工业软件AI落地实践：从‘画图纸’到‘会思考’的设计工具

最近在推进一个项目目标一句话说清把传统工业设计软件从“画图纸的工具”变成“会思考的软件”。这里说的“会思考”不是营销话术而是让软件能理解设计意图、自动完成重复操作、在出错之前主动提醒你。工业软件和AI的结合听起来像在给老房子装智能家居真正动手做的时候才发现墙要拆、线要重走、原来的生活习惯也得改。这篇文章就是这次AI落地实践的全过程记录包括踩过的坑、用过的方案、值得抄作业的做法以及我认为最容易被忽略的几个关键点。如果你正在做类似的事——不管是搞CAD/CAE/PLM的二次开发还是想把大模型塞进某个专业工具链——这篇文章适合你。我会尽量把问题讲透不绕弯子。1. 项目概述从“画图纸”到“会思考”到底在改什么1.1 “画图纸”时代的软件逻辑传统工业软件的核心逻辑是“精确表达”。你用AutoCAD画一条线线就是线有起点终点、有图层、有线型你用SolidWorks建一个特征拉伸就是拉伸参数写在特征树里。软件本身是一台“高精度记录仪”它忠实反映你的操作但不理解你为什么要这么操作。这种模式在成熟企业里运转了几十年问题在于人机交互的成本越来越高。设计师80%的时间花在调整尺寸、复制特征、改图、出BOM这些重复劳动上真正需要创造性判断的时间不到20%。而工业软件的学习门槛又很高一个熟练的CAD操作员至少要培养两三年老师傅的经验高度依赖个人没法沉淀到软件里。我们这次项目想解决的就是这个矛盾。不让软件替代设计师做决策而是让它听懂设计师在说什么自己把那些“一听就懂但操作繁琐”的活儿干完。本质上是一次交互革命图纸数据没变变的是软件理解需求的方式。1.2 这次AI落地实际做的四件事项目分为四个可独立验收的场景自然语言转参数化建模用户输入“一块长100宽50高10的铝板四角R5圆角中间开两个直径8的孔”软件自动生成三维模型和对应二维工程图。基于设计规范的自动审查把企业设计规范喂给模型AI自动检查图纸里的尺寸标注、公差配合、材料牌号是否合规输出审查报告并定位到具体视图。从三维模型自动生成BOM和工艺卡片AI读取模型特征树和属性输出结构化BOM表再结合工艺知识库生成加工工序建议。多步骤任务编排AI Agent用户描述一个完整的设计变更需求AI自主拆解任务调参数、改模型、更新工程图、同步BOM最后汇总变更影响范围。第一项偏交互增强第二项偏知识管理第三项偏数据挖掘第四项是把前三项串起来的调度中枢。我们最初的设想是一步到位做第四项后来拆开做才把地基打牢。1.3 项目的技术边界和预期有一点必须先说清楚工业软件里的AI不是让机器自己会画图而是让机器“按人的规则画图”。AI的创造性在这里是可控的每一步输出都必须能追溯到某个设计规范或参数来源。如果模型给出了一个不存在于材料库的板材厚度这个结果就是失败的哪怕它看起来更轻巧。所以我们在立项时就定了三条铁律可解释性优先、结果可回溯、异常必须拦截。这三条直接决定了后面所有技术选型的方向。如果你也在做类似项目建议先跟业务方对齐这三点不然后面验收会很痛苦。2. 方案设计AI不是插件是要重写软件的工作流2.1 从业务场景反推AI能力而不是先选模型现在一说AI落地很多人第一反应是选个大模型然后想“它能帮我干点啥”。这个思路在工业软件领域行不通。工业场景里的需求非常具体比如“这个孔间距能不能再小一点”背后涉及的是加工可行性、应力集中、装配干涉模型的训练数据和推理能力根本覆盖不了。我们的做法是反向推导先画出设计师每天的工作流找到最耗时、最容易出错、最依赖老师傅经验的节点再看这些节点能不能用AI改造。结果筛选出四个场景就是我前面列的那四件事。它们有一个共同特点规则明确、数据可结构化、结果可校验。我不建议一上来就搞“AI自动设计整机”那个跨度太大模型不可控业务方也不敢用。从单点场景切入做深做透让使用者先尝到甜头再逐步扩大范围这是我在这个项目里最深刻的体会。2.2 通用大模型与行业专有小模型的取舍技术选型上我们做了两套方案并行测试。一套是直接调用通用大模型的API把CAD操作封装成函数让模型通过函数调用来完成任务。优点是开发速度快理解自然语言的能力强缺点是生成的参数容易出现“看起来合理但实际加工不了”的情况必须在调用层做严格的参数校验和范围约束。另一套是用企业积累的图纸数据微调一个行业小模型专门处理本企业的标准件库、材料牌号、典型结构和工艺习惯。优点是输出结果高度贴合实际缺点是前期需要大量清洗标注数据且模型迭代周期长。最终我们采用“小模型做专业判断大模型做意图理解”的混合架构。用户输入的自然语言先由大模型解析成结构化意图再交给经过微调的行业模型映射到具体参数和设备资源。这样既保证了泛化能力又保证了专业精度。两套模型之间用统一的JSON Schema通信字段包括操作类型、对象ID、参数键值、置信度和参考规范条目。2.3 与现有CAD/PLM系统的数据打通这是整个项目里最硬的一块骨头。AI模型本身不产生价值它只有跟现有的图纸、模型、BOM、物料库连起来才有价值。我们以中间层的方式做了数据打通不直接改CAD软件的内核文件而是通过API和导出接口操作。以三维CAD为例我们通过其二次开发接口获取特征树、尺寸表达式、几何约束关系转成结构化的设备描述数据。这个数据既供AI推理用也供AI执行修改后的回写用。同时从PLM系统拉取物料编码、版本状态、审批流程信息挂在设备描述数据的节点上。这样AI看到的不只是“一块板上有四个孔”而是“一块牌号为6061-T6的铝板板厚10mm四孔孔径8H7位置度要求0.05属于某个产品BOM的二级组件”。没有这个打通层AI再聪明也是瞎子。我们在这块投入的工时大概占全项目的40%远超模型训练本身。2.4 技术架构的取舍单体插件还是独立服务开发初期有人建议把AI能力做成CAD软件里的一个插件直接跑在设计师的桌面上。我们否掉了这个方案原因是工业软件的环境太复杂CAD版本不同、操作系统不同、杀毒软件和权限策略也不同插件方式会让分发和维护变成灾难。最后做成了独立服务AI服务部署在服务器上通过消息队列接收CAD客户端的请求处理完把结果返回。CAD端只负责三件事采集当前模型的上下文、展示AI返回的结果、执行确认后的修改。这样AI服务的算力可以集中管理模型更新不影响客户端多个CAD客户端可以共用一套AI能力。代价是网络延迟和离线可用性变差但企业内部的千兆网络环境下实测单次请求的端到端延迟在2秒以内用户是可以接受的。3. 核心环节实现四个落地场景的实操记录3.1 自然语言转参数化建模的实现细节这个场景最容易给用户“很酷”的第一印象。用户在对话框输入一段设计需求AI返回一个三维模型的预览图。但真正做的时候就会发现自然语言描述的不确定性和工业参数要求的精确性之间有着巨大的鸿沟。我们设计了一套意图解析模板。用户输入经过大模型处理后被映射为五类槽位对象类型板/轴/壳体/支架等、关键尺寸长宽高/直径/厚度、特征操作拉伸/切除/圆角/孔阵列等、位置关系居中/对称/偏移等、表面处理阳极氧化/发黑/镀锌等。槽位里有明确数值的直接传给CAD执行没有明确的调用企业默认规则比如默认钣金厚度是1.5mm、默认未注圆角R1等。这里有三个细节值得展开。第一个是单位问题。模型返回的尺寸必须锁定单位我们在Prompt里强制要求所有数值标注单位并在后端做一次换算校验。否则用户说“厚度10”模型可能理解成10英寸图纸直接废掉。第二个是坐标基准。自然语言里的“中间开孔”到底是以零件质心为基准还是以某个基准面为基准我们把选择权交给用户AI返回结果时附带一个基准说明视图让用户确认。这个反馈机制很重要它让AI的“猜测”变成“询问”避免错误静默传播。第三个是参数范围校验。所有尺寸参数在写回CAD之前都会经过一个规则引擎检查是否落在企业常用工艺范围内。比如直径8的孔配合默认钻头没有问题但直径6.5的孔就需要提示是否采用铰制孔。规则引擎里的几百条规则是从企业工艺手册里整理出来的价值不比模型本身低。3.2 设计规范自动审查功能怎么做这个场景的价值在质检环节。传统二维图纸审核要老师傅逐张看一张复杂的装配图看下来要半天而且人的注意力会随着疲劳程度波动。AI审核至少能保证同样的错误每次都能被抓到。我们的实现路径是这样的把企业设计规范尺寸标注规范、公差配合选用规范、材料选用规范、表面粗糙度标注规范整理成结构化规则库每条规则带编号、适用范围、触发条件和严重级别。AI的任务不是生成规则而是把图纸里的元素“翻译”成规则可以判定的数据。具体到工程图AI先把PDF或DWG图纸做视觉解析提取尺寸标注、文字注释、公差符号和视图结构。这一步用的是图像识别加OCR准确率在标注清晰的情况下能达到95%以上。提取出来的数据再和规则库逐条比对。比如规则“未注线性尺寸公差按GB/T 1804-m”AI就检查图纸的标题栏是否注明了该标准如果没有判定为警告项。实操中最麻烦的是尺寸链的识别。一张图上一排标注哪个是主尺寸、哪个是参考尺寸、哪个是封闭尺寸AI经常判断错。我们后来引入了装配关联数据把三维模型里的约束关系映射到二维视图让AI知道哪些尺寸之间存在几何联动。准确率从78%提升到了93%。说到底AI审核不是纯视觉任务必须结合模型数据才有意义。3.3 AI Agent编排多步骤设计变更第四场景是水准最高的AI不能只动一个参数而是完成一项“设计变更任务”。比如用户说“把某支架的安装面从左侧改到顶部适应新的电机接口”这个变更会牵扯三维特征重建、工程图更新、BOM表修改、干涉检查重跑、变更通知发送整整串起五个系统。我们用的编排方式是基于大模型的Agent框架。大模型把任务拆成子步骤每一步调用我们预先封装好的工具函数工具执行完把结果返回给模型模型判断是否继续下一步或者在出错时调整策略。这个过程叫“ReAct循环”说白了就是让模型边干边想而不是一次性生成所有操作序列。具体的任务拆解示例“安装面移动”被识别为特征重建操作需要先获取当前安装面的约束关系再删除旧约束、建立新约束。“干涉检查”被识别为新增步骤因为安装面位置变化后原有走线和管路位置可能冲突。变更完成后系统自动生成一份变更影响报告列出所有受影响的零部件编号和图纸版本号推送给对应工程师确认。这里我要提醒一个容易踩的坑Agent的自由度必须被约束。如果放任模型自己决定调用哪些工具它很可能“自作聪明”去修改一个不该动的配合公差。我们的方案是在工具层设置白名单和只读标志模型只能调用它当前权限范围内的工具而且涉及参数修改的操作都要二次确认。安全第一效率第二。3.4 从三维模型自动生成BOM和工艺卡片这个场景相对“温和”一些因为三维模型本身的结构化程度很高AI要做的更多是信息提取和规则映射。BOM生成的核心是从特征树里读取每个零件的名称、编码、材质、规格和数量然后按照产品结构树逐级汇总。难点在于同一个零件可能被多个装配引用AI需要区分“设计BOM”和“制造BOM”的差异。设计BOM按产品结构展开制造BOM按装配顺序展开两者在数量计算口径上不同。我们用AI读取装配约束和配合关系自动标注每个零部件的装配层级和人工核对的结果误差率在2%以内。工艺卡片的生成要更复杂一些因为工艺路线会受车间设备状态影响。同样的一个钣金件老车间有冲床新车间只有激光切割机加工路线完全不同。我们的做法是建立一个“工艺资源知识库”包含设备能力表、典型工序工时表和常见异常处理指南。AI根据零件特征调用知识库生成推荐工艺路线再由工艺工程师在界面上做微调。实测下来标准化程度高的零件轴套类、板类完全可以直接使用AI生成的工艺卡片复杂壳体类零件需要人工调整大概三四处。4. 数据、模型与工程化AI落地过程中最容易被低估的部分4.1 数据准备工作远比想象中繁琐很多人以为整理数据就是把CAD文件导出来丢给模型训练实际完全不是这样。我们做的第一版数据清洗脚本跑了一周出来的高质量标注样本只有不到3000条而且每条都经过了两轮人工核对。数据准备的关键动作有三个统一坐标系和单位制不同设计师画的图可能有的用毫米有的用英寸有的产品坐标系原点不一样。不统一的话AI学到的都是错误的关系。清洗特征树的冗余节点CAD特征树里大量存在“重建失败”的特征、废弃的草图、隐藏的参考几何。这些噪音会让模型学到虚假的关联。补全语义标签原始CAD文件里只有几何信息没有“这是安装孔”“这是散热筋”“这是定位基准面”这类语义标签。我们组织工程师花了两个月给8000个典型特征打上了语义标签。这批标签是整个项目最宝贵的资产后续模型微调和规则提取都靠它。4.2 提示词工程与规则引擎的配合方式大模型的提示词在工业场景里不是写一段话就完了我们维护了一套提示词模板库每个场景对应一个主模板外加若干个场景变量。比如“孔特征创建”场景的主模板结构是角色设定你是一个面向机械设计的参数化建模助手输入格式定义用户会输入自然语言要求输出结构化意图槽位规则每个槽位的取值规范、默认值和约束条件输出格式严格JSON格式附带置信度兜底策略如果无法解析返回“需要补充信息”的提示要点这套模板经过几十轮迭代核心变化是“把规则的闸门前置到模型输出之前”。如果只靠模型自觉输出的蒙对率可能很高但偶尔一次脱轨就会导致整个模型重建失败。规则引擎负责兜底在模型输出后立刻校验不合格的直接打回重问。两者配合起来系统的稳定性才有保障。4.3 模型推理性能与用户体验的平衡工业设计师使用软件的节奏是快思考、快操作。如果AI响应超过5秒他们就宁愿自己手动画因为手动画一个拉伸特征只要几秒钟。我们的优化手段是分三级缓存第一级高频操作的结果缓存。比如标准件库的调用、典型结构的生成直接走预计算结果响应时间百毫秒级。第二级规则引擎直接处理。凡是纯规则判断能解决的问题不经过大模型响应时间秒级。第三级真正需要大模型推理的复杂查询。这部分响应时间最长但可以通过异步任务处理先给用户一个“正在计算”的反馈完成后自动推送结果。这样的分级方案让整个系统的平均响应时间维持在1.2秒左右绝大多数简单请求根本不需要模型推理。我建议所有做工业AI的人都考虑这个思路不是所有请求都要AI参与能用规则解决的绝不让模型插手。4.4 多AI协作模式下的一致性维护项目后期我们把多个场景串起来让“意图理解模型”“参数映射模型”“规则审核模型”“报告生成模型”在一条链路上协作。这里最大的挑战是不同模型之间传递的信息会不会失真我们建立了全链路日志追踪。每个AI节点的输入输出都会记录一个带唯一ID的上下文包包含当前设计对象的完整快照、已执行的操作序列、剩余待确认项。任何一个节点出了异常都可以通过上下文包找到是哪个环节丢的信息。这个设计在排查“明明按它说的改了图纸却还是错的”这类问题时帮了大忙。因为绝大多数情况不是模型错了而是上一个节点传过来的参数单位或基准面描述就不对。没有全链路追踪这种问题靠猜根本定位不了。5. 常见问题与排查技巧实录5.1 模型生成尺寸超出工艺范围现象AI生成的孔径是10.3mm但企业标准钻头只有10mm和10.5mm实际加工需要定制非标刀具成本飙升。排查思路先看看参数校验规则引擎是否正常工作。很多时候不是模型不懂规矩而是规则引擎的规则范围写窄了或者规则覆盖的零件类型不完整。解决建议把工艺规则按零件类型和特征类型分别维护不要写成一个巨大的全局规则集。同时在校验不通过时不只报错要给出“最接近的合法值”建议。比如10.3mm可以提示“建议采用10.5mm配合间隙稍大需确认是否影响装配精度”。5.2 AI返回结果格式不稳定现象同一个Prompt这次返回合法JSON下次就在JSON后面多了一句解释文本导致后端解析失败。排查思路这是大模型最常见的不稳定因素。不要指望模型永远听话要在工程层面兜底。解决建议后端解析采用“截取首个合法JSON”策略同时用schema校验。运行时不通过就直接要求模型重新输出最多重试三次。另外Prompt里把“只输出JSON”放在开头和结尾重复强调实测能显著降低这种问题。5.3 CAD二次开发接口在复杂模型上解析失败现象简单零件的特征树很容易读但遇到多实体零件或阵列特征嵌套时二次开发接口返回的数据结构复杂度暴涨AI处理不过来。排查思路这个问题八成出在数据预处理层。别指望AI能直接读懂复杂的特征树要先做一次“特征树简化”。解决建议我们开发了一组化简规则把阵列特征折叠成单个特征实例把多实体按加工工序拆成单实体序列。简化后的特征树再进模型推理复杂度和错误率都大幅下降。代价是简化过程可能会丢失部分设计意图所以简化规则需要和业务方反复校准哪些特征可以折叠、哪些必须保留得一条条确认。5.4 用户对AI生成结果的不信任现象AI生成的模型参数都对但设计师就是不放心非要自己动手再画一遍。这个问题的本质不是技术是信任。解决建议要建立AI结果的“证据链”。每次AI输出界面都要展示“为什么这么做”的依据来源参考了哪条企业规范、采用了哪个默认值、是从哪个相似历史案例迁移来的。有了证据链设计师能清楚看到AI的推理过程信任感会大幅提升。我们做过一个内部的对比测试有证据链的AI建议接受率是78%没有证据链的只有41%。6. 对工业软件AI落地实用经验与后续扩展6.1 三个最重要的经验第一个经验是“AI落地不是模型竞赛是数据和组织竞赛”。我们最终跑通的方案大模型部分只占了很小比重真正决定成败的是企业自己的数据质量、规则沉淀和流程梳理。如果一个企业连图纸版本管理都没做好AI项目大概率会烂尾。第二个经验是“给AI留一条手动接管的后路”。所有AI自动执行的功能界面上都必须有撤销、回退、手动修改的入口。这不仅是用户体验问题更是责任边界问题——当AI出错时用户需要有明确的能力挽回损失。我们在每个AI操作记录上都保留了一键回滚到操作前版本的按钮这是设计师敢用AI的前提。第三个经验是“从小闭环开始别憋大招”。我们最开始做的不是Agent而是“标准件库语音查询”这种不起眼的小功能。虽然技术含量不高但用户每天都能用上团队建立了信心也为后续复杂功能积累了交互模式和数据。AI转型不需要一步到位但要持续交付可感知的价值。6.2 后续可以扩展的两个方向一个方向是做“设计知识自动沉淀”。目前AI从数据里学到的知识还停留在规则层面后续可以尝试让AI从历史设计变更记录中自动提炼“为什么这样改”的设计理由形成企业的隐性知识库。这个库反过来可以帮新员工快速上手也能让AI的设计建议更有深度。另一个方向是“AI辅助的仿真优化闭环”。现在的AI帮用户把模型建出来仿真还是要工程师手动做。下一步可以让AI读取仿真结果自动回调设计参数形成“设计—仿真—优化—再设计”的闭环。这个技术难度更大但也是工业软件AI化最有价值的终局方向之一。6.3 一个小技巧收尾最后分享一个我们一直在用的小技巧所有AI功能上线前找两个完全没用过AI功能的老工程师做黑盒测试只告诉他们“这里有个新工具你试试看能不能帮你干活”。观察他们在哪个环节卡住、在哪个环节产生误解、在哪个环节拒绝使用。这个测试比任何技术指标都更能反映真实落地效果。我们有一个功能就是从这场测试中发现老工程师根本不习惯打字输入自然语言后来才补上了“点选参数标签自动生成描述”的混合输入方式。工业软件接入AI没有想象中那么玄乎它不要求每个工程师都变成提示词专家但要求整个软件从数据结构、交互方式和规则沉淀上都做好准备。希望这份落地过程的记录能帮正在做或准备做类似项目的你少走几段弯路。