1. 为什么“AI CAD”看起来很美落地却处处碰壁过去两年我参与过三个跟“AI 辅助 CAD”相关的内部项目从图纸解析、参数化生成到自动出图都摸过一遍。最直观的感受就是Demo 视频里 AI 三秒画出一张装配图真到了工程环境里连一个 DXF 文件都读不干净。这不是某个团队的问题而是整个“AI CAD”赛道目前最真实的写照。这个领域涉及的核心关键词包括AI、CAD、DXF、DWG、FreeCAD本质上要解决的是“让机器理解工程图纸并辅助或自动完成设计任务”。听起来很宏大但落到实操层面第一步就卡在文件格式上——DWG 是 Autodesk 的私有格式DXF 虽然是交换格式但版本差异巨大FreeCAD 作为开源方案虽然能读能写但跟商业软件之间的兼容性坑多到让人怀疑人生。这篇文章适合三类人看一是正在做 AI CAD 方向的产品或研发想知道别人踩过哪些坑二是传统 CAD 工程师想了解 AI 到底能不能帮自己省事三是对这个交叉领域感兴趣的技术爱好者想搞清楚“为什么看起来简单的事情做起来这么难”。我会从整体设计思路、核心细节、实操过程、常见问题四个维度把这件事掰开揉碎讲清楚。2. 整体设计与思路拆解AI 和 CAD 到底该怎么结合2.1 三条主流技术路线及其取舍逻辑目前市面上“AI CAD”的落地尝试基本可以归为三条路线每条路线的技术栈、适用场景和坑点完全不同。第一条是“图纸理解路线”。核心思路是把 DWG/DXF 文件解析成结构化数据然后用 AI 做识别、分类、提取。比如从一张建筑平面图里自动识别门窗位置、墙体走向、标注信息。这条路线的技术栈通常是CAD 解析库如 OpenCASCADE、Teigha、ezdxf 计算机视觉模型 规则引擎。优势是需求明确很多设计院和施工单位愿意买单劣势是图纸格式太杂不同设计院出图规范天差地别模型泛化能力很难保证。第二条是“参数化生成路线”。思路是用 AI 根据输入条件载荷、尺寸、材料直接生成 CAD 模型或图纸。比如输入“跨度 6 米、承重 2 吨的钢梁”AI 输出对应的三维模型和工程图。技术栈通常是参数化引擎FreeCAD 的 Python API、Grasshopper 生成模型 优化算法。优势是想象空间大能真正改变设计流程劣势是工程约束太多AI 生成的方案往往“看起来合理但算不过去”。第三条是“辅助操作路线”。不追求全自动而是用 AI 帮工程师做重复性操作比如批量修改图层、自动标注、图纸合并、格式转换。技术栈相对轻量CAD 脚本接口 简单的分类或匹配模型。优势是落地快、风险低劣势是天花板低容易被当成“高级脚本工具”。我个人的判断是现阶段最务实的路线是第三条最有价值的是第一条最需要耐心的是第二条。很多团队一上来就冲着第二条去结果 Demo 很惊艳工程化时发现连数据都准备不齐。2.2 为什么 Demo 和工程之间有一道鸿沟Demo 的环境是精心准备的一张干净的图纸、固定的格式、理想的输入条件。工程环境是什么样我见过一个项目客户给的“样本图纸”有 200 多张来自不同年代、不同设计院、不同 CAD 版本。有的图纸里所有线条都在一个图层有的标注全是炸开的文字有的甚至是用“画线文字”冒充的表格。这里面的核心矛盾在于AI 模型需要的是规整的数据而工程图纸的本质是“给人看的”不是“给机器读的”。一个工程师能看懂一张乱糟糟的图纸因为他有领域知识和上下文但 AI 没有它只能依赖输入数据的质量。所以“AI CAD”落地的第一道坎不是模型不够强而是数据清洗和标准化的工作量被严重低估了。另一个被低估的问题是格式兼容性。DWG 和 DXF 之间的转换、不同版本之间的差异、中望 CAD 和 AutoCAD 的兼容性、FreeCAD 导入 DXF 时的比例问题——这些在 Demo 里可能一句“我们做了预处理”就带过了但在工程里每一个都是需要单独写代码解决的硬骨头。3. 核心细节解析与实操要点从文件解析到 AI 接入3.1 DWG/DXF 解析第一道也是最硬的一道坎先说结论如果你要做 AI CAD80% 的精力会花在文件解析和数据清洗上只有 20% 花在 AI 模型上。这不是夸张是我三个项目下来的真实体感。DWG 是二进制格式Autodesk 没有公开完整规范所以开源方案基本靠逆向。常见的解析路径有这么几种ODAOpen Design Alliance提供 DWG/DXF 的 SDK功能最全但商业授权费用不低。适合有预算的团队。LibreDWGGNU 项目能读大部分 DWG但写入能力弱遇到复杂实体容易崩。ezdxfPython 库专门处理 DXFAPI 友好适合快速原型。但只支持 DXF不支持 DWG。OpenCASCADE严格说不是 CAD 文件解析库而是几何内核但可以配合其他工具做几何处理。FreeCAD内置了 DXF 导入导出底层用的也是开源方案但导入复杂图纸时经常丢实体。实操建议是如果只做 DXF用 ezdxf 起步最快如果要处理 DWG要么买 ODA 的授权要么先用工具转成 DXF 再处理。这里有个坑DWG 转 DXF 不是无损的某些自定义实体、动态块、标注样式在转换后会丢失或变形。我试过用某转换器把一张含动态块的图纸转成 DXF结果所有动态块都变成了静态块参数全丢。还有一个容易被忽略的点是单位问题。DXF 文件里通常有$INSUNITS变量定义单位但很多图纸这个值是空的或者错的。你按毫米解析结果人家是英寸整个模型尺寸差 25.4 倍。我踩过一次坑一个管道图纸导入后所有管径都大了 25 倍排查了半天才发现是单位没处理。3.2 数据清洗比模型训练更耗时的环节解析出来的数据不能直接喂给 AI必须先清洗。清洗的核心目标是把“给人看的图纸”变成“给机器读的结构化数据”。常见的清洗操作包括图层规整把散落在多个图层的同类实体合并或者按规则重新分层。实体去重图纸里经常有重叠的线条、重复的标注需要去重。文字识别与归一标注文字可能是 MTEXT、TEXT、属性块甚至炸开的线条需要统一提取。坐标归一不同图纸的坐标系原点不同需要统一到同一参考系。比例修正特别是从其他软件导入的图纸比例经常不对。比如 Pro/E 导入 DXF 时比例问题就是经典坑。这里分享一个实操技巧先用规则引擎做粗清洗再用 AI 做精分类。比如先用规则把所有图层名包含“墙”的实体提取出来再用模型判断哪些是承重墙、哪些是隔墙。纯靠 AI 从零开始分类准确率很难看纯靠规则又太死板换个设计院就失效。3.3 AI 模型选型别一上来就上大模型很多团队一提到 AI CAD第一反应是“上大模型”。我的建议是先想清楚任务类型再选模型。图纸分类、实体识别用 CNN 或 Vision Transformer 就够了不需要大模型。标注文字理解、语义提取可以用 BERT 类的小模型或者直接调 API。图纸问答、辅助设计可以考虑大模型但要做好 RAG检索增强生成否则模型会一本正经地胡说八道。参数化生成更多是优化问题遗传算法、拓扑优化可能比深度学习更合适。我见过一个团队用大模型做图纸实体分类结果推理成本是 CNN 的几十倍准确率还差不多。模型选型的核心原则是能用小模型解决的绝不上大模型能用规则解决的绝不硬上模型。4. 实操过程与核心环节实现一个可复现的落地流程4.1 环境准备与工具链搭建假设你要做一个“从 DXF 图纸中自动提取门窗表”的功能下面是我验证过的一套流程。工具链清单工具用途备注Python 3.10主语言生态最全ezdxfDXF 解析只支持 DXFOpenCV图像处理用于可视化调试scikit-learn传统 ML分类、聚类PyTorch深度学习如果需要FreeCAD几何验证可选用于三维校验安装命令pip install ezdxf opencv-python scikit-learn torch如果是处理 DWG需要先转 DXF。可以用 ODA File Converter免费但需要注册或者用 FreeCAD 的命令行模式转换freecadcmd -c import FreeCAD; FreeCAD.open(input.dwg); FreeCAD.saveAs(output.dxf)注意FreeCAD 转换 DWG 依赖外部库在 Windows 上配置比较麻烦Linux 下相对顺畅。如果转换失败优先检查 Teigha 或 ODA 的库是否装好。4.2 DXF 解析与实体提取的完整代码下面是一段我实际用过的代码功能是读取 DXF 文件提取所有 INSERT 实体通常是块引用门窗常用块表示并输出它们的属性。import ezdxf def extract_blocks(dxf_path): doc ezdxf.readfile(dxf_path) msp doc.modelspace() results [] for entity in msp.query(INSERT): block_name entity.dxf.name insert_point entity.dxf.insert attributes {} # 提取块属性 if entity.attribs: for attr in entity.attribs: attributes[attr.dxf.tag] attr.dxf.text results.append({ block_name: block_name, position: (insert_point.x, insert_point.y), attributes: attributes }) return results if __name__ __main__: blocks extract_blocks(sample.dxf) for b in blocks[:10]: print(b)这段代码能跑通的前提是图纸里的门窗确实是用块做的。如果设计院把门窗炸成了线条这段代码就提取不到任何东西。这时候就需要退回到“几何识别”方案用 OpenCV 把 DXF 渲染成图像再用轮廓检测找出门窗形状。4.3 从解析到 AI 分类的衔接提取到块之后下一步是分类。比如判断哪些块是门、哪些是窗、哪些是设备。如果块名规范比如“M-900”表示 900 宽的门用规则就能搞定。如果块名是“Block1”“Block2”这种就需要 AI 介入。我的做法是先用规则覆盖 70% 的常见情况剩下的 30% 用模型兜底。模型输入可以是块的几何特征宽高比、面积、线条数 属性文本输出是类别。用随机森林或 SVM 就能达到不错的效果样本量几百条就够。这里有个经验不要追求 100% 准确率。工程场景里AI 分类到 90% 准确率剩下 10% 人工复核整体效率已经提升很大了。追求 99% 准确率的成本可能是 90% 的十倍不划算。5. 常见问题与排查技巧实录5.1 格式兼容性问题速查表问题现象可能原因排查方法解决方案DXF 导入后尺寸不对单位设置错误检查 $INSUNITS 变量手动指定单位或按比例缩放DWG 转 DXF 后实体丢失动态块/自定义实体不支持对比转换前后实体数量用 ODA 转换器或保留原格式处理FreeCAD 导入 DXF 报错版本不兼容查看 FreeCAD 版本和 DXF 版本降级 DXF 版本或升级 FreeCAD图纸显示放射状乱线坐标溢出或单位错误检查实体坐标范围修正单位或重置坐标原点标注文字提取不到标注被炸开或用了自定义对象检查实体类型用几何识别替代文字提取5.2 几个让我印象深刻的坑第一个坑是“图纸比例”。有一次客户给了一张总图我按 1:1 解析结果所有尺寸都小了 100 倍。后来发现图纸是在模型空间按 1:100 画的但 DXF 里没有记录这个比例信息。解决办法是永远不要假设图纸是 1:1要么让客户提供比例信息要么用已知尺寸的实体比如标准图框反推比例。第二个坑是“多重引用插入”。有些图纸用了 XREF外部参照解析时只能看到参照的路径看不到实际内容。如果参照文件没一起给解析出来就是空的。这时候需要用 CAD 的“绑定”功能把参照合并到主图纸或者用支持 XREF 解析的库。第三个坑是“AI 模型的过度自信”。我们训练了一个门窗分类模型测试集准确率 95%上线后客户反馈“经常把门识别成窗”。排查发现测试集和实际图纸的分布不一样测试集里门和窗的块名规范实际图纸里块名乱七八糟。教训是测试集必须来自真实工程环境不能用整理过的数据。5.3 给准备入坑的团队几条实在建议第一先做数据盘点再做技术选型。花一周时间把客户给的样本图纸全部过一遍统计格式分布、版本分布、实体类型分布。这个工作看起来笨但能帮你省掉后面无数返工。第二把“格式转换”当成一个独立项目来做。不要觉得这是“预处理”它本身就是核心难点。DWG 转 DXF、EXB 转 DWG、不同版本互转每一个都值得单独写测试用例。第三AI 只做它擅长的事。规则能解决的用规则几何计算能解决的用几何计算AI 用来处理模糊的、需要语义理解的部分。混合方案比纯 AI 方案靠谱得多。第四留出人工复核的接口。工程场景里完全自动化的风险太高AI 出结果、人工确认的流程更容易被接受也更容易落地。6. 关于 FreeCAD 和开源方案的一些补充FreeCAD 是这个领域绕不开的话题。它的优势很明显开源、免费、有 Python API、支持 DXF/DWG通过外部库。但坑也很明显没有内置齿轮工具需要装 Gear 工作台、导入复杂 DXF 容易丢实体、DWG 支持依赖外部库且配置麻烦。我的使用体验是FreeCAD 适合做几何验证和二次开发不适合做高精度图纸解析。比如你可以用 FreeCAD 的 Python API 做参数化建模然后用它导出 DXF 给其他软件用。但如果你要解析一张复杂的建筑图纸FreeCAD 的 DXF 导入器可能会让你失望。如果团队预算有限我的建议是用 ezdxf 做 DXF 解析用 OpenCASCADE 做几何处理用 FreeCAD 做三维验证和可视化。这套组合基本能覆盖大部分需求成本也低。如果必须处理 DWG再考虑 ODA 的商业授权。最后分享一个我个人的判断AI CAD 的落地短期内不会以“全自动设计”的形式出现而是以“辅助工具”的形式渗透。比如自动标注、批量修改、图纸审查、格式转换这些“脏活累活”才是 AI 最先能创造价值的地方。那些 Demo 里炫酷的“一句话生成整张图纸”离工程化还有很长的路要走。但正是这些不起眼的辅助功能能实实在在帮工程师省下时间也更容易在真实项目里活下来。