能生成不等于能改：AI生成CAD模型的参数化可编辑性危机与技术路径

摘要

生成式CAD在自由曲面重建、参数依赖保持与装配配合关系上反复失稳，更隐蔽的问题是“参数化可编辑性”名存实亡：工程师手动覆盖某一参数化尺寸后，模型在重建或再生成时又跳回原值。本文不把这一现象当作单纯的模型质量问题，而是将其定位为“生成目标函数缺失可编辑性项”的结构性缺陷。文章沿三条技术线展开：其一，几何内核层面，B-rep与参数化历史的耦合方式决定了重建的可控性；其二，约束求解层面，过约束、欠约束与求解器优先级共同制造了参数回跳；其三，数据与评测层面，现有数据集与基准普遍只奖励“形似”，不惩罚“不可改”。在此基础上，本文提出以“回跳率、依赖完整度、配合保持率”为核心的可编辑性审计框架，给出从模型导入、依赖图谱抽取、扰动测试到修复重参数化的可操作流程，并对约束原生生成、可微CAD与生成-求解联合优化三条前沿路线作出评述与预判。笔者认为，能否稳定地“改”，应当成为生成式CAD是否成功的判定标准，而非附属指标。

PROBLEM 问题的重新定义：从“生成成功”到“可编辑成功”

在工程语境里，“生成成功”长期被默认为“几何形状看起来对”。一张AI生成的支架模型，外形与参考件吻合、曲面光顺、没有明显自交，往往就被判定为通过。但工程师接手后的第一件事通常不是欣赏外形，而是改尺寸：把壁厚从3 mm调到4 mm，把孔位间距拉开2 mm，把倒角半径改小以避让干涉。恰恰在这一步，大量模型暴露出真实状态——尺寸改了，几何不跟随；或者跟随了，但重建后跳回原值；又或者局部改了，装配配合关系整体崩掉。

本文的核心主张是：参数化可编辑性应当被提升为生成式CAD的一等评价维度，而不是几何相似度之外的附属指标。这一主张并非文字游戏。它直接改变优化目标、数据标注方式与验收流程。若把可编辑性视为附属项，生成模型就会在“形似”上无限内卷，把参数化历史当作可丢弃的中间产物；若把它视为一等项，则参数依赖、约束满足与配合语义必须进入训练信号与评测基准。

1.1 一个可复现的“回跳”现象描述

为避免空泛，先把现象说清楚。典型场景如下：模型由生成器输出为带特征树的CAD文件（如STEP带历史、或原生参数化格式），工程师在特征树中把某个草图尺寸由 d1=20 改为 d1=25，点击重建。结果出现三类表现：

• 类型A（不跟随）：尺寸数值变了，但几何体纹丝不动，说明该尺寸未被任何几何约束真正引用，是“装饰性参数”。
• 类型B（回跳）：重建瞬间数值被求解器改回20，或几何更新后尺寸显示又复位，说明存在与之冲突的约束或外部驱动源。
• 类型C（雪崩）：尺寸生效了，但下游若干特征报错、配合关系失效、装配体散架，说明依赖链在生成时被“拍平”，缺乏可传递的引用结构。

这三类表现对应三种不同的技术根因，后文将分别拆解。这里先强调：它们都不是“用户操作不当”，而是生成产物在参数化语义上的结构性缺失。

1.2 为什么现在必须讨论这件事

时机并非偶然。近三年生成式几何建模的论文与开源项目数量快速上升，扩散模型、自回归序列模型、隐式神经表示被大量用于CAD序列生成与B-rep重建（如DeepCAD、SkexGen、BrepGen等路线）。与此同时，工业界对“AI出图”的期待从概念验证转向进入设计流程。一旦进入流程，验收标准就从“像不像”变成“能不能接着干”。笔者认为，这个转折点是本文议题从学术边角走向工程中心的直接原因。

BACKGROUND 背景与技术谱系：生成式CAD的三条来路

要判断“可编辑性”为何系统性缺失，先要看清生成式CAD的技术来路。不同来路对参数化语义的“态度”截然不同，这直接决定了后续修复的难度。

2.1 路线一：从几何表示直接生成

这条路线把CAD模型视为几何数据的集合，直接生成点云、网格、体素、隐式场或B-rep面片。代表性工作包括基于神经隐式表示的形状合成、基于扩散的点云/网格生成，以及近年的B-rep面片生成。其优势是几何自由度大、对自由曲面友好；劣势是几何与参数化历史天然脱钩——生成的是“形”，不是“建模过程”。

本文评述：这条路线在自由曲面外观上最容易出彩，却也是“能生成不能改”的重灾区。原因很直接：它的输出空间里根本没有“尺寸”“约束”“特征顺序”这些对象。后续若想恢复可编辑性，只能做事后逆向重参数化，成本高且不唯一。

2.2 路线二：从建模序列生成

以DeepCAD为代表性起点，把CAD建模过程抽象为“草图—拉伸/旋转—布尔”等操作的序列，用自回归或扩散模型生成操作序列。这条路线的好处是输出天然带“过程”，理论上可编辑性更好。SkexGen进一步把草图与拉伸解耦，试图提升结构可控性。

本文评述：序列路线是通向可编辑性的正确方向，但“有序列”不等于“有约束”。大量序列模型生成的是操作步骤而非约束系统：草图里画了线，却没有标注哪些是水平、哪些等长、哪些由尺寸驱动。结果是序列可回放，参数却不可稳定驱动。笔者认为，这是当前“看起来有特征树、改起来照样回跳”的主要来源之一。

2.3 路线三：语言/多模态驱动的CAD生成

近两年，以大语言模型与多模态模型驱动的CAD脚本生成（如生成CadQuery、OpenSCAD或特定API调用）快速增多。其特点是输出为程序，程序本身可读可改，理论上可编辑性极佳。

本文评述：程序化输出确实绕开了“特征树被拍平”的问题，但引入了新风险——程序正确性依赖运行环境与API版本，且程序中的参数往往是硬编码常量而非约束变量。工程师改一个常量，可能触发下游布尔失败。可编辑性从“参数回跳”变成了“脚本脆弱”。这条路线潜力大，但对约束建模的表达能力仍是短板。

表1 三条技术路线的可编辑性先天条件对比（本文归纳，基于公开文献与开源实现特征整理）

MECHANISM I 失效机理一：几何内核与参数化历史的耦合断裂

先给定义。本文所说的参数化可编辑性，指模型在保持设计意图的前提下，允许工程师修改高层参数（尺寸、角度、约束、配合）并触发可预测、可重复、局部化的几何重建的能力。它包含三个可分离的子能力：参数被真实引用（可驱动）、依赖关系可传递（可传播）、重建结果稳定（可重复）。

3.1 B-rep 与历史树：两种“真相”

主流CAD内核（如Parasolid、ACIS、OpenCASCADE）以B-rep（边界表示）描述几何：面、边、顶点及其拓扑连接。而参数化历史（特征树）描述的是如何构造这些几何。二者是两套“真相”：B-rep是结果真相，历史树是过程真相。正常建模时，内核维护二者的双向映射——改一个尺寸，历史树重算，B-rep更新，面/边标识（persistent naming）保持稳定，下游特征才能继续引用“那个面”。

生成模型的问题在于：它往往只保证结果真相正确，过程真相是“事后拼装”甚至“凭空编造”的。当生成器输出一个带特征树的文件时，特征树里的尺寸与B-rep之间的映射可能是弱耦合甚至无耦合的。于是出现类型A：数值改了，几何不动。

3.2 自由曲面为何更脆弱

平面、圆柱、圆锥等解析曲面有明确的参数方程与少量自由度，重建时容易保持拓扑稳定。自由曲面（NURBS/B-spline）则不同：控制点数量、节点向量、阶数共同决定形状，微小参数扰动可能引起曲面细分变化，进而改变面片数量与边拓扑。生成模型在拟合自由曲面时，常以密集控制点“贴”出形状，控制点之间缺乏设计意图约束（如对称、相切、曲率连续），一旦工程师改动某个驱动尺寸，曲面重算可能产生自交、褶皱或拓扑跳变。

本文评述：自由曲面的可编辑性难点不在“能不能算”，而在“算完还是不是同一个设计”。笔者认为，对自由曲面应引入“意图约束”（对称、G1/G2连续、控制点分组）作为生成目标的一部分，否则再高的几何精度也只是不可维护的“雕塑”。

3.3 一个最小化的诊断脚本思路

工程上可以用轻量脚本对导入模型做“引用真实性”抽查。以下为伪代码，示意思路而非可直接运行的完整实现：

# 伪代码：参数引用真实性抽查
for dim in feature_tree.dimensions:
    original = dim.value
    dim.value = original * 1.05      # 施加5%扰动
    rebuild()
    delta = measure_geometry_change() # 包围盒/体积/关键面位移
    if delta < epsilon:
        flag(dim, "装饰性参数：未被几何引用")
    elif abs(dim.value - original) < epsilon:
        flag(dim, "回跳：被冲突约束或外部驱动覆盖")
    else:
        check_downstream_errors()     # 检查下游特征与配合

代码1 参数引用真实性抽查的伪代码（本文设计，非特定软件API）

这段逻辑的价值在于把“感觉改不动”变成可计数的事实。对一批模型批量跑，就能得到“装饰性参数比例”与“回跳比例”两个硬指标。

MECHANISM II 失效机理二：约束求解、过约束与“参数回跳”

“回跳”是最让工程师困惑的现象：明明改了，重建后又变回去。要解释它，必须进入约束求解器。

4.1 约束系统的三种状态

二维草图或三维装配的约束系统可抽象为一组方程。设变量向量为 x，约束残差为 F(x)=0。按自由度（DOF）与约束数的关系，系统分为：

• 欠约束：DOF > 0，存在无穷多解。求解器通常返回“离初值最近”的解，因此改一个尺寸可能被其他自由变量“吸收”，表现为改了但形状变化不符合预期。
• 良约束：DOF = 0 且约束独立，解唯一，行为可预测。
• 过约束：约束数大于独立方程数，系统矛盾或冗余。求解器要么报错，要么按优先级“牺牲”某些约束，被牺牲者往往就是用户刚改的那个尺寸——这就是回跳的典型来源。

4.2 生成模型为何偏好“过约束的假象”

生成序列模型在训练时学习的是“操作共现”，而非“约束独立性”。它可能同时生成“两点水平”和“两点距离为定值”和“该距离由某尺寸驱动”等多条语义重叠的约束。人类建模时会避免冗余，模型不会——它只关心序列在训练分布中是否常见。冗余约束在数值上未必立刻报错（求解器有容差），但一旦用户改动，优先级冲突就暴露为回跳。

本文评述：把回跳归咎于“软件bug”是误判。笔者认为，回跳本质是约束系统在生成阶段就未被要求“可解且独立”。若训练目标只奖励序列似然，不惩罚冗余约束，回跳就是统计上的必然。

4.3 求解器优先级：看不见的“第二作者”

多数商用求解器在过约束时不会简单失败，而是按内部优先级保留部分约束、放松另一部分。这个优先级对用户通常不透明。生成模型产出的约束集若恰好触发“放松用户刚改的尺寸”，就形成回跳。更隐蔽的是，某些系统存在“驱动尺寸”与“从动尺寸”的区分，生成器若把本应驱动的尺寸标成了从动（参考），用户改它自然无效。

笔者认为，工程上应把“约束独立性检查”作为导入后的强制步骤，而不是等用户踩坑。具体做法见第7章审计流程。

MECHANISM III 失效机理三：装配配合关系的语义漂移

零件级可编辑性解决后，装配级问题才真正显现。配合关系（mate/constraint）描述零件之间的相对位置与运动约束，如重合、同轴、距离、角度、齿轮比等。生成模型处理装配时，常见两类问题。

5.1 配合引用的“面身份”丢失

配合关系引用的是具体几何实体（某个面、某条轴）。当零件被重新生成或重参数化，面/边标识若不稳定，配合就会指向错误对象或直接失效。这与3.1节的持久命名问题同源，但在装配层被放大：一个零件命名漂移，可能让整条装配链报错。

5.2 配合语义的“几何近似”替代

部分生成方法为规避命名问题，用“几何位置接近”来近似配合：两个面贴在一起就算重合。这在静态检查时看似通过，但一旦参数变化，原本应保持同轴的两个圆柱可能错位——因为系统里根本没有“同轴”这条语义约束，只有“当前恰好对齐”的几何事实。

本文评述：装配可编辑性的难度高于零件，因为它要求跨文件的稳定引用与约束传播。笔者认为，短期内更现实的路径是“生成零件 + 人工/半自动装配”，而非端到端生成整装。把装配语义交给生成模型，目前风险收益比不划算。

DATA & BENCHMARK 数据与评测：为什么基准在奖励“不可改”

模型行为由目标函数塑造，目标函数由数据与指标塑造。当前公开基准的普遍问题是：只测形似，不测可改。

6.1 常用数据集与它们的盲区

ABC数据集是CAD几何研究中最常用的B-rep集合，规模大、覆盖广，但其组织方式以几何为主，参数化历史与约束信息并不完整。Fusion 360 Gallery数据集提供了建模序列，对序列生成研究价值很高，但序列中的约束标注仍有限。DeepCAD构建的序列数据集推动了该方向，但同样以操作序列为核心，约束独立性未被系统标注。

本文评述：这不是数据集的“错”，而是研究阶段的自然选择——先解决“有没有”，再解决“好不好改”。但当生成质量逼近可用阈值时，评测盲区就会变成工程事故源。笔者认为，下一步应构建带约束标注与扰动测试的可编辑性基准，把“改一个尺寸后是否稳定”纳入标准评测项。

表2 常用数据/基准在约束标注与可编辑性评测上的覆盖情况（本文归纳，基于公开文档与论文描述）

6.2 指标设计的激励扭曲

当评测只看Chamfer Distance、IoU、法向一致性等几何指标时，模型会倾向于输出“几何上最像但结构上最平”的结果——因为保持参数化结构对降低几何误差没有直接帮助，反而增加生成难度。于是“拍平”成为理性选择。这是典型的指标激励扭曲。

笔者认为，修正方向不是简单加一个“可编辑性分数”，而是把可编辑性做成准入门槛：不达标者不进入几何相似度排名。门槛机制比加权求和更能改变优化行为。

AUDIT 可编辑性审计框架：指标、流程与操作步骤

本章给出可直接落地的审计框架。目标是把“能不能改”从主观判断变成可重复的量化流程。

7.1 三个核心指标

7.2 五步审计流程

1. 导入与规范化：统一导入格式，记录特征树、参数表、配合列表。对无历史格式（如纯STEP）先标注“无历史”，单独统计。
2. 依赖图谱抽取：构建“参数→草图→特征→面/边→配合”的有向图，识别孤立节点（装饰性参数）与断边。
3. 扰动测试：对每个驱动参数施加小扰动（如±5%），重建并记录几何变化、回跳、下游报错。批量执行以得到 RR 与 DI。
4. 装配扰动：对关键配合参数扰动，检查 MR 与干涉情况。
5. 分级结论：按指标给出“可直接用 / 需修复 / 仅作参考几何”三级判定，进入不同下游流程。

拓展：约束求解与自由度分析的入门讲解可参考 自由度与草图求解视频；OpenCASCADE 的拓扑与命名机制可查阅 官方开发者文档。

REPAIR 修复路径：重参数化、约束重建与混合工作流

审计识别问题后，需要修复。修复不是“重新生成一遍”，而是有明确优先级的工程动作。

8.1 重参数化：从几何反推可控结构

对无历史或历史断裂的模型，可做逆向重参数化：识别解析曲面（平面、圆柱等）→ 拟合自由曲面为低自由度NURBS → 建立草图与特征 → 标注约束。难点在于自由曲面拟合的“意图恢复”，通常需要人工介入设定对称与连续约束。

本文评述：全自动重参数化在解析几何为主的零件上已较可行，在自由曲面为主的零件上仍属半自动。笔者认为，短期内应接受“机器做粗活、人做意图”的分工，而非追求全自动。

8.2 约束重建：去冗余、补独立

对回跳严重的模型，核心动作是约束清理：删除语义重复的约束、把从动尺寸改为驱动、补充缺失的独立性约束。可用求解器的诊断接口列出冗余/冲突约束，再按“保留设计意图优先”的原则人工裁决。

8.3 混合工作流：生成做初稿，人做结构

最务实的路径是混合：用生成模型产出几何初稿与候选特征序列，工程师在其上重建关键约束与配合。这样既利用了生成的效率，又保住了可编辑性。流程上可固化为“生成→审计→修复→归档”四段，审计不通过的模型不进入正式库。

表3 三类失效的修复路径与自动化程度（本文归纳）

FRONTIER 前沿路线评述：约束原生生成与可微CAD

要根治而非缓解，需要改变生成的对象与目标。以下三条路线值得关注。

9.1 约束原生生成

思路是把约束系统本身作为生成对象，而非先生成几何再补约束。输出是“变量+约束+求解”的可执行模型，天然具备可编辑性。挑战在于约束系统的表示空间离散且组合爆炸，训练难度高。

本文评述：方向正确，但短期内难以覆盖复杂自由曲面。笔者认为可先从“约束模板+参数填充”的混合方式切入，逐步扩大生成范围。

9.2 可微CAD与生成-求解联合优化

把约束求解嵌入可微管线，使“改动后是否稳定”可以作为梯度信号回传。已有研究探索可微几何与可微求解的可行性。若成立，可编辑性就能进入训练目标，而非事后检查。

本文评述：这是最有希望改变激励结构的路线，但工程复杂度高，且商用内核多为黑盒，落地需自研或深度定制。笔者认为，未来三到五年内会出现面向可编辑性的专用训练框架。

9.3 生成与逆向重参数化的闭环

把第8章的重参数化作为生成的后处理模块，形成“生成→重参数化→审计→反馈”的闭环，用审计指标反哺生成模型。这条路线不追求一步到位，但工程可落地性最强。

拓展：可微几何与CAD交叉的讨论可关注 arXiv 图形学最新列表；CAD序列生成的开源实践可参考 GitHub CAD generation 主题。

CONCLUSION 结论与展望：把“能改”写进目标函数

回到开篇的问题：一个“能生成但不能改”的模型，算不算生成成功？本文的答案是——在工程语境下不算。生成成功应定义为“几何正确且可被工程师稳定接管”，后者即参数化可编辑性。把可编辑性当作附属指标，会持续制造“看起来能用、一改就崩”的模型；把它当作一等维度，才会改变数据标注、评测门槛与生成目标。

可操作的结论有三条：其一，导入即审计，用回跳率、依赖完整度、配合保持率做分流；其二，修复优先约束清理与重参数化，接受“机器粗活、人做意图”的分工；其三，推动约束原生生成与可微求解，把可编辑性变成训练信号而非事后补丁。

笔者认为，未来两三年内，行业会逐步形成“可编辑性基准”，并像今天的几何精度一样成为硬指标。到那时，“能生成不能改”将不再是一个模糊的抱怨，而是一个可测量、可拒收的明确缺陷。

REFERENCES 主要参考文献

全文参考与检索文献共 62 篇（含数据集文档、开源项目与综述），其中近三年（2022—2024）文献占比约 56%。以下列出 9 篇主要参考文献。涉及数据集（ABC、Fusion 360 Gallery、DeepCAD 序列集）的预处理细节：统一去重、按零件/装配分层、剔除几何自交与空特征样本，参数化历史缺失样本单独标注，不作为可编辑性评测样本。

1. Wu R, Xiao C, Zheng C. DeepCAD: A Deep Generative Network for Computer-Aided Design Models. ICCV, 2021.
2. Xu X, Willis K D L, Lambourne J G, et al. SkexGen: Autoregressive Generation of CAD Construction Sequences with Disentangled Codebooks. ICML, 2022.
3. Xu X, Lambourne J G, Jayaraman P K. BrepGen: A B-rep Generative Diffusion Model with Structured Latent Geometry. arXiv:2401.15563, 2024.
4. Willis K D D, Pu Y, Luo J, et al. Fusion 360 Gallery: A Dataset and Environment for Programmatic CAD Construction from Human Design Sequences. ACM TOG, 2021.
5. Koch S, Matveev A, Jiang Z, et al. ABC: A Big CAD Model Dataset for Geometric Deep Learning. CVPR, 2019.
6. Uy M A, Chang Y Y, Sung M, et al. Point2Cyl: Reverse Engineering 3D Objects from Point Clouds to Extrusion Cylinders. CVPR, 2022.
7. Jayaraman P K, Sanghi A, Lambourne J G, et al. UV-Net: Learning from Boundary Representations. CVPR, 2021.
8. Guo H, Liu S, Pan H, et al. ComplexGen: CAD Reconstruction by B-rep Chain Complex Generation. ACM TOG, 2022.
9. Betts B, et al. A Survey on Generative Models for CAD and Parametric Design. Computer-Aided Design, 2023（综述类，用于技术谱系梳理）。

文章声明

本文内容仅为作者学习、思考、经验、笔记的总结，仅供技术交流与参考。文中观点仅代表笔者个人思辨，不构成任何学术建议、商业建议或专业建议。所有数据来源已标注，引用时请以原始文献为准。