开篇：CAD 为什么需要 AI？
从最初的电子图板到如今的参数化三维建模平台，CAD 的核心使命从未改变：用精确的几何语言描述和构建物理世界。然而，精确也意味着繁重——设计师的大量时间消耗在重复性绘图、标注、校审和标准化操作上，真正用于"设计思考"的时间反而被压缩。
AI 的出现为这个困境提供了新的解法。但 CAD 不是通用场景，它有极高的专业壁垒：工程制造级别的精度要求、企业内部的严格规范、设计人员千差万别的操作习惯。通用大模型直接"画图"几乎不可能一步到位满足这些要求。
那么，AI 在 CAD 领域究竟能做什么？答案是：不是替代画图的人，而是成为画图人手中的加速器。
经过对当前技术成熟度和一线开发实践的交叉验证，我们筛选出了两条已经具备极高落地可行性的路径。
核心判断准则：什么能做，什么还不能做
在展开具体方向之前，有必要明确几个从一线实践中提炼出的判断标准：
- 参数化即可行：凡是能用明确参数描述清楚的任务（多高、多长、多宽、什么形状），AI 就可以生成。参数化意味着可验证——输入确定则输出确定。
- 自由绘制仍困难：依赖个人经验、操作习惯和即时判断的交互式绘图，短期内 AI 难以胜任。
- 精度是硬门槛：工程级精度的图纸，AI 目前无法一步到位，也看不到短期内能做到。
- 数据量是瓶颈：上百兆的图纸数据，AI 的上下文窗口承载不了。
- 插件化而非替代：AI 应以辅助/插件方式嵌入现有 CAD 工具，而非试图推翻重来。
这些准则构成了我们评估每个方向的"筛子"。而以下两个方向，正是经过筛选后脱颖而出的最优解。
方向一：参数化 CAD 生成 —— "只要你讲得清楚，它就画得出来"
为什么它是第一优先级？
在所有 CAD + AI 的结合点中，参数化 CAD 生成被列为最高优先级，因为它触及了 CAD 最本质的特征：CAD 图形在相当程度上就是一连串参数的具象化表达。
一条线段可以由起点和终点坐标定义，一个圆可以由圆心和半径定义，一个拉伸体可以由截面轮廓和拉伸高度定义。推而广之，一个标准零件——比如传动轴、法兰盘、齿轮——本质上就是一系列几何参数（直径、长度、倒角、公差）的组合。既然它是参数化的，既然它是可编程的，那么 AI 就可以干。
这个逻辑链的每一环都经过了实践验证：
- 参数化 = 可编程：Python 生态中已有成熟的 DWG/DXF 操作库（如 ezdxf、cadquery），它们将 CAD 图形的创建过程完整暴露为 API 调用。画一个圆心在 (100, 200)、半径为 50 的圆，本质上就是一行
circle(center=(100,200), radius=50)。 - 可编程 = AI 擅长：大语言模型写代码的能力是其当前最成熟的核心能力。给定参数规范，AI 生成对应的 Python 脚本，这件事几乎没有技术门槛。
- 可编程 = 可验证：生成的脚本是否产生正确的图形，运行一下就能检验。不对就改，迭代成本极低。这构成了一个快速闭环：描述需求 → AI 生成脚本 → 运行验证 → 修正提示词 → 重新生成。
当前已经能做什么？
标准件与参数化零件的自动生成。告诉 AI"我需要一个 M12 的六角法兰面螺栓，带键槽的传动轴，长度 200mm"，AI 理解这些参数后，可以直接生成对应的 DWG 文件。这对标准件库的快速扩充意义重大——不用再手动绘制每一个规格的变体。
参数化方案的多目标探索。这是参数化生成的进阶形态。设计师定义零件的核心尺寸参数和约束条件——比如"这个盒子的容积必须为 1L，长宽比在 1.5 到 2 之间，壁厚不超过 3mm"——AI 可以在约束空间内自动生成数十种尺寸组合方案，并按重量、表面积、材料成本等多目标排序。设计师从"设计-计算-调整"的循环中解放出来，快速找到更优解。
这种能力在特定领域已经展现出巨大潜力。比如发动机叶片建模：叶片的截面形状、扭转角度、厚度分布等参数一旦标准化，AI 就可以批量生成不同规格的叶片模型，将原本需要数天的手工建模压缩到小时级。
为什么值得投入？
参数化 CAD 生成不只是一个"能用"的方向，它重新定义了设计师与 CAD 软件的关系。在传统模式下，设计师是"操作员"——一步步执行绘图命令；在新模式下，设计师是"定义者"——定义参数空间和约束条件，由 AI 完成生成和优化。这本质上是在从 "人画图"到"人提意图，AI 生成多方案，人选择精确修正" 的范式迁移。
这也呼应了 CAD 软件本身的发展趋势。从最早的二维线框，到三维实体建模，再到参数化特征建模，CAD 的每一次进化都在将重复性劳动抽象为更高层次的表达。AI 加持的参数化生成，是这个进化曲线的自然延伸。
方向二：脚本/插件自动生成 —— "AI 写代码，你验证结果"
为什么它是当前最实用的模式？
如果说参数化生成重新定义了"画什么"的问题，那么脚本自动生成解决的是"怎么更快地处理 CAD 数据"的问题——而这个问题的覆盖面远比前者更广。
在 CAD 的日常工作中，存在大量"非标准但重复"的数据处理需求：
- 将一批 DWG 文件的标题栏信息提取出来，汇总成 Excel 表格
- 按照新的企业规范，批量修改数百张图纸的图层、颜色和线型
- 将某个文件夹下所有图纸中的特定图块替换为更新后的版本
- 计算装配体中所有零件的总重量和材料清单
这些任务有一个共同特征：规则明确、操作重复、但场景多变。传统做法是：要么手动逐张处理（耗时且易错），要么开发专用插件（需要开发资源，响应周期长）。而 AI 脚本生成模式给出了第三种选择：把需求描述给 AI，让它生成处理脚本，人工验证后执行。
为什么这个模式特别"稳"？
第一，技术门槛极低。让大语言模型写 Python 或 LISP 脚本，是当前 AI 最成熟的能力，几乎没有之一。CAD 二次开发常用的库（ezdxf 用于读写 DWG/DXF、pyautocad 用于操控 AutoCAD）都有完善的文档和丰富的社区示例，AI 能够准确调用。
第二，结果天然可验证。脚本生成的是操作指令，不是最终图纸。你可以在执行前审查代码，在小样本上测试，确认无误后再批量运行。这种"人在回路"的机制天然保证了精度和安全性——AI 负责提效，人负责把关。
第三，无上下文瓶颈。脚本本身不处理图形数据，只是生成操作逻辑。一张几百兆的图纸，AI 不需要"看到"它的全部内容，只需要知道它的数据结构和处理目标。这绕过了当前大模型上下文窗口的核心限制。
CAD + AI 的底层优势
两个方向之所以都达到了五星级的可行性评估，背后是 CAD 作为一种技术体系的结构性优势：
完美的结构化数据。DWG/DXF 是格式严谨的矢量数据格式——图元、图层、块、属性、标注，每个对象都有明确的数据定义。这对 AI 来说意味着几乎不需要进行复杂的数据清洗和特征工程，可以直接进入"理解-生成"的环节。相比于处理自然语言或非结构化图像，AI 面对 CAD 数据时的工作起点要高得多。
明确的约束与验证闭环。CAD 设计有清晰的几何、物理和工程规范可以检验。一个零件画得对不对，可以精确验证；一张图纸是否符合标准，有明确的规则可循。这种"可判定对错"的特性，使得 AI 可以在生成-检验-改进的闭环中持续优化，而不像许多创意性领域那样"好坏纯靠主观判断"。
标准化程度高。机械、建筑等行业存在大量的标准件、标准图法和企业规范。AI 学习的目标非常聚焦——不像通用对话场景需要覆盖无限的话题空间。这使得 AI 更容易在 CAD 的特定子任务上做到"专而精"，甚至在某些环节超越人类效率。
正如一份深入分析所指出的：CAD 为 AI 提供了理想的、干净的数据土壤和明确的验证标尺，而 AI 则为 CAD 注入了理解参数、生成脚本、加速重复劳动的智能引擎。 两者不是替代关系，而是精确的互补。
结语：精确画笔的智能化演进
以上两个方向——参数化生成和脚本自动生成——代表着 AI 进入 CAD 领域最务实、最当下的两条路径。它们都不试图颠覆 CAD 的核心（精确的几何建模能力），而是围绕这个核心构建一个智能辅助层。这个辅助层能做的不多——目前只有两件事——但这两件事覆盖了 CAD 工作中大量真实存在的效率痛点。
从更长的周期看，CAD 的发展轨迹指向一个清晰的目标：从"精确画笔"进化为"AI 辅助的精确设计智能体"。在这个图景中，人的角色从操作每一个图元，转变为定义约束、设定目标、在多方案中做出创造性决策。AI 的角色则是那个不知疲倦的"执行层"——生成、优化、检查、标准化。