创客随想

AI和实时技术真正在改变的，不是一个环节的快慢，而是整个生产流程怎么组织。

过去是靠人堆，一个环节一个环节往下传。现在是靠数据、资产、工具链，还有人的创意决策，把整条线重新串起来。

AI越是能生成，人的价值反而越清楚。

未来生成一张图、一个镜头的本事会越来越不值钱，真正稀缺的是另外几样东西——

你能不能定义一种风格？
能不能建立一套审美标准？
能不能把控整体的表达？
能不能在所有方案里做出那个对的选择？

未来行业的竞争不再是"能不能做出来"，而是"能不能在信息洪流中让自己的作品被看见、被记住"。

AI智能体的意义不在于它们本身有多酷，而在于它们正在把过去需要整个团队才能完成的事，变成一个小团队甚至一个人就能触碰的可能。

但这并不意味着一个人就能取代一个团队。

技术可以帮人做事，但技术不能替人选择。

每一次按下生成键，每一次在几个版本中做出取舍，每一次决定能不能过——这些才是创作者真正无法被替代的部分。

两天内读到两篇东西，搁在一起，一条逻辑链自然浮现。

第一条线：黄仁勋的「Harness」宣言

黄仁勋与LangChain CEO Harrison Chase的26分钟对话，核心说了三件事：

"相比写Python，我的工程师更愿意造Agent。"
"未来公司将建立在Harness之上。"
"当你需要增强智能时，别指望给第三方打电话，而应该在公司内部完成。"

Harness——这个比喻精准得让人不安。不是又一个SaaS，不是模型微调，而是一套把AI能力像马具一样套在企业核心流程上的系统。三层结构：技术层（Agent编排替代脚本）、数据层（业务知识封装进Agent上下文）、控制层（完全自主，不依赖外部黑盒）。

关键不在技术细节，在于范式转移的方向：开发从"指令式编程"跃迁到"目标导向编排"。工程师从管理变量和循环，变成管理意图、上下文和策略。代码降级为Agent调用的胶水，Agent链成为核心资产。

第二条线：Foundry的「AI公司OS」

如果黄仁勋画的是终局，Foundry给的就是路径。

Foundry是一个云端SaaS——用户像新建Notion Workspace一样，一键创建完整的AI公司。这个AI公司拥有真实的组织架构：董事会 → CEO → 部门主管 → 普通员工Agent。它不是一个聊天机器人，而是一个能自主运行、持续学习、主动建议的AI组织。

"让AI替你把公司该干的事都干了，你只负责当老板，做战略决策和关键审批。"

注意这里的范式差异。传统AI工具是你操作它——问一句、答一句。Foundry是它运营自己，你审批它。人的角色从"操作员"变成了"董事会主席"。

这不就是黄仁勋说的Harness的产品化形态吗？从概念到产品，从"每家公司都需要自己的AI Harness"到"这是一键创建AI公司的SaaS"——只隔了一篇文章的距离。

合在一起看：一条完整的逻辑链

但这里有一个缺口。Foundry是纯线上的。你的AI公司的数据在Foundry的云端，你的Agent运行在别人的服务器上。当你对黄仁勋那句"别指望第三方"认真起来，就会发现：

一个SaaS形态的Harness，和"自己掌控"的Harness之间，还有一道巨大的裂痕。

裂痕即机会：为什么信任需要一座城

AI城的机会恰恰在这里。Foundry证明了"AI公司OS"这个品类成立，但它做不到三件事：

Foundry做的是"AI公司的SaaS"——让Harness可订阅。AI城做的是"AI公司的完整生活基础设施"——算力+信任+空间+社群+信用+合规。

前者解决"怎么建"的问题。后者解决"建在哪、信谁、和谁一起建"的问题。

落地：AI城的三个转化动作

从Harness到Foundry到AI城，这不只是理论上的"生态位差异"。它对应三个可以马上推动的转化：

最后一句话

黄仁勋说未来公司将建立在Harness之上。
Foundry说Harness可以一键订阅。
AI城说：你的Harness不该托管在任何人的云上——
它应该生长在你脚下的土地上，被你可以信任的人看见，
在一个你拥有钥匙的空间里，自主运行。

一个人+AI确实可以等于一家公司。但信任需要一个物理锚点。那座锚点，就是AI城。

GitHub上搜"Agentic CAD"，返回465个项目。这个数字本身就是一个信号——AI Agent正在系统性地进入CAD领域，而这不是"AI辅助设计"的渐进改良，是一场范式级的重构。

一、传统CAD的"学习税"与Agentic CAD的"意图税"

过去三十年，CAD软件走的是一条能力堆叠的路。SolidWorks有超过2000个命令，Fusion 360的菜单深达五层。一个合格的CAD工程师需要2-3年才能独立工作——这是传统CAD的"学习税"：你必须掌握工具的全部语法，才能表达你的设计意图。

Agentic CAD走的是相反的路。你描述你要什么——"一个60度倾角的手机支架，80mm宽，底部加5mm防滑挡边"——AI Agent负责把这个意图翻译成几何体。你付的不是学习税，是"意图税"：你必须足够清晰地表达你要什么，Agent才能精准执行。这其实是一种更高阶的能力——设计思维从"操作工具"回归到"定义问题"。

二、生态全景：五条赛道，一个方向

465个项目看似混乱，但按技术路线分，只有五条赛道：

五条赛道指向同一个终局：CAD从"人学软件"变成"Agent学意图"。差别只是路径——有的从底层几何引擎起步（OpenCASCADE/build123d），有的从现有CAD软件的API切入（SolidWorks COM/Revit），有的走全新的AI-first架构（cad-cae-copilot的.aieng格式）。

三、深度项目分析

3.1 text-to-cad（⭐8238）—— 生态的"技能树"

这不是一个应用，而是一套Agent技能库。11个技能覆盖了从CAD建模到机器人仿真的完整链路：

CAD ← 自然语言/图片 → STEP/STL/3MF/GLB
CAD Viewer ← 本地浏览器预览CAD/G-code/机器人文件
step.parts ← 查找标准件STEP（螺丝/轴承/电机/连接器）
DXF ← 2D图纸（型材/模板/垫片/切割布局）
URDF ← 机器人结构文件（连杆/关节/惯性/网格）
SRDF ← MoveIt2运动规划组配置
SDF ← 仿真器模型和世界文件
G-code ← 3D打印切片（支持真实切片器CLI）
Bambu Labs ← 远程控制Bambu Lab打印机
SendCutSend ← 钣金切割文件预检
Implicit CAD ← GLSL隐式曲面CAD（实验性）

关键洞察：text-to-cad的野心不是"做又一个CAD工具"，而是成为Agent与物理制造之间的标准翻译层。你的Agent通过一套统一的技能接口，就能从概念到成品——不需要人类碰任何CAD软件。

安装方式也说明了它的定位：npx skills install earthtojake/text-to-cad——这是一个Skills CLI生态的组件，不是独立软件。Agent调用它就像调用一个库函数。

3.2 CADSmith（⭐24）—— 精度焦虑的唯一解药

这是整个生态中技术架构最严谨的项目。它的核心洞察一针见血：

"一个零件看起来是对的，但如果边界框有3mm误差，对于制造来说就是废品。"

CADSmith用五个Agent + 两层嵌套修正循环解决了这个问题：

Planner（规划器）→ 将自然语言转换为结构化设计规格（组件/尺寸/约束）
Coder（编码器）→ 生成CadQuery Python代码，带API文档检索增强
Executor（执行器）→ 在沙箱子进程中运行代码，从OpenCASCADE内核提取几何
Validator（验证器）→ 检查实体有效性，然后一个独立的VLM视觉判官交叉验证——对比用户需求、代码、内核指标、三视图渲染

这里有一个反直觉但极度精妙的设计：Validator使用的模型（Claude Opus）比Coder使用的模型（Claude Sonnet）更强。这意味着不是"让写代码的AI自己检查自己的作业"，而是"让一个更聪明的AI当老师"。

内层循环处理执行错误（坏代码→最多3次重试）。外层循环处理几何错误（形状偏差→Validator反馈→Refiner修正→重新执行，最多5轮迭代）。

结果：平均Chamfer距离降低38倍（0.74mm vs 28.37mm）。在复杂零件（T3级别）上，去掉视觉验证让平均误差从1.42mm暴涨到49.68mm——视觉是复杂零件的关键。

3.3 cad-cae-copilot（⭐40）—— CAD+CAE一体化

大多数AI CAD工具在生成一张图时就停止了。cad-cae-copilot走得更远——从工程规格一直走到有限元分析。

工程规格 → MCP Agent → build123d/OpenCASCADE实体几何 → 命名零件+拓扑指针 → 确定性批判 → CAE（CalculiX求解器） → 可复现的.aieng包

它引入了一个关键概念：.aieng（AI Engineering Package）——一个自包含的、可复现的工程设计包。包含：STEP/STL/GLB输出、生成源码、缩略图、拓扑图、确定性批判报告、CAE设置文件、求解器产物、证据截图。

这实际上是在为Agent驱动的工程设计建立可审计性标准。当你告诉Agent"设计一个能承重50kg的支架"，你得到的不是一个3D模型，而是一个包含设计逻辑+验证过程+仿真结果的完整工程档案。

3.4 agentcad（⭐67）—— MCP标准接口

agentcad走的是最简单的路线：做一个CAD CLI，让任何Coding Agent都能调用。不需要特殊集成，Agent只需要执行命令：

它的一个聪明设计：零导入脚本。Agent写的build123d/CadQuery脚本不需要任何import——基础原语和辅助函数已被预注入。这意味着Agent生成的代码更短、更不容易出错。

3.5 Autocad-MCP（⭐17）—— 传统CAD的Agent化

如果说前四个项目是"从零开始重建CAD"，Autocad-MCP走的是"给现有CAD软件装上Agent接口"。双引擎架构：COM引擎（控制原生AutoCAD进程）+ ezdxf引擎（无头模式处理DXF文件）。116个MCP工具，覆盖绘图、标注、图层管理、GD&T尺寸公差验证（ISO 1101标准）。

这条路线对AI城创客港的实用价值最高——大多数创客不是从零设计，而是在现有图纸上修改迭代。Autocad-MCP让Agent可以直接操作.dwg/.dxf文件。

四、底层技术栈：为什么OpenCASCADE是Agentic CAD的"Linux内核"

观察这五个项目的技术选型，一个模式浮现：

四个项目共用OpenCASCADE作为底层几何引擎。OpenCASCADE之于Agentic CAD，就像Linux内核之于操作系统——它是开源、工业级、支持STEP/IGES原生格式的几何内核。build123d和CadQuery是Python化的API包装，让LLM可以生成人类可读的Python代码来驱动OpenCASCADE。

这意味着什么？Agentic CAD的技术栈已经标准化了。OpenCASCADE + build123d/CadQuery + MCP/CLI接口 + 内核级验证，这是一条可复制的技术路线。任何入驻AI城的创客都可以沿着这条路为自己的产品线搭建Agent化设计管线。

五、对AI城创客港的战略价值：一条完整的"自然语言→物理产品"链路

把Agentic CAD嵌入AI城创客港的现有基础设施，可以拼出这样一条链路：

这条链路上的每一个节点，AI城都有对应的基础设施：

三个优先集成项目：

1. agentcad — 最轻量的切入点。纯CLI，零配置，任何Coding Agent直接调。先部署在AI城Pi5集群上，创客通过终端或Agent工作台调用。

2. CADSmith — 精度有保障。当创客的产品需要"制造就绪"级别的几何精度时（而不是"看起来像"），CADSmith的VLM验证闭环是唯一选择。

3. cad-cae-copilot — 为"一人公司"提供原本需要工程团队的CAE能力。.aieng包格式天然适合创客港的"一人公司Agent Harness"定位——每一个设计决策都有完整的审计记录。

六、更深一层：Agentic CAD的终局不是"更好的CAD"，而是"设计的去工具化"

回看整个生态，一个更大的图景浮现出来。

传统CAD的本质是工具中介制——人的设计意图，必须穿过CAD软件的界面、菜单、命令、参数面板，才能变成几何体。这个过程制造了两道鸿沟：

鸿沟一：有设计想法的人（创客/艺术家/创业者），不会操作CAD软件。
鸿沟二：会操作CAD软件的人（工程师），不是产品的最终决策者。

Agentic CAD正在同时抹平这两道鸿沟。创客用自然语言描述产品，Agent生成精确的3D模型——不再需要"CAD操作员"这个中间角色。

这比"AI辅助设计"更激进。不是让人操作CAD更快，而是让CAD本身从必须学会的工具，变成可以不打开的后台服务。就像云服务让公司不需要自建机房——Agentic CAD让创客不需要学SolidWorks。

当CAD变成一个可以调用的Agent能力而非一个必须掌握的软件技能，"产品设计师"的定义就被彻底打开了。一个手工艺人、一个咖啡师、一个退休的木匠——任何对物理产品有深刻理解的人——都可以成为"产品设计师"，只要他们能清晰描述自己想要的形状。

七、AI城的位置

Agentic CAD让"谁都能做产品设计"变成可能。
但"谁都能做"之后的问题是：做出来的东西，谁信？谁买？谁知道？

AI城的回答是：
CADSmith验证闭环 → 信（精度有保障）
3DGS产品展示 + Agent友好度引擎 → 知道（全球AI可发现）
一人公司港 + Harness Foundry → 买（从设计到注册到交付全链路）

Agentic CAD是创客港的第一个齿轮。它转动之后，带动3DGS展示、Agent友好度、信用网络、全球分发——整条链路开始自转。

465个GitHub项目告诉我们：这场范式转移已经越过拐点。接下来不是"要不要做"，而是"谁能先把这条链路集成到一个可一键调用的创客工作台上"。