当 CAD 学会听话，基于自然语言的智能诊断实战

从"点按钮"到"说人话"：CAD 交互的范式转移

在传统 CAD 工作流中，设计师的思维往往被复杂的菜单层级和晦涩的命令打断。想要检查一个装配体是否存在干涉，或者找出所有壁厚不足的零件，用户通常需要点击层层嵌套的工具栏，设置一堆参数，然后盯着红色的报错信息发呆。这种"机器中心主义"的交互模式，本质上是在强迫人类去适应软件的逻辑，而非软件服务于人的意图。

随着大语言模型（LLM）与智能体（Agent）技术的成熟，CAD 软件正在经历一场从"图形界面驱动"向"自然语言驱动"的深刻变革。想象一下，你只需对软件说："帮我检查一下这个引擎盖模型，看看有没有厚度小于 0.5mm 的薄壁区域，如果有，标出来并告诉我怎么改。"软件不仅能瞬间完成几何计算，还能像一位资深工程师一样，用自然语言反馈诊断结果，甚至主动给出优化建议。这不再是科幻场景，而是基于 ReAct 推理框架与 A2A 协议构建的智能诊断 Agent 正在实现的现实。

本文将深入实战，拆解如何为 CAD 软件植入这样一个"会听话、能思考"的大脑，重点探讨意图识别、几何算法集成以及多智能体协作的核心架构。

赋予 CAD"几何慧眼"：解耦的 GeometryAPI 设计

要让 AI 听懂人话并执行几何操作，首要任务是解决"语言"与"数学"之间的鸿沟。大模型擅长处理语义，但无法直接理解三角网格或 B-Rep 数据；而传统的 CAD 内核虽然计算精准，却不懂人类的模糊指令。因此，我们需要构建一座桥梁------一个专为 AI Agent 设计的、与渲染逻辑完全解耦的 GeometryAPI。

在传统的单体架构中，几何计算函数往往散落在渲染管理器、拾取逻辑甚至临时的测试脚本里。这种混乱的状态让 AI 无从下手。我们需要将这些能力封装成清晰、原子化的接口。例如，定义一个标准的 Ray（射线）结构体和 Intersection（交点）结构体，让 AI 能够以统一的数据格式发起查询：

cpp 复制代码

struct Ray {
    Point origin;
    Point direction;
    // 内部自动处理归一化，降低调用方复杂度
};

struct Intersection {
    Point point;
    Triangle* triangle; // 指向内存池中的原始数据，零拷贝
    float distance;
};

基于这些基础数据结构，我们可以暴露出高层语义接口，如 getThinParts(float max_thickness) 或 checkInterference(const Model& A, const Model& B)。关键在于实现层面的"零拷贝"优化。当 AI 请求加载模型进行分析时，GeometryAPI 应直接复用底层的内存池和 BVH（包围体层次结构），避免数据在磁盘、内存和显存之间反复搬运。

cpp 复制代码

std::vector<Triangle> GeometryAPI::getThinParts(float max_thickness_mm) const {
    std::vector<Triangle> result;
    // 直接遍历内存池中的三角形，利用预计算的法线信息快速估算厚度
    for (const auto& tri : m_trianglePool.getAll()) {
        if (computeThickness(tri) <= max_thickness_mm) {
            result.push_back(tri);
        }
    }
    return result;
}

通过这种方式，AI Agent 无需关心底层是 OpenGL 还是 DirectX，也不必了解 BVH 的具体构建算法，它只需要知道："调用这个函数，给我返回不符合规范的三角形列表"。这种解耦设计不仅提升了性能，更为后续的本地化部署和多语言调用奠定了基础。

核心大脑：基于 ReAct 模式的意图识别与工具调度

有了几何 API 作为"手脚"，接下来需要构建 Agent 的"大脑"。在 CAD 诊断场景中，用户的指令往往包含隐含的逻辑判断。例如，"检查这个零件是否适合 3D 打印"，这不仅涉及薄壁检测，还可能包含悬垂面分析、封闭性检查等多个步骤。简单的关键词匹配或正则提取已无法胜任，我们需要引入 ReAct（Reasoning + Acting） 推理循环。

ReAct 模式的核心在于让大模型在生成最终回答之前，先进行"思考 - 行动 - 观察"的循环迭代。在 CAD 智能诊断 Agent 中，这一流程表现为：

思考（Thought）：模型分析用户指令，拆解任务。例如接收到"检查薄壁"指令时，模型意识到需要调用几何检测工具，并确定阈值参数。
行动（Action） ：模型生成特定的工具调用请求（Function Call），如 invoke_tool("check_wall_thickness", {"threshold": 0.5})。
观察（Observation）：系统执行底层的 C++ 几何算法，将结果（如"发现 3 处薄壁，位置坐标分别为..."）返回给模型。
再思考：模型根据返回的数值结果，结合工程知识库，生成自然的诊断建议。

为了实现这一循环，我们需要在本地部署轻量级的大语言模型（如 Qwen 或 Llama 系列的量化版本），以确保数据隐私和响应速度。在 Prompt 工程中，需明确注入工具描述和 Few-Shot 示例，引导模型正确输出 JSON 格式的工具调用指令：

text 复制代码

System: 你是一个专业的 CAD 质量诊断助手。你可以使用以下工具：
- check_wall_thickness(threshold): 检测壁厚小于阈值的区域。
- find_interferences(models): 检测模型间的干涉。

User: 帮我看下这个支架有没有太薄的地方，标准是 0.8mm。
Assistant: Thought: 用户需要检查壁厚，阈值为 0.8mm。我需要调用 check_wall_thickness 工具。
Action: check_wall_thickness
Action Input: {"threshold": 0.8}
Observation: [{"id": 102, "location": [12.5, 3.4, 0.0], "thickness": 0.65}, ...]
Assistant: 诊断完成。我发现支架底部有 3 处区域厚度仅为 0.65mm，低于您设定的 0.8mm 标准。这可能导致注塑成型困难或结构强度不足。建议将这些区域的倒角半径增大，或整体加厚底板。

通过这种机制，Agent 不再是机械地执行命令，而是具备了初步的"工程思维"，能够将冰冷的几何数据转化为有价值的修改建议。

打破孤岛：利用 A2A 协议构建协同诊断网络

单个 Agent 的能力终究有限。在复杂的工业设计场景中，往往需要多个专业 Agent 协同工作。例如，一个负责几何分析的 Agent 可能需要调用另一个负责材料成本估算的 Agent，或者与云端渲染农场协作生成可视化报告。此时，A2A（Agent-to-Agent）协议便成为了连接这些智能体的通用语言。

A2A 协议解决了不同框架、不同语言开发的 Agent 之间的互操作性问题。在 CAD 生态中，我们可以将几何诊断 Agent 注册为一个标准的 A2A 服务，通过 Agent Card 对外宣告其能力：

json 复制代码

{
  "name": "CAD Geometry Diagnostician",
  "description": "提供模型几何质量分析，包括薄壁检测、干涉检查和曲率分析。",
  "skills": [
    {
      "id": "thin_wall_check",
      "description": "识别厚度低于指定阈值的几何区域",
      "input_modes": ["application/json"],
      "output_modes": ["application/json", "text/markdown"]
    }
  ]
}

当上游的"设计评审 Agent"接收到用户"全面评估此模型"的指令时，它可以通过 A2A 协议动态发现并调用"几何诊断 Agent"。整个过程无需硬编码接口，只需遵循标准的 Task 和 Message 对象格式。

这种架构带来了极大的灵活性：

分布式部署：耗时的几何计算可以放在本地高性能工作站上，而耗资巨大的渲染任务可以调度到云端 Agent，两者通过 A2A 无缝协作。
能力组合：产品经理可以根据需求灵活编排 Agent 链路。例如，新增一个"合规性检查 Agent"，只需将其接入 A2A 网络，现有的诊断流程即可自动获得新的检查维度。
生态扩展：第三方开发者可以基于统一的 A2A 标准开发专用的插件 Agent（如针对航空航天的特殊规范检查），并直接集成到主 CAD 软件中，无需修改核心代码。

实战演练：从自然语言到工程报告的闭环

让我们将上述技术串联起来，看一个完整的用户场景。

设计师打开 CAD 软件，加载了一个复杂的涡轮叶片模型。他不再需要在菜单栏中寻找"质量分析"工具，而是直接在对话框中输入："这个叶片在高速旋转下可能会有应力集中，帮我找找潜在的风险点，特别是厚度突变的地方。"

意图解析：本地 LLM 接收指令，识别出核心意图是"应力风险分析"和"厚度突变检测"。它推断出需要调用几何 API 中的曲率分析工具和厚度梯度计算工具。
工具调度 ：Agent 进入 ReAct 循环，首先调用 calculate_curvature_map() 获取高曲率区域，接着调用 detect_thickness_gradients() 查找厚度剧烈变化的边界。
数据融合：底层 C++ 引擎迅速返回两组坐标数据。Agent 将这两组数据进行空间叠加，筛选出既具有高曲率又存在厚度突变的"高危区域"。
协同增强：Agent 发现某些区域的材料属性未知，于是通过 A2A 协议向"材料库 Agent"发起查询，获取该合金的屈服强度数据。
自然反馈：最终，系统在视图窗口中高亮显示了 3 处红色风险区，并在侧边栏生成了一份自然语言报告："检测到叶片根部与叶身连接处存在明显的厚度突变（从 2mm 骤降至 0.8mm），且该区域曲率较大。结合材料属性分析，此处极易在高速旋转下产生应力集中导致疲劳裂纹。建议采用平滑过渡的圆角设计，并将最小厚度提升至 1.2mm 以上。"

整个过程流畅自然，用户感受到的不是软件的复杂功能，而是一个懂行、高效的虚拟专家伙伴。

结语：智能化是 CAD 进化的必经之路

CAD 软件的未来，不在于更多的按钮或更炫的渲染效果，而在于能否真正理解设计师的意图，并主动承担繁琐的分析工作。通过构建解耦的几何 API、引入 ReAct 推理机制以及利用 A2A 协议打通智能体协作，我们正逐步将 CAD 从"绘图工具"进化为"智能设计伙伴"。

对于架构师和产品经理而言，现在的技术栈已经足够支撑这一愿景。本地大模型的推理能力日益增强，A2A 等开放协议正在形成生态共识，底层的几何计算优化也有迹可循。关键在于转变思维：不再将 AI 视为一个附加的插件，而是将其作为核心交互逻辑的一部分，重新设计软件的血脉。当 CAD 真正学会"听话"并能主动思考时，工业设计的效率与创造力将迎来质的飞跃。