AgentsCAD：基于多智能体大模型推理与几何特征识别的FDM增材制造自动化设计

AgentsCAD：基于多智能体大模型推理与几何特征识别的FDM增材制造自动化设计

原文arXiv链接：https://arxiv.org/html/2607.02448v1

摘要

熔融沉积成型（FDM）3D打印零件通常需要面向制造的设计（DFAM）几何修改，保证可打印性、结构强度并减少后处理工序。现有切片软件仅能识别悬空等缺陷，但无法自动修改底层B-Rep边界表示几何。

本文提出AgentsCAD多智能体系统 ，打通B-Rep几何与大语言模型（LLM）推理链路，实现DFAM自动化优化。整体工作流：解析STEP标准几何文件→图神经网络识别几何特征→Claude Sonnet设计推理智能体生成几何修改方案→GPT-4o多模态视觉校验器验证几何有效性。系统输出优化后STEP文件与可读制造分析报告。

以鸟屋CAD模型为完整测试案例，系统可自动识别45°以上悬空缺陷，选择合理几何修正策略并输出物理可行修改方案，解决"三维几何转自然语言"这一大模型CAD改造核心难题。

关键词 ：面向增材制造设计DFAM、FDM熔融沉积、大语言模型LLM、多智能体流水线、B-Rep边界表示、STEP文件、GraphSAGE图神经网络

缩写：FDM/DFAM/LLM/VLM/B-Rep/STEP

1 引言

1.1 研究背景

FDM逐层堆积材料制造三维零件，向下倾斜超过45°的曲面属于典型悬空结构，若无支撑会打印失效。DFAM设计规范通过修改几何消除悬空、提升尺寸精度与力学性能、减少支撑与后处理。

现有切片工具仅标记缺陷区域，工程师需在CAD与切片软件间反复手动迭代，流程低效。近年LLM/VLM开始介入CAD领域，但现有工具仅能从文生CAD、完成缺陷预测，不存在读取现有STEP模型并自动修改B-Rep几何的闭环DFAM系统。

1.2 相关研究现状

1. 文生CAD类模型：Text2CAD、Query2CAD、CADSmith仅支持根据文本生成全新模型，无法编辑已有零件；
2. 几何自动特征识别AFR：传统规则+浅层网络、3D CNN、UV-Net、Hierarchical CADNet基于B-Rep面邻接图提取加工特征，但仅分类不输出修改方案；
3. 图神经网络基础：GCN为直推式图分类，无法泛化全新CAD图；GraphSAGE为归纳式学习，适配未见过的STEP零件；
4. 制造缺陷预测模型：LLM3D打印、Alloy智能体仅监控打印过程，不前置优化CAD几何。

现有工作均为孤立子模块，缺少完整闭环：读取STEP→识别制造缺陷→LLM推理修改→几何生成→视觉校验。本文核心问题：能否构建多智能体LLM系统全自动完成FDM零件DFAM改造？

1.3 论文核心贡献

1. 提出AgentsCAD黑板架构多智能体流水线，完整实现STEP几何解析、图特征提取、LLM DFAM推理、CAD自动修改、多模态视觉校验闭环；
2. 基于MFC++数据集训练GraphSAGE归纳式几何特征分类器，对比GCN证明其泛化优势，支持全新零件自动识别25类加工特征；
3. 设计几何结构化JSON序列化方案，将B-Rep拓扑、曲面特征压缩至LLM上下文窗口，解决三维几何向文本转化难题；
4. 引入MCP几何工具约束LLM推理，消除3D坐标幻觉，搭配GPT-4o视觉校验保证修改物理有效性；
5. 以鸟屋模型完成完整端到端验证，输出可直接用于3D打印的优化STEP文件与标准化制造报告。

图1 AgentsCAD多智能体整体流水线

#mermaid-svg-8xX9BU4dQEMpFI0x{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-8xX9BU4dQEMpFI0x .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-8xX9BU4dQEMpFI0x .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-8xX9BU4dQEMpFI0x .error-icon{fill:#552222;}#mermaid-svg-8xX9BU4dQEMpFI0x .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-8xX9BU4dQEMpFI0x .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-8xX9BU4dQEMpFI0x .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-8xX9BU4dQEMpFI0x .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-8xX9BU4dQEMpFI0x .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-8xX9BU4dQEMpFI0x .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-8xX9BU4dQEMpFI0x .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-8xX9BU4dQEMpFI0x .marker{fill:#333333;stroke:#333333;}#mermaid-svg-8xX9BU4dQEMpFI0x .marker.cross{stroke:#333333;}#mermaid-svg-8xX9BU4dQEMpFI0x svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-8xX9BU4dQEMpFI0x p{margin:0;}#mermaid-svg-8xX9BU4dQEMpFI0x .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-8xX9BU4dQEMpFI0x .cluster-label text{fill:#333;}#mermaid-svg-8xX9BU4dQEMpFI0x .cluster-label span{color:#333;}#mermaid-svg-8xX9BU4dQEMpFI0x .cluster-label span p{background-color:transparent;}#mermaid-svg-8xX9BU4dQEMpFI0x .label text,#mermaid-svg-8xX9BU4dQEMpFI0x span{fill:#333;color:#333;}#mermaid-svg-8xX9BU4dQEMpFI0x .node rect,#mermaid-svg-8xX9BU4dQEMpFI0x .node circle,#mermaid-svg-8xX9BU4dQEMpFI0x .node ellipse,#mermaid-svg-8xX9BU4dQEMpFI0x .node polygon,#mermaid-svg-8xX9BU4dQEMpFI0x .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-8xX9BU4dQEMpFI0x .rough-node .label text,#mermaid-svg-8xX9BU4dQEMpFI0x .node .label text,#mermaid-svg-8xX9BU4dQEMpFI0x .image-shape .label,#mermaid-svg-8xX9BU4dQEMpFI0x .icon-shape .label{text-anchor:middle;}#mermaid-svg-8xX9BU4dQEMpFI0x .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-8xX9BU4dQEMpFI0x .rough-node .label,#mermaid-svg-8xX9BU4dQEMpFI0x .node .label,#mermaid-svg-8xX9BU4dQEMpFI0x .image-shape .label,#mermaid-svg-8xX9BU4dQEMpFI0x .icon-shape .label{text-align:center;}#mermaid-svg-8xX9BU4dQEMpFI0x .node.clickable{cursor:pointer;}#mermaid-svg-8xX9BU4dQEMpFI0x .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-8xX9BU4dQEMpFI0x .arrowheadPath{fill:#333333;}#mermaid-svg-8xX9BU4dQEMpFI0x .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-8xX9BU4dQEMpFI0x .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-8xX9BU4dQEMpFI0x .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-8xX9BU4dQEMpFI0x .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-8xX9BU4dQEMpFI0x .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-8xX9BU4dQEMpFI0x .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-8xX9BU4dQEMpFI0x .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-8xX9BU4dQEMpFI0x .cluster text{fill:#333;}#mermaid-svg-8xX9BU4dQEMpFI0x .cluster span{color:#333;}#mermaid-svg-8xX9BU4dQEMpFI0x div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-8xX9BU4dQEMpFI0x .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-8xX9BU4dQEMpFI0x rect.text{fill:none;stroke-width:0;}#mermaid-svg-8xX9BU4dQEMpFI0x .icon-shape,#mermaid-svg-8xX9BU4dQEMpFI0x .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-8xX9BU4dQEMpFI0x .icon-shape p,#mermaid-svg-8xX9BU4dQEMpFI0x .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-8xX9BU4dQEMpFI0x .icon-shape .label rect,#mermaid-svg-8xX9BU4dQEMpFI0x .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-8xX9BU4dQEMpFI0x .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-8xX9BU4dQEMpFI0x .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-8xX9BU4dQEMpFI0x :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 否
是
输入STEP三维CAD模型
几何解析智能体

B-Rep拓扑提取、悬空检测、GraphSAGE特征标注
共享黑板全局状态存储
Claude Sonnet 4.6

设计推理智能体

CoT链式推理+MCP几何工具
几何修改模块 CadQuery执行倒圆角/泪滴/旋转等操作
GPT-4o视觉校验智能体

多视图渲染验证几何完整性
校验通过?
输出优化STEP+DFAM修改报告

流程说明：原始CAD(a)输入推理智能体(b)生成几何调整方案，执行CAD代码修改©，VLM校验迭代后输出可打印验证模型(d)。

2 相关工作

1. LLM3D打印智能体：基于相机层内缺陷实时调整打印参数，仅针对成型过程，不前置优化CAD几何；
2. 合金设计多智能体：依托MCP协议调用ThermoCalc材料工具，用于增材合金工艺图生成，无几何编辑能力；
3. RocketSmith火箭设计系统：整合OpenRocket、CADSmith生成火箭STEP，无FDM悬空DFAM优化模块；
4. 各类文生CAD、特征识别网络均无法实现"读取已有零件并自动消除打印缺陷"的完整闭环。

3 理论基础

3.1 GCN图卷积网络（直推式）

以面为节点、邻接面为边构建B-Rep二部图，层更新公式：

H(l+1)=σ ⁣(D~−1/2A~D~−1/2H(l)W(l))\mathbf{H}^{(l+1)}=\sigma\!\left(\tilde{\mathbf{D}}^{-1/2}\tilde{\mathbf{A}}\tilde{\mathbf{D}}^{-1/2}\mathbf{H}^{(l)}\mathbf{W}^{(l)}\right)H(l+1)=σ(D~−1/2A~D~−1/2H(l)W(l))

A~\tilde{A}A~为自环邻接矩阵，D~\tilde{D}D~度矩阵，缺点：仅能在训练图上推理，无法处理全新CAD模型。

3.2 GraphSAGE归纳图网络（本文核心特征提取器）

邻域特征拼接聚合，保留节点自身几何属性，支持未见过的零件推理：

hv(l+1)=σ ⁣(W(l)⋅CONCAT ⁣(hv(l),  MEANu∈N(v)hu(l)))h_{v}^{(l+1)}=\sigma\!\left(W^{(l)}\cdot\mathrm{CONCAT}\!\left(h_{v}^{(l)},\;\mathrm{MEAN}{u\in\mathcal{N}(v)}h{u}^{(l)}\right)\right)hv(l+1)=σ(W(l)⋅CONCAT(hv(l),MEANu∈N(v)hu(l)))

优势：独立学习聚合函数而非固定图嵌入，少量新零件即可泛化。

3.3 RAG检索增强生成

解决LLM无长期零件记忆问题：每完成一个零件分析，将几何特征、修改方案向量化存入FAISS向量库；新零件推理时检索相似历史DFAM案例，提供领域先验知识，持续提升系统随数据累积的推理精度。

4 方法：AgentsCAD完整系统实现

4.1 CAD几何文本表征方案（核心前置模块）

原始STEP二进制B-Rep无法直接输入LLM，本文设计结构化JSON表征，包含三大模块：

1. 单曲面特征：曲面类型（平面/圆柱/圆锥/B样条）、面积、质心、法向量倾斜角、回转半径、伸长系数；
2. 拓扑邻接关系：面ID共享边邻接图，记录孔洞、台阶等拓扑关联；
3. GraphSAGE语义标签 ：25类加工特征（口袋/通孔/倒角等）+置信度。
   数据来源：基于OpenCASCADE内核、CadQuery遍历B-Rep，UV网格采样曲面曲率补充特征，最终压缩JSON可完整放入LLM上下文窗口，同时保留三维空间关系，避免纯浮点数组无拓扑信息的缺陷。

4.2 黑板模式多智能体全局架构

摒弃LangChain/CrewAI消息传递架构，采用经典黑板共享状态设计：

• 全局唯一黑板存储所有几何数据、缺陷标记、特征标签、修改方案、渲染图；
• 各智能体独立读写黑板，模块完全解耦，可单独替换LLM、GNN、几何引擎；
  三大核心特性：

1. 确定性前置规则检测：无需LLM，通过面法向量与Z轴夹角直接标记>45°悬空，提供可验证真值；
2. 条件分支执行：无悬空缺陷时自动跳过推理、修改、校验阶段，节省API开销；
3. 双模型解耦：推理端Claude Sonnet，视觉校验端GPT-4o，任意模型可独立替换。

4.3 系统九阶段完整执行流水线

1. STEP解析：CadQuery+OCCT读取模型，提取所有曲面几何参数、包围盒、质心；
2. 规则悬空检测：计算面法向量与打印Z轴夹角，θ≤0标记为悬空缺陷；
3. 拓扑图构建：遍历共享边生成面邻接关系图存入黑板；
4. GraphSAGE特征推理：输入B-Rep二部图，输出25类加工语义标签；无预训练权重则降级Node2vec；
5. RAG案例检索：当前几何向量匹配历史DFAM案例，追加至LLM提示词；
6. 设计推理智能体（Claude Sonnet） ：CoT链式推理，调用2个MCP几何工具：
   • check_orientation_overhangs：评估各旋转方案悬空数量；
   • lay_face_to_build_surface：计算最优平铺欧拉旋转角；
     推理优先级：全局旋转→局部圆角/泪滴修改→支撑方案→零件拆分；
7. 几何修改执行：CadQuery按面ID批量执行修改，旋转操作最后执行（旋转会改变面索引）；
8. VLM视觉校验（GPT-4o）：四视图2048×2048渲染，针对每处修改生成Yes/No校验问题，识别几何失效；
9. 输出归档：优化STEP、2×2渲染图、DFAM修改报告、完整黑板快照。

4.4 GraphSAGE与GCN消融实验设计

对比三组特征输入：

1. 仅基础5维曲面特征；
2. 基础特征+层级面邻接聚合；
3. 基础特征+UV网格曲率增强特征；
   网络均3层卷积，隐藏维度64，Dropout=0.5，评价指标宏F1（平衡稀有加工特征分类精度）。

表1 MFCAD++测试集分类性能对比

网络架构	特征配置	准确率	宏F1	宏精确率	宏召回
GCN(基线)	仅基础特征	0.443	0.338	0.336	0.396
GCN	层级聚合	0.363	0.306	0.345	0.377
GCN	UV增强特征	0.538	0.469	0.472	0.552
GraphSAGE	仅基础特征	0.638	0.545	0.534	0.579
GraphSAGE	层级聚合	0.794	0.727	0.716	0.753
GraphSAGE	UV增强特征	0.850	0.785	0.774	0.805
结论：GraphSAGE归纳式拼接聚合显著优于GCN归一化加权，UV曲率特征进一步提升稀有特征识别精度。

图2 MeshViz可视化特征分类结果

• 左：原始零件三维模型；
• 右：GraphSAGE+UV预测着色模型，红色为错分面；
  错分集中于加工特征与基体边界，边界混合邻域导致表征模糊，为后续优化方向。

4.5 MCP几何工具消融关键结论

无MCP工具约束时，LLM频繁幻觉错误旋转角度；引入check_orientation_overhangs、lay_face_to_build_surface后，所有坐标变换计算完全基于真实几何，消除推理幻觉，是系统必备组件而非优化项。

4.6 视觉校验模块

复用CADCodeVerify校验范式，修改后模型生成四张正交视图，针对每一处几何修改生成定向校验提问，GPT-4o输出判定与推理，检测圆角缺失、旋转失效、干涉等隐性几何错误，自动化替代人工肉眼审核。

5 端到端鸟屋模型完整实验

图3 鸟屋模型前后对比

• 原始模型：两个90°水平圆柱通孔，严重悬空，无法无支撑打印；
• 系统优化流程：
  1 RAG检索水平通孔DFAM历史案例；
  2 推理智能体评估6组旋转方案，选择X轴90°平铺，消除一个通孔悬空；
  3 剩余通孔自动生成泪滴轮廓修改；
  4 VLM校验几何完整性，体积仅减少0.75%；
  5 输出无悬空可直接打印STEP文件。
  完整链路仅一轮迭代完成全部DFAM优化，无人工干预。

6 实验结论

1. B-Rep拓扑+结构化JSON表征可完整向LLM传递三维制造信息，仅浮点数组会丢失空间关联，推理失效；
2. GraphSAGE归纳图网络在全新CAD零件特征识别上全面超越直推式GCN，UV曲率特征进一步提升稀有加工特征识别；
3. MCP几何工具是消除LLM三维坐标幻觉的必要条件，无工具约束会输出大量不可行几何修改；
4. AgentsCAD实现从原始STEP到可打印优化模型全自动闭环，输出几何文件、标准化DFAM制造报告，填补现有CAD+LLM工具空白。

7 未来工作方向

1. 支持多装配体、复杂大模型子图压缩，缓解LLM上下文窗口限制；
2. 拆分多专用推理子智能体（应力、薄壁、桥接缺陷专项模块）；
3. 扩展缺陷检测种类：薄壁、桥接、内支撑、自相交；
4. 完善RAG向量库，累积海量零件DFAM案例持续提升推理；
5. 适配下一代多模态原生LLM，抛弃JSON中间表征，直接输入三维渲染图推理。

8 复现资源、环境与脚本

8.1 依赖软件与库

1. 几何内核：OpenCASCADE、CadQuery；
2. 图神经网络：PyTorch Geometric、GraphSAGE、Node2vec；
3. 向量检索：FAISS；
4. LLM/VLM：Claude Sonnet 4.6、GPT-4o API；
5. 可视化：MeshViz、Matplotlib、2048分辨率渲染工具；
6. 数据集：MFCAD++（59665个CAD零件加工标注数据集）。

8.2 环境一键安装脚本

# 1 基础依赖
sudo apt install python3 python3-pip libocct-dev -y
# 2 CAD几何库
pip install cadquery opencascade-python
# 3 图学习库
pip install torch torch_geometric faiss-cpu
# 4 LLM与可视化依赖
pip install openai anthropic matplotlib numpy
# 5 项目代码（论文配套仓库）
git clone https://github.com/AgentsCAD/cad-dfam-llm
cd cad-dfam-llm

8.3 完整运行脚本

# 1 GraphSAGE模型训练（MFCAD++数据集）
python train_graphsage.py --feature uv --dataset mfad_plus

# 2 单STEP零件DFAM全自动优化
python agentscad_pipeline.py --input birdhouse.step \
--llm_provider anthropic \
--vlm_provider openai \
--output ./optimized_model.step \
--report ./dfam_report.md

# 3 仅运行特征可视化MeshViz
python meshviz.py --model birdhouse.step --weight graphsage_uv.pth

8.4 资源下载地址

1. 论文PDF完整文档：https://arxiv.org/pdf/2607.02448v1
2. AgentsCAD开源代码仓库：https://github.com/AgentsCAD/cad-dfam-llm
3. MFCAD++数据集下载：论文仓库data目录内置下载脚本
4. GraphSAGE预训练权重：仓库release页面
5. 鸟屋测试STEP样例：仓库examples/birdhouse.step

附录补充

1. 完整MCP工具提示词模板；
2. GraphSAGE网络完整训练超参；
3. 鸟屋模型原始/优化STEP文件；
4. 所有实验定量消融完整表格；
5. 完整DFAM报告输出模板。

图片说明

原文PDF内含全部图表（网页版无图片资源，仅保留图文字描述与Mermaid复刻流程图）：

1. 图1：AgentsCAD多智能体流水线总流程图；

3. 图2：MeshViz零件特征着色可视化图；

(a)Original Part

(b)Predicted (97% face acc.)

5. 图3：鸟屋模型优化前后四视图对比图；
   (a)Original Birdhouse CAD input
   
   (b)Modified Birdhouse CAD output