摘要：AI 编程智能体正在跨出代码仓库，进入 CAD、PCB、有限元分析和制造工程。OpenAI 在 2026 年 11 月披露，内部团队已经使用 Codex 与 ChatGPT 创建和修改 CAD 模型、生成制造图、设置仿真并评审设计；一个由 Astra 完成外壳、PCB、固件与软件集成的测试设备，不到一周完成设计，不到一个月完成小批量原型。真正值得工程团队关注的，不只是“模型会画零件了”，而是如何把自然语言意图、参数化模型、仿真结果和人工签核组织成一个可追溯的闭环。

本文先核对官方披露的事实，再给出一套可复用的工程智能体架构。文中的工作流、数据契约和代码是工程化参考实现，并非 OpenAI 未公开内部系统或 SDK 的复刻。

一、官方披露了什么：能力边界比演示更重要

根据 OpenAI 的官方文章，当前进展覆盖机械工程、电气工程和端到端系统设计。模型可以参与绘图、仿真设置、跨专业变更协调，并已在机器人和计算基础设施相关任务中使用。官方同时给出了几个有价值的量化信号：

  • OpenAI 各硬件团队以 Token 计量的模型使用量，自 2 月以来增长到原来的 23 倍；
  • BenchCAD 2.0 中，一个较新的内部模型平均得分为 0.875，GPT-6 Astra 在最高推理设置下为 0.594；
  • Astra 参与设计的测试设备，在两名团队成员的业余项目中不到一周完成设计，代工厂不到一个月完成小批量原型；
  • Chip Ganassi Racing 正在测试从三维扫描数据生成可编辑 CAD 模型和二维制造图的工作流；
  • OpenAI 与马自达正在探索空气动力学、碰撞安全、造型和成本之间的多目标优化。

这些结果说明模型已经能完成一部分高价值工程任务，但官方也明确指出：当前系统并不总能考虑制造商限制、公差和装配细节，达到可投产状态仍需多轮评审与迭代。这个限制决定了工程智能体不能采用“生成文件后自动发布”的简单模式，而要采用约束驱动、仿真验证、人工签核的闭环。

二、工程智能体不是 CAD 聊天框，而是一条受控状态机

普通代码智能体的输出主要是文本和源代码；工程智能体的输出则可能变成实体零件、电路板和生产指令。错误的影响会从“测试失败”扩大到材料浪费、设备损坏，甚至人身安全。因此，系统应把每个设计对象看作一个有版本、有约束、有证据的工程状态，而不是一段可以随意覆盖的文件。

一套可落地的架构可以分为六层：

层级职责典型输入与输出
意图层把自然语言需求拆成指标、约束和验收条件载荷、尺寸、成本、材料、法规、交付时间
工程知识层维护单位、材料库、零件库、标准与历史决策材料牌号、公差标准、供应商能力、BOM
工具适配层把统一动作映射到 CAD、ECAD、CAE 和 PLM建模、网格划分、求解、出图、版本提交
执行编排层管理计划、依赖、重试、超时与补偿设计状态机、任务队列、工件版本
验证门禁层执行几何、物理、制造与安全检查干涉检查、FEA、DRC、DFM、规则报告
审计与签核层记录证据并控制高风险动作变更差异、仿真报告、审批人、发布版本

核心原则是：模型负责提出和修改方案，确定性工具负责计算和验证，工程师负责接受风险。模型不能用“我认为强度足够”替代求解器，也不能把渲染图看起来正确当作可制造性证据。

三、先定义工程数据契约，再接入任何工具

工程智能体最常见的失败并不是模型不会推理，而是数据在工具之间失真。例如需求写“壁厚至少 2 毫米”，CAD 工具使用米作为单位；仿真采用错误材料；或者模型修改了孔位，却没有触发装配干涉检查。解决办法是把需求、约束、工件和验证结果都结构化。

下面是一份最小设计任务契约。它不是某个厂商的专用格式，而是用于说明哪些信息必须在工具调用前固定下来：

{
  "task_id": "enclosure-rev-c",
  "objective": "为控制器设计可小批量加工的外壳",
  "units": "mm",
  "inputs": {
    "pcb_step": "artifacts/pcb-rev-b.step",
    "connector_map": "artifacts/connectors.json"
  },
  "constraints": [
    {"name": "min_wall", "op": ">=", "value": 2.0, "unit": "mm"},
    {"name": "max_mass", "op": "<=", "value": 420, "unit": "g"},
    {"name": "assembly_clearance", "op": ">=", "value": 0.5, "unit": "mm"}
  ],
  "required_checks": [
    "geometry_valid",
    "interference_free",
    "thermal_pass",
    "dfm_pass"
  ],
  "approval_policy": {
    "prototype_export": "human",
    "release_to_manufacturing": "two_person"
  }
}

契约至少要解决五件事：统一单位、固定输入版本、显式列出硬约束、声明必须完成的验证、定义谁能批准外部发布。所有工具结果都应引用输入工件的内容哈希；否则旧仿真报告可能被错误地绑定到新模型。

四、工具适配：让模型调用“工程动作”，而不是点击坐标

如果智能体通过屏幕坐标操作 CAD，界面布局一变就会失效，也很难审计。更可靠的做法是为每个工程软件建立窄接口，优先调用脚本、插件 API 或命令行，只暴露业务上可理解的动作。

from typing import Protocol

class CadAdapter(Protocol):
    def import_step(self, artifact_id: str) -> str: ...
    def set_parameter(self, model_id: str, name: str, value: float) -> str: ...
    def rebuild(self, model_id: str) -> dict: ...
    def check_interference(self, assembly_id: str) -> dict: ...
    def export_step(self, model_id: str, target: str) -> dict: ...

class SimulationAdapter(Protocol):
    def create_case(self, model_id: str, material_id: str) -> str: ...
    def apply_load_case(self, case_id: str, load_case: dict) -> None: ...
    def solve(self, case_id: str) -> dict: ...
    def summarize(self, result_id: str) -> dict: ...

每个动作都应满足三个要求：输入可验证、输出结构化、影响范围可预估。比如 set_parameter 只能修改已注册参数，不能接受任意脚本；export_step 是外部副作用，应在导出前检查门禁；求解器结果必须返回网格质量、收敛状态和输入版本，而不仅是最大应力数值。

4.1 工具权限要按工程阶段收缩

概念设计阶段可以允许创建草模和快速仿真；详细设计阶段必须锁定材料和接口；发布阶段只允许读取已签核版本并生成制造包。不要让一个会话同时拥有“修改模型”和“发布生产文件”的无条件权限。

动作默认策略原因
读取模型与标准自动允许只读且可审计
创建分支版本自动允许可回滚，不覆盖基线
修改参数与运行仿真限定范围自动允许成本可控，不直接外发
覆盖正式图纸人工确认可能影响下游团队
发布到 PLM 或发送供应商双人签核产生外部与制造副作用

五、从需求到制造包：一个完整闭环如何运行

推荐把任务拆成九个状态：需求归一化、计划、草模、几何验证、物理仿真、可制造性审查、人工评审、试制发布、实物反馈。状态只能在证据齐全时前进，失败则回到产生问题的上游节点，而不是让模型在同一提示词中反复“想一想”。

def advance(design, tools, policy):
    assert design.units in {"mm", "inch"}
    assert design.input_hashes_are_pinned()

    candidate = tools.cad.create_branch(design.baseline)
    tools.cad.apply_parameters(candidate, design.parameters)

    geometry = tools.cad.validate_geometry(candidate)
    if not geometry["passed"]:
        return design.revise("geometry", geometry)

    simulation = tools.cae.run_required_cases(
        model=candidate,
        material=design.material,
        load_cases=design.load_cases,
    )
    if not simulation["converged"]:
        return design.revise("simulation_setup", simulation)
    if not simulation["all_limits_passed"]:
        return design.revise("design", simulation)

    dfm = tools.manufacturing.review(candidate, design.process)
    if not dfm["passed"]:
        return design.revise("manufacturability", dfm)

    evidence = design.bundle(geometry, simulation, dfm)
    policy.require_human_approval("prototype_export", evidence)
    return tools.plm.publish_prototype(candidate, evidence)

这里最关键的不是 Python 语法，而是控制流：几何检查、求解器收敛、物理指标和 DFM 依次成为门禁；任何一步失败都产生可解释的修订任务；发布动作只能消费已经绑定版本的证据包。

六、三维扫描到可编辑 CAD：不要把点云重建当作一步

OpenAI 与 Chip Ganassi Racing 测试的场景很典型：手里有旧零件或扫描数据，但缺少原始设计文件。工业落地时，这条链路至少包含数据清洗、坐标对齐、几何分割、特征识别、参数化重建、误差比较和制造图生成。

  1. 扫描预处理：删除离群点、填补小孔洞、统一坐标系并标记扫描盲区；
  2. 几何分割：识别平面、圆柱、孔、倒角、自由曲面和重复特征；
  3. 设计意图恢复：把近似圆柱恢复为带公称直径的参数特征，把对称和阵列关系写入模型；
  4. 偏差验证：比较重建模型与点云，输出最大偏差、均方误差和局部热力图；
  5. 工程补全：添加材料、基准、公差、表面处理和无法从扫描中推断的内部要求；
  6. 人工签核：由工程师确认设计意图，而不只是几何外形相似。

扫描数据反映的是“这个实物现在长什么样”，不等于“设计原本要求什么”。磨损、变形和制造偏差都可能被模型错误地固化到新图纸中。因此，偏差最小不是唯一目标，还要结合标准件目录、配合关系、受力方向和制造工艺恢复设计意图。

七、仿真门禁：模型负责配置建议，求解器负责物理结论

AI 可以帮助选择网格策略、识别边界条件和解释结果，但不能跳过求解器的确定性检查。一个可信的仿真结果至少要绑定以下元数据：

{
  "model_hash": "sha256:...",
  "solver": "approved-solver",
  "solver_version": "pinned-version",
  "material_revision": "aluminum-6061-t6-r4",
  "mesh": {
    "element_count": 1285400,
    "quality_min": 0.31,
    "convergence_study": true
  },
  "load_case": "drop-test-z",
  "converged": true,
  "limits": {
    "max_stress_mpa": 168.2,
    "allowable_stress_mpa": 240.0,
    "max_displacement_mm": 0.72
  }
}

如果缺少材料版本、边界条件、收敛状态或网格质量，系统应把结果标记为“不可用于签核”。对于安全关键件，还要执行网格无关性分析、不同载荷组合、失效模式分析和独立复核。智能体可以提高设置与迭代速度，但不应降低验证等级。

八、PCB 与机电协同：把跨专业变更变成一等公民

Astra 测试设备同时涉及外壳、PCB、固件和软件，这类机电一体化任务的难点通常不是单个专业，而是变更传播。连接器移动 3 毫米，可能同时影响外壳开孔、线束弯折半径、EMI、散热路径、装配工具空间和固件引脚映射。

因此系统应建立跨专业依赖图。例如，connector.J3.position 变化后自动触发：

  • ECAD 的电气规则检查与走线复核；
  • MCAD 的开孔位置、干涉和装配空间检查；
  • 线束长度与弯折半径校验；
  • 散热和信号完整性相关仿真；
  • BOM、二维图纸和测试工装的影响分析。

模型适合总结“这次变更可能影响什么”，依赖图负责保证“必须检查的项目一个都不少”。两者结合，才能避免把跨专业经验全部寄托在某位资深工程师的记忆里。

九、如何评测工程智能体：不能只看最终模型像不像

BenchCAD 2.0 的进展说明三维重建和电路连接识别正在快速提升，但企业内部评测还需要覆盖完整生命周期。建议至少建立五类指标：

维度示例指标常见误区
几何正确性尺寸误差、拓扑有效、装配干涉只看渲染图
物理正确性收敛率、安全系数、热与流体指标只看单次求解数值
可制造性最小壁厚、刀具可达、拔模、板厂规则能建模就等于能生产
流程可靠性重试率、人工接管率、错误恢复时间只统计成功样例
业务价值迭代周期、一次试制通过率、返工成本用 Token 数替代产出

评测集要包含真实失败样例：缺失单位、过期材料、错误坐标系、扫描盲区、求解器不收敛、供应商能力变化和冲突的验收条件。若只给模型干净题目，线上系统会在最需要帮助的异常场景中失效。

十、生产部署的四条安全底线

10.1 任何制造发布都必须有版本化证据包

证据包应包含需求版本、模型哈希、参数差异、全部验证报告、未解决风险和审批记录。制造包与证据包必须一一对应，禁止“图纸更新了，报告沿用旧版本”。

10.2 生成与批准必须职责分离

提出修改的智能体不能同时批准发布。高风险项目应由独立验证流程重新读取产物，而不是信任生成过程的自我总结。

10.3 外部资料按不可信输入处理

供应商 PDF、工单、邮件和网页都可能包含错误甚至恶意指令。解析内容的智能体不应直接拥有发布、外发和凭证读取权限；从文档提取的参数必须经过模式校验和来源标注。

10.4 失败时停止，不做盲目重放

CAD 保存、PLM 提交或供应商上传在网络中断时可能处于“结果未知”状态。系统应先读取目标系统的实时版本和业务状态，再决定恢复或补偿，不能直接重复发布。

十一、从小场景开始：推荐的落地顺序

企业不需要一开始就追求“全自动设计整机”。更稳妥的路径是逐步扩大闭环：

  1. 先做只读助手：检索标准、解释旧图纸、汇总仿真结果；
  2. 再做可回滚修改：在分支版本中调整参数、补图框、生成对比报告；
  3. 接入确定性验证：干涉、DRC、FEA、DFM 形成自动门禁；
  4. 最后连接 PLM 和供应商，但保留人工签核与职责分离。

优先选择高频、边界清晰、验证成本低的任务，例如标准支架变型、旧零件参数化重建、二维出图和仿真批处理。积累足够的失败样例和审计数据后，再扩展到跨专业优化与制造发布。

结语

OpenAI 最新披露的意义，不只是模型能操作 CAD，而是 AI 正在进入“设计—仿真—制造—反馈”的实体工程循环。这个循环比代码生成更依赖单位、材料、公差、版本、求解器和责任边界。

真正可用的工程智能体，应该把自然语言创造力放在约束系统之内：模型提出候选方案，专业工具给出可复现证据，状态机阻止跳步，工程师对风险做最终判断。这样，AI 才能把工程师从大量重复操作中释放出来，同时不把制造质量交给概率。

参考资料

资料核对时间：2026 年 11 月 10 日。工程软件、模型能力和开放范围可能持续更新，生产使用前请以官方最新文档、实际工具版本和组织内工程规范为准。

# 人工智能 # 系统架构
Logo
北京朝阳AI社区

更多推荐

cover

DeepSeek Harness 怎么生图？2026 年 11 月插件安装与配置实操

avatar 北京朝阳AI社区

token8341：大模型API接入三种架构路线深度解析

灾备与数据保护技术实战：CDP持续保护、数据库备份、异地容灾架构等核心技术深度解析。

avatar 北京朝阳AI社区
cover

FDE 做 RAG 的最佳实践：3 个架构模式，按需选

avatar 北京朝阳AI社区