AI+CAD工程化落地：从DWG解析到参数化建模的实战与避坑指南

1. 从Demo到工程：AI+CAD落地的真实鸿沟

1.1 为什么看起来什么都能做，实际却什么都做不成

过去两年，我参与过三个AI辅助CAD方向的预研项目，也帮朋友评估过不少号称“AI一键出图”的工具。一个非常普遍的体验是：打开任何一个演示视频，输入一句“画一个法兰盘”，屏幕上立刻生成一个带孔、带倒角的3D模型，旋转、缩放、渲染，行云流水。评论区一片“CAD要完了”“设计师要失业了”。但真正把同样的技术往实际工程项目里一放，问题就全冒出来了。

这个现象不是偶然的。AI+CAD的Demo之所以满天飞，是因为演示场景天然被裁剪过。演示者选的是最简单的零件、最标准的几何、最干净的输入。而真实工程场景里，图纸是带公差的、装配是有配合关系的、图层是混乱的、标注是带特殊符号的、甚至同一个DWG文件里还嵌着外部参照和光栅图像。Demo只需要“看起来对”，工程需要“每一处都对”。

我见过一个很典型的案例：某团队用大模型做“自然语言转CAD命令”，演示时输入“画一个半径50的圆，圆心在原点”，模型准确输出CIRCLE 0,0 50。但实际测试时，工程师输入“在A轴和B轴交点处画个R50的圆，跟旁边那个孔保持同轴”，模型直接懵了。因为“A轴”“B轴”“旁边那个孔”这些指代，需要理解图纸的语义结构，而不是简单的文本到命令的映射。

所以第一个核心结论是：AI+CAD的难点不在“生成”，而在“理解”。生成一个圆很容易，理解“这个圆在工程语境里代表什么”才是真正的门槛。

1.2 工程场景的四个硬约束

我把实际落地中遇到的约束归纳为四条，每一条都能单独杀死一个Demo。

第一条：精度约束。CAD不是画画，尺寸错了就是废品。Demo里生成一个“大概像”的模型可以打80分，工程里差0.01mm就是0分。AI模型尤其是生成式模型，本质是概率输出，它没有“精确”这个概念。你让它画一条长度100的线，它可能给你99.8，也可能给你100.3。在建筑概念方案阶段这无所谓，在机械加工图里这是致命的。

第二条：结构约束。一个零件不是孤立的。它要装配、要配合、要满足运动关系。Demo通常只展示单个零件，而工程里你改一个孔的直径，可能影响下游二十个零件的配合。AI目前很难理解这种跨文件的约束传播。

第三条：格式约束。工程界的数据格式极其顽固。DWG、DXF、STEP、IGES、Parasolid，每种格式都有自己的“方言”。更麻烦的是，很多老图纸是二维的，只有线条和标注，没有三维信息。AI要从这些“死线”里还原出设计意图，难度远超从零生成。

第四条：可解释性约束。工程师需要知道“为什么这么画”。AI给一个结果，但说不出推理过程，工程师就不敢用。这不是技术问题，是信任问题。一个不能解释自己输出的系统，在工程环境里永远只能当玩具。

1.3 当前技术栈的真实能力边界

把AI+CAD拆开看，涉及的技术模块大概有这些：自然语言理解、图纸解析、几何推理、约束求解、命令生成、结果校验。每个模块单独看都有进展，但串起来就掉链子。

自然语言理解这块，大模型确实强了，但工程语言有大量缩写、行话、省略。比如“打中心孔”不是真的打孔，是画中心线；“倒角C2”不是C2这个尺寸，是45度2mm倒角。这些领域知识，通用大模型没有。

图纸解析这块，OpenCascade、FreeCAD的OCCT内核能读STEP、IGES，但对DWG的支持一直是个痛点。DWG是闭源格式，Autodesk不开放完整规范，第三方库读出来的东西经常丢信息。我试过用几个开源库读同一个DWG，图层、颜色、线型能对上一半就不错了。

几何推理和约束求解，这是CAD的老本行，但AI介入后反而变弱了。传统参数化CAD用求解器保证约束满足，AI生成的结果经常过约束或欠约束。你让AI画一个“与圆相切的直线”，它可能画一条看起来相切但实际差0.5度的线。

命令生成反而是最简单的一环。只要前面理解对了，生成AutoLISP、Python脚本或者直接调API都不难。难的是前面。

2. 拆解一个真实落地尝试：从DWG到可编辑模型

2.1 项目背景与目标设定

去年我参与了一个小项目，目标是：给一批老旧的二维DWG图纸，自动生成对应的三维参数化模型。图纸是某类机械零件的加工图，大概两百多张，都是十几年前画的，图层混乱，标注风格不统一，有些还是扫描后矢量化出来的，线条断断续续。

目标听起来很明确，但拆开看就复杂了。首先得读DWG，然后识别出哪些线是轮廓、哪些是中心线、哪些是标注线。接着要理解视图关系，主视图、俯视图、剖视图之间的投影对应。然后从二维轮廓推断三维形状。最后生成参数化模型，还要保证尺寸跟标注一致。

我们一开始想得很美：用大模型读图纸，输出建模脚本。实际做起来发现，大模型根本“看”不懂DWG。它只能处理文本和图像，而DWG是矢量数据。把DWG转成图片再让大模型看，精度丢得一塌糊涂。一条0.5mm的线在图片里可能就一个像素宽，大模型根本分不清是轮廓还是噪点。

所以第一步就卡住了。后来换了个思路：先用传统CAD解析库把DWG里的几何数据提取出来，转成结构化数据，再让AI处理结构化数据。这个思路后来被证明是对的，但中间又踩了无数坑。

2.2 DWG解析：第一道鬼门关

DWG解析这块，我试过至少五种方案。直接说结论：没有完美的开源方案，只有根据场景取舍的方案。

方案	优点	缺点	适用场景
LibreDWG	开源，支持读写	对高版本DWG支持差，复杂实体丢失	简单二维图纸
ODA Teigha	商业库，支持全面	收费，授权复杂	商业项目
ezdxf	Python库，DXF支持好	只支持DXF，DWG需先转换	DXF为主的流程
AutoCAD COM	原生支持，精度高	依赖AutoCAD安装，慢	小批量高精度
自己写解析器	完全可控	工作量巨大，不现实	特定格式子集

我们最后选的是ezdxf + ODA转换的组合。先用ODA的工具把DWG转成DXF，再用ezdxf读。这样精度有保障，成本也可控。但这里有个坑：ODA转换会丢失一些自定义实体和代理对象。如果你的图纸里有第三方软件生成的特殊实体，转出来可能就变成空的了。

注意：DWG转DXF时，一定要检查“代理实体”和“自定义对象”的转换结果。很多图纸里的标注、符号都是代理实体，转丢了后面全白干。

解析出来的数据大概长这样：一堆LINE、ARC、CIRCLE、LWPOLYLINE，加上图层、颜色、线型。但这时候你面对的是一堆“死线”，没有语义。你不知道哪条线是轮廓，哪条是中心线，哪条是尺寸界线。

2.3 从线条到语义：AI能做什么，不能做什么

把线条变成有意义的工程元素，这一步我们尝试了两种路线。

路线一：规则引擎。靠图层名、线型、颜色来分类。比如“轮廓”图层上的实线是轮廓，“中心线”图层上的点划线是中心线。这个方法在规范图纸上很有效，但我们这批老图纸图层名五花八门，有的叫“0”，有的叫“图层1”，有的干脆所有线都在一个图层。规则引擎直接崩了。

路线二：AI分类。把线条的几何特征（长度、角度、曲率、相邻关系）和上下文特征（所在位置、与其他线的关系）喂给一个分类模型，让它判断这条线是什么。这个方法在测试集上准确率能到85%左右，但剩下15%的错误在工程上不可接受。而且模型是个黑盒，错了你也不知道为什么错。

最后我们用的是混合方案：规则引擎先做一轮，把高置信度的分类定下来；剩下的模糊案例交给AI，AI的输出再经过一轮几何一致性校验。比如AI说某条线是中心线，但这条线跟所有轮廓都不对称，那就打回去重新判断。

这里有个经验：AI在CAD里最适合做“候选生成”，不适合做“最终决策”。让AI给出三个可能的分类，然后用几何规则去验证哪个最合理。这样既利用了AI的模糊识别能力，又保证了最终结果的确定性。

2.4 二维到三维：投影关系的自动推断

从二维视图推断三维形状，这是经典的计算几何问题，也是AI能发挥价值的地方。传统方法靠三视图的投影规则，但实际图纸经常不符合标准投影关系。有的图纸只给两个视图，有的视图旋转了角度，有的剖视图位置随意放。

我们试过用大模型直接“看图说话”，让它描述三维形状。结果很糟糕：大模型会编造不存在的特征，而且对尺寸完全不敏感。你给它一个带孔的视图，它可能描述成“一个圆柱体”，完全忽略孔。

后来换了个思路：用AI做视图匹配，用几何算法做形状重建。具体来说，先用AI判断哪两个视图是相关的（比如主视图和俯视图），然后提取两个视图的轮廓特征点，用几何算法做投影匹配，重建出三维点云，再拟合出参数化形状。

这个流程里，AI只负责“哪两个视图是一对”这个判断，剩下的交给确定性算法。准确率一下子提上来了。而且因为最终形状是几何算法算出来的，尺寸精度有保障。

实操心得：不要指望AI端到端完成复杂工程任务。把任务拆成“AI擅长的模糊判断”和“算法擅长的精确计算”两部分，中间用结构化数据衔接，成功率会高很多。

3. 核心技术点深度拆解

3.1 DXF/DWG格式的坑与应对策略

DXF和DWG虽然都是CAD格式，但差别很大。DXF是文本格式（也有二进制版本），结构相对清晰，ezdxf这类库能处理得不错。DWG是二进制格式，版本众多，从R12到最新的2018+，每个版本都有变化。

我踩过的几个典型坑：

坑一：坐标系统。DXF里的坐标有WCS（世界坐标系）和OCS（对象坐标系）之分。很多实体比如圆、弧，它们的坐标是定义在OCS里的，需要经过“任意轴算法”转换到WCS。如果你直接拿OCS坐标当WCS用，画出来的东西位置全错。这个坑我调了整整两天才找到原因。

坑二：块引用和属性。图纸里的标准件、符号通常是块引用（INSERT），块里面还有属性（ATTRIB）。解析的时候要把块展开，把属性提取出来。但块可以嵌套，可以带旋转和缩放，展开逻辑很复杂。更麻烦的是，有些块是“匿名块”，名字是*U开头的，这些通常是标注或填充生成的，处理方式不一样。

坑三：样条曲线和椭圆。DXF里的SPLINE和ELLIPSE实体，参数化程度很高，直接转成多段线会丢失精度。但如果保留原始参数，后续几何算法又不好处理。我们的做法是：根据曲率自适应采样，在曲率大的地方多采点，曲率小的地方少采点，保证拟合误差小于0.01mm。

坑四：文字和标注。标注（DIMENSION）在DXF里是一个复合实体，包含尺寸线、尺寸界线、箭头、文字。解析的时候要把这些子实体拆出来，还要理解它们之间的关联。更麻烦的是，标注文字可能是被覆盖过的，实际显示值和测量值不一致。这个在工程上很常见，但AI很难判断哪个是“真值”。

应对这些坑，我的建议是：不要试图写一个通用解析器。针对你的具体图纸类型，写一个专用解析器，把不需要的实体直接忽略，只提取你关心的那几类。通用解析器看起来很美，但维护成本极高，而且永远有处理不完的边界情况。

3.2 FreeCAD在AI+CAD流程中的角色定位

FreeCAD在这个流程里扮演的是“几何引擎”和“验证工具”的角色。它本身有Python API，可以脚本化建模，也可以做几何运算和约束求解。

我们主要用FreeCAD做三件事：

第一，几何验证。AI生成的模型，用FreeCAD的几何检查工具跑一遍，看有没有自相交、有没有开放边、有没有零厚度面。这些检查在FreeCAD里都有现成的API，比自己写快得多。

第二，约束求解。从二维推断出三维形状后，需要加上尺寸约束和几何约束，让模型变成参数化的。FreeCAD的Sketcher模块有约束求解器，可以把“大概形状”变成“精确形状”。

第三，格式转换。FreeCAD支持STEP、IGES、STL等多种格式的导入导出，可以作为格式转换的中间层。

但FreeCAD也有坑。它的Python API文档不全，很多功能要靠读源码才能搞明白。而且不同版本的API有变化，升级版本经常导致脚本报错。我们的做法是锁定一个稳定版本，不轻易升级。

注意：FreeCAD的约束求解器在复杂草图下可能失败或给出错误结果。建议把复杂草图拆成多个简单草图，分别求解后再组合。

3.3 大模型在工程语义理解中的正确用法

大模型在AI+CAD里最有价值的场景，不是生成几何，而是理解工程语义。具体来说：

场景一：图纸标题栏和明细表提取。标题栏里有零件名称、材料、数量、图号等信息，格式五花八门。用传统OCR+规则提取，准确率很低。用大模型做信息抽取，配合少量标注数据，准确率能到95%以上。

场景二：技术要求理解。图纸上经常有“技术要求”文字，比如“未注圆角R2”“热处理HRC40-45”“去毛刺”。这些文字影响加工和检验，但传统CAD系统不处理。大模型可以提取这些要求，结构化后关联到模型上。

场景三：设计意图推断。比如看到一组孔呈圆周分布，大模型可以推断“这是法兰连接孔”，然后建议用阵列特征建模。这种语义级别的理解，传统算法很难做到。

但大模型也有明显的短板。它对数值不敏感，你问它“这个孔直径多少”，它可能从文字里读到“Φ10”然后告诉你10，但如果你问它“这个孔和那个孔的距离”，它需要做几何计算，就容易出错。所以数值计算一定要交给确定性算法，大模型只做语义层面的判断。

3.4 参数化建模的自动生成策略

从识别出的几何和语义，生成参数化模型，这一步的核心是特征识别和特征树构建。

传统CAD建模是“画草图→拉伸→打孔→倒角”，每一步都是一个特征。AI要做的，是从最终的几何形状反推出特征树。这其实是一个“逆向工程”问题。

我们的做法是：

1. 基础形状识别。用几何算法识别出基础体（圆柱、长方体、球等）。
2. 特征操作识别。识别出孔、槽、倒角、圆角等特征操作。
3. 特征顺序推断。根据几何依赖关系，推断特征的先后顺序。比如先有基础体才能打孔，先打孔才能倒角。
4. 参数提取。从标注和几何中提取每个特征的参数值。
5. 生成建模脚本。用FreeCAD或OpenCascade的API生成建模脚本。

这个流程里，第3步最难。特征顺序不是唯一的，不同的顺序可能得到相同的最终形状，但参数化行为不同。比如先倒角再打孔和先打孔再倒角，结果可能一样，但改参数时行为不同。AI很难判断哪个顺序是“设计意图”。

我们的妥协方案是：生成多个候选特征树，让工程师选。系统给出2-3个合理的建模顺序，工程师根据经验选一个。这样既利用了AI的自动化能力，又保留了工程师的决策权。

4. 实操全流程：从一张DWG到可编辑模型

4.1 环境准备与工具链搭建

先列一下我们实际用的工具链：

• Python 3.10：主语言，生态好，库多。
• ezdxf：DXF解析，版本1.0+。
• ODA File Converter：DWG转DXF，免费版够用。
• FreeCAD 0.20：几何引擎和验证，锁定版本。
• OpenCascade 7.6：底层几何运算，FreeCAD自带。
• PyTorch：AI模型推理，用CPU版就行，不需要GPU。
• 大模型API：用于语义理解，选支持结构化输出的。

安装这块，ezdxf和FreeCAD都有pip包，但FreeCAD的pip包功能不全，建议直接装FreeCAD应用，然后用它的Python环境。OpenCascade在FreeCAD里已经集成了，不用单独装。

注意：FreeCAD的Python版本可能跟你系统的Python版本不一致。建议用FreeCAD自带的Python解释器跑脚本，避免版本冲突。

4.2 DWG批量转DXF与预处理

批量转换用ODA File Converter的命令行模式：

ODAFileConverter "输入目录" "输出目录" ACAD2018 DXF 0 1 "*.dwg"

参数说明：ACAD2018是输出DXF的版本，0表示不递归子目录，1表示输出为ASCII DXF。

转换完成后，用ezdxf做预处理：

import ezdxf doc = ezdxf.readfile("output.dxf") msp = doc.modelspace() # 提取所有实体 entities = [] for e in msp: entities.append({ "type": e.dxftype(), "layer": e.dxf.layer, "color": e.dxf.color, "linetype": e.dxf.linetype, "handle": e.dxf.handle }) # 按图层统计 from collections import Counter layer_count = Counter([e["layer"] for e in entities]) print(layer_count)

这一步的目的是摸清图纸的“底细”：有多少图层、多少实体、主要是什么类型。根据统计结果，决定后续的解析策略。

4.3 几何特征提取与AI语义标注

几何特征提取包括：端点坐标、长度、角度、曲率、闭合性、相邻关系。这些用ezdxf和Shapely可以算出来。

from shapely.geometry import LineString import math def extract_features(entity): if entity.dxftype() == "LINE": start = entity.dxf.start end = entity.dxf.end length = math.dist(start, end) angle = math.degrees(math.atan2(end.y - start.y, end.x - start.x)) return {"length": length, "angle": angle} elif entity.dxftype() == "ARC": radius = entity.dxf.radius start_angle = entity.dxf.start_angle end_angle = entity.dxf.end_angle return {"radius": radius, "arc_angle": end_angle - start_angle} # 其他类型类似处理

AI语义标注这块，我们把几何特征和上下文特征拼成一个文本描述，让大模型分类：

实体类型：LINE 长度：45.2mm 角度：0度 所在图层：轮廓 相邻实体：与两条垂直线相连，形成一个闭合矩形 请判断这条线在工程图中的角色：轮廓线/中心线/尺寸线/剖面线/其他

大模型返回分类结果，我们再跟几何规则做交叉验证。

4.4 三维重建与参数化脚本生成

三维重建的核心是视图匹配和投影反算。假设我们已经识别出主视图和俯视图，提取出两个视图的轮廓点集，然后：

1. 对主视图的每个特征点，在俯视图中找对应的投影点。
2. 根据两个视图的坐标，反算出三维坐标。
3. 用三维点云拟合参数化形状。

import numpy as np from scipy.optimize import least_squares def reconstruct_3d(front_points, top_points): # front_points: [(x, y), ...] 主视图点 # top_points: [(x, z), ...] 俯视图点 # 假设两个视图共享x坐标 points_3d = [] for fp in front_points: x, y = fp # 在俯视图中找x最接近的点 closest = min(top_points, key=lambda tp: abs(tp[0] - x)) z = closest[1] points_3d.append((x, y, z)) return np.array(points_3d)

参数化脚本生成用FreeCAD的Python API：

import FreeCAD import Part import Sketcher doc = FreeCAD.newDocument("Reconstructed") sketch = doc.addObject("Sketcher::SketchObject", "Sketch") # 添加几何 sketch.addGeometry(Part.LineSegment( FreeCAD.Vector(0, 0, 0), FreeCAD.Vector(50, 0, 0) )) # 添加约束 sketch.addConstraint(Sketcher.Constraint("DistanceX", 0, 1, 50)) doc.recompute() doc.saveAs("reconstructed.FCStd")

4.5 结果验证与人工复核

自动生成的结果必须经过验证。我们做了三层验证：

第一层：几何验证。检查模型是否闭合、是否有自相交、是否有零厚度面。FreeCAD的Part.check()可以跑这些检查。

第二层：尺寸验证。把模型的关键尺寸跟图纸标注对比，误差超过0.01mm就报警。

第三层：人工复核。工程师在FreeCAD里打开模型，跟原图纸对照，确认无误后签字。

这三层里，人工复核最耗时但也最重要。我们统计过，自动生成的模型大概有70%能直接通过，20%需要小修，10%需要重做。这个比例比纯人工建模已经好很多了，但离“全自动”还很远。

5. 常见问题与排查技巧实录

5.1 DWG解析类问题速查

问题现象	可能原因	排查方法	解决方案
实体丢失	代理实体未转换	对比原图和DXF的实体数量	用ODA转换时勾选“转换代理实体”
坐标偏移	OCS/WCS混淆	检查实体的extrusion方向	用ezdxf的ocs()方法转换
文字乱码	编码问题	检查DXF的$DWGCODEPAGE	指定正确编码读取
块引用未展开	嵌套块	递归展开所有INSERT	用explode()方法
样条曲线变形	采样精度不足	对比原始曲线和拟合曲线	提高采样密度

5.2 AI模型误判的典型模式

AI在CAD语义理解中，有几个反复出现的误判模式：

模式一：把标注线当轮廓线。标注线和轮廓线都是直线，几何特征相似。AI容易混淆。解决办法是加入上下文特征：标注线通常有箭头和文字，轮廓线通常形成闭合区域。

模式二：把中心线当轮廓线。中心线通常是点划线，但有些图纸线型设置不规范，中心线看起来像实线。解决办法是检查线型定义，如果线型名包含“CENTER”或“中心”，优先判断为中心线。

模式三：把剖面线当轮廓线。剖面线是密集的平行线，AI可能把每条线都当轮廓。解决办法是做密度分析，如果某个区域内线条密度超过阈值，判定为填充区域。

模式四：把视图边框当零件轮廓。有些图纸有图框和标题栏，AI可能把图框线当零件轮廓。解决办法是先做图框识别，把图框区域排除。

5.3 三维重建失败的排查思路

三维重建失败通常表现为：形状明显不对、尺寸偏差大、特征丢失。排查顺序：

1. 检查视图匹配是否正确。如果主视图和俯视图配错了，后面全错。
2. 检查特征点提取是否准确。轮廓点提取有噪声，重建结果就会扭曲。
3. 检查投影关系假设是否成立。如果图纸不是标准投影，需要先做视角校正。
4. 检查拟合算法是否收敛。最小二乘可能陷入局部最优，换用RANSAC试试。

实操心得：三维重建失败时，先把中间结果可视化出来。把提取的轮廓点、匹配关系、重建的点云都画出来看，往往一眼就能找到问题。

5.4 性能优化与批量处理技巧

两百张图纸，如果每张都跑完整流程，时间很长。我们做了这些优化：

并行处理。DWG转DXF是IO密集型，用多进程并行。AI推理是计算密集型，用批处理。

缓存中间结果。解析后的几何数据、AI分类结果都存成JSON，下次直接读，不用重跑。

增量处理。如果只是修改了部分图纸，只重跑修改过的。

失败快速跳过。设置超时和重试次数，失败的图纸记录下来，不阻塞整体流程。

实测下来，两百张图纸从解析到生成模型，单机大概需要4-6小时。其中DWG转DXF占30%，AI推理占40%，几何计算占20%，验证占10%。

6. 落地建议与个人体会

6.1 什么场景适合现在做，什么场景再等等

根据我的经验，AI+CAD落地要分场景看：

适合现在做的：

• 图纸格式相对规范，图层清晰。
• 零件类型单一，特征重复度高。
• 对精度要求不是极高，允许人工复核。
• 有大量历史图纸需要数字化，人工建模成本太高。

建议再等等的：

• 图纸极度混乱，没有规律可循。
• 零件复杂度高，特征组合千变万化。
• 精度要求极高，不允许任何误差。
• 需要实时交互，对速度要求苛刻。

6.2 团队配置和技能要求

做AI+CAD落地，团队需要三类人：

CAD领域专家。懂图纸、懂工艺、懂标注规范。这个人负责定义“什么是对的”，以及做最终验证。

几何算法工程师。懂计算几何、懂CAD内核、懂数值计算。这个人负责把几何问题转化成算法。

AI工程师。懂大模型、懂分类模型、懂数据处理。这个人负责语义理解和特征识别。

三类人缺一不可。我见过只有AI工程师的团队，做出来的东西工程师不敢用；也见过只有CAD专家的团队，做出来的东西自动化程度太低。

6.3 我踩过的最大的三个坑

第一个坑：试图用大模型端到端解决问题。一开始我们想让大模型直接读DWG文件，输出建模脚本。折腾了一个月，发现大模型根本处理不了矢量数据。后来改成“传统解析+AI语义+几何算法”的分层架构，才走通。

第二个坑：忽视图纸的“脏数据”。我们拿规范图纸做测试，效果很好。换到实际图纸，准确率直接掉一半。后来花了大量时间做数据清洗和异常处理，才把准确率拉回来。

第三个坑：没有尽早引入人工复核。我们一开始想追求全自动，结果错误率下不来。后来改成“自动生成+人工复核”，整体效率反而更高。因为人工复核只需要几分钟，而全自动调试可能花几小时。

6.4 后续可以扩展的方向

这个项目做完后，我觉得有几个方向值得继续探索：

方向一：从二维图纸扩展到三维模型。现在很多新设计直接是三维的，从STEP/IGES模型提取特征，比从二维图纸容易得多。

方向二：加入工艺知识。现在的系统只理解几何，不理解工艺。如果能加入加工知识，比如“这个孔太深了，钻头够不到”，就能给出更有价值的建议。

方向三：与PLM/PDM系统集成。生成的模型直接入库，关联到物料、BOM、工艺路线，形成完整的数据流。

方向四：主动学习。让系统从工程师的修改中学习，不断优化分类和重建策略。

最后分享一个小技巧：如果你也在做类似的项目，建议先从单一零件类型入手，把这一类做到90%以上的准确率，再扩展到其他类型。贪多嚼不烂，在AI+CAD这个领域尤其如此。