AI智能体驱动CATIA V5参数化建模：从自然语言到自动改型

在CATIA V5里结构工程师每天最花时间的往往不是“设计一个全新零件”而是“换个尺寸再来一遍”同一个支架客户改了几毫米你就要重新拉伸、重新倒角、重新打孔同一套外壳型号多了几十个每个都要手动更新参数。传统做法是录宏、做PowerCopy、写Knowledge Expert规则但这些都需要专门的二次开发能力普通设计师很难上手。最近“AI智能体”这个概念从大模型应用火到了CAD领域很多人开始讨论“AI全自动建模、设计、改型、加特征一键搞定”。这篇文章就把这条技术链路掰开来看智能体到底是怎么接管CATIA V5建模的、需要准备什么环境、真正落地时有哪些坑。先说我的判断CATIA V5 AI智能体并不是让AI凭空生成一个复杂曲面而是让AI接管“自然语言 → 参数化操作”这一层翻译和调度工作。真正能跑通的方案核心不是大模型本身而是你沉淀的模板库、规则库和参数化模型资产。如果手上没有一套规范的参数化模型再强的AI也只能乱猜。接下来我会从技术原理、环境搭建、完整示例、验证方法到生产建议给你一条可以照着复现的路径。1. 为什么CATIA V5会和AI智能体走到一起很多人误以为CATIA V5是纯粹的手工建模软件跟AI没什么关系。实际上CATIA V5一直提供完整的自动化接口VBA宏、PowerCopy、User Defined FeaturesUDF、Knowledge Expert、EKL语言以及更底层的CAA C API。问题在于这些工具的使用门槛很高。普通工程师最常见的自动化手段是“宏录制”。你手工操作一遍CATIA生成一段VBA脚本下次回放。可一旦模型结构变化脚本立刻失效参数不是按照规则命名的脚本也基本没法复用。PowerCopy和UDF解决的是“将常用特征固化复用”的问题但制作PowerCopy本身需要理解几何约束和外部参考的选择不是人人都会。Knowledge Expert则要求使用EKL这种专门的知识工程语言语法冷门、调试困难很多企业里只有少数几个“二次开发高手”能维护。AI智能体的价值就在这里它位于“设计师的自然语言意图”和“CATIA的参数化能力”之间扮演一个翻译和调度者。你说“把这个底板长度改成120孔距保持60”传统方式需要你打开参数树、找到长度公式、手动改数值或者写一段脚本去遍历参数名智能体则直接把这句话解析成结构化的任务再从模板库里找到对应的参数化模型执行修改并回读结果。这个变化不是替代CAD而是补上了CAD自动化的“最后一公里”。它让不会VBA、不会EKL的设计师也能用接近自然语言的方式驱动CATIA。从这个角度看它适合四类人结构工程师、模具设计师、CATIA二次开发工程师以及需要批量生成相似件的工艺人员。对二次开发工程师来说它最大的价值是降低了脚本维护成本对普通设计师来说它提供了一种“低门槛自动建模”的入口。2. AI智能体驱动CATIA V5的核心原理要理解AI智能体怎么在CATIA V5里建模先要分清它和传统自动化的边界。CATIA V5的自动化能力可以分成五层每一层的抽象程度和使用门槛都不同。技术手段抽象程度适用场景门槛VBA宏录制低单次重复操作低PowerCopy中常用特征复用中UDF用户自定义特征中高企业标准特征沉淀中高Knowledge Expert / EKL高规则驱动、批量检查高CAA C API最高深度定制功能很高AI智能体通常不直接去操作底层CAA API而是把上面这些能力封装成“工具”。一个大模型接收用户指令后先判断当前任务属于“新建零件”“参数改型”还是“添加特征”再决定调用哪一段工具代码、使用哪一个模板、替换哪些参数。整个链路可以概括为四步第一步是意图识别。用户输入“我要新建一个长120、宽80、高20的底板”智能体先把这个文本解析成结构化信息包括动作类型、目标对象、参数列表。第二步是任务拆解。如果是“加一个直径10的孔位置在底板中心”智能体需要判断底板的参考面、孔的定位方式以及是否先要激活某个UDF。第三步是参数映射。这一步最关键——自然语言里的“长、宽、高”必须映射到CATIA模型里真实的参数名比如pad_length、pad_width。映射关系存在哪里存在企业模板库里。第四步是执行与回读。智能体生成或者复用一段VBA/Python脚本通过COM调用CATIA完成操作再回读特征树和参数值验证是否成功。这个架构的本质是“大模型做决策脚本做执行模板做边界”。大模型不直接生成任意几何而是在你预先定义的参数化模板范围内组合、修改、添加特征。这也是为什么我说“模板库和规则库才是核心资产”。模型库越规范AI的准确率和可解释性就越高反过来如果每个零件都是非参数化建模、草图和特征命名混乱智能体就会频繁出错。3. 环境准备与前置条件要搭建一条可以做实验的“AI智能体 CATIA V5”链路需要准备以下环境。这里以Windows系统为主因为CATIA V5的COM自动化在Windows下最稳定。3.1 CATIA V5环境CATIA V5需要正常安装并激活版本本身不限制但建议不低于V5 R20因为越新的版本对COM对象模型的支持越稳定。安装完成后要确认宏功能可用。具体操作是点击菜单“工具 → 宏 → 宏录制”随便录制一个新建零件操作如果能够生成VBA脚本说明自动化基础环境正常。还需要注意宏安全性设置。在“工具 → 选项 → 常规 → 宏”里把安全性级别设置为“低”否则后续通过外部进程调用宏时可能弹出权限拦截框导致自动化中断。这个设置在实验环境可以放开生产环境则建议设置成“中等”并配合数字签名。3.2 Python自动化环境我们选择Python作为智能体的调度层因为Python写大模型调用和脚本编排都更灵活。推荐使用Python 3.9以上版本然后安装pywin32库它负责让Python通过Windows COM接口连接CATIA。pip install pywin32安装完成后可以用一个最简单的Python脚本测试能否连接CATIA。测试前请先手动打开一个空的CATIA V5会话。# 文件路径connect_catia.py import pythoncom import win32com.client def get_catia(): pythoncom.CoInitialize() try: # 优先连接当前已经打开的 CATIA 实例 catia win32com.client.GetActiveObject(CATIA.Application) except Exception: # 如果没有打开则启动一个新实例 catia win32com.client.Dispatch(CATIA.Application) return catia if __name__ __main__: catia get_catia() docs catia.Documents print(fConnected. Documents count: {docs.Count})如果运行后输出Connected. Documents count: 0或者当前文档数量说明Python已经能驱动CATIA。这个步骤是整个智能体执行链路的地基如果这里失败后面所有能力都无从谈起。3.3 大模型服务智能体的大脑需要一个能理解自然语言并输出结构化JSON的大模型。实际项目中通常选择企业私有化部署避免把产品设计数据传到外部服务。推荐使用本地推理服务例如通过Ollama或者vLLM启动一个OpenAI兼容接口。只要是兼容OpenAI API格式的服务Python代码里的调用方式基本一致。需要注意本文不会指定具体模型因为模型选择跟企业数据规模和算力有关。实验阶段任何能稳定输出JSON的模型都可以跑通链路例如各类7B到14B规模的参数化模型。更关键的是要在提示词里约束模型的输出格式否则它可能返回一段散文而不是可解析的任务JSON。3.4 安全提醒在开始实验之前必须强调一点不要在正式交付的模型上直接做自动化验证。应该先复制一份模型或者建立专门的实验目录任何自动化脚本执行前都要有备份。后面所有示例都遵循这个原则。4. 核心流程拆解设计、改型、加特征一次完整的“AI一键建模”可以拆成三条典型流程新建设计、参数改型、添加特征。每条流程的输入输出不同智能体调用CATIA的方式也不同。4.1 新建设计流程当用户说“新建一个长120、宽80、高20的底板”时智能体需要做三件事。第一在CATIA中新建一个Part文档。第二找到模板库中的“底板模板”或者通过脚本依次创建草图、拉伸、约束。第三把自然语言中的尺寸参数填入模板。这里最现实的路径不是让AI从零写几何代码而是让AI调用你录制好的“底板创建宏”然后替换其中的参数。用VBA宏录制手工建模底板的过程得到一份原始脚本之后由智能体把脚本里的尺寸值改成动态变量。这样既稳定又能减少AI生成非法几何的风险。4.2 参数改型流程参数改型是智能体落地价值最大的场景。它的输入通常是“把某个零件的长度从100改成120同时保持孔距不变”。智能体要解析出目标零件是哪个、需要修改的参数名是什么、新值是多少、哪些参数需要联动更新。在CATIA V5里如果模板建模时已经用公式或者参数表管理尺寸那么改型本质上就是一次“参数赋值”操作。智能体不需要重新建模只需要调用COM接口找到Parameters集合中的对应参数执行Value 120然后调用part.Update()。4.3 添加特征流程添加特征比前两者复杂因为特征往往涉及参考面、草图位置、几何约束。例如“在底板中心加一个直径10的通孔”智能体要先确认底板是长方体、顶面是平面然后找到顶面作为草图平面画圆并启动Hole或Pocket特征。这个流程里最容易出错的是参考面的选择。CATIA的模型树中有大量平面和曲面AI如果只靠名字猜测参考面可能选错。稳妥做法是让智能体从模板库中读取“孔特征模板”模板里已经写好了参考面的选取规则AI只需要提供孔的直径和二维坐标。这样几何计算交给CATIA的约束求解器而不是让大模型去想象。为了让你更直观理解三类流程的差异下面用表格对比。流程典型输入AI主要动作CATIA核心API/能力风险点新建设计新建底板长120宽80高20识别尺寸选择模板生成脚本新建Part、创建草图、Pad拉伸草图和约束不完整参数改型长度改为120孔距不变定位参数名替换数值联动更新Parameters、Formula、Update参数名匹配失败添加特征中心加直径10通孔识别参考面选择特征模板Sketch、Hole/Pocket、约束参考面选择错误5. 完整示例代码实现下面给出一套可独立运行的最小示例覆盖“连接CATIA → 大模型解析意图 → 参数修改 → 添加特征”这条链路。代码采用Python编写重点演示思路不是某个商业产品的功能。5.1 Python连接CATIA并修改参数先看最核心的改型操作。假设你已经有一个参数化底板Part文档其中有名为pad_length的长度参数。下面的Python代码通过COM连接CATIA读取当前参数值然后修改为新的目标值。# 文件路径modify_parameter.py import win32com.client import pythoncom def update_part_parameter(catia, part_doc_path, param_name, new_value): 打开指定 Part 文档更新参数值。 part_doc_path: CATPart 文件绝对路径 param_name: 参数名例如 pad_length new_value: 新的参数值例如 120.0 pythoncom.CoInitialize() catia win32com.client.GetActiveObject(CATIA.Application) documents catia.Documents part_doc documents.Open(part_doc_path) part part_doc.Part # 获取零件全部参数集合 parameters part.Parameters target_param parameters.Item(param_name) print(fBefore: {param_name} {target_param.Value}) # 更新参数并刷新几何 target_param.Value float(new_value) part.Update() print(fAfter: {param_name} {target_param.Value}) # 保存文档建议另存为新文件避免覆盖原模型 import os dir_name os.path.dirname(part_doc_path) base_name os.path.basename(part_doc_path) new_path os.path.join(dir_name, updated_ base_name) part_doc.SaveAs(new_path) return new_path if __name__ __main__: # 请改成你自己的 CATPart 路径 path rD:\cad_agent_test\base_plate.CATPart update_part_parameter(None, path, pad_length, 120.0)这段代码的关键逻辑有三个地方。第一个是parameters.Item(param_name)它要求模板里的参数名必须稳定且唯一如果项目里存在重名参数这里会抛异常。第二个是part.Update()改参数后必须显式刷新几何否则模型特征树不会更新。第三个是另存为新文件这是自动化流程中最重要的安全习惯。5.2 用大模型解析自然语言意图接下来是智能体的“大脑”部分。我们调用兼容OpenAI API的本地大模型服务把用户的自然语言需求解析成结构化JSON任务。# 文件路径parse_task.py from openai import OpenAI import json # 兼容 Ollama / vLLM 等本地服务的 OpenAI 格式接口 client OpenAI( base_urlhttp://127.0.0.1:11434/v1, # 替换成你的本地服务地址 api_keyollama, # 本地服务一般无需真实密钥 ) SYSTEM_PROMPT 你是CATIA V5建模助手。请把用户需求解析为结构化的JSON任务。 只输出JSON不要输出任何解释文字。JSON格式如下 { action: create_part | modify_parameter | add_feature, target: 目标零件或特征名称, params: { 参数名: 参数值 } } def parse_user_task(user_text: str) - dict: resp client.chat.completions.create( modelYOUR_LOCAL_MODEL, # 换成你的实际模型名 messages[ {role: system, content: SYSTEM_PROMPT}, {role: user, content: user_text}, ], temperature0.1, response_format{type: json_object}, ) content resp.choices[0].message.content return json.loads(content) if __name__ __main__: user_input 把底板长度改成120孔距保持60不变 task parse_user_task(user_input) print(json.dumps(task, ensure_asciiFalse, indent2))这里有一个细节值得注意response_format{type: json_object}保证了模型输出是合法JSON而不是一段解释性的文字。如果本地模型不支持这个参数可以去掉但需要在提示词里加强“只输出JSON”的约束并在代码里加入异常处理防止解析失败导致整个流程中断。5.3 将JSON任务映射为CATIA操作第三步是把解析出来的JSON任务翻译成实际的CATIA操作。这里的核心是一个“参数白名单”映射表它告诉智能体哪些参数可以改、对应哪个模型库的哪个CATPart。# 文件路径task_router.py from modify_parameter import update_part_parameter # 参数白名单只允许操作已经验证过的参数 PARAM_WHITELIST { pad_length: rD:\cad_agent_test\base_plate.CATPart, pad_width: rD:\cad_agent_test\base_plate.CATPart, pad_height: rD:\cad_agent_test\base_plate.CATPart, hole_diameter: rD:\cad_agent_test\base_plate_hole.CATPart, } def execute_task(task: dict): action task.get(action) params task.get(params, {}) if action modify_parameter: # 每一个参数都要校验白名单防止 AI 修改未授权的模型 for param_name, new_value in params.items(): if param_name not in PARAM_WHITELIST: raise ValueError(f参数 {param_name} 未在白名单中拒绝执行) part_path PARAM_WHITELIST[param_name] # 同一零件可能有多个参数修改这里简化成逐个调用 update_part_parameter(None, part_path, param_name, new_value) elif action add_feature: # 添加特征走“模板宏 参数替换”流程这里给一个示意 # 实际项目中调用预先录制好的特征添加宏 print(执行添加特征模板参数, params) elif action create_part: # 新建零件走“模板复制 参数替换”流程 print(执行新建零件模板参数, params) else: raise ValueError(f未知 action{action}) if __name__ __main__: example_task { action: modify_parameter, target: base_plate, params: {pad_length: 120} } execute_task(example_task)在这个示例里PARAM_WHITELIST是安全边界。AI生成的任务JSON永远不会被直接信任它只能操作白名单里预先验证过的参数和模型。这是生产环境必须有的设计也是给“AI全自动建模”加上的一道人工护栏。5.4 用VBA宏作为特征模板的底座添加特征和新建零件场景下与其让AI从零生成底层几何调用不如让AI去调用你录制好的VBA宏模板。下面是一段典型的宏录制骨架展示了新建Part文档并读取参数的VBA结构。实际使用时AI只需要替换其中的尺寸变量不需要自己编写五行以上的底层API。 文件路径create_plate_template.bas 说明这是宏录制得到的骨架代码实际项目中由 AI 做参数动态化 Sub CreatePlateTemplate() Dim partDocument1 As PartDocument Set partDocument1 CATIA.Documents.Add(Part) Dim part1 As Part Set part1 partDocument1.Part Dim bodies1 As Bodies Set bodies1 part1.Bodies Dim body1 As Body Set body1 bodies1.Item(PartBody) 以下为参数定义区 在真实模板中length/width/height 来自参数表 Dim padLength As Double Dim padWidth As Double Dim padHeight As Double padLength 120# padWidth 80# padHeight 20# 此处省略“建立草图、创建约束、Pad拉伸”的过程 因为该部分高度依赖具体模板的参考面选择建议从宏录制中获得 part1.Update End SubVBA模板的存在意味着AI不需要理解CATIA内部复杂的几何内核。它的任务只是“从模板库中挑选正确宏 填入正确参数”。这是一种更稳定、更可控的工程实践。6. 运行结果与效果验证跑通示例后不能只看“没有报错”就认为成功还需要做多维度验证。我建议按以下三个层次判断任务是否真正完成。第一层是参数层验证。运行modify_parameter.py后控制台会输出修改前后的参数值。如果Before和After的数值符合预期说明参数已成功写入。第二层是几何层验证。打开updated_base_plate.CATPart观察特征树和三维模型。特征树中应该有且仅有一个Pad特征模型的包围盒尺寸应该和新的参数对应。如果几何没有变化即使参数值变了也说明更新失败常见原因是part.Update()没有执行或者公式覆盖了直接赋值。第三层是约束层验证。改型不只是改一个孤立参数还要确认关联参数是否正确联动。例如底板长度改了孔距保持不变孔的位置要始终居中等。这一步需要打开CATIA的公式管理器检查相关公式是否仍然成立。如果执行过程中出现异常优先检查以下位置首先看Python控制台输出的异常栈定位是COM连接失败还是参数名匹配失败其次打开CATIA V5的“工具 → 消息”窗口这里会记录宏执行时的内部错误最后检查模型文件的时间戳确认保存是否生效。不要一上来就怀疑大模型的理解能力实测下来大多数失败发生在参数名不匹配和参考面选择错误而不是意图识别错误。这里必须再次提醒验证一定要在副本模型或实验目录中进行。自动化脚本一旦执行了错误的参数赋值可能覆盖人工调整了很久的成熟设计。虽然SVN/Git能管代码但CAD模型文件的版本管理远不如代码那么透明提前备份是成本最低的容错手段。7. 常见问题与排查思路根据实际落地经验把最常见的几类问题整理成下表可以直接对照排查。问题现象可能原因排查方式解决方案Python连接CATIA失败CATIA未启动或COM注册异常先手动打开CATIA再运行脚本在系统进程中确认“CNEXT.exe”存在使用GetActiveObject优先连接实例必要时修复安装CATIA或重新注册COM组件宏被禁用或弹出安全拦截宏安全性设置为“高”或“中”查看“工具 → 选项 → 常规 → 宏”实验环境设置为“低”生产环境使用数字签名参数Item找不到参数名拼写错误或模型中参数不在顶层Parameters集合手动打开模型用“知识 → 参数”查看真实参数名统一命名规范建立参数名对照表修改参数后几何不变参数被公式或规则锁定查看参数属性检查是否存在Formula在脚本中先判断参数是否被公式驱动或直接修改公式而不是Value大模型返回的JSON解析失败模型没有严格按JSON输出打印原始返回内容观察多余文字增加response_format约束或在后端补充JSON提取逻辑添加特征时选错参考面模板没有定义参考面规则检查宏模板中的草图平面选择逻辑在模板库中固化参考面不要依赖AI猜测参考面中文参数名乱码编码不一致检查Python脚本的编码是否为UTF-8VBA中是否使用Unicode统一使用英文参数名避免中文命名批量改型太慢每次重新打开保存文档导致IO开销检查是否反复Open和Save一次连接会话内批量处理多个零件最后统一保存8. 最佳实践与工程建议从能跑通的Demo到真正能在生产环境中使用的AI建模助手中间还隔着很多工程化问题。以下五条建议来自实际落地经验建议在项目启动时就纳入规划。第一必须建立参数白名单机制。AI生成的任务JSON只能操作白名单里的参数任何不在白名单里的参数名一律拒绝执行。白名单要有人工维护和审批记录。这是防止“AI乱改模型”最有效的一层防线。第二把所有可复用的建模经验沉淀成模板库。模板库不只是CATPart文件还包括特征创建宏、参数映射表、参考面选择规则、UDF定义。模板越标准化AI的可靠性越高。相反如果每个工程师都用自己的一套命名习惯智能体就会不断踩坑。第三加入人工确认节点。不要追求“全自动无监督”更合理的模式是“AI生成变更方案工程师确认后执行”。在参数改型场景中AI可以先输出“我准备把pad_length从100改为120并且保持hole_diameter参数不变”等待确认后再执行CATIA操作。这样既保留效率又保留控制权。第四做好日志和审计。每一次AI任务都应该记录原始自然语言、解析出的JSON任务、执行结果、耗时、模型文件的输入输出路径。日志不仅用于排错也是后续优化提示词和模板的素材。建议日志以JSON格式落盘方便统计成功率。第五版本管理要双轨并行。代码部分用Git管理模型部分用PDM或企业图文档系统管理。自动化脚本每次执行前检测模型文件的最新版本避免在旧版本模型上重复修改。第六性能优化集中在这几个点尽量复用已经打开的CATIA会话不要频繁启动新实例批量处理时一次会话内完成多个任务大模型推理使用本地GPU服务降低单次请求延迟参数修改优先走直接赋值而不是每次重新播放整段宏。9. 总结与后续学习方向这篇文章从技术链路的角度把“AI智能体驱动CATIA V5建模”这件事拆成了意图识别、任务拆解、参数映射、脚本执行、结果验证五个环节。真正的技术重点不在大模型本身而在参数白名单和模板库建设。如果你想在真实项目里验证这条链路建议按这个顺序推进先选一个结构简单的参数化底板零件录制一个标准的创建宏再写Python脚本完成参数修改和验证然后接上本地大模型服务测试自然语言到JSON的解析最后逐步添加“新建设计”和“添加特征”两个动作。整个过程不需要一开始就追求复杂零件先跑通最小闭环再扩大模板范围。后续值得深入的方向包括把设计规范写成EKL规则让AI在生成方案前先做规则检查用知识库RAG技术管理企业历史模型和设计经验让智能体不再只能处理模板内的参数还能参考过往相似案例以及在PDM系统集成层面打通“AI任务审批流”让模型变更可追溯、可回滚。建议你把文中的最小示例在实验环境里完整跑一遍重点观察参数修改前后的模型变化。只有亲手验证过一次“自然语言变成模型参数”的过程你才能真正理解这类工具的边界在哪里。