text-to-CAD技术路线详解：从自然语言到可编辑三维模型的工程实践

1. 从“说句话”到“出模型”：text-to-CAD到底是什么

先聊聊我最早接触text-to-CAD时的感受。当时我在做一个机械结构件，客户临时改了需求，要求在法兰盘上加一圈异形散热孔，还要避开原有螺纹孔的位置。按传统流程，我得打开CAD软件，先测量已有孔位，画辅助圆，再逐个阵列拉伸切除，一套下来少说二十分钟。但那天我突发奇想，直接把需求打成一段话丢给测试中的text-to-CAD工具：“在直径120mm法兰盘上，以圆心为中心环形阵列8个长圆孔，避开半径60mm圆内的4个螺纹孔”，结果模型脚本在十几秒内就出来了，虽然孔的位置还需要微调，但整体思路完全正确。

这个场景基本概括了text-to-CAD的核心价值：把自然语言描述直接转成可编辑、可制造的三维CAD模型。注意这里的关键词是“CAD模型”，不是随便生成一个看起来像那么回事的网格面片。它生成的是带参数特征树、可以在SolidWorks、Fusion 360、FreeCAD里继续编辑修改的实体模型，这是最本质的区别，也是这个方向真正值钱的地方。

传统CAD建模的瓶颈从来不在于软件功能不够强，而在于“人要把脑子里的三维构想转换成软件能理解的操作序列”。这个过程需要大量训练，普通人要学好几个月才能画出像样的零件。text-to-CAD做的事情，是把这个转换过程交给大语言模型，让模型理解人类语言中隐含的几何关系、尺寸约束、特征顺序，然后自动生成对应的建模脚本或直接输出几何体。

很多人第一次听说这个技术，会误以为它跟AI生图差不多，输入一句“一个椅子”就出来一把椅子的图片。但CAD是工程语言，差一个毫米装不上就是装不上，倒个角没倒出来应力集中就会断裂，所以text-to-CAD的难点指数级高于文生图。它要解决的不仅是从文本到几何的翻译，还有准确性、可编辑性、参数化约束、制造可行性这一堆工程问题。

在我实际测试过Zoo Kitco CAD、KCL、以及几个开源项目之后，我的判断是：这个技术现在已经越过了“玩具阶段”，在某些标准化程度高的零件类型上，它已经能产出接近初级工程师水平的建模结果。但在复杂装配体、精密配合、特殊工艺要求这些场景下，它仍然需要人机协同。这篇文章我就从实操角度，把text-to-CAD的技术路线、工具选择、提示词技巧、踩坑记录完整梳理一遍。

这内容适合谁看？如果你是CAD工程师，想了解AI建模工具能不能帮你省时间，可以重点看第2章和第3章；如果你是做3D打印的极客，想快速把想法变成可打印模型，第4章的实操记录对你最有价值；如果你是企业技术决策者，想评估这个方向值不值得投入，第5章和最后一章的路线图值得细读。

2. 主流技术路线拆解：代码生成、神经表征、还是端到端出网格

想真正用好text-to-CAD工具，不能只会点按钮，得搞清楚背后的技术路线，因为不同路线决定了你能得到什么样的模型、能编辑到什么程度、以及踩坑时从哪里排查。目前圈内主流的有三条路线：代码生成路线、神经隐式场路线、端到端网格生成路线。

2.1 代码生成路线：CLI工具的最爱，生成脚本再执行

核心原理与工作流程

这是目前工程实用性最强的一条路线。它的思路特别直接，给大语言模型一个CAD脚本语言的API文档和示例，让模型输出一段构建脚本，再用解释器执行这段脚本生成最终模型。目前KCL（Kitco CAD Language）是这条路线最典型的代表，我实际用得最多的也是这个体系。

具体流程是这样的：

1. 用户输入自然语言描述，比如“创建一个直径50mm、厚度10mm的圆柱体，顶部中心挖一个直径20mm的圆孔”。
2. 大语言模型理解这句话，分解出关键参数：半径25、高度10、孔半径10、孔位置在顶面圆心。
3. 模型调用KCL的API，生成类似circle(25)、extrude(10)、circle(20)这样的建模范式代码。
4. 解释器执行代码，实时渲染出模型。

这个路线最大的优势是“可编辑性”极强，因为生成的不是死几何，而是一段带参数逻辑的脚本。你可以直接改代码里的数字来调整尺寸，也可以改特征顺序来改变建模逻辑。比如我想把一个直孔改成沉头孔，直接改脚本就行，不用重新生成。

Zoo Kitco CAD详测

Zoo Kitco CAD是目前关注度最高的KCL工具，我拿企业级标准测过几轮。它的模型输出格式包括STEP、STL、GLTF，前两个对制造业极友好。实测下来，输出质量与提示词的详细程度强相关，我给它的提示词如果只有“做一个齿轮”，出来的东西大概率不可用，但如果我写清楚模数、齿数、压力角、齿宽、孔径，出来的齿轮直接导出STEP丢进SolidWorks就能标注尺寸。

提示：Zoo Kitco CAD生成的KCL脚本是可以直接保存并且重新加载的，这意味着你可以在它生成的模型基础上继续加特征。我经常先用它搭出基础体，然后导出脚本，在本地用KCL继续精修。

KCL这套语言本身也值得一提，它的语法简洁，类OpenSCAD风格，但对参数化约束支持更好。最让我意外的是它对“圆角”“倒角”这类制造常用特征原生支持，不需要手动写放样逻辑，这点比很多开源CAD脚本库做得更成熟。

基于LLM的CAD脚本生成

除了KCL这条线，学术界和工业界还有基于OpenSCAD、CadQuery、build123d等脚本库的生成方案。OpenSCAD老牌，网上资料多，但它的CSG（构造实体几何）语法对复杂曲面支持较弱。CadQuery用Python，适合嵌入现有Python工具链，如果你已经在用Python做数据处理或者自动装配，CadQuery路线会更顺滑。

我个人的经验是：如果你追求直接出可制造模型，优先选KCL/Kitco CAD路线；如果你想把生成逻辑嵌入自己的Python代码中，用CadQuery或build123d路线；如果只是临时出个形状验证想法，OpenSCAD也够用。

2.2 神经隐式场与SDF路线：适合有机曲面，不适合精密配合

第二条路线是神经隐式场，代表方法是SDF（Signed Distance Function，符号距离函数）。这类模型不生成脚本，而是训练一个神经网络直接学习几何形状的隐式表达——模型内部保存的不是点和面，而是一个函数，这个函数能告诉你空间任意点到模型表面的距离和方向。

用SDF路线生成的模型，我看到的最典型案例是那种流线型外壳、人体工学手柄、空气动力学曲面——这些用代码生成路线很难写出来。因为Loft（放样）、Sweep（扫掠）这类曲面特征用文字描述特别吃力，比如“一个沿曲线渐变的曲面，从圆角矩形过渡到椭圆”，写成代码非常复杂，但神经网络直接从大量形状数据里学会了这类曲面的规律。

但这条路线有致命短板：输出的是网格模型，没有特征树，没有参数化历史，你拿到手的是一坨“死”三角面片。在制造业里，这种模型几乎无法直接用于CNC加工或模具设计，因为后续修改特别困难。你想改一个孔的直径，传统CAD里点一下改参数就行，网格模型里你得重新雕刻。

2.3 端到端网格生成路线：来图快但工程可用性差

还有一种路线是端到端网格生成，输入文字直接输出Mesh网格，类似文生3D的思路。这类工具生成速度很快，几秒钟就能出模型，而且视觉效果好，我用过几个，生成的摆件打印出来放在桌上根本看不出来是AI做的。

但这类工具不解决CAD问题。生成结果没有拓扑结构、没有历史特征、没有约束关系，不适合机械设计。它的应用场景主要在概念设计、游戏资产、3D打印摆件、手办原型这些对精确度要求不高的地方。我自己项目的定位是机械结构件，所以对这类工具只做了功能验证，没有实际接入工作流。

2.4 三条路线横向对比与选型建议

我的选型逻辑很简单：做机械件、要加工、要装配，就选代码生成路线；做概念设计，需要快速看效果，可以配合SDF或网格生成做前期探索，再导入CAD重绘。不要指望一条路线通吃所有场景。

3. 实操基础：环境准备、提示词写法与关键参数控制

要真正上手text-to-CAD，硬性的环境、提示词策略、参数控制这三件事得先搞明白。很多人觉得这类工具“拿过来就能用”，实际上如果不做基本设置，生成质量会大打折扣。

3.1 动手前先想清楚：边界条件决定成败

有一种很常见的失败场景，用户喜欢提开放式需求：“给我设计一个机械臂的关节”。这种话术几乎必然生成失败——范围太大，模型无法判断你是要一个标准旋转关节，还是要多自由度万向节，尺寸范围、受力条件这些更是完全未知。

我总结出一个可复用的思考框架，动手之前先回答四个问题：

1. 基体几何：整体是什么形状，是圆柱、立方体、还是异形拉伸体？
2. 核心特征：有哪些关键特征，孔、槽、凸台、肋板、螺纹？
3. 相对关系：特征之间的位置关系/约束关系，同心、对称、阵列、贴合？
4. 关键尺寸：至少给出主要外轮廓尺寸和关键特征尺寸，比如“外径100mm、孔径25mm配合H7公差”。

回答完这四个问题，再把它组织成自然语言描述，成功率会翻倍。工具刚起步的阶段，边界条件越是清晰，模型越不容易跑偏。

3.2 环境部署与推荐工具栈

我在实际项目中使用的是Zoo Kitco CAD作为主力工具，搭配本地KCL Python环境做脚本精修。部署上提供一个快速参考：

1. 访问Kitco CAD官网，注册账号并进入WebIDE，它有云端计算资源，普通笔记本也能跑，不需要本地装GPU驱动。
2. 需要离线工作时，可以在本地通过pip安装KCL的Python包，依赖项很少，包含NumPy就够了。
3. STEP模型建议用FreeCAD或Fusion 360做后续编辑，这两者都能完美导入KCL输出的STEP格式。
4. 批量任务建议配置命令行工具，KCL的命令行接口可以直接接收脚本文件并输出模型文件。

我不建议新手一上来就搞本地部署，先把在线版本玩熟了再考虑本地化。在线版本的好处是环境零配置，而且平台内置了大量示例脚本，可以边看边改，学习效率高得多。

3.3 提示词工程：我实测出来的有效写法

我喂了Zoo Kitco CAD差不多一百多组提示词，把有效写法和无效写法做了对照。提示词质量对结果的影响极大，甚至可以覆盖模型本身的水平差异。

无效写法（我踩过的坑）：

做一个支架，两边有孔，中间加强筋，材质铝合金

这个描述有几个问题：没给尺寸，没给孔的具体位置关系，孔大小未知，加强筋形式和厚度未知，材质信息在纯CAD生成中几乎无用。类似这种提示词生成的模型往往比例失调——孔大得离谱或者加强筋厚得像墙。

有效写法：

创建一个L型支架，水平板长100mm宽60mm厚8mm，垂直板高80mm宽60mm厚8mm，两个板面圆角R5。 水平板上4个直径8mm通孔，组成边长40mm的矩形阵列，孔中心距板边缘至少15mm。 垂直板上2个直径10mm沉头孔，沉头直径16mm深5mm，孔间距50mm，垂直居中布置。 板材边缘和孔口倒角C0.5。

这种提示词成功率高得惊人，基本一次成型，修修改改就能用。关键在于每个特征都带两个关键信息：几何定义（形状+尺寸+位置）和特征属性（类型+规格+公差要求）。

还有一个进阶技巧：不要一次描述完所有需求，先让模型生成基础体，再逐步叠加特征。我经常先给雏形，比如“一个80mm边长的立方体”，确认基础体没问题了，再加“在顶面中心挖一个直径30mm深度20mm的盲孔”，逐步逼近最终模型。这种“渐进式建模”用户体验完全不同。

3.4 关键参数控制与材质无关性

我发现很多人有个误区：在提示词里写一堆材料属性，比如“不锈钢材质”“抗拉强度500MPa”。但text-to-CAD生成的是几何模型，不包含材料信息。材质应该在生成的STEP模型导入CAD环境之后再指定，在提示词阶段写材质纯粹浪费Token。

真正要在提示词阶段控制的参数是这几类：

• 尺寸单位：提示里写“直径50mm”，不要只写“直径50”，不同系统对无单位数字的默认解释差异很大。
• 公差精度：需要配合的孔轴系统要明确写公差带，如“直径25H7”，这对后续制造环节有直接影响。
• 特征属性：通孔还是盲孔、穿透还是沉头、倒角半径多少，这些细节决定了后期加工工艺。
• 基准与参照：特征位置要写明基准面或参照系，比如“相对于底面向上35mm处”“以法兰圆心为对称中心”。

实操中，我在提示词里还会加上一句话：“所有尺寸默认单位毫米，输出前检查是否溢出边界”——这句话能显著减少尺寸组合不合理导致的几何自相交问题。

4. 实战记录：从需求描述到可加工模型的全流程

这一章我完整记录了最近一次用text-to-CAD做电机安装座的全过程。选这个零件是因为它涵盖了板类特征、阵列孔、沉头孔、加强筋等多种常见工程特征，非常有代表性。

4.1 需求拆解与提示词组织

原始需求描述是这样的：“做一个电机安装座，适配60mm法兰的NEMA23步进电机，安装板要能固定在铝型材架上。”

我先按3.1节提到的框架进行拆解：

• 基体几何：一块正方形安装板加四个角的安装支脚
• 核心特征：中心大孔用于电机轴穿过、四个法兰安装孔、四个型材固定孔
• 相对关系：法兰安装孔与中心孔同轴，间距对应NEMA23标准（31mm×31mm螺丝孔布置）
• 关键尺寸：安装板尺寸80mm×80mm×6mm，中心孔径38mm，法兰孔直径4.5mm，型材固定孔直径5.5mm贯穿，四个角上

组织好的提示词如下：

创建一个80mm×80mm×6mm的正方形安装板。板中心有一个直径38mm的通孔，用于电机轴穿过。以中心孔圆心为中心，在半径31mm的正方形四角布置4个直径4.5mm通孔，用于固定NEMA23法兰电机。安装板四角各有一个直径5.5mm通孔，孔中心距相邻边缘10mm，用于固定在铝型材上。板底面需要高3mm的凸台，凸台尺寸为60mm×60mm，用于定位电机法兰。

4.2 生成的模型与脚本微调

模型在一分多钟内生成完毕，基础几何完全正确。但两个小问题：一是我要求的3mm凸台做成了整个板厚增加，变成了9mm厚的板；二是四角的5.5mm孔没有贯穿，只打了盲孔。

这里就体现出“可编辑性”的巨大价值了。如果拿到的是一坨网格，要修复这些问题基本等于重建。但因为是KCL脚本，我可以直接打开生成代码修改：把凸台的实现从“整体加厚”改成“独立拉伸”，把盲孔的拉伸深度从5mm改成完全贯穿。整个过程用了大概五分钟，如果从零开始建模这个零件，至少需要十五分钟到二十分钟，而且容易出错。

4.3 导出STEP并在Fusion 360中验证

脚本修改完成后，我导出STEP格式文件，直接导入Fusion 360做验证。导入后检查了三个关键项：检查一看测量，确认关键尺寸与设计意图完全一致；检查二看特征树，确认生成的所有特征都是可参数化编辑的；检查三看干涉，和实际电机模型做装配，确认电机法兰与安装座贴合无干涉。

三项全部通过后，我直接基于这个模型生成了CNC加工用的G代码。整个验证流程走下来，我对这个工具链的成熟度有了更踏实的判断，产业端可用性已经非常具体，不是演示DEMO层面的事情。

这条工作流的效率对比：

总体效率提升大约40%-60%，修改需求的效率提升更明显。这次实战验证了我一直以来的判断：text-to-CAD真正革新的点不是替代手绘建模，而是把“修改”这件事变成低成本的实时操作。

5. 常见问题与排坑实录：从入门到精通的避坑指南

实际用text-to-CAD这段时间，我踩了不少坑，也总结出一套排查思路。这些问题网上零零散散都有讨论，但没人系统整理过。这里分享出来，希望能让后来者少走弯路。

5.1 模型几何自相交

这是最让人头疼的问题之一，表现为生成的模型表面出现穿透、重叠或法线翻转，在网格显示下能看到明显的破面。

我分析下来，主要原因通常是尺寸参数矛盾。比如板厚5mm但孔深写成了10mm，或者凸台高度大于基体厚度，导致特征超出边界范围后系统自动产生错误布尔运算。

排查思路很简单：如果模型自相交，先把提示词里的所有尺寸列成表格，检查是否存在跳跃组合。以我的经验，90%的自相交问题都是尺寸写出来的组合根本不可能共存。另一种常见原因是生成的脚本中特征顺序不对，比如先挖了个孔再做布尔运算，导致中间的临时几何体残留。

5.2 特征丢失或顺序颠倒

我曾遇到过一次提示词里明确写了“先拉伸基体再加孔”，但生成的脚本里孔在拉伸之前就做了，导致最终模型没有孔。这类问题出在语言模型对建模顺序的理解不够稳定。

解决方法是在提示词里用“步骤式表达”而不是“描述式表达”。比如：

步骤1：创建100mm×60mm×10mm的长方体。 步骤2：在顶面中心创建直径30mm、深度8mm的沉孔。 步骤3：在四角创建直径6mm的通孔。

改成这种结构后，特征顺序的准确率从60%提升到90%以上。如果还是出问题，就直接在生成的脚本里拖动调整特征顺序——KCL脚本的特征顺序是可视化的，拖拽比重新生成快得多。

5.3 单位混乱问题

有一次我生成的一个板类零件，标注尺寸是“50×50×5”，结果模型变成了“50×50×5英寸”的巨型零件。排查半天发现是因为我没在尺寸后面加单位后缀。

单位混乱在跨系统协作时尤其容易爆发，某些工具内部使用毫米，导出时却不统一换算。我的经验是在提示词里强制规范单位格式，而且每一处尺寸都要带单位，不搞“一次性全局声明”。另外在导出STEP以后，进入CAD系统时也要检查单位设置，很多CAD软件的默认单位并不都是毫米。

5.4 最终输出质量和人工校验清单

text-to-CAD再强，本质上还是工具，不能完全替代工程师的工程判断。我现在每个项目都会建立一份人工校验清单：

• 关键尺寸是否符合设计输入？建议实际测量，不要只看软件默认值。
• 是否有制造可行性隐患？比如内尖角半径小于刀具半径、深腔无法出模、薄壁太薄无法加工。
• 公差与配合标注是否完整？常规配合面至少要标注公差等级。
• 装配逻辑是否可闭环？两个特征的安装关系、间隙配合、过盈配合要有清晰定义。

这类校验工作大概占整个流程20%的时间，但能防止90%的返工。在我个人实践里，text-to-CAD目前能帮我节省的已经是实实在在的生产力，而确保它不惹祸的关键就是校验动作不跳过。

6. 性能基准与实测环境参考

有人会关心生成速度和计算资源。这部分我把自己测试过的数据完整列出来，作为选型和环境评估的参考。

6.1 硬件环境与生成耗时实测

我的主力测试环境是：AMD Ryzen 7 5800H处理器、16GB内存、NVIDIA RTX 3060 Laptop 6GB显存。操作系统Windows 11，浏览器Chrome。在这种环境下，Zoo Kitco CAD云端生成的耗时如下：

云端环境比本地跑快很多，因为Kitco CAD把渲染和计算都放在服务器端，本地只是浏览器展示结果。本地执行KCL脚本时，同一个中等零件的生成时间大约增加50%-100%。

6.2 不同尺寸粒度的精度表现

另一个大家关心的是尺寸精度。我做了几组测试：生成一个直径100mm的圆柱体，实际测量99.98mm-100.03mm，在正常制造公差范围内。生成一个直径5mm的小轴，测量结果4.97mm-5.04mm，相对误差稍微增大但绝对值仍在0.05mm内。总体判断是：大尺寸零件的相对精度好，小尺寸零件绝对误差略有放大，但对常规机械加工精度要求普遍是在可接受范围内的。

如果对公差要求非常高（比如配合公差IT6以上），我建议把生成模型作为基础构型，到CAD里面重新精确定义配合面公差，不要依赖生成模型的默认精度。

6.3 生成失败率与重试策略

我统计了我自己的使用数据：中等复杂度零件的首次生成成功率大约60%-70%。生成失败的第一步不是重新生成，而是先看错误日志。KCL的报错信息一般会明确告诉你哪一步几何操作失败，比如“布尔运算失败：实体不相交”之类，这时候只要修改对应特征参数即可。

需要重新生成时，我的做法是给模型一个“失败反馈”，把错误信息原样贴进对话里，然后补充说明正确意图。比如“上次生成的螺栓头部六角阵列位置偏移，请确保六角中心与螺栓轴心重合，并检查123°均布角度是否正确”。在模型具备理解错误反馈能力的情况下，第二次生成的正确率能提高到85%以上。

7. 工作流整合建议：怎么把text-to-CAD嵌进现有设计流程

工具用熟了以后，我考虑的问题就从“怎么用”变成了“怎么融入”。text-to-CAD如果只是孤零零一个玩具，价值有限。真正有意义的做法是重新设计设计流程里的分工关系。

7.1 与现有CAD软件的分工策略

我的建议是把text-to-CAD放在设计流程的上游，专门负责“从需求到基础构型”这一段。具体分工如下：

• text-to-CAD负责：需求转模型、布局探索、方案对比、快速迭代。一套设计可能有好几种布局方案，以前各自建一套模型要几个小时，现在直接几条提示词就能并行生成，效率完全不是一个量级。
• 传统CAD负责：详细设计、公差标注、装配约束、工程出图、仿真分析。这些需要稳定且严谨操作的环节，传统软件依然有优势。

一个人能力再强，也不可能同时掌握所有领域。这种分工策略可以把两边各自优势发挥到最大。

7.2 从单一零件扩展到简单装配体

单一零件跑通以后，我开始尝试生成装配体。目前主流工具对多零件装配支持还不够成熟，我采取的办法是“拆件生成再装配”：先把装配体拆成一个个零件，逐个用text-to-CAD生成，导出STEP后导入CAD软件做装配约束。

这里有个实用技巧：不同零件的配合特征要提前约定好。比如轴和孔的配合，提示词中要提前声明“此零件与XX零件通过直径20H7/g6间隙配合”，这样各零件单独生成后，配合关系依然是有效的，不会出现尺寸打架。

7.3 企业落地需要注意的三个问题

如果你所在团队想正式引入text-to-CAD，我建议先解决好三个问题。

第一，标准件库集成。企业里大量使用的标准件（螺栓、轴承、密封圈）如果每次都靠AI生成，效率和准确性都不划算。最好把标准件参数表直接喂给模型做few-shot参考，让模型直接调用标准件库。

第二，设计规范沉淀。把企业自己的设计规范转化成提示词模板，比如钣金件统一壁厚1.5mm、最小折弯半径3mm、螺纹孔底孔直径按标准执行，这些规范写成固定语句块放进提示词，既约束模型又提升正确率。

第三，数据安全边界。设计数据很多时候涉及企业机密，用云端工具要评估数据脱敏方案。敏感项目建议走本地部署方案，目前KCL等工具链都支持完全离线运行，数据不出内网。

8. 对其他应用场景的延展观察

text-to-CAD除了机械设计，在其他领域的应用也值得关注。这块我部分亲自验证过，部分是行业观察，但都跟整个技术方向紧密相关。

8.1 3D打印爱好者的快速原型流

3D打印圈是最先拥抱text-to-CAD的群体之一。因为3D打印对模型的要求相对宽松，不需要严格的制造公差和装配约束，只要网格封闭、壁厚合理就能打印。

我试过用text-to-CAD生成一个手机支架，描述得比较随意：“一个斜45度的手机支架，底部有防滑槽，背后有Type-C线缆过孔”。生成结果打印出来完全可用，加上支撑大约打印了4小时。这种效率如果放在传统建模流程里，光是在CAD里画支架轮廓就要半小时。

8.2 建筑概念设计的快速推敲

建筑行业也开始有人尝试用text-to-CAD做概念草模。建筑师输入“一个双坡屋顶的小屋，南面落地窗，入口在西侧”，工具生成体块模型后导入SketchUp或Rhino继续深化。这种应用不需要精确到毫米的工程尺寸，但生成的体块比例和空间关系对方案讨论很有启发。

8.3 教育领域作为CAE入门工具的价值

还有一块我特别看好：工程教育。初学者学CAD最大的障碍不是不懂建模逻辑，而是不熟悉软件操作，要记一堆快捷指令。text-to-CAD能让学生把注意力放在“设计意图”本身——你描述的东西是否符合工程逻辑、尺寸是否合理，而不是卡在“这个命令在哪个菜单下面”。等到学生理解了设计思维之后，再去学传统CAD的操作细节，效率反而更高。

9. 好用的开源与在线工具推荐

最后推荐一批我实际用过且认为值得上手的工具和资源，给不同需求的读者分个层。

9.1 在线即用型

• Zoo Kitco CAD：目前在线体验最好的KCL实现，带WebIDE，支持实时渲染，适合快速体验text-to-CAD全流程。
• LumaAI的Genie（3D生成方向）：虽然偏网格生成而非CAD，但速度极快，适合概念探索阶段的辅助。

9.2 本地部署型

• KCL命令行工具：完整支持构建脚本解析与模型导出，适合集成到自动化流水线中。
• CadQuery：Python库，适合开发者嵌入自己的程序，在GitHub上有活跃社区。
• build123d：CadQuery的现代替代品，API设计更干净，对复杂特征支持更好。

9.3 数据集与学习资源

我做模型微调和测试时常用的数据集：ABC数据集（百万级CAD模型）、Fusion 360 Gallery（含特征历史信息）、Text2CAD论文配套数据集（文本-模型对）。这些资源在学术领域是免费开放的，适合想深入研究和微调模型的人。

提醒一句：工具更新迭代非常快，现在好用的不代表半年后依然最优，建议保持关注社区动态和版本更新日志，定期试用新版本的新功能。

我个人的体会是，text-to-CAD目前最舒服的用法不是“完全代替人去建模”，而是“当你想做一个新东西又懒得打开CAD时，先让AI给你一版基础构型”。这版构型可能不够完美，但它已经帮你做了最耗时的基础工作，剩下的细化编辑，你的经验和审美才真正上场。这种“AI跑第一棒、人跑最后一棒”的配合方式，才是这一波AI建模工具落地最顺滑的姿势。