杨周旺教授团队新书连载｜第一章 绪论：工业设计智能体导论

-绪论：工业设计智能体导论-

工业软件是制造业数字化和智能化的重要基础设施。CAD、CAE、CAM 与 PLM 等工具把产品设计、工程分析、工艺准备和制造执行连接起来，长期支撑航空、航天、船舶、汽车和能源装备等复杂产品研发。进入 AI 时代，传统工业设计软件暴露出新的限制：设计资产常被封闭格式、专有内核和既有流程锁定；最终几何模型难以表达完整设计意图、建模过程和工程语义；传统软件以人为中心组织命令、交互和数据，难以让智能体稳定理解、调用和反馈。本章围绕三个问题展开：工业设计软件为何形成结构性困境？AI 如何改变设计范式？什么样的系统才能称为工业设计智能体？

传统CAD系统曾经显著提升工业设计与工程协同效率，但其长期形成的工具链、数据形态和软件生态，也使工业设计软件在 AI 时代暴露出新的结构性限制。理解这一限制，需要先回到工业设计软件的演进脉络，再进一步考察软件生态、数据资产和工程流程之间的深层绑定关系。

1.1.1  从制图工具到工程平台

如图1.1所示，工业设计软件大致经历了四个阶段：手工制图、二维 CAD、三维参数化建模以及 CAD/CAE/CAM/PLM 一体化。早期 CAD 主要替代绘图板，提升图纸绘制、修改和归档效率；三维参数化建模进一步把草图、约束、特征、零件及装配统一到数字模型中；一体化平台则把设计模型连接到仿真、工艺、制造和全生命周期管理。

这一演进的核心贡献，是把工业产品从“图纸表达”推进到“模型驱动”。复杂产品的几何形状、装配关系、尺寸公差和工艺信息可以在统一环境中管理。但也正因工业软件深度嵌入企业流程，后续替换不再只是安装一个新工具，而是牵涉数据、内核、接口、标准和组织流程的整体调整。

图 1.1：工业设计软件的发展阶段

1.1.2  生态锁定与迁移成本

高端工业软件的竞争并不只体现在建模功能上，也体现在几何内核、文件格式、特征体系、约束求解、二次开发接口、插件生态和工程流程的长期积累中。企业一旦围绕某一 CAD 平台建立零件库、模板库、工艺流程和供应链协作方式，该平台就不再只是一个可替换的软件工具，而成为企业工程体系的一部分。因此，工业设计软件的迁移往往意味着历史数据整理、模型有效性验证、接口重建、人员培训和流程再认证等一系列变动。

这种迁移成本的关键并不只是“能否打开模型文件”，而是设计资产能否被完整继承。STEP 等中性格式能够支持几何交换，但通常难以完整保留参数关系、特征历史、约束逻辑和设计意图。此外，自动化脚本、行业模板和企业知识也常常依附于特定软件环境。这正是传统 CAD 面临“数据捆绑”的重要表现，也为后续从“结果表示”走向“过程表示”、从封闭工具链走向 AI 原生设计数据基座埋下了问题线索。

1.1.3  AI 时代的结构性瓶颈

AI 时代进一步放大了传统 CAD 的结构性瓶颈。第一是数据捆绑：设计资产往往锁定在模型文件、特征树和专有流程中，智能体难以稳定读取、复用和审计。第二是表示断层：最终几何模型如B-Rep能够表达形状，却很难完整表达设计意图、建模过程、约束逻辑和工程语义。第三是架构耦合：几何内核、数据结构、交互界面和验证流程高度绑定，使智能体难以像调用开放工具一样调用 CAD 能力。

这并不否定传统 CAD 的价值，相反，传统 CAD 的几何能力和工程积累正是 AI 原生设计系统必须继承的基础。关键在于，如果设计过程仍然只能由人通过GUI界面逐步操作，而不能被结构化记录、语义化理解和程序化调用，大模型和智能体就难以进入工业设计的核心环节。因此，工业设计软件需要面向 AI 时代重新组织自身范式。

AI 时代的工业设计新范式，核心在于将设计过程从“人通过传统 CAD 交互和扩展机制组织操作”转向“人提出设计意图（目标与约束），智能体组织工具执行和验证反馈”。在这一转变中，工业设计不能仅停留在一次性三维模型生成，而需要把几何建模、物理约束、工艺规则、仿真验证和制造反馈组织为可被 AI 消费并持续复用的可制造数字资产。

1.2.1  传统 CAD 的边界

传统 CAD 不能被简单理解为“鼠标画图”，成熟 CAD 平台通常已经包含参数化建模、宏脚本、二次开发 API、知识工程模块和自动化插件。这些能力使工程师能够复用标准流程、封装常见操作，并把部分企业经验固化为软件规则。但从主导范式看，传统 CAD 仍然以 GUI 操作、命令选择、特征编辑和人工过程控制为核心。设计师需要将模糊意图拆解为一系列软件操作，并依据建模结果持续修正。软件擅长执行明确命令，却难以直接理解设计理由、约束来源以及目标变化后的流程重组方式。这构成了 AI 进入工业设计时面临的基本边界：模型结果可见，设计过程和工程语义却不可计算。

1.2.2  大模型与智能体带来的范式跃迁

大模型带来的变化首先是意图理解和知识组织能力。设计任务往往以自然语言、草图、参考图、历史模型和工程约束出现，传统CAD软件很难直接处理这种输入。大模型可以把这些信息转化为候选目标、约束条件和设计解释，但仅有大模型并不等于工业设计智能体。

智能体的关键作用，是把理解能力转化为可执行过程。它需要分解任务、选择工具、调用接口、记录状态、观察反馈，并在失败时修正步骤。由此，工业设计不只是“人提问、大模型回答”的对话模式，而逐步转向“人设定目标与边界，智能体组织执行”的工程范式。在这一范式中，人仍然决定设计目标、工程边界和最终判断，智能体则承担过程组织、工具调度和迭代反馈。

1.2.3  从三维模型到工程数字资产：可制造、可验证、可复用

AI 生成三维模型并不等于完成工业设计。工业零部件最终要进入加工、装配、仿真和验证环节，因此设计结果不仅要“看起来像”，还要满足几何拓扑正确、尺寸约束明确、材料与工艺可行、性能指标可检查等要求。对于工业设计智能体而言，关键任务不是一次性给出静态模型，而是把模型生成过程纳入可验证的工程体系。

在这一工程体系中，真正有价值的对象是工程数字资产。它既包括几何形状，也包括参数、约束、建模历史、材料和工艺信息，以及仿真检查与修改记录。只有当这些信息能够被结构化保存、检索、修改和回放时，智能体才能在后续设计任务中持续理解、复用和优化已有成果。由此，AI 原生工业设计的目标从“生成一个模型”转向“形成一套可计算、可编辑、可追踪、可复用的设计过程”。

工业设计智能体不是单一聊天助手，也不是简单的自动化脚本。本书既关注能够理解意图、规划任务和调用工具的智能决策主体，更强调由数据层、工具层和 Agent 层共同构成的 AI 原生 CAD 系统。为避免概念混淆，需要先区分狭义和广义的定义，再通过范式对比说明它与传统 CAD、自动化脚本和通用大模型工具的区别。

1.3.1 定义

狭义上，工业设计智能体是指能够理解设计意图、分解设计任务、调用建模工具、处理反馈并进行迭代修正的智能决策主体。它的重点是“理解+决策+行动”：面对一个设计目标（意图），它不仅要理解和生成描述，还要判断下一步做什么、调用什么工具、如何检查结果以及失败后怎样修正。

广义上，也就是本书所述的工业设计智能体，是指以结构化建模序列为数据标准、以高可信几何内核为计算引擎、以设计意图驱动的智能体为决策核心的 新一代AI 原生 CAD 系统。这一定义将智能体置于系统级框架中理解：没有可消费的数据，智能体无法理解设计过程；没有可信工具层，智能体无法稳定执行建模操作；没有反馈机制，智能体也无法实现可靠迭代与验证。除非特别说明，本书采用广义的系统级定义。

表 1.1：传统CAD、自动化脚本、通用大模型及工业设计智能体的对比

如表1.1所示，工业设计智能体既不是把大模型接入 CAD 界面，也不是把宏脚本包装成自然语言入口。判断一个系统能否称为工业设计智能体，至少需要考察五个方面。

♦ 第一，是否以设计意图驱动，而不只是执行孤立命令。

♦第二，过程是否可执行，能否转化为明确的建模步骤和工具调用。

♦ 第三，结果是否可验证，能否接受几何、约束、性能和制造可行性检查。

♦第四，反馈是否可迭代，能否根据失败信息修正步骤。

♦ 第五，人机关系是否可协同，能否让人设定目标、边界和价值判断，让智能体承担过程组织。

工业设计智能体进入工业软件体系，必须同时面对数据资产、AI 兼容、意图映射、可信决策和验证闭环五类核心挑战。如表1.2所示：这些挑战并非彼此孤立，而是从传统 CAD 的三类结构性瓶颈中延伸出来。

1.4.1 数据主权与设计资产解绑

设计资产不只是最终几何模型，还包括参数、约束、建模过程、版本历史、工艺经验和工程语义。如果这些资产长期锁定在封闭文件和单一工具链中，企业就难以迁移、复用、审计和再训练自己的设计知识。工业设计智能体首先要解决的，是让设计资产从具体软件形态中解绑，回到企业可掌控、可治理、可计算的数据体系中。

表 1.2：传统CAD所存在的问题与相应的解决方案

1.4.2 AI 原生兼容性与大模型消费壁垒突破

传统工业软件主要面向人的交互操作和结果保存。智能体需要的却是结构清晰、语义明确、过程可追踪的输入输出。只有当草图、特征、参数、约束、失败状态和验证反馈能够被组织成 AI 可消费的数据，智能体才可能稳定理解任务并持续改进。

1.4.3 设计意图的精确语义映射

设计意图往往同时包含功能目标、形态描述、尺寸范围、制造约束和性能要求，不能只停留在自然语言理解层面。工业设计智能体需要把这些需求转化为可调用、可计算的工程语义，包括设计对象、关键参数、约束关系和建模操作。

1.4.4 智能体自主规划与可信决策

工业设计智能体不仅要生成结果，还要能够规划步骤、选择工具、处理反馈，并在必要时请求人工介入。可信决策并不意味着完全自动化，而是要求决策过程可检查、工具调用可追踪、失败原因可定位、人工边界可设置。只有满足这些条件，智能体才可能被纳入严肃的研发设计工程体系。

1.4.5 设计与验证的闭环自进化

工业设计生成必须与验证反馈连接起来。几何是否有效、约束是否满足、性能是否合理、制造是否可行，都不能只依赖生成时的一次判断。智能体需要根据验证结果修正执行计划和几何模型，使设计过程从“生成一个答案”转向“在反馈中持续改进”。这种闭环自进化能力，也是后续系统集成和工业验证章节要重点回答的问题。

如图1.2所示，LuBan 架构将工业设计智能体拆解为可表示、可执行和可决策的数据层、工具层、Agent层三个协同部分，分别回应数据资产、工具执行和智能决策中的关键问题。LuBan架构的基本思路，是将“设计如何表示”、“建模如何执行”、“决策如何组织”划分为三个相对清晰的层次。LuBan架构的三层划分并非增加系统复杂性，而是为了明确各层职责：数据层回答智能体读什么，工具层回答智能体能做什么，Agent 层回答智能体如何规划和迭代。

图 1.2：LuBan架构

1.5.1 数据层、工具层与 Agent 层的职责分工

数据层负责设计过程表示、知识沉淀和 AI 可消费数据组织。它关注的不只是保存最终模型，还包括建模序列、参数约束、特征关系、历史版本和工程语义，使设计资产能够被检索、分析、迁移和复用。

工具层负责可靠几何建模、可编程接口和状态反馈。智能体的任务规划只有落到可信工具上，才可能形成工业可用结果。工具层需要把草图、特征、装配、检查和异常状态组织成智能体可以稳定调用和观察的能力集合。

Agent 层负责意图理解、任务规划、工具调用和反馈迭代。它不直接替代几何内核，也不直接替代工程师，而是在目标、约束、工具和验证结果之间组织设计过程。

LuBan架构的三层之间关系可以概括为：数据层提供可理解的设计资产，工具层提供可执行的工程能力，Agent 层提供可迭代的决策组织。

1.5.2 标准、解耦与重塑三类价值

LuBan 架构的价值可以概括为三点。第一是标准，形成面向 AI 的设计过程表示，使工业设计不再只停留在封闭模型文件中。第二是解耦，把数据、工具和智能决策从传统耦合架构中分离出来，使智能体能够以更清晰的边界调用工业软件能力。第三是重塑，推动工业设计软件从以单一 CAD 工具为中心，转向以数据资产、可信工具和智能体协同为中心的新生态。

读者理解 LuBan 架构之后，还需要把握后续章节的分工，并根据自身背景选择阅读路径。本节给出全书的章节导览和几类典型读者的学习顺序。

1.6.1 全书结构与章节导览

如图1.3所示，全书按照问题框架、数据基座、执行引擎、智能决策、系统验证、探索实践和总结展望的顺序展开。第一章提出工业设计智能体的问题背景、概念定义、核心挑战和总体架构。第二章讲述数据层，重点讨论面向 AI 的设计过程表示、知识组织和数据基座。第三章讲述工具层，重点讨论高可信几何执行、可编程接口和状态反馈。第四章讲述智能体层，重点讨论意图理解、任务规划、工具调用、反馈优化和评估方法。第五章把三层LuBan架构放入系统工程中，讨论接口、状态、集成、部署和工业场景验证。第六章通过实验任务帮助读者把数据表示、工具调用和智能体协同串联起来，开展探索与实践。第七章总结全书，并提出开放问题和未来方向。

图 1.3：全书结构与章节导览

1.6.2 不同读者的阅读路径

学生读者可以重点阅读第一、二、三、四章，并配合第六章实验建立完整技术链条。第一章帮助建立概念地图，第二章理解数据如何进入 AI 系统，第三章理解工具如何被智能体调用，第四章理解智能体如何规划和迭代，第六章把这些概念转化为可操作实践。

工业软件工程师可以重点阅读第二、三、五、六章，关注过程表示、API 封装、系统集成和工程验证。对工程师来说，关键问题不是“AI 能否生成一个模型”，而是“系统如何稳定接入现有工程体系，并在可靠性、可维护性和数据治理上成立”。

AI for Manufacturing / Engineering 研究者可以重点阅读第二、四、五章，关注多模态意图理解、任务规划、反馈优化和评估方法。第二章提供工业设计数据形态，第四章提供智能体方法框架，第五章提供系统验证场景。通过这一路径，研究者可以更清楚地区分通用智能体问题和工业设计智能体问题。

参考文献

[1] Wikipedia contributors. Sketchpad[EB/OL]. Wikipedia, The Free Encyclopedia. [2026-05-30]. https://en.wikipedia.org/wiki/Sketchpad.

[2] Wikipedia contributors. AutoCAD[EB/OL]. Wikipedia, The Free Encyclopedia. [2026-05-30]. https://en.wikipedia.org/wiki/AutoCAD.

[3] Wikipedia contributors. Creo Parametric[EB/OL]. Wikipedia, The Free Encyclopedia.[2026-05-30]. https://en.wikipedia.org/wiki/Creo_Parametric.

[4] Wikipedia contributors. SolidWorks[EB/OL]. Wikipedia, The Free Encyclopedia. [2026-05-30]. https://en.wikipedia.org/wiki/SolidWorks.

[5] Groover M, Zimmers E. CAD/CAM: computer-aided design and manufacturing[M]. Pearson Education, 1983.

[6] Pratt M J. Introduction to ISO 10303—the STEP standard for product data exchange[J]. Journal of Computing and Information Science in Engineering, 2001, 1(1): 102-103.

[7] Ouyang L, Wu J, Jiang X, et al. Training language models to follow instructions with human feedback[J]. Advances in neural information processing systems, 2022, 35: 27730-27744.

[8] Yao S, Zhao J, Yu D, et al. React: Synergizing reasoning and acting in language models[J]. arXiv preprint arXiv:2210.03629, 2022.

[9] Dong X, Li C, Zheng P, et al. HistCAD: A constraint-aware parametric history-based CAD representation, dataset, and benchmark with industrial complexity[J]. arXiv preprint arXiv:2602.19171, 2026.