AI驱动实时参数化3D建模：基于LLM与几何内核的CAD交互新范式

1. 项目概述：从痛点出发，一个AI驱动的3D建模新思路

最近两年，AI在内容生成领域的爆发大家有目共睹，从文生图到文生视频，创造力似乎被无限放大。但作为一名长期与三维设计打交道的工程师，我观察到一个有趣的“断层”：在工业设计、产品原型、建筑规划等硬核领域，主流的3D建模软件（比如SolidWorks、Fusion 360、Rhino）依然遵循着严谨但繁琐的“草图-约束-特征”工作流。想改一个尺寸？你得找到对应的草图，修改驱动尺寸，然后等待模型重建。这个过程对于创意迸发和快速迭代来说，无疑是一道高墙。

于是，一个想法在我脑子里盘旋：能不能让AI理解我们的设计意图，像对话一样去修改一个复杂的参数化3D模型？比如，我说“把那个圆柱体的高度增加20毫米，并且把顶部的倒角半径改成5毫米”，模型就能实时、准确地响应。这听起来像是CAD软件的终极幻想，但结合当下的大语言模型（LLM）和几何内核技术，我认为已经具备了初步实现的可能性。

经过两天的集中“倒腾”，我把这个想法变成了一个可运行的原型，并决定将其开源。我把它称为“AI驱动的实时3D CAD / 参数化建模工作台”。它的核心目标不是替代传统的CAD软件，而是探索一种全新的、更直观的人机交互范式，让设计师和工程师能更专注于“设计什么”，而不是“怎么画”。这个工作台本质上是一个桥梁，一端连接着自然语言或高级指令，另一端连接着底层的几何建模内核，通过AI来解析意图并驱动参数变化，实现模型的实时更新。

2. 核心设计思路与技术选型拆解

2.1 整体架构：三层解耦，各司其职

要实现“AI驱动实时参数化建模”，整个系统需要清晰的分层，我将其设计为三层结构：交互层、AI解析层和几何引擎层。这种解耦设计保证了系统的灵活性和可扩展性。

交互层是用户入口，可以是Web界面、桌面应用插件，甚至是一个聊天机器人接口。在这个原型中，我选择用Web前端（React + Three.js）来快速搭建一个可视化环境，用户可以在3D视口中查看模型，并在一个输入框里用自然语言描述修改意图。

AI解析层是整个系统的“大脑”，也是最关键的部分。它的任务是将用户模糊的自然语言指令，精准地翻译成几何引擎可以理解的、结构化的操作命令。这里面临几个核心挑战：1) 理解设计语境（哪个零件、哪个特征）；2) 识别几何实体（面、边、体）；3) 解析数值和操作（增加、减少、改为）。我选择使用大语言模型（LLM）作为解析核心，但不是直接调用公开的通用模型，而是通过精心设计的提示工程（Prompt Engineering）和函数调用（Function Calling）技术，将其“调教”成一个专业的CAD指令翻译官。

几何引擎层是系统的“双手”，负责执行具体的建模操作。市面上有开源的几何内核可供选择，如Open CASCADE Technology (OCCT) 和 CGAL。考虑到OCCT在工业级B-Rep（边界表示）建模方面的成熟度和社区支持，我选择了它作为后端的几何建模内核。AI解析层输出的结构化命令，将被转换成对OCCT API的调用，从而真正地修改模型的参数、重建几何体。

2.2 为什么是“参数化”与“实时”？

参数化建模是传统CAD的基石，它意味着模型由一系列特征（拉伸、旋转、打孔、倒角等）和驱动这些特征的参数（尺寸、角度、位置等）构成。修改参数，模型自动更新。我们的工作台并非创造新的参数化系统，而是“接入”并“操控”现有的参数化定义。

“实时”则是本次尝试追求的体验突破。在传统CAD中，修改参数后需要手动点击“重建”或“更新”按钮，计算复杂的模型时可能会有卡顿。我们的目标是实现“指令即更新”：用户输入指令，AI解析并生成操作，几何引擎计算，结果近乎同步地反馈到3D视图中。这要求AI解析速度要快，几何引擎的局部更新能力要强。为此，我在架构上做了优化，比如让AI只解析增量修改指令，并尝试利用OCCT的局部重生成特性，避免每次都对整个模型进行完全重建。

2.3 技术栈的深度考量

• 前端 (React + Three.js + React Three Fiber)：React用于构建高效的UI组件，Three.js是强大的WebGL 3D库，而React Three Fiber（简称R3F）是用React的方式来编写Three.js代码的渲染器，它能极大简化Three.js的复杂度，让我们像写React组件一样去管理3D场景、模型和交互，开发效率非常高。
• 后端 (Python + FastAPI)：Python在AI和科学计算领域的生态无可替代。FastAPI是一个现代、快速（高性能）的Web框架，用于构建API。它自动生成交互式API文档，非常适合作为连接前端、AI服务和几何引擎的中介。
• AI服务 (OpenAI API / 本地LLM)：初期为了验证核心逻辑的可行性，我直接使用了OpenAI的GPT-4 API，因为它具有强大的指令跟随和结构化输出能力。在系统提示词（System Prompt）中，我详细定义了“角色”（你是一个CAD专家）、可用的“函数”（修改尺寸、添加倒角、移动位置等）以及输入输出的JSON格式。长远来看，为了降低成本和控制数据隐私，可以微调开源的较小模型（如Code Llama、DeepSeek-Coder），专门用于CAD指令解析。
• 几何内核 (Open CASCADE): OCCT是一个功能完整的开源几何建模内核。它通过C++暴露API。为了在Python环境中调用，我使用了pythonocc-core这个Python封装库。它允许我们在Python中直接创建和修改B-Rep模型，虽然性能上可能略逊于原生C++，但对于原型验证和许多应用场景来说已经完全足够。

注意：直接使用云端的LLM API意味着你的设计指令数据会发送到第三方服务器。对于涉密或敏感的商业设计，这是不可接受的。因此，生产环境必须考虑部署私有化模型或使用具备本地推理能力的开源模型。

3. 核心模块实现与实操要点

3.1 AI指令解析器的构建：从“人话”到“机器指令”

这是项目中最具挑战也最有趣的部分。你不能简单地把用户的话扔给GPT然后说“去改模型”。你需要引导它，给它工具。

首先，我定义了一个清晰的“对话协议”。每次用户输入，系统都会附带当前的模型状态摘要（以文本形式描述，如：“模型中有一个名为‘BasePlate’的长方体，长100mm，宽50mm，高10mm；其上有一个名为‘Cylinder_1’的圆柱体，位于长方体上表面中心，直径20mm，高30mm。”）。这为AI提供了上下文。

其次，我利用LLM的函数调用能力，预定义了一系列“CAD操作函数”。例如：

{ "name": "modify_dimension", "description": "修改一个已存在特征的驱动尺寸。", "parameters": { "type": "object", "properties": { "feature_name": {"type": "string", "description": "需要修改的特征名称，如 'Extrude1'"}, "parameter_name": {"type": "string", "description": "参数名称，如 'height', 'diameter'"}, "new_value": {"type": "number", "description": "新的参数值，单位毫米"}, "value_type": {"type": "string", "enum": ["absolute", "delta"], "description": "‘absolute’表示设为该值，‘delta’表示增加或减少该值"} }, "required": ["feature_name", "parameter_name", "new_value", "value_type"] } }

当用户输入“把圆柱的高度增加10毫米”时，AI的思考过程应该是：1) 上下文里有个“Cylinder_1”；2) 它的高度参数是30mm；3) 用户说要“增加10毫米”，这是delta操作；4) 因此调用modify_dimension函数，参数为{“feature_name”: “Cylinder_1”, “parameter_name”: “height”, “new_value”: 10, “value_type”: “delta”}。

后端收到这个结构化JSON后，就可以精准地去OCCT模型中找到对应特征和参数进行修改。

实操心得：编写高质量的函数描述和系统提示词是关键。描述要极度精确，避免歧义。例如，“修改尺寸”要明确是“驱动尺寸”而不是模型上某个测量值。初期需要大量“人肉测试”来调整提示词，收集AI理解出错的案例，不断优化描述语言。

3.2 几何引擎的对接与参数映射

OCCT模型本身并不直接存储我们熟悉的“特征树”和“参数名”。在OCCT中，你通过一系列API调用（BRepPrimAPI_MakeBox,BRepFilletAPI_MakeFillet等）创建形状，修改则需要通过变换或重建。

为了建立参数化关联，我引入了一个“特征定义层”。每当通过AI或界面创建一个特征（如拉伸一个草图），我不仅用OCCT生成最终形状，还会在内存中记录一个“特征对象”。这个对象包含：唯一ID、类型（拉伸、旋转等）、所依赖的草图或边、以及一个参数字典。例如，一个拉伸特征的特征对象可能像这样：

{ “id”: “extrude_001”, “type”: “extrude”, “profile_sketch_id”: “sketch_001”, “parameters”: {“distance”: 30, “direction”: “positive”}, “occt_shape”: <OCCT TopoDS_Shape object> # 关联的OCCT几何体 }

当AI指令要求修改extrude_001的distance为50时，后端会：1) 根据ID找到特征对象；2) 更新参数字典；3) 根据特征类型和参数，重新执行一遍该特征的构建逻辑（用新的距离值再次调用拉伸API）；4) 用新生成的OCCT形状替换旧的。这就实现了参数化驱动。

注意事项：特征之间的依赖关系（父子关系）必须被妥善管理。例如，一个打孔特征依赖于某个实体面。当父实体（如一个方块）的尺寸被修改后，打孔特征所依赖的面可能已经不存在（比如被拉伸掉了）。一个健壮的系统需要能检测这种拓扑变化，并尝试重新附着特征或给出明确的错误提示。在原型阶段，我简化处理了这个问题，主要关注独立特征的参数修改。

3.3 实时同步与前端渲染

为了实现“实时”效果，我采用了WebSocket进行前后端全双工通信。流程如下：

1. 用户在网页输入框输入“将长方体长度改为150mm”。
2. 前端通过WebSocket将指令和当前场景ID发送给后端。
3. 后端AI解析、OCCT计算，生成新的模型数据。
4. 后端将模型变化部分（通常是整个更新后的模型，或差异数据）通过WebSocket推回前端。
5. 前端（Three.js）收到数据，更新3D场景中的对应模型网格。

这里的一个性能关键是模型数据的序列化与传输。OCCT生成的B-Rep模型数据很庞大，直接传输不可行。我的做法是，在后端将OCCT形状转换为轻量级的三角网格数据（使用OCCT的BRepMesh_IncrementalMesh类进行网格化），然后只将顶点、法线、索引等网格信息序列化为JSON或二进制格式（如GLB）发送给前端。前端Three.js接收后，直接更新BufferGeometry的属性，实现快速重绘。

踩坑记录：最初我尝试在每次修改后传输整个模型的网格数据，当模型稍微复杂时，网络延迟和前端解析耗时就会让“实时”体验大打折扣。后来改为“差异更新”策略，即只传输发生变化的特征对应的网格数据，并在前端进行局部替换，流畅度得到了质的提升。这要求前后端对模型树的组织结构有精确的同步映射。

4. 从零搭建：手把手实现一个基础原型

如果你也想亲手尝试构建这样一个系统的核心部分，可以跟着以下步骤操作。我们将聚焦于最关键的“AI解析+参数修改”链条，用一个简单的长方体修改为例。

4.1 环境准备与依赖安装

首先，创建一个新的Python虚拟环境是个好习惯。

# 创建并激活虚拟环境 python -m venv aicad_env source aicad_env/bin/activate # Linux/macOS # 或 aicad_env\Scripts\activate # Windows # 安装核心依赖 pip install fastapi uvicorn websockets openai pythonocc-core pip install “pydantic[email]” # 用于数据验证

这里，fastapi和uvicorn用于构建Web服务器和API；websockets用于WebSocket支持；openai是调用GPT API的库；pythonocc-core就是OCCT的Python绑定。

4.2 后端核心服务搭建

我们创建一个main.py文件，构建一个简单的FastAPI应用，包含WebSocket端点和模型管理逻辑。

from fastapi import FastAPI, WebSocket, WebSocketDisconnect from pydantic import BaseModel import openai import json from OCC.Core.gp import gp_Pnt from OCC.Core.BRepPrimAPI import BRepPrimAPI_MakeBox from OCC.Core.BRepTools import BRepTools_ShapeSet from OCC.Core.TopoDS import TopoDS_Shape import asyncio app = FastAPI() # 初始化OpenAI客户端（请替换为你的API Key） openai.api_key = “your-openai-api-key” # 简单的内存模型存储 class CadModel: def __init__(self): self.features = {} # 存储特征对象 self.next_id = 1 def create_box(self, name, length, width, height): """创建一个长方体特征""" box_builder = BRepPrimAPI_MakeBox(length, width, height) shape = box_builder.Shape() feature_id = f”feature_{self.next_id}” self.next_id += 1 feature = { “id”: feature_id, “name”: name, “type”: “box”, “parameters”: {“length”: length, “width”: width, “height”: height}, “shape”: shape } self.features[feature_id] = feature return feature_id, shape def modify_box_dimension(self, feature_id, param_name, new_value): """修改长方体尺寸并重建""" if feature_id not in self.features: return None feature = self.features[feature_id] if feature[“type”] != “box”: return None # 更新参数 feature[“parameters”][param_name] = new_value l = feature[“parameters”][“length”] w = feature[“parameters”][“width”] h = feature[“parameters”][“height”] # 重建几何体 box_builder = BRepPrimAPI_MakeBox(l, w, h) new_shape = box_builder.Shape() feature[“shape”] = new_shape return new_shape # 全局模型实例 global_model = CadModel() box_id, initial_shape = global_model.create_box(“MyBox”, 100.0, 50.0, 10.0) def shape_to_simple_dict(shape: TopoDS_Shape): """一个极其简化的函数，将形状转换为可JSON序列化的描述。 实际应用中，这里应该进行网格化并导出顶点数据。""" # 此处仅为演示，返回一个边界框 from OCC.Core.Bnd import Bnd_Box from OCC.Core.BRepBndLib import brepbndlib_Add bbox = Bnd_Box() brepbndlib_Add(shape, bbox) xmin, ymin, zmin, xmax, ymax, zmax = bbox.Get() return {“bounds”: [xmin, ymin, zmin, xmax, ymax, zmax]} @app.websocket(“/ws”) async def websocket_endpoint(websocket: WebSocket): await websocket.accept() try: # 首次连接，发送初始模型状态 model_state = { “features”: list(global_model.features.values()), “shape_info”: shape_to_simple_dict(initial_shape) } await websocket.send_json({“type”: “init”, “data”: model_state}) while True: # 接收用户指令 data = await websocket.receive_text() user_message = json.loads(data).get(“message”, “”) # 构建给AI的提示词 system_prompt = “””你是一个CAD操作解析器。用户会描述对3D模型的修改。 当前模型有一个长方体特征，ID是 ‘{box_id}’， 名称是 ‘MyBox’， 当前尺寸：长100mm， 宽50mm， 高10mm。 你只能回复一个JSON对象，格式如下： {“feature_id”: “feature_1”, “operation”: “modify_dimension”, “parameter”: “length”, “value”: 150, “action”: “set”} 其中，operation目前只支持 ‘modify_dimension’。 parameter可以是 ‘length’, ‘width’, ‘height’。 action可以是 ‘set’ (设置为) 或 ‘delta’ (增加/减少)。 如果无法理解，返回 {“error”: “无法解析指令”}。 “””.format(box_id=box_id) # 调用OpenAI API response = openai.ChatCompletion.create( model=”gpt-3.5-turbo”, # 为快速演示使用gpt-3.5 messages=[ {“role”: “system”, “content”: system_prompt}, {“role”: “user”, “content”: user_message} ], temperature=0.1 # 低温度保证输出稳定 ) ai_response = response.choices[0].message.content print(“AI Raw Response:”, ai_response) try: command = json.loads(ai_response) if “error” in command: await websocket.send_json({“type”: “error”, “message”: command[“error”]}) continue # 执行命令 if command[“operation”] == “modify_dimension”: fid = command[“feature_id”] param = command[“parameter”] val = command[“value”] # 这里简化处理，假设action=’set’ new_shape = global_model.modify_box_dimension(fid, param, val) if new_shape: updated_info = shape_to_simple_dict(new_shape) await websocket.send_json({ “type”: “model_updated”, “feature_id”: fid, “new_bounds”: updated_info[“bounds”] }) else: await websocket.send_json({“type”: “error”, “message”: “修改失败”}) else: await websocket.send_json({“type”: “error”, “message”: “不支持的操作”}) except json.JSONDecodeError: await websocket.send_json({“type”: “error”, “message”: “AI返回格式错误”}) except WebSocketDisconnect: print(“Client disconnected”) if __name__ == “__main__”: import uvicorn uvicorn.run(app, host=”0.0.0.0″, port=8000)

4.3 前端简易界面实现

创建一个index.html文件，使用原生JavaScript和WebSocket进行通信。

<!DOCTYPE html> <html> <head> <title>AI CAD 原型</title> <script src=”https://cdnjs.cloudflare.com/ajax/libs/three.js/r128/three.min.js”></script> <style> body { margin: 0; overflow: hidden; } #container { width: 100vw; height: 100vh; } #inputPanel { position: absolute; top: 10px; left: 10px; background: rgba(255,255,255,0.8); padding: 10px; border-radius: 5px; } </style> </head> <body> <div id=”container”></div> <div id=”inputPanel”> <input type=”text” id=”commandInput” placeholder=”输入修改指令，如：把长度改为150毫米” style=”width: 300px;” /> <button onclick=”sendCommand()”>执行</button> <p id=”status”>状态：等待连接...</p> <p id=”modelInfo”></p> </div> <script> let socket; let scene, camera, renderer, boxMesh; const wsUrl = ‘ws://localhost:8000/ws’; function init() { // 1. 初始化Three.js场景 scene = new THREE.Scene(); camera = new THREE.PerspectiveCamera(75, window.innerWidth / window.innerHeight, 0.1, 1000); renderer = new THREE.WebGLRenderer({ antialias: true }); renderer.setSize(window.innerWidth, window.innerHeight); document.getElementById(‘container’).appendChild(renderer.domElement); camera.position.z = 100; // 2. 添加基础光源 const light = new THREE.DirectionalLight(0xffffff, 1); light.position.set(10, 10, 10); scene.add(light); scene.add(new THREE.AmbientLight(0x404040)); // 3. 连接WebSocket connectWebSocket(); // 4. 动画循环 animate(); } function connectWebSocket() { socket = new WebSocket(wsUrl); socket.onopen = function(e) { document.getElementById(‘status’).textContent = ‘状态：已连接’; }; socket.onmessage = function(event) { const data = JSON.parse(event.data); console.log(‘Received:’, data); handleServerMessage(data); }; socket.onerror = function(error) { console.error(‘WebSocket Error:’, error); document.getElementById(‘status’).textContent = ‘状态：连接错误’; }; socket.onclose = function(event) { console.log(‘WebSocket Closed:’, event); document.getElementById(‘status’).textContent = ‘状态：连接关闭’; }; } function handleServerMessage(data) { switch(data.type) { case ‘init’: updateModelDisplay(data.data); break; case ‘model_updated’: alert(`模型已更新！特征 ${data.feature_id} 的新边界: ${data.new_bounds}`); // 在实际中，这里应该请求完整的模型数据或差异数据来更新网格 // 此处仅作演示 break; case ‘error’: alert(`错误：${data.message}`); break; } } function updateModelDisplay(modelData) { // 清空旧模型 if (boxMesh) scene.remove(boxMesh); // 根据 bounds 创建一个简单的线框盒子用于演示 const bounds = modelData.shape_info.bounds; const size = new THREE.Vector3( bounds[3] - bounds[0], bounds[4] - bounds[1], bounds[5] - bounds[2] ); const center = new THREE.Vector3( (bounds[0] + bounds[3]) / 2, (bounds[1] + bounds[4]) / 2, (bounds[2] + bounds[5]) / 2 ); const geometry = new THREE.BoxGeometry(size.x, size.y, size.z); const material = new THREE.MeshNormalMaterial({ wireframe: true }); boxMesh = new THREE.Mesh(geometry, material); boxMesh.position.copy(center); scene.add(boxMesh); document.getElementById(‘modelInfo’).textContent = `模型加载成功。特征数：${modelData.features.length}`; } function sendCommand() { const input = document.getElementById(‘commandInput’); const command = input.value.trim(); if (!command || !socket || socket.readyState !== WebSocket.OPEN) return; socket.send(JSON.stringify({ message: command })); input.value = ‘’; } function animate() { requestAnimationFrame(animate); if (boxMesh) boxMesh.rotation.y += 0.01; renderer.render(scene, camera); } window.onload = init; window.onresize = function() { camera.aspect = window.innerWidth / window.innerHeight; camera.updateProjectionMatrix(); renderer.setSize(window.innerWidth, window.innerHeight); }; </script> </body> </html>

4.4 运行与测试

1. 将上述main.py中的your-openai-api-key替换为你自己的OpenAI API Key。
2. 在终端运行后端服务：python main.py。服务将在http://localhost:8000启动。
3. 用浏览器直接打开index.html文件（或通过一个简单的HTTP服务器，如python -m http.server）。
4. 在网页输入框中尝试输入自然语言指令，例如：“把长方体的长度设置为150”、“将宽度增加到80毫米”。观察后端控制台的AI解析日志和前端的状态变化。

这个原型极其简陋，前端只显示了一个根据边界框生成的线框，但它完整演示了“自然语言 -> AI解析 -> 结构化命令 -> 几何引擎修改 -> 前端更新”的核心闭环。你可以在此基础上，用更强大的前端框架（如React Three Fiber）替换Three.js原生代码，实现真正的网格更新和更丰富的交互。

5. 面临的挑战与未来优化方向

两天的密集开发让原型跑了起来，但距离一个真正可用的“工作台”还有很长的路。在实际操作和思考中，我遇到了以下几个核心挑战，这也是未来需要重点优化的方向。

5.1 AI理解的准确性与上下文管理

问题：当前提示词工程只能处理非常简单的、描述清晰的指令。面对复杂场景，AI容易“幻觉”或误解。

• 歧义：“把那个孔变大一点”——“那个”指哪个孔？“变大”是直径变大还是深度变大？
• 复杂逻辑：“在所有厚度小于5mm的壁上添加加强筋”——这需要AI理解“选择过滤器”和“特征创建”的组合逻辑。
• 长对话上下文：在多轮修改中，AI需要记住之前所有的操作和当前模型状态，上下文窗口可能不够用。

解决思路：

1. 细化特征描述：不仅给AI特征ID和名称，还可以附带更丰富的属性，如“位于顶面的通孔”、“与边线相距10mm的圆角”等。
2. 引入视觉辅助：将当前3D视图的截图或简化的2D草图一并发送给AI（多模态模型），让其结合图像和文本来理解指令。
3. 分步确认：对于复杂指令，AI可以先输出一个执行计划（“我将执行以下操作：1. 选择孔A；2. 将其直径从5mm改为8mm”），经用户确认后再执行。
4. 微调专用模型：收集大量“CAD指令-操作序列”配对数据，微调一个专属的小模型，专门用于此领域，提高准确率和降低延迟。

5.2 几何引擎的健壮性与性能

问题：参数化建模中的特征依赖和拓扑变化是最大的难题。父特征修改导致子特征参考丢失（即“重建失败”）在传统CAD中也很常见。

• 参考丢失：移动了一个面，导致基于此面的倒角或孔无处附着。
• 循环依赖：两个特征的参数相互引用，形成死循环。
• 性能瓶颈：复杂装配体下，一个参数的修改可能触发数百个特征的重建，实时响应变得困难。

解决思路：

1. 更智能的参考解析：在特征定义中，不仅记录参考的几何实体（如面、边），还记录其“创建逻辑”（如“此边由草图1的线段L1拉伸生成”）。当父特征修改后，尝试根据逻辑重新计算子特征的参考位置，而不是简单的几何匹配。
2. 引入约束求解器：对于尺寸和几何约束，可以集成一个轻量级的约束求解器。AI修改参数后，由求解器计算出一组满足所有约束的、变化最小的新参数值，再驱动模型更新，这更符合设计师的直觉。
3. 增量更新与并行计算：深入研究OCCT等内核的局部更新API。将模型按特征依赖关系分区，对未受影响的分区跳过重建。同时，对可并行重建的独立特征树利用多线程计算。

5.3 工程化与用户体验

问题：原型只是一个技术验证，要成为工具，还需大量工程化工作。

• 数据格式：需要定义一套完整的、版本化的项目文件格式，用于保存特征树、参数、AI对话历史等。
• 撤销/重做：基于参数和操作历史的撤销重做机制比基于几何状态的更复杂。
• 错误处理与反馈：当AI指令无法执行或产生错误时，需要给用户清晰、友好的反馈，而不是崩溃或静默失败。

解决思路：

1. 定义开放标准：考虑采用或扩展现有的开源CAD数据格式（如STEP、BREP），并附加存储我们的特征参数和关系数据。
2. 命令模式（Command Pattern）：将每一个AI解析出的操作都封装成一个“命令”对象，该对象包含执行（execute）、撤销（undo）所需的所有信息。整个修改历史就是一系列命令对象的队列。
3. 建立错误码体系：定义详细的错误类型（如“参考丢失错误”、“参数越界错误”、“解析歧义错误”），并设计对应的用户提示和修复建议（如“请手动重新选择参考面”）。

开源这个项目，是希望抛砖引玉。AI与专业工具的结合远不止于生成图片和文本，深入到CAD、CAE、CAM等工业软件核心，用自然交互解放工程师的创造力，这片蓝海充满了机遇与挑战。我个人的体会是，最大的难点不在于AI或几何内核本身，而在于如何让两者“说同一种语言”，并构建一个稳定、可预测的交互闭环。这需要既懂AI又懂CAD的跨界思维。期待有更多同行和爱好者加入，一起“倒腾”，让这个想法走得更远。