在所有 CAD 概念里，“几何”与“拓扑”已经被讨论得足够多，但真正决定 CAD 模型是否能被理解、编辑、重构、派生生成的核心能力，往往被忽略——那就是。没有约束系统，AI 看到的永远只是漂亮的三角网格，永远不知道设计师的真正意图。CAD 模型之所以难，是因为它不是“图像”，不是“点云”，不是“网格”。因为所有工程师关心的功能，都依赖“约束系统”，而不是“几何长什么样”。因为生成的是“几何片段”，

一张 1080p 图片，就是 1920×1080 的像素点，每个点的颜色可以用四个数字（ARGB）进行表示。AI 看图，就是在分析这些点的模式。它不仅能写代码、分析数据，还能对复杂问题进行推理，甚至被许多工程师用来辅助科研、写脚本、调算法。一些团队正在用更贴近工程语义的方式，让 AI 不再只是“看图”，而是真正“理解结构”。CAD 是“结构是什么、关系是什么、尺寸是什么、约束是什么”。工程领域的数

这样做的好处是模型统一，速度快，坏处是丢失拓扑（训练出的模型无法用于特征识别、装配关系理解）。3D 模型格式极其分散：STEP、IGES、Parasolid、Creo、UG、SolidWorks、Catia、JT、FBX、STL……相比图像和文本，CAD 3D 模型的训练有非常特殊的难点：几何表达复杂、拓扑结构严格、各家软件格式不同、参数化历史和特征树难以解析。：可进入“特征级语义”理解（例如孔、

CAD 3D模型只能被“人”看懂：人能看出这是一个支架；人能看出两个零件长得很像；人能判断这个孔是不是加工过头；人能说出：这个地方以前也见过，可能是某供应商的标准件。——但计算机做不到。即便我们已经在图像、文本上让 AI 走得那么远了，可一旦换成 3D 模型，AI 几乎“瞎”了。

一句话：从几何形状中自动恢复出 CAD 的设计特征。

未来所有对 CAD 进行 AI 推理的系统，不管是否愿意，都必须走向图结构，这是工程数据本身的规律决定的。没有图结构，AI 就永远只是在“看形状”，永远无法理解工程逻辑，更不可能做“工程设计智能化”。这些是所有真正想做 CAD AI 的工程师最想解决的问题，而所有这些能力，都建立在图结构之上。AI 想学会“工程师的眼光”，必须能看到这些关系，而这些“关系”天然就是图结构。所有这些彼此交织在一起，没

这几年，大模型逐渐把文字、图像、视频都“读懂”了，但唯独在 CAD 3D 模型面前吃了瘪。原因其实很简单：图像是像素，文字是字符，而 3D 模型是的混合物。它不是自然生成的，而是人类设计出来的结果。所以，AI 想理解 CAD 3D 模型，光盯着形状是远远不够的，它需要给模型。这篇文章我就想聊聊：AI 如何从纯“几何形状”抽象出“工程含义”。我们给 AI 一个三维模型的图片，它可以看见：这是一个面；

训练 CAD AI，最难的往往不是“模型怎么选”，而是——。在 CAD 场景下，怎么把“人工标记”和“自动标记”结合起来，用最小的人工成本，得到质量足够高的训练数据集，是我们必须要思考的问题。

BREP（Boundary Representation），中文通常翻译为，是当前所有主流 CAD 系统（CATIA、NX、SolidWorks、Creo、Inventor、Fusion360、Onshape…）的核心几何表示方式。BREP 的地位就像是文本的 Unicode；图像的像素矩阵；几何的 NURBS 曲线曲面。是 CAD 模型的最底层构建基础。

它会把你长篇大论压缩成它觉得重要的东西。你最在意的那句“这点千万别搞错”，可能被它压成了背景噪声，像你在群里发了一段长语音，结果同事只记住了“嗯嗯好的”。AI 最擅长的是把内容“写出来”。但你真正需要的通常是把内容“做成能用的”。最后一公里包含什么？校核：有没有事实错误、逻辑漏洞？整理：结构是否清晰、是否符合受众口味？补充：补上关键背景、关键约束、关键经验？决策：最终取舍谁来拍板？这里有个核心问题