@aigclink: Text-CAD：它不是"生成一张零件图"，一句话 → STEP → 切片 → 直接连本地 Bambu 打印机出活全链条。 原先机械工程师在 SolidWorks 里手动建模、再逐个尺寸拉卡尺核对——这两个动作，被这个项目接管了。 一次装…

X AI KOLs Timeline 工具
text-to-cad step 3d-printing ai-agent build123d hardware-ai open-source

摘要

Text-CAD 项目实现了从自然语言描述到 STEP 三维模型、切片直至直连 Bambu 打印机全流程的 AI 驱动自动化，通过让 LLM 生成 build123d Python 源码而非直接操作几何内核，有效降低了生成复杂格式的难度，并集成了多项硬件制造相关技能。

Text-CAD：它不是"生成一张零件图"，一句话 → STEP → 切片 → 直接连本地 Bambu 打印机出活全链条。 原先机械工程师在 SolidWorks 里手动建模、再逐个尺寸拉卡尺核对——这两个动作，被这个项目接管了。 一次装齐 11 个 skill，覆盖硬件从设计到制造的整条流水线： 1、CAD：自然语言/图片/2D图纸 → STEP，可导 STL/3MF/GLB 2、http://step.parts：自动找现成螺丝、轴承、电机、连接器的 STEP 3、DXF：出 2D 切割图；SendCutSend：上传激光切割前先校验 4、G-code + Bambu Labs：切片 → 本地打印机 dry-run 再谨慎开印 5、URDF/SRDF/SDF：写机器人结构、MoveIt2 规划、仿真世界 关键选型很聪明，模型不吐 STEP 二进制，而是直接写 build123d 的 Python 源码，再跑 gen_step() 生成。等于给了 LLM 一个它真正擅长的文本中介层，绕开"直接生成难格式"这个死结——这跟之前聊过的 [[video-use]] 是同一套思路：video-use 让 LLM 不看视频只读结构化文本，text-to-cad 让 LLM 不碰几何内核只写 Python，两者都是给模型一个高价值 token 的落点。 与 Jellyfish摆一起看更清楚，两者都是 harness engineering的思路，一个赛道在 AI 短剧，一个在硬件制造： ～Jellyfish 把"角色一致性"当 first-class problem、把不可控生成变成可追踪工序； ～text-to-cad 把"几何正确性"当 first-class problem——scripts/inspect 做 refs/facts/planes/measure/align/diff 校验，snapshot 视觉验证是强制的（确定性检查过了也不许跳），失败就"改最小责任源码段 → 重生成 → 重跑失败项"。 代价是什么？ 它把每个 skill 做成"薄封装 + 渐进式 references"——只加载当前任务需要的参考文档，不读整套。context 省了，但也意味着这套东西的天花板取决于底层 CLI（build123d / 切片器 / OCCT 内核），模型只是在编排，不负责几何求解。 #TextToCAD #AICAD #AgentSkills #build123d #硬件AI
查看原文
查看缓存全文

缓存时间: 2026/07/03 14:38

Text-CAD：它不是“生成一张零件图“，一句话 → STEP → 切片 → 直接连本地 Bambu 打印机出活全链条。

原先机械工程师在 SolidWorks 里手动建模、再逐个尺寸拉卡尺核对——这两个动作，被这个项目接管了。

一次装齐 11 个 skill，覆盖硬件从设计到制造的整条流水线：

1、CAD：自然语言/图片/2D图纸 → STEP，可导 STL/3MF/GLB 2、http://step.parts：自动找现成螺丝、轴承、电机、连接器的 STEP 3、DXF：出 2D 切割图；SendCutSend：上传激光切割前先校验 4、G-code + Bambu Labs：切片 → 本地打印机 dry-run 再谨慎开印 5、URDF/SRDF/SDF：写机器人结构、MoveIt2 规划、仿真世界

关键选型很聪明，模型不吐 STEP 二进制，而是直接写 build123d 的 Python 源码，再跑 gen_step() 生成。等于给了 LLM 一个它真正擅长的文本中介层，绕开“直接生成难格式“这个死结——这跟之前聊过的 [[video-use]] 是同一套思路：video-use 让 LLM 不看视频只读结构化文本，text-to-cad 让 LLM 不碰几何内核只写 Python，两者都是给模型一个高价值 token 的落点。

与 Jellyfish摆一起看更清楚，两者都是 harness engineering的思路，一个赛道在 AI 短剧，一个在硬件制造： ～Jellyfish 把“角色一致性“当 first-class problem、把不可控生成变成可追踪工序； ～text-to-cad 把“几何正确性“当 first-class problem——scripts/inspect 做 refs/facts/planes/measure/align/diff 校验，snapshot 视觉验证是强制的（确定性检查过了也不许跳），失败就“改最小责任源码段 → 重生成 → 重跑失败项“。

代价是什么？

它把每个 skill 做成“薄封装 + 渐进式 references“——只加载当前任务需要的参考文档，不读整套。context 省了，但也意味着这套东西的天花板取决于底层 CLI（build123d / 切片器 / OCCT 内核），模型只是在编排，不负责几何求解。

#TextToCAD #AICAD #AgentSkills #build123d #硬件AI

step.parts | 16,000+ open source STEP parts for your next CAD project

Source: https://www.step.parts/ Open Source CAD Directory

Loading catalog

相似文章