《LuBan架构:新一代AI原生工业设计智能软件体系》第六章:探索与实践

–探索与实践–

前几章分别讨论了工业设计智能体的数据表示、工具调用、智能体规划与系统集成。本章转向探索与实践,通过一组由浅入深的实验任务,将HistCAD建模序列、Agent-ready API、知识检索和智能体闭环串联起来。读者将从实验环境搭建开始,逐步完成简单零件的过程建模、参数化API调用、相似零件检索,并进一步尝试构建简易设计智能体和多智能体协同设计流程。通过本章学习,读者能够把LuBan架构中的数据层、工具层和Agent层转化为可运行、可记录、可验证的实践过程。

6.1 实验环境搭建

本章实验采用轻量化环境,目标是让读者能够完成三类操作:读取HistCAD建模序列,调用工具层接口生成或编辑CAD模型,并记录执行与验证结果。实验环境暂不追求完整的工业部署,但要求能够支持后续基础实验和综合实验的运行。

6.1.1 总体架构与目录组织

实验环境分为三部分:数据层保存HistCAD序列、参数化模板、样例模型和检索索引;工具层负责调用九韶内核AMCAX、参数化建模平台POWER及其开放接口完成建模与验证;Agent层负责理解任务、生成调用参数和处理反馈。建议采用清晰的目录结构组织代码、数据和实验结果,如图6.1所示。

47f5b8315c209788580c4010fb56c07b

图 6.1:实验目录结构

6.1.2 软件栈配置

本章实验以Python为脚本组织环境,以九韶内核AMCAX和参数化建模平台POWER为工具层基础,其中POWER通过PWOpen API向外部程序开放任务级建模能力。本章实验直接调用已提供的Agent-ready API,完成创建草图、拉伸、切孔、倒角、状态查询和模型导出等操作。大模型用于任务理解与规划生成,向量检索工具用于零件案例、参数化模板和设计知识检索。

6.1.3 数据集与样例配置

本章实验数据集包含四类内容:样例零件模型、HistCAD建模序列、几何结果文件和检索元数据。样例零件可选择带孔板、L形支架、法兰盘、台阶轴等基础零件;HistCAD建模序列用于记录草图、约束、参数和特征操作;几何结果文件可采用STEP或预览图形式,用于模型重建与结果比对;检索元数据包括零件名称、特征标签、关键参数、模板信息、文件路径和验证记录。数据集规模不宜过大,重点在于保证样例能够被解析、执行、检索和验证。

6.1.4 实验记录与提交规范

每个实验都应保留输入、过程和结果。实验输入包括任务描述、HistCAD文件、参数表或参考模型;实验过程包括API调用参数、返回状态和错误信息;实验结果包括生成模型、STEP文件、日志和验证报告。

实验记录应满足相关提交规范,内容至少包括源代码、输入文件、输出模型、调用日志和验证报告。工具层强调状态可查询、几何可验证和报错可返回,实验记录应与这一闭环反馈机制保持一致。这样的提交规范,使实验结果不仅“能看到模型”,还能够追踪模型如何生成、哪里失败、如何修正。

6.2 基础实验

基础实验围绕LuBan架构中的数据层、工具层和Agent层的知识检索能力展开。本节的三个实验分别对应HistCAD序列构建、Agent-ready API调用和相似零件检索。通过本节实验,读者可掌握从建模过程表示到工具执行,再到历史案例复用的基本方法,为后续综合实验奠定基础。

6.2.1 实验1:HistCAD序列转写与重建验证

本实验面向数据层,要求读者以一个已有CAD简单零件为对象,将其建模历史转写为HistCAD序列。读者需从原模型中记录草图平面、草图基元、尺寸参数、几何约束和特征顺序,并整理为可执行的建模过程表示。实验对象可选择带孔板、法兰盘或L形支架等基础零件。

完成转写后,调用工具层中的HistCAD解析器,在CAD后端完成序列解析、草图求解、特征执行和模型重建;再修改一个关键参数,如板长、孔径或孔距,观察模型能否重新生成并保持原有设计关系。

本实验提交内容包括原始CAD零件、HistCAD序列、重建模型、参数修改结果和验证记录。本实验的验收重点是序列可解析、模型可重建、参数可编辑、约束可保持。

6.2.2 实验2:Agent-ready API调用与参数化建模

本实验面向工具层,要求读者直接调用已封装好的Agent-ready API,完成一个简单零件的参数化建模。实验对象可选择法兰盘或L形支架等基础零件。读者需先确定零件的主要参数,如外径、厚度、孔径、孔数、板长和板宽等,再按建模顺序组织API调用,完成草图创建、拉伸、切孔、阵列、倒角和模型导出等操作。

建模过程中,应在关键步骤后读取工具层返回的状态信息,检查特征是否生成、对象引用是否有效、模型是否可继续编辑。

本实验提交内容包括参数表、API调用脚本、生成模型、调用日志和状态查询结果。本实验的验收重点是接口调用正确、建模顺序合理、模型生成成功、状态返回清晰;当参数不合法或对象定位失败时,系统应能返回可诊断的错误信息。

6.2.3 实验3:零件知识库与检索框架设计

本实验面向数据层与Agent层的衔接,目标是构建一个小型零件知识库,并设计一个基础检索智能体框架。如图6.2所示,知识库负责保存和组织可复用设计资产,检索智能体负责理解查询意图、召回候选案例、重排序并返回可解释结果。

e00b482223f39e684c6e36d6fc1ba12e

图 6.2:零件知识库与检索框架设计

零件知识库采用“文件资产库—结构化元数据—向量索引”三层组织。文件资产库存放CAD模型、STEP文件、预览图、HistCAD序列和参数化模板。结构化元数据记录零件类别、特征标签、关键参数、适用范围、来源版本和验证记录。向量索引保存文本说明、特征序列、几何描述、预览图或三维模型表示的嵌入向量,用于相似性检索。

检索智能体框架包括查询解析、候选召回、结果重排序和结果解释四个环节。查询解析将用户输入转化为零件类型、局部特征、参数范围和约束条件。候选召回结合结构化字段过滤和向量索引检索获得候选零件。结果重排序综合语义相似度、几何相似度、特征/拓扑相似度和约束相容性对候选零件进行排序。结果解释返回候选零件的相似原因、参数差异、文件路径和可复用内容。

表 6.1:跨模态零件检索的特征提取方式

7aac9d197cc1af3a95f2ef479790fd75

对于跨模态检索,可采用多编码器与对比学习方法进行训练。不同模态先由各自的特征提取器转化为向量表示,具体提取方式如表6.1所示。训练时将同一零件的文本描述、预览图、三维模型特征和HistCAD序列作为正样本,不同零件作为负样本,通过对比损失使同一设计对象的不同模态在共享向量空间中靠近。完成训练后,系统即可支持文本查询设计模型、图像查询设计模型、STEP/B-Rep查询相似序列、HistCAD查询相似案例等多种检索方式。检索结果还应结合零件类别、关键参数、特征/拓扑关系和约束相容性进行重排序,避免仅凭外形相似返回不可复用的候选对象。

本实验提交内容包括知识库字段设计、样例数据、索引构建脚本、检索流程图和查询结果。本实验的验收重点是知识库结构完整、资产路径可追踪、检索流程清晰、候选排序合理,并能为后续RAG增强建模和智能体规划提供可复用输入。

6.3 综合实验

综合实验在基础实验之上展开,重点阐述如何将知识检索、任务规划、工具调用和结果验证组织为完整流程。与6.2节注重单项能力的基础实验不同,本节更关注多个模块之间的衔接关系,包括检索结果如何进入建模过程,API调用如何根据反馈进行调整,以及多个智能体角色如何围绕同一设计任务协同工作。

6.3.1 实验4:基于RAG的设计知识增强建模

RAG,即检索增强生成,是指大模型在生成前先从外部知识库中检索相关资料,并将检索结果作为上下文参与生成。本实验在6.2.3小节的零件知识库与检索框架基础上,引入RAG方法完成设计知识增强建模——将检索到的零件案例、参数化模板、HistCAD序列和验证记录转化为后续建模可用的参数、约束和步骤参考。

本实验流程分为四步:首先,根据用户输入生成检索查询,明确零件类型、局部特征、关键参数和约束条件;其次,从知识库中召回相似零件、参数化模板或HistCAD序列;然后,由大模型对候选结果进行筛选和融合,提取可复用参数、适用条件和建模步骤;最后,将增强后的参数和任务步骤交给HistCAD解析器及Agent-ready API完成建模,并保存验证结果。

本实验提交内容包括用户需求、检索查询、候选知识条目、RAG融合结果、参数映射说明、建模结果和验证记录。本实验的验收重点是知识来源可追踪、候选结果相关参数映射合理、生成过程可执行,并能说明检索知识如何影响最终建模结果。

6.3.2 实验5:构建简易设计智能体

本实验旨在构建一个简易设计智能体,实现从自然语言需求到CAD模型生成的基本闭环。智能体不要求具备完整工业系统能力,但应至少包含意图理解、任务规划、工具调用、结果验证和错误修正等五个环节。实验对象可选择特殊结构支架等中等难度零件。

智能体系统首先将用户需求解析为结构化设计语义,包括零件类型、主要特征、关键参数和约束关系;随后生成建模任务序列,并将任务映射为Agent-ready API调用;工具层完成建模后,系统读取返回状态和验证结果,判断模型是否有效、特征是否完整、关键尺寸是否满足要求。若出现参数越界、对象定位失败或几何验证不通过,智能体应根据错误信息调整参数或重新生成局部调用步骤。

本实验提交内容包括设计语义表示、任务规划结果、API调用脚本、生成模型、验证报告和修复日志。本实验的验收重点是自然语言需求能够转化为结构化任务,API调用链能够执行,生成模型能够通过基本验证,并至少能够处理一类可诊断错误。

6.3.3 实验6:多智能体协同设计复杂零件

本实验进一步扩展为多智能体协同设计任务,旨在深入理解复杂建模过程中不同智能体角色的分工与协作。实验对象可选择减速器支架、轴承座支架或带加强筋安装座等复杂零件。

多智能体系统可设置意图理解、知识检索、任务规划、建模执行和验证反思等角色。意图理解智能体负责解析设计需求;知识检索智能体负责从知识库中查找相似案例、模板和参数规则;任务规划智能体负责生成建模任务树;建模执行智能体负责调用HistCAD解析器和Agent-ready API;验证反思智能体负责检查几何合法性、特征完整性和约束满足情况,并在失败时提出修正方案。

本实验的关键不在于智能体数量,而在于共享任务状态和交接产物是否清晰。各角色智能体应围绕同一任务状态工作,记录设计语义、检索证据、任务树、参数绑定、工具调用结果和验证反馈。当出现冲突或失败时,系统应能够判断问题来自意图理解、知识检索、任务规划、工具执行还是验证阶段,并据此调整流程。图6.3展示了多智能体协同设计的一个样例。

26c9e79351773ce16fa9ec25119af8b0

图 6.3:多智能体协同设计样例

本实验提交内容包括多智能体角色配置、共享任务状态、检索结果、任务树、API调用链、生成模型、验证报告和协同日志。本实验的验收重点是角色分工清晰、交接信息完整、模型主要特征完整、验证过程可追踪,并能够对至少一种失败情况给出定位和修正记录。

6.4 课程设计与毕业设计选题建议

本节围绕LuBan架构中的数据层、工具层和Agent层,给出若干课程设计与毕业设计选题方向。课程设计可侧重小任务的原型实现,毕业设计可进一步扩展为完整系统、算法改进或评估基准。选题时应尽量保证目标明确、输入输出清晰、结果可验证,并与本章基础实验和综合实验形成衔接。

6.4.1 数据层方向

数据层选题方向主要关注设计过程数据如何组织、转换和复用,可围绕HistCAD序列编辑、参数化模板构建、存量CAD数据重建等问题展开。典型选题包括但不限于HistCAD序列可视化工具、典型零件族参数化模板库、STEP/B-Rep到HistCAD的半自动重建、工程图到HistCAD建模序列的转换流程等。

数据层选题的预期成果通常包括数据格式设计、样例数据集、转换脚本、模板实例和验证报告。评价重点是HistCAD序列是否可解析、可执行、可编辑,参数化模板是否能够表达设计变量、约束关系、结构变体和适用边界。正如第二章所强调,HistCAD的核心价值在于保存草图、参数、约束、特征顺序和边界引用,使模型从最终几何结果转化为可回放、可编辑、可验证的过程数据。

6.4.2 工具层方向

工具层选题方向主要关注CAD能力如何被稳定调用和验证,可围绕参数化建模平台POWER、语义化Agent-ready API、几何索引器和工具层测试展开。典型选题包括基于POWER的参数化建模插件、面向智能体的几何索引器、Agent-ready API调用测试框架、CAD建模失败诊断工具等。

工具层选题的预期成果通常包括插件原型、API调用脚本、接口文档、测试用例和错误反馈样例。评价重点是接口调用是否稳定,几何对象定位是否准确,状态返回是否清晰,失败信息是否能够支持后续修正。正如第三章所指出,工具层的Agent-ready API需要在任务级接口之上增加几何索引、语义动作和结构化返回,使智能体能够稳定调用建模能力。

6.4.3 知识库方向

知识库选题方向主要关注历史设计案例、参数化模板、设计规范和验证记录如何被组织为可检索知识。典型选题包括小型零件知识库构建、跨模态零件检索系统、基于HistCAD的建模序列检索、面向RAG的设计知识条目组织等。

知识库选题的预期成果通常包括知识库字段设计、检索索引、查询接口、相似案例返回结果和知识来源记录。评价重点是数据来源是否清晰,检索结果是否相关,候选案例是否能够支持后续建模,RAG输出是否能够转化为参数、约束或建模步骤。正如第四章所指出的,RAG被定位为从外部知识库检索规范、模板、案例和验证日志,并将其转化为任务规划与工具调用依据的关键机制。

6.4.4 Agent层方向

Agent层选题方向主要关注设计任务如何被理解、规划、执行和修正。典型选题包括自然语言驱动的简单零件建模智能体、基于HTN的CAD任务规划器、带验证反馈的建模修复智能体、多智能体协同设计支架类零件等。

Agent层选题的预期成果通常包括设计语义表示、任务树、API调用链、生成模型、验证报告和修复日志。评价重点是自然语言需求能否转化为结构化任务,任务规划是否合理,工具调用是否可执行,验证失败后是否能够定位问题并完成局部修正。正如第四章所强调,工业设计智能体并非一次性生成模型,而是围绕感知、规划、记忆、行动和反思形成可迭代闭环。

6.4.5 评估方向

评估选题方向主要关注如何判断工业设计智能体是否真正有效。典型选题包括面向HistCAD重建的可编辑性评估、Agent-ready API覆盖度测试、自然语言建模任务基准、多智能体协同过程评价、工业设计智能体实验报告模板等。

评估方向选题的预期成果通常包括测试任务集、评价指标、自动评分脚本、失败案例库和实验报告规范。评价指标可包括任务完成率、模型有效率、API调用正确率、约束满足率、修复成功率、平均迭代次数和证据完整率。正如第五章所强调,工业验证不仅要关注最终结果,还需保留输入证据、认知证据、规划证据、执行证据以及验证与修复证据。

总体而言,课程设计可选择其中一个方向完成小任务闭环,毕业设计则可围绕“数据—工具—Agent—评估”中的两到三个环节开展综合研究。无论选择哪类题目,都应避免只展示最终模型,而应同时提交数据、代码、调用日志、验证结果和问题修正过程。

6.5 本章小结

本章围绕“探索与实践”展开,将前几章的数据层、工具层和Agent层内容转化为可操作的实验任务。通过实验环境搭建,读者理解了HistCAD序列、语义化Agent-ready API、零件知识库和智能体脚本之间的基本关系;通过基础实验,读者完成了HistCAD序列转写与重建验证、Agent-ready API参数化建模、零件知识库与检索框架设计;通过综合实验,读者进一步学习了RAG增强建模、简易设计智能体构建和多智能体协同设计流程。

本章实践的重点在于形成可运行、可记录、可验证的实验过程。无论是HistCAD序列生成编辑与重建、API调用,还是智能体闭环实验,都应保留输入数据、执行过程、输出模型和验证结果。只有这样,实验结果才能被复现、比较和改进,也才能进一步扩展为课程设计、毕业设计或工程原型系统。

表 6.2:实验报告模板

3345ce5ce1520eebea2b08116a844090

为便于统一提交和评价,本章实验报告可采用统一模板(如表6.2所示),涵盖实验名称、实验目标、实验环境、输入数据、实验步骤、关键参数与接口、输出结果、验证结果、问题与修正以及实验结论。实验提交时,除实验报告外,还应提交源代码、输入文件、输出模型、调用日志和验证记录。对于综合实验,还应补充任务状态、检索证据、任务规划结果、修复日志和最终模型文件。通过统一的实验报告模板,读者可将分散实验整理为完整的工业设计智能体实践档案,为后续系统扩展和课题研究提供工作基础。

参考文献

[1] Python Software Foundation. venv — Creation of virtual environments[EB/OL]. Python Documentation.

[2] 合肥九韶智能科技有限公司. 九韶内核 AMCAX[EB/OL]. [2026-06-05]. https://product.amcax.net/

[3] 合肥九韶智能科技有限公司. 九韶内核应用开发平台 POWER(PowerCAD Application Architecture, PAA)[EB/OL]. [2026-06-05]. https://product.amcax.net/paa/.

[4] Dong X, Li C, Zheng P, et al. HistCAD: A Constraint-Aware Parametric History-Based CAD Representation, Dataset, and Benchmark with Industrial Complexity[J]. arXiv preprint arXiv:2602.19171, 2026.

[5] Willis K D D, Pu Y, Luo J, et al. Fusion 360 Gallery: A Dataset and Environment for Programmatic CAD Construction from Human Design Sequences[J]. ACM Transactions on Graphics, 2021.

[6] Wu R, Xiao C, Zheng C. DeepCAD: A Deep Generative Network for Computer-Aided Design Models[C]//ICCV. 2021.

[7] Seff A, Ovadia Y, Zhou W, Adams R P. SketchGraphs: A Large-Scale Dataset for Modeling Relational Geometry in Computer-Aided Design[C]. 2020.

[8] OpenAI. Function calling[EB/OL]. OpenAI API Documentation.

[9] Lewis P, Perez E, Piktus A, et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks[C]//NeurIPS. 2020.

[10] Siddharth L, Luo J. Retrieval Augmented Generation using Engineering Design Knowledge[J]. Knowledge-Based Systems, 2024.

[11] Li S, Corney J. MechRAG: A Multimodal Large Language Model for Mechanics[J]. Communications Engineering, 2025.

[12] Meta AI. Faiss Documentation[EB/OL].

[13] Milvus. Milvus Documentation[EB/OL].

[14] Xue L, Gao M, Xing C, et al. ULIP: Learning a Unified Representation of Language, Images, and Point Clouds for 3D Understanding[C]//CVPR. 2023.

[15] Lambourne J G, Willis K D D, Jayaraman P K, et al. BRepNet: A Topological Message Passing System for Solid Models[C]//CVPR. 2021.适用于 STEP/B-Rep 几何拓扑编码、跨模态检索中的 B-Rep 特征提取。

[16] Yao S, Zhao J, Yu D, et al. ReAct: Synergizing Reasoning and Acting in Language Models[J]. arXiv preprint arXiv:2210.03629, 2022.

[17] Khan M S, Sinha S, Sheikh T U, et al. Text2CAD: Generating Sequential CAD Designs from Beginner-to-Expert Level Text Prompts[C]//NeurIPS. 2024.

[18] Li J, Ma W, Li X, et al. CAD-Llama: Leveraging Large Language Models for Computer-Aided Design Parametric 3D Model Generation[C]//CVPR. 2025.

© 版权声明
THE END
喜欢就支持一下吧
点赞1.7W+ 分享
评论 抢沙发

请登录后发表评论

    暂无评论内容