Qwen1.5-1.8B GPTQ在工业软件中的应用探索：辅助SolidWorks设计说明生成

最近和几个做机械设计的朋友聊天，他们都在抱怨一件事：画图不累，写文档才累。一个复杂的装配体，零件图画完了，还得花大半天时间整理设计说明、填写参数表格，内容枯燥不说，还特别容易出错。这种重复性、格式化的文字工作，能不能让AI来帮帮忙？

正好，我最近在研究一些轻量级的大模型，发现Qwen1.5-1.8B的GPTQ量化版本是个不错的候选。它模型小，对硬件要求不高，推理速度快，特别适合集成到本地工作流里。于是我就想，能不能用它来试试，帮我们这些搞SolidWorks设计的工程师，自动生成点设计文档呢？

说干就干。这篇文章，我就来分享一下，怎么把这个小模型用在实际的工业设计场景里，让它帮你从繁琐的文档工作中解放出来。

1. 场景与痛点：设计工程师的文档之困

如果你用过SolidWorks、CATIA或者UG这些软件，肯定对下面的场景不陌生。

画完一个齿轮箱的装配图，你需要生成一份设计说明书。里面要写明设计依据、主要技术参数、材料选择、工艺要求，还得把几十个零件的名称、规格、数量整理成表格。这些信息其实都藏在你的三维模型和工程图里，但你需要手动把它们“翻译”成文字和表格。

这个过程有几个明显的痛点。

第一是效率低。 设计思路是连贯的，但文档撰写是割裂的。你可能需要反复切换软件，从模型树里找零件名，从属性里抄材料，从标注里看尺寸。一个下午画图，另一个下午可能就耗在Word和Excel里了。

第二是容易不一致。 手动填写，难免会有笔误。零件A在说明书里叫“端盖”，在BOM表里可能就成了“法兰盖”。尺寸公差、表面处理要求这些细节，也容易在多次复制粘贴中出错。

第三是格式枯燥。 设计说明书、技术参数表大多有固定格式。虽然内容千变万化，但文档的框架、叙述的逻辑、表格的样式都大同小异。这种高度结构化、重复性的文本生成任务，恰恰是AI所擅长的。

我们需要的，不是一个能天马行空写小说的AI，而是一个能准确理解工程语义、并按照固定格式输出严谨文本的“助理”。Qwen1.5-1.8B GPTQ这样的小模型，成本低、响应快，如果能把它“调教”好，让它学会我们的行业话术和文档规范，那价值就太大了。

2. 为什么选择Qwen1.5-1.8B GPTQ？

市面上模型那么多，为什么偏偏选这个？主要是它符合工业场景落地的几个关键要求。

首先是轻量化与高效率。 “1.8B”指的是18亿参数，在动辄百亿、千亿参数的大模型面前，它是个“小个子”。经过GPTQ量化后，模型体积进一步缩小，对GPU显存的要求大大降低。这意味着你不需要昂贵的专业显卡，在一张消费级的显卡上，甚至用CPU都能比较流畅地运行。推理速度也很快，生成一段设计说明可能就几秒钟，完全不会打断你的设计工作流。

其次是可控性与确定性。 对于工程文档来说，“准确”比“精彩”重要一百倍。我们不需要AI自由发挥，而是希望它严格遵循指令和格式。较小的模型在遵循复杂指令和模板方面，有时反而比超大模型表现得更稳定、更可控。我们可以通过设计精准的提示词，把它“锁”在特定的输出格式里。

最后是成本与隐私。 所有计算都在本地完成，你的设计数据、零件信息这些敏感内容完全不用上传到云端。没有网络延迟，没有数据泄露风险，也没有按次调用的费用。对于企业应用来说，这几点至关重要。

当然，小模型能力有上限，太复杂、太需要逻辑推理的任务它可能处理不好。但针对“根据结构化信息生成描述性文本”或“将自然语言描述转换为表格”这类任务，它的表现足够让我们惊喜。

3. 实战演练：让AI成为你的设计文档助手

光说不练假把式。我们直接看几个具体的例子，看看怎么用这个模型来干活。这里假设你已经按照官方教程，在本地部署好了Qwen1.5-1.8B-Chat-GPTQ模型，并能通过API或命令行进行调用。

3.1 场景一：从零件特征列表生成设计说明

想象一下，你在SolidWorks里设计了一个简单的“传动轴”。它的主要特征你已经整理出来了：

• 零件名称：传动轴
• 材料：45号钢
• 总长：450mm
• 最大直径：Φ50mm
• 键槽尺寸：宽14mm，深5.5mm
• 热处理要求：调质处理，硬度HRC28-32
• 表面处理：发黑

现在，你需要把这些零散的信息，组织成一段通顺、专业的设计说明段落。

我们可以给AI这样的提示词：

你是一名机械设计工程师。请根据以下提供的零件特征信息，生成一段简洁、专业的设计说明文本。要求使用客观、严谨的工程技术语言。

零件特征信息：
- 零件名称：传动轴
- 材料：45号钢
- 总长：450mm
- 最大直径：Φ50mm
- 键槽尺寸：宽14mm，深5.5mm
- 热处理要求：调质处理，硬度HRC28-32
- 表面处理：发黑

设计说明：

把这段提示词发给模型，它可能会生成类似下面的文字：

本传动轴零件采用45号钢材质制造，总长度为450mm，最大外径为Φ50mm。轴体中部设计有标准键槽，键槽宽度为14mm，深度为5.5mm，用于传递扭矩。为满足强度及耐磨性要求，零件需进行调质热处理，使其整体硬度达到HRC28-32。最后，所有外表面进行发黑处理，以提高防锈能力并改善外观。

看，一段规整的设计说明就出来了。它把零散的数据点串联成了连贯的句子，并且使用了“轴体中部”、“传递扭矩”、“提高防锈能力”这样的工程术语，读起来很像那么回事。

3.2 场景二：将设计意图描述转换为参数表格

另一个常见的场景是，你在头脑风暴或者初步方案讨论时，用自然语言描述了一个零件的设计要求。比如：

“我们需要一个铝合金压铸的外壳，大体是长方形的，长边大概200mm，短边120mm，高度50mm。壁厚要均匀，3mm左右。上面要预留一个Φ80mm的大圆孔用来安装风扇，旁边还要一排M3的螺丝孔，大概6个。表面要喷砂然后阳极氧化，颜色要黑色。”

这段描述很口语化，但要把这些要求转化成采购或加工用的技术参数表，又得手动整理一遍。

这时，我们可以让AI来帮忙做这个“翻译”工作。提示词可以这样写：

请将以下用户对零件设计意图的自然语言描述，提取关键信息，并整理成标准的技术参数表格。表格应包含“参数类别”、“参数名称”、“参数值/要求”和“备注”四列。

用户描述：
“我们需要一个铝合金压铸的外壳，大体是长方形的，长边大概200mm，短边120mm，高度50mm。壁厚要均匀，3mm左右。上面要预留一个Φ80mm的大圆孔用来安装风扇，旁边还要一排M3的螺丝孔，大概6个。表面要喷砂然后阳极氧化，颜色要黑色。”

技术参数表：

模型输出的结果，可能会组织成这样一个结构清晰的表格：

参数类别	参数名称	参数值/要求	备注
基本信息	零件名称	外壳
	材料	铝合金	压铸工艺
	外观形状	长方形壳体
外形尺寸	长度	~200 mm	长边
	宽度	~120 mm	短边
	高度	~50 mm	壳体高度
	壁厚	3 mm	均匀壁厚
结构特征	主要开孔1	Φ80 mm 圆孔	用于安装风扇
	主要开孔2	M3 螺丝孔	数量：6个
表面处理	工艺1	喷砂
	工艺2	阳极氧化
	颜色	黑色

这个表格虽然简单，但已经把所有关键信息结构化地提取出来了，为你后续绘制草图、创建三维模型提供了清晰的输入。你只需要稍微核对和修正一下“~”这样的约等号，一份可用的技术参数表就完成了。

3.3 实践技巧与提示词设计

想让模型更好地为你工作，有几个小技巧可以参考。

第一，给AI一个明确的“人设”。 就像我们之前在提示词里写的“你是一名机械设计工程师”，这能引导模型使用更专业的领域词汇和表达方式。

第二，提供清晰的输出格式指令。 无论是“生成一段文本”还是“整理成表格”，都要在提示词里说清楚。对于表格，甚至可以指定列名，这样模型输出的内容更容易被后续程序处理。

第三，示例的力量（Few-Shot Learning）。 如果某项任务格式特别固定，你可以在提示词里先给一两个例子。比如，先展示一个“轴承座”的设计说明范例，再让它写“传动轴”的，它模仿的效果会更好。

第四，分步骤处理复杂任务。 如果设计说明很长，包含概述、结构分析、工艺要求等多个部分，不要指望AI一次生成完美长文。可以拆解任务，比如先让它生成“材料与热处理”部分，再生成“尺寸与公差”部分，最后组合起来。

4. 集成思路：让AI融入你的设计流程

模型测试好了，效果也不错，那怎么把它用起来呢？总不能每次都去开一个Python脚本吧。这里分享几个简单的集成思路，让你在日常工作中就能顺手调用。

思路一：编写本地小工具。 用Python的Tkinter或PyQt写一个带图形界面的小工具。界面左边让你粘贴零件特征列表或设计描述，右边直接显示AI生成的设计说明或表格。你甚至可以做一个模板库，把常用的说明书模板存进去，一键调用。

思路二：利用SolidWorks的API。 SolidWorks本身支持VBA和.NET API进行二次开发。你可以写一个宏，从当前打开的零件或装配体中，自动读取自定义属性（如材料、代号）、测量尺寸，然后把这些信息组合成提示词，调用本地的模型API，最后把生成的设计说明写回零件的“注释”字段，或者导出到一个Word文档里。这样就实现了从设计到文档的半自动化。

思路三：与PDM/PLM系统结合。 如果你所在的公司使用了产品数据管理（PDM）或产品生命周期管理（PLM）系统，可以探索在流程节点上集成这个功能。例如，当工程师检入一个新版本的零件时，系统自动触发AI服务，根据零件属性生成初步的设计说明草稿，供工程师审核和修改。

这些集成方式听起来有点技术含量，但核心逻辑很简单：把AI模型封装成一个“黑盒服务”，你的设计软件或工作流程，只需要把数据丢给它，然后接收它处理好的文本结果。

5. 当前局限与未来展望

当然，现在这个方案还远非完美，有几个明显的局限性。

首先是精度问题。 模型偶尔会“捏造”信息。比如你只给了“45号钢”，它可能在说明里加上“符合GB/T 699标准”，这虽然合理，但并非你的输入。所以，AI生成的内容必须经过工程师的严格审核，不能直接作为最终交付件。

其次是上下文理解。 对于非常复杂的装配关系、运动原理，小模型很难通过短短几句描述就理解透彻。它更擅长处理具象的、特征明确的单个零件信息。

最后是格式的灵活性。 虽然能生成表格和段落，但对于特别复杂的文档格式（比如带有多级编号、复杂图表交叉引用的技术报告），目前还比较吃力。

不过，这些问题也指明了改进的方向。未来，我们可以尝试：

• 领域微调（Fine-tuning）： 用大量真实的、高质量的SolidWorks设计说明书、技术参数表去微调模型，让它更懂我们的“行话”和文档风格。
• 检索增强生成（RAG）： 为模型连接一个零件库、材料库或标准件库。当它需要生成信息时，可以先从这些权威数据库中检索相关内容，再组织语言，这样能大幅提高准确性和规范性。
• 工具调用（Function Calling）： 让模型学会调用一些外部工具。比如，当它要计算“受力分析”时，可以调用一个计算函数；要查询“表面处理工艺”时，可以查询一个数据库。这样就能突破纯文本生成的限制。

---

整体探索下来，感觉Qwen1.5-1.8B GPTQ这个小模型，在辅助生成SolidWorks这类工业软件的设计文档上，确实能派上用场。它不能替代工程师的创造性思考和关键决策，但能像一个不知疲倦的助理，帮你把那些繁琐、格式化的文字工作快速搞定，让你能把更多精力集中在真正的设计上。

如果你也受困于无尽的文档编写，不妨试试这个思路。从最简单的零件说明开始，慢慢教AI理解你的需求。这个过程本身，也是对自己设计知识的一次梳理和固化。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。