HeDouAgent：基于自生长与技能库复用的CAD智能代理实践

你有没有过这样的经历：面对一个复杂的专业软件，比如 AutoCAD 或中望 CAD，想实现一个自动化操作，却发现自己要么得写一堆冗长的脚本，要么得在菜单和命令行里反复横跳，效率低下不说，还容易出错。更头疼的是，好不容易写好的脚本，换个场景、换个文件，可能就不好使了，复用性极差。这几乎是所有 CAD 工程师、设计师和二次开发者的日常痛点。

今天要聊的HeDouAgent，不是一个简单的“AI帮你画图”的玩具，而是一个试图从根本上改变这种工作模式的“智能代理”。它最吸引我的地方，不是它宣称的“40+功能”，而是标题里提到的两个核心概念：“自生长”与技能库复用。这听起来有点抽象，但翻译成工程师能懂的语言就是：如何让一个AI助手，不仅能执行预设好的任务，还能自己学习新技能，并且把这些技能像乐高积木一样，灵活地组合、复用到新的、未知的场景中去。

这恰恰是当前很多所谓“AI助手”的软肋。它们往往是“一次性”的，针对特定任务训练，一旦需求稍有变化，就得重新训练或开发，成本高昂。而 HeDouAgent 的设计思路，似乎指向了一条更可持续、也更符合工程实践的道路。接下来，我们就抛开营销话术，从一线开发者的视角，拆解一下这个“自生长”与“技能库复用”到底是怎么一回事，以及它对我们实际工作流可能带来的真正改变。

1. 从“功能列表”到“技能引擎”：理解 HeDouAgent 的核心定位

很多人第一眼看到“40+功能”，会下意识地把它归类为一个“大号插件集合”。如果仅仅是这样，那它的价值就非常有限，因为市面上从来不缺功能丰富的插件。HeDouAgent 的野心显然不止于此。它的核心，我认为是一个“技能定义与执行引擎”。

1.1 技能（Skill）是什么？不只是功能封装

在 HeDouAgent 的语境里，一个“技能”远不止是一个封装好的函数。它至少包含三个层次：

1. 意图理解层：AI 需要理解用户用自然语言描述的请求。比如，“把这张图纸里所有标注为‘M10’的螺栓换成‘M12’”。这不仅仅是关键词匹配，而是理解“图纸”、“标注”、“螺栓”、“换成”这些概念及其关系。
2. 参数解析与验证层：从用户描述中提取出可执行的参数。例如，识别出“M10”是原参数，“M12”是目标参数，并确认这些参数在 CAD 环境中是有效的（比如，是否存在 M12 的螺栓图块或样式）。
3. 动作执行层：调用底层的 CAD API（无论是 AutoCAD 的 .NET/ObjectARX，还是中望的 ZRX），以正确的顺序和逻辑执行一系列操作，完成替换工作，并处理可能出现的异常（如找不到对应图元）。

一个成熟的技能，必须能稳健地处理这三层。HeDouAgent 提供的“40+功能”，可以看作是它出厂预置的、经过验证的“基础技能包”。这些技能覆盖了常见的批量修改、图纸检查、数据提取、格式转换等场景。

1.2 “自生长”的机制：如何让 AI 自己学会新技能？

这才是最有趣的部分。所谓“自生长”，并不是指 AI 有了意识，自己凭空创造代码。在工程上，它更可能指的是以下几种机制的组合：

• 示范学习（Learning from Demonstration）：用户通过图形界面或自然语言引导 AI 完成一次复杂操作，AI 记录下操作序列（鼠标点击、命令输入、对象选择等），并将其抽象、参数化，封装成一个新的“技能”。例如，你手动演示了一遍“如何将特定图层上的所有圆移动到另一个图层并更改颜色”，AI 学会后，下次你就可以用一句话让它批量执行。
• 代码生成与集成：对于更复杂的逻辑，AI 可以根据用户描述，生成或组合出一段可执行的脚本代码（如 LISP, .NET），并将其注册为新的技能。这要求 AI 对 CAD API 有深入的理解。
• 技能组合（Skill Composition）：将已有的基础技能像搭积木一样组合起来，形成更复杂的复合技能。例如，“先执行‘查找所有标注’技能，再对结果执行‘批量修改文字’技能”，这个组合过程本身可以被保存为一个新的高级技能。

“自生长”的关键在于闭环：新技能被创建后，必须能加入统一的技能库，接受同样的调度、管理和调用。这意味着系统需要一个强大的技能描述、存储和发现机制。这很可能就是“SkillHub”这个概念要解决的问题——一个集中化的技能仓库。

1.3 技能库复用：打破“一次编写，一次使用”的魔咒

传统脚本最大的问题是上下文绑定太死。一个用于处理A图纸的脚本，很难直接用于B图纸，因为图层名、块名、标注样式可能完全不同。

HeDouAgent 的技能库复用，理想状态下应该解决这个问题：

1. 参数化与泛化：技能的定义必须是高度参数化的。不是硬编码“图层0”，而是接受一个“目标图层名”参数。AI 在创建或调用技能时，需要从当前图纸的上下文中自动推断或向用户询问这些参数。
2. 上下文感知：技能执行时，能感知当前图纸的环境（如打开的文档、当前空间、用户坐标系），并自适应地调整。比如，“选择所有文字”技能，在模型空间和布局空间的行为应该是一致的。
3. 技能发现与推荐：当用户提出一个新需求时，AI 不仅能直接调用完全匹配的技能，还能从技能库中检索出功能相近或可组合的技能推荐给用户。例如，用户想“汇总图纸中的设备清单”，AI 可能推荐“提取属性文字”+“导出到表格”这两个技能的复合。

如果真能做到这一点，那么价值就巨大了。它意味着个人和团队的知识与经验（体现为一个个技能）可以被沉淀、共享和迭代，而不仅仅是散落在各个脚本文件里。

2. 实操推演：HeDouAgent 可能如何工作？

虽然项目正文是空的，但结合标题和热词，我们可以基于常见的 AI 代理架构和 CAD 二次开发经验，推演一个合理的工作流程。这对于我们评估其可行性和思考自己的应用场景至关重要。

2.1 环境搭建与基础连接

任何 CAD 的 AI 助手，第一步都是建立与 CAD 进程的通信桥梁。这通常通过以下几种方式：

• 进程间通信（IPC）：独立的 Agent 程序通过 COM/.NET API 与 AutoCAD 或中望 CAD 交互。
• 插件内嵌：将 AI 引擎（如本地运行的 LLM）直接封装在 CAD 插件（.dll 或 .bundle）中。
• 混合架构：本地轻量级代理处理 UI 交互和简单逻辑，复杂推理请求发送到更强大的后端服务（可以是本地或云端）。

对于注重数据安全和稳定性的工程环境，本地模型（如通过“ai代理助手加本地模型”热词推测）可能是更受青睐的选择。这意味着你需要部署一个本地的大型语言模型，HeDouAgent 作为中间件，将用户指令、CAD 上下文信息发送给本地模型，并解析模型的输出为可执行动作。

一个典型的启动流程可能是：

1. 在 CAD 中加载 HeDouAgent 插件。
2. 插件启动一个本地服务，连接预先部署好的本地 AI 模型。
3. 在 CAD 界面中出现一个对话面板或命令入口。
4. 用户通过自然语言发出指令。

2.2. 单次技能调用流程

让我们模拟一个用户指令：“把当前布局中所有视口比例设置为1:100”。

1. 指令接收与解析：HeDouAgent 将用户指令发送给 AI 模型。模型需要理解：“当前布局”、“所有视口”、“比例”、“设置为”、“1:100”。
2. 技能匹配：AI 在内部技能库中搜索。可能匹配到预置的“修改视口比例”技能，或者更通用的“批量修改对象属性”技能。
3. 参数绑定：AI 将解析出的语义元素绑定到技能参数上。例如，目标对象类型=视口，过滤条件=在当前布局中，属性名=自定义比例，目标值=100（CAD 中比例常以数字表示，1:100 对应比例因子 100）。
4. 上下文查询与确认：AI 可能需要通过 CAD API 查询当前确实处于布局空间，并列出找到的视口数量，向用户确认：“找到 5 个视口，是否全部修改？”
5. 动作执行：获得确认后，HeDouAgent 调用底层的 CAD API，遍历当前布局中的所有视口，将其“自定义比例”属性设置为 100。
6. 结果反馈：执行完成后，在对话面板中反馈：“已完成，成功修改 5 个视口的比例。”

这个过程看似简单，但其中每一步都充满挑战：自然语言理解的准确性、技能匹配的精准度、参数绑定的正确性、异常处理（例如，有些视口可能被锁定）等。

2.3. “自生长”流程示例：创建新技能

假设用户经常需要做一项操作：“将选定多段线的顶点坐标导出为 CSV 文件”，但技能库里没有。

• 方式一：示范录制

  1. 用户点击“开始录制新技能”按钮。
  2. 用户手动操作：选择一条多段线 -> 输入LIST命令查看顶点坐标 -> 复制数据到文本编辑器 -> 整理成 CSV 格式 -> 保存文件。
  3. 用户点击“结束录制”，并为技能命名，如“导出多段线顶点”。
  4. HeDouAgent 分析录制到的 API 调用序列（如GetPolylineVertices），将其抽象成一个可参数化的技能：输入参数为“多段线对象”，输出为“CSV 文件路径”。
  5. 新技能被存入个人或团队技能库。

• 方式二：自然语言描述生成

  1. 用户对 AI 说：“我想创建一个新技能，功能是：用户选择一个多段线，然后把这个多段线所有顶点的 X, Y, Z 坐标导出到一个 CSV 文件里，文件以多段线的图层名命名，保存在桌面。”
  2. AI 理解需求，分析出需要调用AcDbPolyline对象的顶点获取方法、坐标迭代、文件写入等操作。
  3. AI 生成或组装一段执行此任务的代码（可能是 LISP 或 .NET 代码片段），并将其包装成一个新的技能函数，注册到技能库。
  4. AI 可能会要求用户提供一次“示例运行”来验证技能的正确性。

无论哪种方式，核心都是将一次性的、手动的操作，转化为一个可重复调用、可参数化的“技能对象”。

3. 工程化思考：落地 HeDouAgent 需要跨越哪些坎？

理想很丰满，但作为一个需要融入严肃生产环境的工具，我们必须冷静地看待其工程化落地的挑战。这不仅仅是技术问题，更是工作流和信任问题。

3.1 稳定性与安全性：AI 会“乱来”吗？

这是所有 AI 辅助工具面临的首要质疑。

• 不可逆操作：CAD 操作很多是不可逆的，尤其是保存后。一个错误的“全选删除”或“批量覆盖”可能导致灾难性后果。因此，HeDouAgent必须内置安全机制：
  • 模拟运行（Dry Run）：对于高风险操作，先提供预览，不实际修改图形。
  • 操作确认：对于影响大量图元的操作，强制要求用户确认。
  • 事务与回滚：利用 CAD 数据库的事务机制，确保一组操作要么全部成功，要么全部回滚。
  • 权限分级：区分“只读”、“询问后修改”、“直接修改”等不同权限级别的技能。
• 理解偏差：自然语言歧义是永恒的难题。“把红色的线删掉”是指颜色为“Red”的线，还是位于“红色图层”上的线？工程中必须有一套清晰的交互澄清机制，当 AI 不确定时，能通过图形预览（高亮相关对象）或简单选择题来让用户确认。
• 本地模型能力：如果依赖本地模型，其代码生成、逻辑推理和理解专业术语的能力是否足够强？这直接决定了技能的可靠性和“自生长”的实用性。可能需要针对 CAD 领域进行专门的微调。

3.2 技能管理的复杂性

技能库一旦建立起来，管理就成了大问题。

• 技能版本控制：技能优化了怎么办？如何保证团队使用的是最新、最稳定的版本？
• 技能冲突与覆盖：两个技能同名怎么办？个人技能和团队技能优先级如何？
• 技能发现与文档：当技能库有上百个技能时，用户如何快速找到想要的？每个技能需要有清晰的名称、描述、输入输出参数说明、使用示例，甚至视频演示。这催生了“SkillHub”的潜在形态——一个带有搜索、评分、分类、文档功能的技能市场或内部仓库。
• 技能依赖与环境：某些技能可能依赖特定的图纸模板、图层标准或外部库。如何管理这些依赖，确保技能在不同环境中都能运行？

3.3 与现有工作流的整合

HeDouAgent 不应该是一个孤岛。

• 与传统脚本/插件的共存：企业已有大量成熟的 LISP、.NET 插件。HeDouAgent 能否直接调用这些现有代码作为“技能”？这需要一套灵活的适配器接口。
• 与设计规范/标准的结合：很多操作不是随意的，要符合公司或项目的 CAD 制图标准。AI 技能的执行结果，是否需要自动通过标准检查？技能本身能否从标准文件中读取约束条件（如图层映射表）？
• 与 PDM/PLM 系统的联动：真正的工程价值在于流程自动化。例如，技能“从图纸中提取 BOM 表并更新到 ERP 系统”，这就需要 HeDouAgent 能与企业其他系统交互。

4. 未来展望：从“AI助手”到“设计协作者”

如果 HeDouAgent 的“自生长”和“技能库复用”理念能扎实落地，它带来的改变将远超一个效率工具。

1. 经验资产化：资深工程师处理复杂图纸的“手艺”和“经验”，可以被沉淀为一个个可复用的技能，赋能给初级工程师，降低团队能力方差。
2. 设计流程再造：一些重复性高、规则明确的图纸检查和修改工作，可以逐步交给 AI 代理。工程师可以更专注于创造性的设计和复杂的决策。
3. 降低二次开发门槛：非专业程序员的设计师，也能通过自然语言和示范，创建出满足自己特定需求的小工具，实现真正的“全民开发”。
4. 智能设计的雏形：更进一步，AI 不仅能执行指令，还能基于规则和约束进行推导和提议。例如，用户说“我想在这里开一个设备安装孔”，AI 可以基于周围的管线布局和规范，自动推荐几个符合安全间距的孔位方案供用户选择。

当然，这条路还很长。当前的 HeDouAgent 或其他类似工具，很可能还处于“40+预设功能”和“有限自生长”的早期阶段。但它的方向是对的——将 AI 从“魔术黑箱”转变为可积累、可管理、可信任的“技能引擎”。

对于我们使用者来说，不必等待一个完美的终极工具。可以从今天开始思考：我工作中哪些重复性操作可以抽象成“技能”？现有的脚本和工具如何更好地被管理和复用？当未来这样的平台成熟时，你积累的“技能思维”和“流程意识”，将成为你驾驭它的最大优势。

技术的演进，最终是为了释放人的创造力。HeDouAgent 所代表的路径，或许正是将我们从繁琐、重复的软件操作中解放出来，让我们能更专注于设计本身的那把钥匙。而这一切的起点，就是理解并实践“自生长”与“复用”这两个朴素而强大的概念。