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。
Part → Feature Feature → Sketch Sketch → SketchGeometry （2）引用关系
如 Extrude Feature 引用了某个 Sketch。
Extrude → uses → Sketch001 （3）依赖关系
例如 Fillet 依赖一个 Edge：
Fillet → depends_on → Edge_12 （4）参数绑定
特征深度由参数 D1 驱动：
Extrude.depth → driven_by → D1 （5）装配约束
零件之间的对齐、平行、相切、距离：
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：
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。