摘要
随着大语言模型的发展，基于自然语言的人机交互正在改变传统CAD/CAM软件的使用方式。然而，仅依赖LLM直接调用几何建模函数并不能构建真正意义上的智能CAD系统。本文结合OpenCascade开发实践，系统总结了Tool Calling、多Tool协同、Workflow、CAD Planner、World Model以及强化学习之间的关系，提出AI Native CAD分层架构。文章重点论述Planner才是系统智能的核心，而Tool仅负责执行；进一步分析为什么未来CAD Planner未必是LLM，而更可能是融合强化学习、图神经网络和世界模型的决策系统，并给出AI CAD开发者应具备的知识体系。
关键词
OpenCascade；AI Native CAD；Tool Calling；CAD Planner；World Model；强化学习；图神经网络；Agent
1 引言
传统CAD依赖几何内核完成确定性计算，而LLM擅长语义理解，两者结合催生AI辅助CAD。但复杂建模不仅需要理解语言，更需要规划建模流程，因此系统能力不能简单等同于LLM能力。
例如，在“设计一个法兰”任务中，系统首先由LLM解析需求，再由Planner拆解为草图、旋转体、中心孔、螺栓孔阵列及倒角等子任务，Workflow逐步执行并持续接收OpenCascade反馈。当某一步失败时，Planner依据CAD状态重新规划，而不是简单重复调用Tool。这种闭环体现了规划优于执行、预测优于试错的思想，也是未来AI Native CAD的核心特征。
2 Tool Calling只是执行能力
Tool本质是对OpenCascade接口的封装，LLM负责选择工具并组织参数。以绘制法兰为例，需要CreateSketch、DrawCircle、Extrude、Hole、Pattern等多个Tool协同完成，因此Tool本身并不具备智能。
例如，在“设计一个法兰”任务中，系统首先由LLM解析需求，再由Planner拆解为草图、旋转体、中心孔、螺栓孔阵列及倒角等子任务，Workflow逐步执行并持续接收OpenCascade反馈。当某一步失败时，Planner依据CAD状态重新规划，而不是简单重复调用Tool。这种闭环体现了规划优于执行、预测优于试错的思想，也是未来AI Native CAD的核心特征。
3 Workflow与多Tool协同
LLM如何通过循环推理实现多Tool调用：模型生成计划、调用Tool、读取返回结果、更新上下文、继续规划。Workflow负责状态维护、异常恢复与执行顺序，是连接Planner和Tool的重要桥梁。
例如，在“设计一个法兰”任务中，系统首先由LLM解析需求，再由Planner拆解为草图、旋转体、中心孔、螺栓孔阵列及倒角等子任务，Workflow逐步执行并持续接收OpenCascade反馈。当某一步失败时，Planner依据CAD状态重新规划，而不是简单重复调用Tool。这种闭环体现了规划优于执行、预测优于试错的思想，也是未来AI Native CAD的核心特征。
4 Planner为什么决定系统上限
Planning与Execution分离思想。Planner首先完成任务分解，再生成执行序列。对于轴类零件，优秀Planner会选择旋转建模而不是多次拉伸；对于法兰，则优先形成中心孔、螺栓孔阵列等设计意图。
例如，在“设计一个法兰”任务中，系统首先由LLM解析需求，再由Planner拆解为草图、旋转体、中心孔、螺栓孔阵列及倒角等子任务，Workflow逐步执行并持续接收OpenCascade反馈。当某一步失败时，Planner依据CAD状态重新规划，而不是简单重复调用Tool。这种闭环体现了规划优于执行、预测优于试错的思想，也是未来AI Native CAD的核心特征。
5 CAD Planner是否必须是LLM
Planner并非必须由LLM实现。LLM适合理解自然语言，但CAD状态更适合由策略网络处理。Planner可采用Transformer、强化学习、图神经网络甚至搜索算法实现，其输入是History Tree、B-Rep、Constraint等CAD状态，输出为下一步Tool。
例如，在“设计一个法兰”任务中，系统首先由LLM解析需求，再由Planner拆解为草图、旋转体、中心孔、螺栓孔阵列及倒角等子任务，Workflow逐步执行并持续接收OpenCascade反馈。当某一步失败时，Planner依据CAD状态重新规划，而不是简单重复调用Tool。这种闭环体现了规划优于执行、预测优于试错的思想，也是未来AI Native CAD的核心特征。
6 World Model的意义
World Model并非聊天模型，而是学习CAD世界演化规律。例如Fillet会改变拓扑、Boolean可能失败、Shell存在厚度约束。Planner通过预测操作后的未来状态，避免盲目试错，实现真正意义上的规划。
例如，在“设计一个法兰”任务中，系统首先由LLM解析需求，再由Planner拆解为草图、旋转体、中心孔、螺栓孔阵列及倒角等子任务，Workflow逐步执行并持续接收OpenCascade反馈。当某一步失败时，Planner依据CAD状态重新规划，而不是简单重复调用Tool。这种闭环体现了规划优于执行、预测优于试错的思想，也是未来AI Native CAD的核心特征。
7 AI Native CAD系统架构
Language Brain—CAD Planner—Workflow Engine—Tool Executor—Geometry Kernel五层架构。LLM负责需求理解，Planner负责决策，Workflow负责调度，OpenCascade负责几何计算，并形成闭环反馈。
例如，在“设计一个法兰”任务中，系统首先由LLM解析需求，再由Planner拆解为草图、旋转体、中心孔、螺栓孔阵列及倒角等子任务，Workflow逐步执行并持续接收OpenCascade反馈。当某一步失败时，Planner依据CAD状态重新规划，而不是简单重复调用Tool。这种闭环体现了规划优于执行、预测优于试错的思想，也是未来AI Native CAD的核心特征。
8 AI CAD开发者学习路线
建议依次掌握机器学习、深度学习、神经网络、Transformer、强化学习、图神经网络、World Model及Agent系统设计，并说明机器人规划与CAD规划具有相同的State-Action-Policy框架，因此机器人领域理论对AI CAD具有重要参考价值。
例如，在“设计一个法兰”任务中，系统首先由LLM解析需求，再由Planner拆解为草图、旋转体、中心孔、螺栓孔阵列及倒角等子任务，Workflow逐步执行并持续接收OpenCascade反馈。当某一步失败时，Planner依据CAD状态重新规划，而不是简单重复调用Tool。这种闭环体现了规划优于执行、预测优于试错的思想，也是未来AI Native CAD的核心特征。
9 总结
AI CAD未来竞争力来自Planner、CAD知识与世界模型，而非简单更换LLM。真正的智能CAD将从函数调用演进为决策驱动系统，实现设计意图理解、几何预测和自主规划。
例如，在“设计一个法兰”任务中，系统首先由LLM解析需求，再由Planner拆解为草图、旋转体、中心孔、螺栓孔阵列及倒角等子任务，Workflow逐步执行并持续接收OpenCascade反馈。当某一步失败时，Planner依据CAD状态重新规划，而不是简单重复调用Tool。这种闭环体现了规划优于执行、预测优于试错的思想，也是未来AI Native CAD的核心特征。
