读 Adam CEO《AI CAD 的苦涩教训》：两个工具，够做工程吗

Adam 是一家做 AI CAD 的美国初创公司，参加了 Y Combinator 2025 年冬季批次，2025 年 10 月完成 410 万美元种子轮 [3]。它的产品包括在 Onshape 和 Fusion 中按提示词改模型的 Copilot、保留特征历史的跨系统迁移服务，以及开源的文本生成 CAD 应用 CADAM，本站已有专文介绍。

2026 年 5 月，Adam 的 CEO Zach Dive 发表博客《AI CAD 的苦涩教训》（The Bitter Lesson of AI CAD），讲他们为什么推倒了早期的技术方案 [1]。本文先概括这篇文章的主要观点，再结合几个公开案例检验，最后补充本站的看法。

1. 文章的主要观点

第一，早期模型不懂三维，团队曾用大量专用工具弥补。 作者回忆，一年多前模型不会空间推理，分不清哪个面是哪个面，Adam 的第一个版本只能用自然语言在立方体上打一个孔。为此团队写了几千行抽象层，包括一套 CAD 专用语言，把三维信息转成文本交给模型 [1]。

第二，通用方法终将胜过专用方法。 作者此前在 AI 实验室 Adept 训练过操作电脑的模型，他的结论是：如今做得最好的是最强的通用模型。这就是机器学习中的“苦涩的教训”。因此他不看好训练 CAD 基础模型的竞争对手，认为没人能在规模上胜过大模型厂商，下一代模型会顺带解锁这些用例 [1]。

第三，工作主要在模型里，框架反而是阻碍。 作者认为绝大部分工作由模型完成，不在特征图或自研的三维推理模块；团队写的每个抽象层都是模型要绕开的障碍，每个专用工具都是长期要维护的故障点 [1]。

第四，只保留两个工具。 Adam 删掉了数百个按特征划分的工具和专用语言，智能体只剩代码生成和截图，原文是：“Two tools. Code generation and view screenshot.” 智能体写代码、看截图、判断下一步建什么或修什么，再继续写代码 [1]。文中的示例是在 Adam 的 Fusion 插件中输入“一个机械臂”，由智能体生成整个模型 [1]。

第五，可行的原因是模型会写代码，也看得见。 作者指出，模型主要在数学和编程问题上做过强化学习，应顺着这一长处让它写代码；新一代模型还能看懂图像，例如发现孔开在了错误的面上 [1]。他的推论是：为 CAD 专门搭建的框架越多，产品在下一次模型更新时就越脆弱 [1]。

图 1：本文对博客要点的归纳。左为早期方案，右为现方案。图由 CADFrontier 绘制。

2. 用公开案例检验

模型进步确实是主要驱动力。 本站解读的 CADBench V3 中，同样使用 Claude Code，把模型从 Opus 5 换成 Opus 5.5，图纸转 3D 的得分提高 22.02 分，成本反而下降 43.3% [5]。这与“换更强的通用模型就能解锁能力”的判断一致，但该测试并未隔离所有因素。

“写代码”已是多条路线的共同选择。 RWE-bench 的曲轴任务中，智能体用 CadQuery 建模、Gmsh 划分网格、CalculiX 求解 [4]；开源桌面应用 SOMA 让 Claude Code 等命令行智能体编写 CadQuery 代码，并让用户在视图上测量、批注后反馈给智能体 [6]；国产 CrownCAD 的文本建模则由大模型生成参数化脚本，再交给自研内核建模 [7]。三者的工具链不同，但都把“生成代码”作为模型与几何之间的接口。

但单次结果还不稳定。 RWE-bench 中最好的模型单次平均通过率为 37%，Claude Opus 5.5 单次为 29%，允许尝试 5 次时能通过 70% 的任务 [4]。这说明“写代码、看结果”的循环能跑通完整的工程任务，但成功率还撑不起无人值守的交付。

3. 本站的看法

赞同的部分。 本站此前的文章也认为，让模型写可执行的建模指令，比让它直接生成几何更可行；CADBench 的结果也显示，模型能力的提升带来了最大的分差 [5][8]。在这一点上，Adam 的判断与本站一致。

需要补充的部分。 本文认为，“两个工具”解决的是把形状建出来，工程交付还需要更多环节：

• 截图只能看形状，看不出精度。 孔开错面能从截图看出，公差、配合间隙、壁厚是否达标却看不出。RWE-bench 用确定性程序和物理求解器判分，正是因为视觉检查不够 [4]。本站在《让工程智能体可靠执行》中主张，把设计要求写成可检查的验收条件，每一步都要验证 [9]。
• 代码模型不等于可交接的特征树。 企业要的是能在主流 CAD 中修改、能填属性、出工程图并进入 PLM 的模型 [8][10]。值得注意的是，Adam 的商业产品也选择在 Onshape 和 Fusion 中直接修改原生模型，并称会沿用已有的特征历史 [2]。这说明“写代码”是手段，落点仍是主流 CAD。
• 接口决定 AI 能做到哪一步。 本站在《图纸转 3D 模型方案探讨》中提出，主流 CAD 通过 MCP 或 API 向 AI 提供草图约束、特征顺序、参数名和父子依赖等结构化信息，AI 才能像设计师一样创建和修改特征，而不是只留下一个无历史的实体 [8]。“写代码”若写的是这些接口的调用，就能落到可编辑的模型上。
• 成本和依赖不能忽略。 通用模型路线的成本由模型厂商决定：RWE-bench 中表现最好的模型每次运行约 59 美元，平均耗时 3.4 小时 [4]。对企业而言，这既是费用问题，也是数据交给谁、能否本地运行的问题。
• 人仍然负责收尾。 在单次成功率不足四成的阶段，较稳妥的分工是 AI 出草稿、工程师校核 [4][8]。

4. 结论

Adam CEO 的文章给出了一个清晰的判断：AI CAD 的能力主要来自通用大模型，产品应该少造专用框架，让模型写代码、看结果。CADBench 和 RWE-bench 的数据支持“模型进步是主要驱动”这一点，多条技术路线也都选择了代码作为接口。本文认为，这条路线解决了“建得出来”，要做到“交得出去”，还需要可检查的验收条件、主流 CAD 中可修改的特征树，以及工程师的最终把关。