高级技术架构概述

在本文中，我将介绍专业人士如何利用 AI 在 AutoCAD 中创建 2D 对象以及在 Autodesk Fusion 中创建 3D 对象。其目标不是取代人类的专业知识，而是实现约 80% 工作的自动化，让设计师和工程师专注于改进和创造性决策。

我使用 LlamaIndex 和 Vertex AI 框架创建了一个 RAG 流程。代码完全由 LLM 从头开始生成，并且在编译时遇到错误时能够进行调试。在本文结束时，您将看到 AI 生成的 CAD 对象的真实示例，包括轴流涡轮叶轮、螺栓和外壳蓝图。

AI辅助CAD工作流程包括四个主要阶段：

1. 初始化和配置
2. 文档解析和向量索引
3. 查询转换和代码生成
4. 代码验证和执行

让我们详细探讨每个阶段。

初始化 Google Vertex AI 环境。

在这里您需要配置所有必要的 GCP 资源。您需要创建并配置您的向量搜索索引和端点。创建后，将您的向量搜索索引部署到您的端点。在此过程中，我使用 Google 的 LLM 和嵌入模型。
*如果您使用的是 Google 服务，则需要更改 LlamaIndex 设置

以下是我的配置示例：

## 向量搜索索引参数
distance_measure_type= "DOT_PRODUCT_DISTANCE" , 
precise_neighbors_count=150, 
shard_size= "SHARD_SIZE_SMALL" , 
index_update_method= "STREAM_UPDATE" 

## 将向量搜索索引部署到端点
display_name=VS_INDEX_NAME, 
machine_type= "e2-standard-16" , 
min_replica_count=1, 
max_replica_count=1, 

##Gemini 2.0 Pro
 llm = Gemini( 
    model= "models/gemini-2.0-pro-exp" , 
    temperature=0.1, 
    max_output_tokens=8192, 
) 

## 文本嵌入模型
embed_model = VertexTextEmbedding( 
    model_name= "textembedding-gecko@003" , 
    project=PROJECT_ID, 
    location=REGION, 
    credentials=credentials 
) 

##更改Llamaindex 从 OpenAI 到 Google Models 的默认设置
Settings.embed_model = embed_model 
Settings.llm = llm 

#### 以下代码将向您显示所有可用的 LLM ####
 for m in genai.list_models(): 
    if "generateContent" in m.supported_generation_methods: 
        print(m.name)

骆驼指数

我们使用Llama Parser从 PDF 文件中提取数据。这个强大的工具可以免费使用 - 只需在 Llama Cloud 上创建一个帐户即可生成您的 API 密钥。您可以在此处了解有关 Llama Parser 的更多信息。

对于元数据，您可以为每个文件定义自己的元数据，也可以利用 LlamaIndex 的内置工具，例如MetadataMode，它可以使用相关元数据自动标记文档。

使用SimpleDirectoryReader加载文档后，我们使用VectorStoreIndex将它们插入到向量索引中。此过程将文本数据存储为嵌入向量，从而使检索更加高效。

最后一步是创建检索器和查询引擎，使系统能够有效地搜索和返回相关信息。

以下是我的配置示例：

## 设置文档解析器
llamaparse_api_key = "_____"
 parser = LlamaParse( 
    api_key=llamaparse_api_key, 
    result_type= "markdown"
 ) 

## 加载文档
documents = SimpleDirectoryReader( 
    input_files=pdf_files, 
    file_extractor={ ".pdf" : parser} 
).load_data() 

## 将文档加载到向量索引中
vector_index = VectorStoreIndex.from_documents( 
    processed_documents, 
    storage_context=storage_context 
) 

## 创建检索器
index = VectorStoreIndex.from_documents([], storage_context=storage_context) 
trieser = index.as_retriever(similarity_top_k=5)   # 根据需要调整 K 

## 创建查询引擎
query_engine = RetrieverQueryEngine(retriever=retriever)

用户输入

虽然本文重点介绍 AI 工作流程而非 UI 设计，但我构建了一个轻量级 Gradio 界面来展示真实世界的可用性。您将在本文后面通过 GIF 看到它的实际效果。

查询转换

当用户提交查询时，生成 CAD 对象的过程就开始了。此查询通过我的自定义transform_query()函数进行增强，该函数执行以下操作：
1. 参数提取
2. 导出说明
3. 代码结构要求
4. 错误上下文（如果 适用）

向量搜索决策

系统在 Vertex 索引中搜索类似示例（基于相似分数）。根据搜索结果，系统将遵循以下两条路径之一：

• 如果找到匹配项：系统利用矢量搜索结果来增强代码生成。
• 如果没有找到匹配项：它将依靠 LLM 的内置知识，使用带有详细说明的转换后的查询，同时仍然受益于增强的查询上下文。

代码清理

代码生成后，将经过清理过程：

• 格式化并清理生成的代码
• 修复常见的拼写错误和模式
• 确保正确的导入和结构
• 处理参数声明

代码验证

这是我有自定义检查的地方，下面是我已经实现的一些检查：

• 函数定义
• 错误处理
• 复杂的 CAD 操作
• 文档字符串
• Return 语句

如果验证失败，它会返回到 LLM，并根据失败的原因提出具体的增强请求。

如果有效则继续执行代码。

错误反馈回路

该系统具有强大的错误反馈循环。当执行失败时，系统会捕获错误，为下一次尝试创建详细上下文，并将此信息反馈给 transform_query() 函数。此迭代过程每次尝试都会提高代码生成的质量，最多可重试一次以防止无限循环。输出文件将是 .step 或 .dxf，您可以在 AutoCAD 或 Autodesk Fusion 中查看。

概括

对话式设计：生成螺栓

使用 LLM 生成螺栓并将其长度修改 +5 毫米

此交互通过在多个步骤中保留先前的用户意图来展示情境感知 AI 。

初始请求：

您可以使用以下参数创建螺栓：
bolt_radius = 3   # 轴半径
bolt_length = 15   # 轴长度
head_radius = 5   # 螺栓头半径
head_height = 2   # 螺栓头高度
thread_radius = 3   # 螺纹半径（与轴相同）
 thread_pitch = 1.5   # 螺旋螺距
thread_height = bolt_length - 0.3 * thread_pitch

迭代细化：

现在可以将螺栓长度加长5毫米吗？

该系统使用保留的上下文无缝地调整原始设计，动态更新尺寸，而不需要冗余规范。

人工智能辅助房屋蓝图生成

此演示展示了 LLM 如何自动创建详细的 CAD 草图（.dxf文件），超越简单的几何图形，生成结构化、可感知图层的设计。在此示例中：

• 自动填充布局——模型生成房间尺寸和家具位置。
• 智能图层组织——墙壁、固定装置和家具等元素被分配不同的图层，以便于编辑。
• 上下文感知注释——表面上的阴影图案（例如餐桌）等增强功能提供了材料清晰度（木材、金属、玻璃……）。

LLM 的目标是生成快速、结构化的蓝图，让人类设计师可以根据需要完善和增强细节。

可扩展性和定制化

示例越多，输出越智能：使用历史项目或特定风格的模板（例如，中世纪现代、简约）填充矢量数据库，系统就会调整其生成逻辑进行匹配。

领域感知灵活性：交换数据集以生成针对住宅、商业或工业用例优化的草案。

初始请求：

创建包含以下内容的 1 层房屋蓝图：
## 定义主屋尺寸（以毫米为单位）##
 width = 18000 # 房屋宽度（以毫米为
单位）长度 = 20000 # 房屋长度（
以毫米为单位） wall_thickness = 152.4 # 房屋墙壁厚度（以毫米为单位）
## 房间##
客厅、
厨房、
带主浴室和步入式衣柜的主卧室、
阳光房、
办公室、
家庭房、
车库、
洗衣房。
全浴室、
半浴室
**请确保添加沙发、床、厕所等家具......**

人工智能辅助轴流涡轮叶轮制造

初始请求：

您可以使用以下参数创建轴流涡轮叶轮：
# 轮毂参数
hub_diameter = 90.0 
hub_radius = 45.0 
hub_thickness = 30.0 
shell_thickness = 7.0   
center_hole_diameter = 20.0 
# 叶片尺寸
length = 25.0 
root_chord = 25.0 
max_thickness = 3.0   
root_twist = 0 
mid_twist = 20 
tip_twist = 30 
# 在轮毂周围创建叶片图案
num_blades = 30

尽管我们在这里询问如此具体的尺寸，如果缺少某些参数，流程将自动填充它们。

结论

我们只是触及了 AI 在 CAD 设计中所能实现的一小部分。我在这里展示的系统基于 LlamaIndex、Vertex AI 和 Gemini 构建，展示了 AI 如何自动执行参数提取、代码生成和错误调试等重复性任务，让工程师和设计师能够专注于创造力和创新。

这种方法的真正力量在于其迭代学习能力：

• 矢量存储增长：您添加到索引的示例越多（例如螺栓设计、涡轮机蓝图、建筑平面图），AI 就会变得越复杂。丰富的数据集使其能够处理越来越复杂的几何形状，从简单的螺栓到多组件组件。
• 错误驱动改进：反馈回路确保系统从每次故障中吸取教训。例如，如果人工智能最初难以完成涡轮叶片的螺旋扫描，那么后续迭代将纳入修正，从而改善未来的输出。

这并不是要取代人类的专业知识，而是要增强它。通过自动化，80% 的基础工作专业人员可以将时间用于优化