --version有版本输出Node.jsnode -vv18 或更高VS Code安装 Copilot 并登录有代码补全提示2.4 关于 MCP 配置文件的预备知识VS Code 里配置 MCP Server核心是一个配置文件。目前最常见的路径是在项目根目录下创建.vscode/mcp.json里面以 JSON 格式描述各个 MCP Server 的启动命令和参数。配置文件的好处是跟随项目走团队协作时别人拉下代码后也能自动识别。部分版本还支持把 MCP Server 配置写在用户级设置里但我不推荐这么做。写到用户级设置里虽然省事但时间长了容易积累一堆不用的配置而且不同项目需要的 MCP 环境可能不一样全局配置很容易相互干扰。记住一个最朴素的思路项目级配置永远优于全局配置。每个项目独立声明白己需要的 MCP 服务模型上下文干净运行环境隔离后续维护起来也省心。3. MCP Server 与 Blender 的通信原理为什么能这样操作3.1 MCP 协议到底在中间扮演什么角色MCP 这套协议的核心设计可以类比成智能设备里的 USB-C 接口。以前一台设备一种充电口充电器不能互相通用现在统一了接口协议一个充电头可以适配所有设备。MCP 做的就是类似的事情它把 AI 模型与外部工具的交互方式标准化了。在这个架构里有三个角色Host宿主、Server服务端、Tool工具。以我们这套方案为例VS Code Copilot 是 Host它负责理解用户输入、调用工具并展示结果Blender MCP Server 是服务端它把 Blender 的能力暴露成一个个工具函数比如create_primitive创建基础几何体、transform_object变换物体、apply_material设置材质等Tool 就是这些具体可执行的函数。当你在对话里说“创建一个球体”时Copilot 先判断需要调用哪个工具然后按照 MCP 协议向 Server 发送请求Server 收到后把请求转换成 Blender Python API 调用执行完成后把结果比如物体名称、尺寸、位置返回给 Copilot再由 Copilot 转成自然语言回复你。这套协议带来的最大收益是解耦。Server 端的工具函数只要符合协议Host 端不管是谁都能调用。今天用 Copilot明天换一个支持 MCP 的客户端Blender 这边的配置完全不用动。3.2 典型的 Blender MCP 架构WebSocket 桥接有了协议层面的标准具体到 Blender 还需要解决一个通信问题MCP Server 是个独立进程而 Blender 自身是个图形应用两者之间怎么打通目前社区里最成熟的做法是 WebSocket 桥接。核心思路是先在 Blender 里运行一个常驻的 Socket Server 脚本它会一直监听某个端口比如 9876然后在 MCP Server 端通过 WebSocket 客户端连接这个端口。MCP Server 收到 AI 的调用请求后对接 WebSocket 端口发送一段 Blender Python 代码Blender 这边执行代码并返回执行结果。这种架构有几个明显优势进程隔离MCP Server 崩溃不会导致 Blender 闪退反之亦然。实时性WebSocket 是全双工通道结果返回很快命令执行后的反馈几乎是实时的。调试方便任何一个环节出问题都可以先单独测试通道是否通畅不用层层排查。流程可以这样理解AI 输入提示词 → Copilot 解析 → MCP 协议调用 → MCP Server 收到命令 → 通过 WebSocket 发送 Python 命令 → Blender 进程执行 → 返回结果给 AI → 对话窗口展示结果。3.3 安全边界给 AI 多大的操作权限把 Blender 的控制权交给 AI很多人第一反应是担心安全问题。这个担心不无道理毕竟 AI 生成的代码质量并不总是可靠的如果部署到生产环境AI 一个不合理的操作可能把整个场景弄得一团乱。我的建议是从以下几个层面控制风险第一层监听地址限制。默认只让 MCP Server 监听127.0.0.1也就是只允许本机通信不允许局域网或公网访问。这是最简单也最重要的一道墙。第二层工具白名单。不要把所有 Blender API 都暴露给 AI只暴露那些你确实需要的能力。比如只开放创建物体、变换、材质、批量操作这几类工具像渲染设置、文件写入这类影响较大的操作收窄权限或者干脆不暴露。第三层操作审计。在 MCP Server 里加上日志功能每次调用都记录下 AI 发送了哪条命令、在什么时间执行、执行结果如何。日志既是排查问题的工具也是回滚操作时的线索。我在自己的配置里额外做了一步给 MCP Server 加了一层“命令拦截规则”。比如 AI 发送的 Python 代码如果包含os.remove、bpy.ops.wm.delete这类风险操作Server 直接拒绝执行并在日志里标记。这些规则放在 Server 端的代码里属于最后的兜底防线。4. 从安装到实测完整操作流程记录4.1 第一步把 Blender MCP 插件装进 Blender整个流程的第一步是让 Blender 具备“接收外部命令”的能力。我采用的是社区里比较成熟的 blender-mcp 方案它由两部分组成一部分是运行在 Blender 内部的脚本插件另一部分是运行在系统 Python 环境里的 MCP Server。先在 Blender 里做如下操作打开 Blender用任意默认场景进入主界面。切到“Scripting”工作区。新建一个 Text文本编辑器把 blender-mcp 仓库里的 Socket Server 脚本内容粘贴进去。点击运行按钮执行脚本。脚本运行后你会看到 Blender 的系统控制台里出现一条提示表示 Socket Server 已启动并监听某个端口默认是9876。这里有一个注意事项Socket Server 脚本必须保持运行状态也就是说让 Blender 保持打开且不关闭这个文本编辑窗口。如果 Blender 被关闭或脚本被停止后续所有 AI 操作都会失效。另外每次打开 Blender 都需要重新运行一次脚本除非你把脚本注册成启动时自动加载注册方式是在偏好设置里添加启动脚本但这个操作对新手来说稍显复杂我建议前期还是手动运行等确认整个链路通了再考虑自动化。4.2 第二步配置系统 Python 环境里的 MCP ServerBlender 端就绪后接下来配置 MCP Server。这部分工作在终端里完成建议新建一个独立目录来存放 MCP Server 的代码和日志我这里的目录是D:\blender-mcp-project。进入目录后创建虚拟环境并安装依赖cd D:\blender-mcp-project python -m venv venv venv\Scripts\activate pip install blender-mcp如果网络环境正常依赖安装很快就能完成。安装后验证一下 MCP Server 是否能够读取配置并启动python -m blender_mcp --help能正常输出帮助信息说明安装环节没问题。这里需要特别提醒MCP Server 要启动起来需要知道 Blender 端的 WebSocket 地址和端口。如果 Blender 端的默认端口是9876那么 MCP Server 的配置文件里也要写成ws://127.0.0.1:9876两边必须完全一致否则会出现连接失败。4.3 第三步在 VS Code 中注册 MCP Server前面的工作做完后重头戏来了让 VS Code Copilot 能“看到” Blender MCP Server 提供的工具。在项目根目录下创建.vscode/mcp.json写入以下配置{ servers: { blender-mcp: { type: stdio, command: python, args: [-m, blender_mcp], env: { BLENDER_HOST: 127.0.0.1, BLENDER_PORT: 9876 } } } }配置说明type字段表示传输类型目前 MCP 支持 stdio 和 HTTP 两种这里用 stdio 让 VS Code 直接启动 Python 进程。command是启动命令系统 Python 环境的python必须能被 VS Code 找到所以要确保 Python 已经加入 PATH。args是传给 MCP Server 的参数-m blender_mcp表示以模块方式启动。env里的环境变量告诉 MCP Server 该去连接哪个 Blender 端口。写完配置文件后重新加载 VS Code 窗口此时在 Copilot 的工具列表里应该能看到 blender-mcp 提供的各个工具函数比如创建物体、变换物体、设置材质等。这一步是全文最关键的位置很多人在这里失败后面常见问题章节我会展开讲。4.4 第四步启动顺序与连接验证整套系统涉及多个进程我总结了一个标准启动顺序按这个顺序来基本不会出问题先启动 Blender并运行 Socket Server 脚本确认控制台显示“listening on 9876”之类的提示。确认系统 Python 环境的 MCP Server 能正常导入、没有报错。打开 VS Code加载项目文件夹确认 Copilot 已登录。在 VS Code 的 MCP 管理界面里启动 blender-mcp Server观察日志是否显示“connected to Blender”或类似信息。前两步是前提后面的顺序偶尔可以调换但最好不要跳过验证。验证连接是否真正常最简单的测试是在 Copilot 对话框里输入在 Blender 场景中创建一个边长为 2 米的立方体。期待的结果是Copilot 调用create_primitive工具Blender 场景中出现一个 Cube 物体然后 Copilot 回复你“已在原点创建边长为 2 的立方体”。看到这个反馈说明从 AI 到 MCP Server 再到 Blender 的整条链路已经打通。4.5 实测案例自然语言操作 Blender 的效果记录链路打通后我开始拿真实任务测试。这里整理了部分实测案例供大家参考需求描述提示词示例实测结果创建基本几何体“在场景原点创建一个半径为 1.5 的 UV 球体”生成球体属性正确批量生成物体“沿 Z 轴每隔 2 米生成一个立方体共 8 个”生成 8 个立方体间距一致物体变换“把名为 Cube 的物体绕 Y 轴旋转 45 度”物体旋转生效材质设置“给球体添加一个红色的金属材质粗糙度 0.3”材质创建并赋值场景清理“删除场景中所有名字以 Test 开头的物体”按条件删除其他物体保留组合操作“生成 10 个随机位置、随机大小的圆柱体材质设为蓝色”批量生成且材质统一实际操作中你会发现自然语言描述越具体AI 的完成度越高。比如只说“生成一些球体”AI 可能随意发挥导致尺寸、数量都不符合预期但如果你把“半径、数量、位置、材质”都说清楚AI 的执行结果会非常精准。这就是我正在用的方式把需求描述当成写需求文档越精确越好。4.6 进阶技巧如何把常用操作封装成 AI 更容易理解的工具默认的 blender-mcp 工具其实比较偏向底层比如“创建基础物体”“设置变换”这种粒度。如果你的业务场景比较固定我建议在 MCP Server 端自己封装一层更贴近业务语义的工具。举个例子我在项目里封装了一个create_tree工具它接收位置坐标、树干高度、树冠半径等参数内部自动执行“创建圆柱体作为树干、创建球体作为树冠、上材质、编组”这一串操作。封装之前让 AI 创建一棵树需要分四五个步骤描述封装之后一句话就能完成。封装的方法实际上还是通过 MCP Server 的工具注册机制把新的函数注册成 tool然后描述清楚参数含义。AI 从工具列表里能看到这个新函数就知道可以直接调用不需要你把“树冠半径”这类业务术语解释给 AI 听它完全能理解这是什么。这一步让我对 MCP 的价值有了更深体会它不只是简单地把现有能力暴露给 AI更是给了你一个“按业务语义重新组织工具”的入口。工具封装得越贴合业务AI 的执行效果越稳定。5. 常见问题与排查技巧我踩过的坑都在这里5.1 Blender 端拒绝连接Socket Server 没跑起来这是最常遇到的问题症状是 AI 调用工具时报错“Connection refused”或“无法连接到 127.0.0.1:9876”。排查思路分三步走确认 Blender 是否打开且 Blender 控制台是否显示 Socket Server 已启动。确认端口号跟 MCP Server 配置里的端口号完全一致。在终端里执行telnet 127.0.0.1 9876Windows 可能需要启用 Telnet 客户端如果连接被拒绝基本可以确定 Blender 端根本没有在监听。在我自己的实践中第二种情况占比最高。尤其是复制别人的配置时对方用的是端口9876而你本地 Blender 插件用默认端口9876两者看似一样但 Blender 会随机分配可用端口导致两边对不上。配置前先把 Blender 实际监听的端口查出来再填进 MCP 配置不要想当然。5.2 VS Code Copilot 不显示 MCP 工具配置文件写了、MCP Server 也启动了但 Copilot 的对话框里就是不出现任何与 Blender 相关的工具。这个问题也挺常见。首先要区分“MCP Server 没有启动”和“Copilot 没有加载 MCP 工具”两种情况。看 VS Code 的 MCP 管理面板如果 Server 显示“Started”但 Copilot 不识别大概率是工具描述信息缺失或者工具名称本身上传失败。我的处理办法是把 MCP Server 的日志级别调到 debug查看启动时是否打印出工具注册清单。如果日志里根本没有工具列表说明 Server 端注册逻辑有问题需要回到 MCP Server 的代码里去检查如果日志里有工具列表但 Copilot 不显示多半是 Copilot 扩展版本太旧更新到最新版再重载窗口即可。还有一个经常被忽视的细节.mcp.json文件里的 JSON 格式只要有一个小错误VS Code 可能整个忽略它。用 VS Code 打开配置文件看一眼如果 JSON 语法高亮明显异常说明格式有问题可以用编辑器自带的格式化功能重排一遍。5.3 AI 调用工具成功但 Blender 没变化这种问题更隐蔽因为 AI 端显示“执行成功”但 Blender 场景里就是没有任何变化。根据我的经验原因通常是 AI 执行了工具调用但 Blender 端脚本的执行存在上下文问题。最常见的是AI 创建的物体进入了错误的 Collection或者被创建在了隐藏层看起来就像没生成一样。另一个可能的原因是AI 的命令依赖某个前置状态比如它想给一个不存在的物体设置材质此时 Blender 端会报错但错误信息没有完整回传给 AI。解决办法很简单在 Blender 的大纲视图Outliner里检查是否新增了物体或者切换到“Layout”工作区按下Home键让视角框选全部物体。如果还是没有再看 Blender 控制台是否输出了 Python 错误信息。控制台里的异常信息通常能直接告诉我们问题出在哪一行。这里也体现了我前面说的“日志”重要性。我在 MCP Server 端把每次执行命令的入参和出参都打印出来了排查的时候一翻日志就知道 AI 到底让 Blender 干了什么对比预期就能定位问题。5.4 AI 理解偏差生成的物体总是不符合预期MCP 链路通了之后新的烦恼是 AI 的“自由发挥”。比如你让它生成一个“高 2 米的圆柱体”它给你生成一个半径 2 米、高度 1 米的东西。这类问题的主要原因是 AI 对 Blender 参数体系的默认可选值理解不够精细。对 Blender 来说圆柱体有 radius、depth 这几个关键参数AI 默认认为 radius 是直径而不是半径导致结果翻倍。还有一种情况是AI 对“米”和 Blender 内部单位“米”的理解存在偏差它在数值上随机给了个值却没转化为场景的实际比例。我的经验是在提示词里给出明确参数并附上单位说明。在原点创建一个圆柱体半径 1 米高度 2 米。注意 Blender 中 radius 是半径depth 是高度。加了这句话之后AI 生成的结果准确率明显提升。另外如果项目反复出现某类参数理解错误建议直接改 MCP Server 端工具的描述信息把每个参数的含义和单位写清楚这样 AI 在调用工具前能看到准确的字段说明从源头减少误解。5.5 性能问题场景复杂后响应明显变慢当场景里面的物体数量达到几百上千之后AI 操作的响应速度会明显下降。原因不难理解每个操作实际上都要让 Blender 执行一遍 Python 命令场景越复杂单次执行的时间就越长如果 AI 同时发了多个操作排队处理也会拉长总时长。这里有几个优化技巧批量操作优先尽量让 AI 用一次命令完成多个物体的创建和变换不要一个物体一个物体的发指令。比如“批量生成”远比“单个生成再复制”快。关闭实时视图更新在执行批量操作时临时关闭视口的实时更新等全部操作完成后再刷新视图。Blender 里切成“Solid”模式或者在偏好设置里勾选“Only update on interaction”都能降低负载。降低日志频率MCP Server 端每次调用都打印完整日志在批量模式下会产生大量 IO影响性能。批量操作时可以临时将日志级别调高只记录错误信息。实测下来这几个方法叠加之后一个 500 物体规模的场景里批量创建操作的响应时间能缩减到原来的三分之一左右。如果你要做更高规模的场景建议把操作拆成数个逻辑块每次只处理一部分避免单次命令量过大导致 Blender 卡死。5.6 常见问题排查速查表最后把前面几个问题整理成一张速查表遇到问题时直接对照排查现象优先排查点解决方案Copilot 报连接失败Blender Socket 是否启动检查 Blender 控制台提示确认端口VS Code 不显示工具MCP Server 是否启动成功检查服务器状态与日志更新 Copilot调用成功但无效果物体可能进入隐藏集合查看大纲视图排查 Blender 控制台错误结果参数偏差提示词不够明确补充参数数值和单位加强约束大面积操作卡顿单次操作数量过大拆分成批次关闭视口实时更新所有工具都不响应MCP 配置格式错误检查 JSON 语法重载 VS Code 窗口写在最后的经验这套 Blender 5.2.2 MCP Server VS Code Copilot 的组合我目前已经用了将近两个月最大的感受是AI 操作 3D 软件这件事效率提升是真实的但前提是你愿意花时间去调工具、定义边界、优化提示词。一开始我把所有希望寄托在 AI 自动理解我的需求上结果发现还是得自己先把工具封装好、参数描述清楚AI 才会显示出身手。有两个小技巧是这段时间踩坑后沉淀下来的最后分享给各位。第一Blender 端的 Socket Server 脚本可以用 Blender 的启动加载机制让它自动运行省去每次打开都手动执行一次的麻烦具体做法是把脚本注册到启动配置里或者在偏好设置中把它添加为启动文件。第二MCP Server 端的日志一定要保留很多诡异的问题靠肉眼观察根本定位不到反而是日志里的那几行参数差异一下子就能看出问题在哪。这套方案后续我还打算继续扩展比如接上 AI 图像识别能力实现“导入参考图 → AI 分析结构 → 自动生成基础模型”的链路目前正在调试中。如果你也在折腾 Blender 和 AI 的组合欢迎多交流彼此的踩坑经验这条路上的坑真的比想象中多得多。