将3D CAD 模型结构树转换为图结构，用于训练CAD AI的思路

在训练 CAD 专用 AI 模型时，我们面临的第一个根本性问题是：

3D CAD 模型内部的真实结构不是一堆几何，而是一棵"结构树"。
而 AI 真正能理解的是"图结构"。

因此，把 CAD 模型的结构树准确、系统地转换成一个"图结构（Graph）"，是构建 CAD AI 的必经之路。

1. 为什么 CAD 结构树必须转换为 Graph？

3D CAD 不是一个三角网格文件，它背后包含了完整的设计逻辑：

零件如何被约束；
特征之间如何依赖；
装配体如何关联；
操作顺序如何影响几何。

但这些信息都以"树结构"存储，看上去是树，但本质不是树，而是一个"有依赖、有引用、有约束"的复杂系统：

一个 Sketch 被多个特征引用（多重引用）；
一个参数被多个特征使用（共用变量）；
一个装配约束作用于多个零件（交叉关系）；
一个特征的变化会影响下游所有特征（有向依赖）。

树无法表达这些。

树 = 父子关系；
Graph = 所有关系（父子 + 引用 + 依赖 + 约束 + 影响链）。

AI 想要理解 CAD------尤其是"设计意图"------必须看到完整的关系网络。

这就是为什么所有现代 CAD AI 架构都以 Graph 为核心。

2. CAD 结构树 → Graph 的核心思想

Graph 必须具备三类元素：

1）节点

代表模型中的实体：

特征；
草图；
约束；
装配关系；
几何元素；
参数。

2）边

表示节点之间的关系：

父子关系；
引用关系；
依赖关系；
顺序关系；
关联关系；
参数驱动关系。

3）属性

每个节点都必须附带丰富属性，例如：

特征类型（拉伸、旋转、倒角、孔...）；
参数值（半径、深度、角度...）；
几何类型（平面、曲线、边、体...）；
约束类型（垂直、平行、重合...）；
用到的草图元素（轮廓、方向...）。

Graph 是一个"关系＋属性"的综合体，比树丰富得多。

3. CAD 结构树如何一步步转成 Graph？

下面给出一个非常清晰的"通用转换流程"，用于任何 CAD 格式：

步骤1：提取结构树节点

我们需要从 CAD 中提取所有高层结构节点：

Part；
Body；
Features（Extrude、Revolve、Fillet、Shell...）；
Sketches；
SketchGeometries（Line、Arc、Circle...）；
Constraints；
Parameters；
Expressions；
Assembly Components；
Assembly Constraints。

把每一种实体都变成一个 Node，并为其分配唯一 ID。

Step 2：提取节点属性

每个节点都有自己的属性，例如：

Feature 属性

类型：Extrude；
操作方向：One Side；
深度：50mm；
草图引用：Sketch001。

Sketch 属性

坐标系；
包含的几何数量；
约束数量。

Parameter 属性

值：50；
维度类型：Length；
单位：mm。

这些属性在 Graph 中非常关键------因为它们决定了模型的设计意图。

步骤 3：提取节点之间的所有关系

这是整个转换的核心部分，我们必须从 CAD 文件中提取所有可能的关系：

（1）父子关系

结构树直接给出的父子关系。

复制代码

Part → Feature Feature → Sketch Sketch → SketchGeometry

（2）引用关系

如 Extrude Feature 引用了某个 Sketch。

复制代码

Extrude → uses → Sketch001

（3）依赖关系

例如 Fillet 依赖一个 Edge：

复制代码

Fillet → depends_on → Edge_12

（4）参数绑定

特征深度由参数 D1 驱动：

复制代码

Extrude.depth → driven_by → D1

（5）装配约束

零件之间的对齐、平行、相切、距离：

复制代码

PartA → mate_with → PartB (Mate: Coincident)

（6）特征顺序

特征顺序必须保留，因为它体现了建模逻辑：

复制代码

Sketch001 → before → Extrude001 → before → Fillet001

直到这里，已经从"装配树"变成了"网（Graph）"。

Step 4：构建最终的 Graph 结构

所有节点（Node）+ 所有关系（Edge）+ 所有属性（Attributes）组合成：

G = (V, E, A)

V：所有节点；
E：所有边（关系）；
A：所有属性。

4. 为什么 Graph 对 CAD AI 至关重要？

Graph 是 CAD AI 的"语义入口"，它有四大价值：

1）Graph 能表达"设计意图"

AI 可以学习：

草图决定特征；
参数驱动几何；
特征之间互相依赖；
修改一个参数会影响哪些特征。

这是纯 B-Rep 永远无法提供的语义。

2）Graph 是天然适合神经网络的结构

GNN 可以处理：

节点分类（识别特征类型）；
边关系预测（推断引用或顺序）；
图生成（自动生成特征树）；
参数预测（自动推断尺寸）。

这些都是 CAD AI 的核心能力。

3）Graph 能统一各种 CAD 格式

不同 CAD 软件的结构树结构差异极大，但 Graph 可以统一表达：

SolidWorks Feature Tree；
CATIA Design Tree；
NX Feature Navigator；
Inventor Browser；
Creo Model Tree。

Graph 是"跨 CAD 通用语义层"。

4）Graph 为后续的 AI 自动建模奠定基础

有了 Graph，AI 才能：

自动生成特征建模序列；
自动生成草图；
自动预测参数；
自动修复模型；
自动推荐建模步骤；
自动理解跨 CAD 的零件共性。

这是未来 CAD AI 的核心能力。

Graph 是 CAD AI 的语义基座：

结构树是树，但建模逻辑是图；
只有 Graph 才能承载 CAD 的真实语义；
Graph 是 CAD AI 的训练数据核心；
Graph 是跨格式、跨软件的统一表达；
Graph 为设计意图理解提供了入口；
Graph 为自动建模与推理打基础。