2026实测MAC多智能体CAD框架：清华开源，成本降13倍，99.3%通过率，直接生成可3D打印模型 2026/8/25 3D建模软件

2026实测MAC多智能体CAD框架：清华开源，成本降13倍，99.3%通过率，直接生成可3D打印模型

3D打印AI CADMAC多智能体清华大学开源build123dtext-to-CAD

过去几年，AI 3D 建模工具已经从”玩具”变成了”工具”——Tripo3D、Meshy 这类平台能让你用一句话生成 3D 模型。但它们有一个共同的短板：输出的是网格模型（STL/OBJ），尺寸不精确，没法在 CAD 软件里编辑，更不适合需要严格公差的 3D 打印零件。

如果你需要的是一个尺寸精确、可直接编辑、能上机床的参数化 CAD 模型，现在有了一个全新的开源方案：MAC（Multi-Agent CAD）。

这是清华大学 IEI Lab 在 2026 年 7 月开源的多智能体 CAD 生成框架。它用 4 个 AI Agent 协作，把自然语言需求直接转成可 3D 打印的 STEP/STL 文件。关键数据：Token 消耗降低 116 倍，成本降低 13 倍，特征通过率 99.3%。

这篇文章，我们从安装到实际生成，完整实测这个框架。

MAC 是什么？

MAC（Multi-Agent CAD）是清华大学 IEI Lab 开发的开源多智能体 CAD 生成框架，2026 年 7 月发布在 GitHub 上，目前已获得近 900 Stars。

它的核心思路很简单：把 CAD 生成任务拆给 4 个专门的 AI Agent 协作完成，而不是让一个 AI 从头干到尾。

Agent职责输入输出
Spec Planner需求分析自然语言描述结构化 CADBrief JSON
Geometric Architect几何方案设计CADBrief构建步骤 + 草图方案
Python Coder代码生成构建方案build123d Python 脚本
Repair Agent错误修复执行报错 + QA 报告修复后的代码

为什么这样拆？因为传统单 Agent 方案（比如 CAD Skills）在每一轮迭代中都要把完整对话历史、文档、错误栈重新塞进上下文，Token 随迭代次数指数膨胀。MAC 通过让 Agent 之间只传递紧凑的结构化数据（JSON），而不是原始对话，把 Token 用量压到了原来的 1/116。

核心技术架构

4 阶段流水线

MAC 的底层基于 LangGraph 状态机编排，整个生成过程分 4 个阶段串行执行：

阶段 1：Spec Planner（需求分析）

读入你的自然语言需求，提取关键几何信息，输出一个结构化的 CADBrief JSON。比如你说”创建一个外径 80mm、厚 10mm 的圆形法兰，中心有 30mm 通孔”，Spec Planner 会解析出：基体是圆柱体、外径 80mm、高度 10mm、有一个直径 30mm 的通孔。

阶段 2：Geometric Architect（几何方案设计）

读入 CADBrief，规划具体的构建步骤——先画哪个草图、用什么操作（拉伸/旋转/布尔运算）、特征的执行顺序。输出一个 ArchitectPlan JSON，包含完整的构建蓝图。

阶段 3：Python Coder（代码生成）

这一步有个巧妙的设计：MAC 内置了一个确定性翻译器，对于常见的 CAD 操作（拉伸、旋转、打孔、阵列、倒角、抽壳等），直接把 ArchitectPlan 翻译成 build123d Python 代码，零 Token 消耗。只有遇到翻译器不支持的操作（如拔模、加强筋），才会调用 LLM 生成代码。

阶段 4：Autonomous Skill Loop（自主修复循环）

执行生成的 Python 脚本，用两个引擎做 QA：

  • 引擎 A：build123d 的 B-Rep 分析，检查体积、面积、边界框
  • 引擎 B：STL 网格分析，检查流形性、体积一致性

如果 QA 发现特征缺失或尺寸偏差，Aider（一个 LLM 驱动的代码修复工具）会自动修复代码并重新执行，最多迭代 5 次。终端模式下，每次 QA 后给你一个 10 秒窗口，可以选择自动迭代、手动注入修改需求、或停止。

确定性翻译器：关键的成本杀手

这是 MAC 能把 Token 降到 1/116 的核心原因之一。常见的 CAD 操作——extrude、revolve、hole、boolean_union/cut、pattern_linear/circular、mirror、fillet、chamfer、shell——全部走确定性翻译器，不消耗任何 Token。只有翻译器搞不定的操作才调用 LLM。

混合路由：每个阶段可以用不同的模型

MAC 的 4 个阶段完全解耦，每个阶段可以独立选择不同的 LLM：

  • Spec Planner（需求解析）：用便宜的小模型就行
  • Architect + Coder（几何推理）：用强模型，如 qwen-max 或 gpt-4o
  • Repair（代码修复）：可以换擅长代码的模型，甚至本地模型

更进一步，由于阶段间只通过 JSON 交接，任何一个阶段都可以替换成你自己训练的专用模型，不影响其他阶段。

安装与配置

环境要求

  • Python 3.11（必须是 3.11）
  • Conda（推荐）或 pip
  • 至少 8GB 内存
  • LLM API Key（默认支持阿里云百炼，也可换 OpenAI、DeepSeek、Gemini、本地 Ollama）

Conda 安装（推荐）

git clone https://github.com/Pan-Chera/Multi-Agent-CAD
cd Multi-Agent-CAD
conda env create -f environment.yml
conda activate multi_agent_cad
pip install --no-deps "aider-chat==0.82.3"

注意最后一步的 --no-deps 是必须的。aider-chat 在 PyPI 上硬编码依赖 numpy==1.26.4，但 build123d 需要 numpy>=2，两者冲突。用 --no-deps 跳过依赖检查即可。实测 aider 0.82.3 在 numpy 2.x 上完全正常。

纯 pip 安装（无 Conda）

python3.11 -m venv .venv
source .venv/bin/activate
pip install --upgrade pip
pip install "aider-chat==0.82.3"
pip install --no-deps --force-reinstall "numpy>=2,<2.3"
pip install "build123d>=0.8" "langgraph>=0.2" "pydantic>=2.5" "openai>=1.20.0"
pip install --no-deps -e .

配置 LLM Provider

编辑 multi_agent_cad/config.py：

阿里云百炼（默认，国内推荐）：

DS_API_KEY="***"
DS_BASE_URL = "https://dashscope.aliyuncs.com/compatible-mode/v1"
SPEC_PLANNER_MODEL = ARCHITECT_MODEL = CODER_MODEL = REPAIR_MODEL = "qwen-max"

OpenAI：

DS_BASE_URL = "https://api.openai.com/v1"
SPEC_PLANNER_MODEL = ARCHITECT_MODEL = CODER_MODEL = REPAIR_MODEL = "gpt-4o"
AIDER_MODEL = "openai/gpt-4o"

DeepSeek：

DS_BASE_URL = "https://api.deepseek.com/v1"
SPEC_PLANNER_MODEL = ARCHITECT_MODEL = CODER_MODEL = REPAIR_MODEL = "deepseek-chat"

本地 Ollama（完全免费）：

ollama pull qwen2.5:32b
DS_BASE_URL = "http://localhost:11434/v1"
SPEC_PLANNER_MODEL = ARCHITECT_MODEL = CODER_MODEL = REPAIR_MODEL = "qwen2.5:32b"

配置改坏了可以一键恢复默认：

python -m multi_agent_cad._config_defaults --reset

实际使用教程

终端模式

python -m multi_agent_cad.graph

运行后，4 个阶段依次执行，终端实时打印进度。每次 QA 后有 10 秒选择窗口：

  • 按 1：自动继续迭代
  • 按 2：注入你的修改需求
  • 按 3：停止并保留当前结果

完成后在仓库根目录生成：

  • temp_output_0.step — STEP 格式 CAD 模型
  • temp_output_0.stl — STL 格式（可直接切片打印）
  • temp_design_0.py — 生成的 build123d 源码
  • temp_measurements_0.json — 特征测量数据

Web UI 模式

pip install -e ".[web]"
python -m multi_agent_cad.web

浏览器打开 http://localhost:8000，图形化界面填写需求、选择模型、运行生成、3D 预览、下载文件。比终端模式更直观，适合不想碰配置文件的用户。

远程访问可以用 SSH 隧道：

ssh -L 8000:localhost:8000 user@server

缓存机制

MAC 会把前两个阶段的输出缓存在 pipeline_cache/ 目录。重跑同一个 prompt 时，会跳过前两个 LLM 阶段，直接从代码生成开始，几秒出结果。

换了新 prompt 记得清缓存：

rm pipeline_cache/cad_brief.json pipeline_cache/architect_plan.json

生成你的第一个模型

编辑 multi_agent_cad/config.py 中的 USER_REQUEST：

USER_REQUEST = "创建一个圆形法兰盘，外径80mm，厚度10mm，中心有直径30mm的通孔，边缘均匀分布6个直径8mm的安装孔，孔心距边缘10mm。"

清缓存后运行：

rm -f pipeline_cache/*.json
python -m multi_agent_cad.graph

2-5 分钟后，拿到可以直接导入 Cura 或 Bambu Studio 切片的 STEP 文件。

性能实测数据

基准测试对比

MAC 团队用 10 个标准零件（P1-P10）与现有方案 CAD Skills 做了对比：

指标CAD Skills（单 Agent）MAC（多 Agent）提升
总 Token 消耗1.039 亿89.6 万减少 116 倍
总成本¥125.69¥9.67降低 13 倍
API 调用次数1,307 次50 次减少 26 倍
特征通过率97.9%（138/141）99.3%（140/141）提升 1.4%

单零件成本明细

零件CAD SkillsMAC降幅
P1 带通孔矩形块¥5.53¥0.3117.8×
P2 圆形法兰¥8.07¥0.3423.7×
P3 L形支架¥13.07¥1.0812.1×
P4 阶梯轴¥6.53¥0.5711.5×
P5 顶部开放外壳¥2.88¥0.368.0×
P6 航空U形支架¥15.21¥3.104.9×
P7 径向发动机气缸¥17.42¥0.5332.9×
P8 离心叶轮¥32.75¥1.2027.3×
P9 微型螺旋楼梯¥12.80¥1.458.8×
P10 行星齿轮组件¥11.43¥0.7315.7×

最复杂的离心叶轮，从 ¥32.75 降到 ¥1.20，降幅 27 倍。简单的法兰盘只要 3 毛钱。

生成速度

Token 效率（116×）和 API 调用减少（26×）直接转化为时间优势。MAC 的总耗时约为单 Agent 方案的 1/10。中等复杂度零件通常 2-5 分钟出结果。

实际案例展示

笼中小球解压玩具（Ball-in-Cage）

经典的一体化打印玩具。MAC 不仅分别生成了球和笼体两个独立实体，还精确控制了 1mm 的间隙，确保球可以在笼内自由滚动但无法脱出。六面各开 12mm 通孔，便于观察和触摸。

可动陀螺仪玩具

一体化打印的旋转结构，内环通过两根 pivot pin 在外环内自由旋转。0.4mm 径向间隙使内环可以 360° 旋转——这是打印即装配，无需后续组装。

行星齿轮组件

包含太阳轮、行星轮、齿圈和行星架的完整行星齿轮机构，所有零件在一个 STEP 文件内装配完成。

更多案例

项目仓库展示了 10 个基准零件（P1-P10）和 10 个创意模型（S1-S10），包括蜂巢收纳座、灯塔摆件、手机支架、多环链、马尔他机构、等离子反应堆模型等。每个都有 3D 旋转视图和实物打印照片。

优缺点分析

优点

成本极低：10 个零件总共 ¥9.67，单个零件低至 ¥0.31。用本地 Ollama 完全免费。

成功率极高：99.3% 特征通过率，绝大多数情况一次成功。

输出格式专业：STEP 格式是工业标准 CAD 格式，可以在 SolidWorks、FreeCAD、Fusion 360 等软件中直接编辑，不是只能看的网格。

白盒透明：每个中间产物（CADBrief、ArchitectPlan、Python 源码、QA 报告）都序列化到磁盘，可以审计和调试。

灵活的路由：4 个阶段可以独立选择模型，支持 OpenAI、DeepSeek、Gemini、Ollama 等。

有 Web UI：图形界面 + 浏览器内 3D 预览，上手门槛低。

开源 MIT 许可：完全开源，可商用。

缺点

需要 Python 环境：安装过程对纯小白有门槛，尤其是依赖冲突处理。

依赖外部 API：默认需要 API Key，虽然费用很低但不是零。

复杂模型可能需要多次迭代：特别复杂的多体装配或精密配合，可能需要手动介入。

暂不支持参数化编辑：想改尺寸需要重新生成，不能直接编辑参数。

Windows 支持有限：官方在 Windows 上未做完整 CI 测试，可能遇到问题。

适用场景

快速原型设计：有零件想法，几分钟拿到可打印模型，省去手动建模时间。

教育用途：STEM 教学中，学生用自然语言描述就能生成模型，降低 CAD 学习门槛。

个人 3D 打印项目：家居收纳、装饰摆件、机械玩具，用文字描述需求即可。

创意模型生成：探索 AI 能生成什么样的创意 3D 模型，如一体化可动玩具。

工程零件快速出图：简单机械零件（法兰、支架、外壳），文字描述生成标准 STEP 文件。

与其他方案对比

vs Meshy / Tripo3D 等 AI 建模工具

Meshy、Tripo3D 面向视觉类 3D 模型（角色、场景），输出网格格式（OBJ/GLB），适合游戏影视但不适合精确 3D 打印。MAC 专注参数化 CAD，输出 STEP 格式，尺寸精确，适合工程类打印。详见我们的 AI 3D 建模工具对比。

vs 传统 CAD 软件

SolidWorks、FreeCAD 需要手动建模，学习曲线陡但精确度和可控性最高。MAC 适合快速出图和简单零件，复杂工程零件仍建议用传统 CAD。可以参考我们的 FreeCAD 评测 和 建模软件对比。

vs CAD Skills（text-to-cad）

CAD Skills 是另一个开源 text-to-CAD 方案，单 Agent 架构。MAC 在成本（13×）和效率（116× Token）上有压倒性优势，特征通过率也更高。

总结

MAC 是目前开源领域最实用的 AI CAD 生成框架。4 个 Agent 协作，把 text-to-CAD 的成本从百元级降到元级，99.3% 特征通过率，直出可打印的 STEP/STL 文件。

对于 3D 打印爱好者，这意味着：用几句话描述需求，花几毛钱 API 费用，几分钟拿到可以直接切片打印的 CAD 模型。

项目还在快速迭代中（2026 年 7 月创建，已近 900 Stars），值得关注。

项目地址：github.com/Pan-Chera/Multi-Agent-CAD

推荐阅读

3D打印第一步：可以打印什么？
3D打印学堂

3D打印第一步：可以打印什么？

 ZMorph多材料混合3D打印
设备测评

ZMorph多材料混合3D打印
3D打印项目

使用水溶性支撑PVA材料
v16037