当我们谈论AI时，我们在谈论什么？是冷冰冰的算法，还是改变世界的新质生产力？
在同元软控，我们选择了一种更纯粹的方式：原生拥抱，深度进化。
【AI-ing 同元】系列专题，记录这场由内而外的重塑之旅。AI不仅是工具，也正成为同元的"基因"------淬炼出全新的同元人才，让创造力在数智世界里自由生长。
AI-ing，是"正在进行"的状态，是同元永不止步的生命力。
进化的同元，邀你同行。
面对一个复杂的工业软件开发项目，AI能帮上什么忙？是生成几个工具函数，还是优化一段算法？这些当然有用，但真正的价值远不止于此。当AI被嵌入一套完整的工程方法中，它能从"Copilot问答助手"变成"Agentic自主智能体"，帮你把一个模糊的产品构想，一步步推进到可验证的工程交付。
本文将以一个真实的工业软件迁移项目CadToolOnline为载体，完整复盘我们如何用"AI工程七步法"，将一个桌面版C++/Qt开发的CAD工具迁移为Web CAD工具。
先看效果
在展开方法论之前，先来看一段目前已完成的演示效果。
CadToolOnline当前已支持以下基本CAD设计功能：
- **云平台部署：**支持部署到MWORKS Online云平台，在线运行
- **STEP模型导入：**读取标准STEP格式三维模型，自动解析层级结构与零件颜色
- **刚体分组设计：**将零件按多体动力学语义分组，构建刚体拓扑
- **标架设计：**在三维模型上创建标架，支持智能hover吸附与辅助线预览
一、项目背景：一个不简单的迁移任务
1.原始产品
CADTool是一个桌面版三维CAD工具，基于Qt 5.14.2+OCCT 7.7.0构建，具备STEP模型读取、分组设计、标架设计、关节设计、驱动设计等完整的多体动力学建模能力。
2.迁移目标
将CADTool的核心能力迁移到VSCode插件形态，用Web技术栈实现三维CAD查看与多体动力学建模。
3.核心挑战
这不是一个"换个前端框架"的项目，难度主要集中在四个维度：
- **几何内核迁移：**OCCT是C++体系的几何引擎，需要编译为WebAssembly才能在浏览器端运行
- **交互复杂度高：**三维拾取、对象树、属性面板、Ribbon入口、导入导出全链路联动
- **领域知识密集：**涉及分组、标架、7种关节类型、驱动、接触、流体等专业概念
- **场景规模大：**全局PRD拆出60个原型场景，无法一次性开发
面对这样的复杂度，仅凭"让AI帮忙写代码"是远远不够的。我们需要一套方法，让AI有序地参与到从创意到交付的完整链路中。
二、七步法总览：从模糊想法到可验证交付
"AI工程七步法"每一步主要解决一个核心问题：
一个关键认知：**前3步偏顺序执行，解决不确定性；从第4步开始，PRD/Kanban/Execute/QA四步强并行迭代，解决可交付性。**下面逐一展开。
三、Idea：从模糊想法收敛到明确的工程命题
这一步的输入是一份**任务书，**它定义了两个输入项目（CADTool桌面版、chili3d开源项目）和一个输出目标（CadToolOnline），并给出了两种可选技术方案：
**方案一：**将CADTool全部C++代码编译成WASM------依赖Sysplorer SDK，体积不可控
**方案二：**只将OCCT编译成 WASM，应用层用 TypeScript 重写------体积可控，可调试
这一步的关键产出不是答案，而是**让问题变得具体。**我们明确了：Web化的最大障碍不是写页面，而是几何引擎能不能在浏览器跑起来。如果几何能力无法落地，后面的UI、PRD、执行都没有意义。
四、Research：找到技术锚点，证明路线可行
开源项目chili3d给出了最关键的技术验证：OCCT可以通过Emscripten编译为WebAssembly，浏览器端可直接调用几何引擎完成STEP读取、网格化、属性计算，三维显示层由three.js承接。
基于这一研究结论，项目沉淀出了可执行的技术架构：
这些决策被沉淀到项目配置文件中（CLAUDE.md和 .claude/agents/project-context.md），成为后续所有 AI 交互的**技术基线。**这意味着AI在后续每一次对话中，都能自动加载这些约束，不会跑偏到错误的技术路线上。
五、Prototype：用原型把产品知识变成可视化事实
这一步做了两件关键的事。
**第一，生成全量原型。**我们基于CADTool的产品帮助文档，用AI直接生成了覆盖全部功能的高保真UI原型（.pen格式），包含主界面（多体/流体两种模式）和60个场景画板。这不是手工画几张线框图，而是把产品知识从"说明书"升级为"可执行的设计资产"。
Pencil原型设计效果
这里有两点值得强调：
- **模型能力决定原型质量。**生成高保真Pencil原型对模型的设计理解力要求很高，建议选择Claude最新的旗舰模型（如Opus 4.6），才能获得布局合理、细节到位的原型效果。较老或较小的模型往往在排版层次和组件复用上差距明显。
- **原型可直接生成前端代码。**Pencil原型不只是"看看效果"的图纸，它可以直接作为输入，由AI生成对应的Web前端界面代码。在本项目中，UI组件（Ribbon、模型树、属性面板等）的初始代码就是基于.pen原型一键生成的，大幅缩短了从设计到代码的链路。
**第二，搭建真实UI框架代码。**原型阶段不只停留在图纸层面，同步搭起了软件架构：
六、PRD：把60个场景切出来，让复杂系统可以逐个交付
面对一个60个场景的工业软件，正确做法不是一口吃掉，而是一次交付一个最小闭环。
两层PRD体系
全局PRD完成了三件事：
-
把帮助文档的60个操作页映射为SC01-SC60场景
-
每个场景对应一个原型画板，建立"文档-原型-PRD"的一一对应
-
按模块统计功能范围：模型导入12页、多体设计10页、流体设计6页、设计工具5页......
场景PRD则是每个场景的详细规格书，包含：
- 信息来源追溯（帮助页、原型画板、当前代码）
- 帮助页目标态vs当前MVP边界
- 功能规格（In Scope/Out of Scope）
- 验收标准与已知差距
场景交付Skills
更关键的是，我们为场景交付创建了一个可复用的**AI Skills。**当输入一个场景ID（如SC01），AI会沿固定链路自动推进：
这意味着每个场景都能按统一标准推进，而不是每次从零开始。
七、Kanban：从"知道做什么"到"知道先做什么"
AI会给你很多正确建议，但不会替你管理顺序和依赖。看板在这里解决的就是这个问题。
我们维护了两类计划资产：
- 全局计划按帮助文档目录分层组织工作包：基础设施（WP-BASE）、导入与浏览（WP-IMP）、多体设计（WP-MBS）、流体设计（WP-FLUID）、设计工具（WP-TOOL）、保存与导出（WP-EXPORT）。
- 场景计划包含当前实现现状、技术方案与实施阶段、风险识别、完成定义与验证命令。
八、Execute：文档、计划、代码同步迭代
这不是"先写完文档再写代码"的瀑布模式，而是三者在每个场景内并行演进：
我们在实践中发现了一个关键规律：**当PRD文档已经能够准确描述产品功能时，代码开发通常也接近完成。**文档和代码的同步程度，本身就是交付质量的信号。
除了场景交付技能，项目还沉淀了多个领域技能支撑开发执行：多体动力学领域知识（mbs-domain）、Three.js 渲染模式（threejs-patterns）、Emscripten 绑定模式（embind-patterns）、测试驱动开发工作流（tdd-workflow）。
九、QA：测试不是收尾动作，而是迭代的稳定器
QA与PRD、Kanban、Execute同步推进，不是最后补一轮。
当前测试体系分为两层：包内单元测试（贴近代码，如core/test、geo/tests）和根级测试（跨包集成、回归测试）。场景级QA计划包含测试范围、关键路径与边界场景、自动化验证命令、帮助页目标态与 MVP 的可接受差异。
两个关键实践：
- 测试不是开发完成后的证明，而是开发过程中的护栏
- 每次修改代码后，执行对应影响范围内的测试，保证改动可验证、可回归
十、七步法为什么有效
回过头来看，七步法的有效性来自几个核心设计：
1.先建立事实源，再让AI工作
事实源越清楚，AI 的产出越稳定、越可验证。这和同元软控在C++/Qt实践中提出的"分层上下文"理念一致------用工程化配置接管上下文管理，让 AI 从做开放式作文题，转变为做有明确边界的填空题。
2.把复杂系统切成可交付单元
SC01-SC60的场景化拆分，让每次AI交互的上下文更小、目标更清楚、结果更容易验证。这本质上和Harness工作流的"一次只推进一个可验证的小目标"是同一个思路。
3.让文档、计划、代码、测试同步演化
很多团队的问题不是"AI 写的代码不好"，而是文档和代码脱节、计划和执行脱节、测试和实现脱节。七步法从一开始就把四者放到一个迭代闭环里。
4.把AI的输出从一次性回答变成可复用的工程资产
单次prompt的价值有限。技能、PRD、原型、测试规范、领域知识库才是可持续复用的工程资产。当这些资产被沉淀下来，每一个新场景的交付都不是从零开始。
5. 真正减少的是返工成本
复杂项目里最贵的不是写代码，而是返工。七步法让技术路线更早收敛、交互原型更早对齐、场景边界更早明确、回归风险更早暴露。
十一、结语
AI真正适合解决的，不只是"写代码更快"，而是"让复杂工程从模糊走向可验证交付"。
对于工业软件这类复杂工程，真正稀缺的不是写代码的能力，而是能稳定推进需求、守住工程质量、持续完成交付的系统方法。七步法的价值在于：它不是替代工程方法，而是放大工程方法。 方法一旦正确，AI就不只是代码生成器，而能成为可持续协作的交付系统。
当个人经验开始被固化为技能、规则和工作流，AI带来的就不只是效率提升，更是工程能力的规模化复制。