让大模型读懂一张施工图：SVG+MD 双载体记录法的踩坑笔记

第一次把一张 A0 钢结构施工图交给大模型时，我很快发现，真正要命的问题不是它答错，而是我无从知道它到底读到了什么。

它说"这是一张包含多个视图的工程图纸"------对，但跟没说一样；它要敢给个数字------"共 12 件零件"------我信还是不信？信不得，也证不得。渲染图里 0.12pt 细线糊成一团灰，尺寸数字在 PDF 里根本不是文本而是 glyph 轮廓路径，整份 SVG 灌进上下文就爆。它"看见"了什么，我没有一条路能验证。答对，分不清是读懂还是蒙的；答错，也定位不到错在哪一步。

三周之后我把这个"不可知"一点点拆掉，结论一条：给模型两份东西------管几何的"骨"，管语义的"魂"。下面每一处设计，说到底都是同一件事：把不可知变成可测。

骨和魂：为什么一份不够

三条规矩：单一事实源，每类信息只在一处为真，另一处只引用；ID 互联而非坐标复制，MD 留局部 mm 参数坐标（可编辑），SVG 留页面 pt 原生坐标（精确），换算写进 crosswalk；token 可行，MB 级 SVG 永不整份进上下文。冲突：几何以 SVG 为准，值与语义以 MD 为准。

八步流水线

复制代码

PDF → 1 提取分层 → 2 视图聚类 → 3 文本恢复 → 4 MD 增补 → 5 配准 → 6 三方互校 → 7 LLM 验收 → 8 齐套交付

四个坑

颜色即语义。 get_drawings() 能按图元输出路径与颜色，而工程图纸的颜色不是装饰：黑=主轮廓、青=中心线、黄=细线/标题栏、绿=尺寸、红=特殊。按颜色归层，语义切分自动完成，模型声称读到的每段都能定位到图层。先剔无描边的纯白填充矩形------一个 f 图元曾把整页盖住。

视图聚类的串簇问题。 用 outline+dimension+centerline 三层做空间连通聚类把视图拆开。图框线和标题栏线横跨全页，黄层（thin）若参与聚类，所有视图串成一个大簇。排除黄层后世界清净；粘连处人工指定 bbox。

文本恢复：数字要背靠背核对。 尺寸值靠视觉多模态模型认。优先级：MD 已有值 > 绿层高 DPI 裁切复读 > glyph OCR------OCR 对细线 glyph 太脆，162° 能读成 163°。两源独立读再对账------单源读对读错都是它一张嘴。对不上进 unclear，不臆造。读不清不丢人，编数才丢人。

ccw90：调了我一个下午。 横放图纸塞在竖放页面里，渲染出来是歪的：

复制代码

竖放页面
┌────────────┐
│ 内容转了90° │
│ ┌────────┐ │
│ │ 图纸内容 │ │   ← 内容的"上"朝左
│ └────────┘ │
└────────────┘
回正 = ccw90 → fitz page.set_rotation(270)

我一开始写成 set_rotation(90)，图"正"了但左右颠倒，配准对不上。救了我的是 self_check 断言：局部原点 (0,0) 换算后必须落在该视图 bbox 左下角。换算链：s = 2.83465 / 比例分母，X_L = x·s + tx，Y_L = −y·s + ty，竖放页面再 x_p = W − Y_L，y_p = X_L。旋转错一步，断言立刻炸------这也是全方案的缩影：不靠肉眼抽查，靠断言当场抓住。

ID 是锚

"指认"是我最看重的维度，它正面回答"不可知"：模型说的每句话，得能落回图上确切位置。靠统一 ID------视图 V{nn}，图元 V{nn}-P{mm}，尺寸 V{nn}-D{mm}，气球 V{nn}-B{mm}，SVG 与 MD 共用一套编号：

复制代码

V15（吊耳分解详图，1:20）

  V15-P02 → SVG <path data-prim-id="V15-P02">   MD {"id":"V15-P02","type":"POLYLINE"} 件11 轮廓
  V15-D03 → SVG <path data-dim-id="V15-D03"> + <text data-dim-id="V15-D03" data-value="930">
            MD | V15-D03 | 930 | linear/v | 件10 高度方向 |
  V15-B11 → MD  V15-B11 → 件11 主吊耳 δ30，圆头 R150，起吊孔 Ø80

于是"V15-D03 是哪里的什么"有唯一答案：V15 视图、件10、高度方向。crosswalk 带 bbox 与换算参数，指认精确到页面 pt；它由脚本同源生成、SVG metadata 放同一份，禁手改，防漂移。

BOM 也是：有的图标题栏根本没明细表。降级：记录已识别零件编号 + 标注"BOM 未提供"，不臆造材料重量。诚实的"不知道"比漂亮的"编的"值钱。

交付前，先考它

"模型准确理解了这张图"不能是感觉，得可测------这是对"不可知"的正面回答。我把它拆成四个分量：几何精度 × 语义完整 × 可指认 × token 可行，缺一不可。校验两层。其一，三方互校：MD 参数重绘与 SVG 叠合做几何差集、绿层值集合与 dims 核对、BOM 与气球核对。其二，验收题库：每图至少 20 题，覆盖结构、几何、关系、工艺、指认五类；只喂交付物不喂方案文档，前四类 ≥95%、指认类 100% 才算过。

喂法也有讲究

复制代码

整份 SVG（约 9000+ path）      ████████████████████   MB 级，永不整份喂
按视图切片（data-view="V15"）  ████                   10~40KB，要坐标时喂
MD 单章（一个视图章节）        █                      3~10KB，默认主读

默认只读 MD，按视图章节分块；要精确坐标时，按 data-view 抽对应 SVG 组连同 MD 章节一起喂，切片剔除 glyph 路径段。重绘改图以 MD 参数为输入，校验测量以 SVG 切片为输入。

边界与后话

这套方法适合"矢量线画 + 无文字层"的 PDF 工程图，A0 钢结构施工图是典型场景。三类情况别用：已有文字层且无需精确几何；只要渲染图给人看；栅格扫描件，矢量化另案。剩余风险：crispEdges 吞细线靠生成约束内建；缺 cairo 用 PIL 直读 get_drawings；换版重跑 diff 变更单。

这套踩坑经验我整理成了一个 skill：SVG/MD 双载体规范、八步流水线各步要点、验收标准都在里面，拿到新图纸可直接按规范执行：

https://github.com/znlgis/opengis-skills/blob/main/cad/design-drawing-svg-md/SKILL.md