SolidWorks用户福音集成InternLM2-Chat-1.8B打造智能设计助手插件你是不是也遇到过这样的场景在SolidWorks里画图正起劲突然卡在一个设计细节上比如这个孔到底打多大才合适或者这个结构怎么优化才能又轻又结实。这时候你不得不停下来去翻厚厚的设计手册或者打开浏览器在一堆论坛和文档里大海捞针。一来二去思路断了时间也浪费了。现在有个新思路或许能改变这种状况给你的SolidWorks装上一个“智能副驾”。这个副驾不是真人而是一个集成在软件里的AI助手。你直接用中文问它“这个钣金件怎么展开最省料”或者“帮我查一下GB/T 5782螺栓的规格”它就能结合工程知识库给你提供参考建议甚至帮你生成一段能直接用的宏脚本。听起来是不是有点像科幻片里的场景其实借助像InternLM2-Chat-1.8B这样的轻量级大语言模型我们已经可以动手把它变成现实。这篇文章我们就来聊聊怎么为SolidWorks打造这样一个智能设计助手插件。我们不谈空泛的概念就聚焦在“怎么用”、“能干啥”以及“实际效果如何”这几个最实在的问题上。1. 为什么SolidWorks需要一个AI助手在深入技术细节之前我们先看看这个想法到底解决了什么实际问题。工程师的日常远不止画图那么简单。设计决策的“信息孤岛”一个简单的设计变更背后可能涉及材料力学、工艺标准、成本核算等多方面知识。工程师需要在多个软件、手册和网页之间切换信息碎片化严重决策效率低下。重复性工作的“时间杀手”比如需要批量修改一批零件的属性或者按照特定规则生成工程图。虽然SolidWorks的API很强大但写宏、调试脚本对不少工程师来说门槛不低很多时候宁愿手动操作费时费力。知识传承的“断点”老工程师的经验往往存在于个人的头脑中或零散的笔记里新员工上手时很难快速获取这些宝贵的“非标”知识比如“我们这个产品这个位置一般倒角C1不是图纸上的C0.5”。一个集成在SolidWorks内部的AI助手就像一位随时在线的资深同事。它能把散落各处的知识标准、手册、内部规范、历史案例整合起来通过自然对话的方式提供给你还能将你的自然语言指令转化成可执行的自动化脚本把工程师从繁琐重复的操作中解放出来更专注于创造性的设计本身。2. 智能助手能帮你做什么几个真实场景构想光说概念可能有点虚我们直接看几个它可能大显身手的场景。2.1 场景一设计过程中的即时答疑与建议你正在设计一个支架心里没底。你可以问“这个1.5mm厚的Q235钢板冲这个φ10的孔孔边距最小留多少比较安全”助手回答结合知识库“根据《钣金冲压工艺手册》常见建议对于Q235材料孔径d10mm时推荐最小孔边距为1.5d即15mm。如果受力不大可适当减小至12mm但需注意折弯后可能引起的变形。附件是一段检查当前模型孔边距的宏脚本您可以运行一下。”你感觉零件有点重想优化。你可以问“我想减轻这个铝合金零件的重量但必须保证安装面的强度和刚度有什么思路”助手回答“可以考虑以下几个方向1.拓扑优化在非关键受力区域挖减重孔或采用镂空结构。2.变厚度设计在安装面附近保持厚度远离区域逐渐减薄。3.材料替换评估是否可使用更轻的工程塑料如PEEK局部替代。我已根据您当前模型的大致轮廓生成了一个简单的拓扑优化建议草图区域供您参考。”2.2 场景二快速检索与标准件调用画装配体时需要插入一个轴承。你可以问“帮我找一个内径20mm、外径47mm的深沟球轴承要国产哈轴的。”助手回答“符合您要求的哈轴深沟球轴承型号为6004。其具体规格为内径20mm外径47mm宽度14mm。已为您在本地标准件库中定位到此模型是否直接插入装配体[是]/[否]”不确定一个尺寸的公差该怎么标。你可以问“φ25的轴配合要求是H7/g6帮我标注一下公差。”助手回答“根据GB/T 1800.1φ25 H7/g6配合的公差为孔φ25 H7上偏差0.021下偏差0轴φ25 g6上偏差-0.007下偏差-0.020。已为您生成如下注解可复制到工程图中φ25 H7/g6。”2.3 场景三自动化脚本生成与批处理你需要给当前装配体中的所有零件添加一个自定义属性。你可以说“给所有零件添加一个属性‘项目号’值设为‘P2024-001’。”助手行动理解你的意图后调用SolidWorks API知识生成并运行一段VBA宏脚本自动遍历所有零件完成属性添加。你需要导出所有零件的STEP格式文件。你可以说“把装配体下所有零件用‘零件号’作为文件名另存为STEP 214格式到D:\Export文件夹。”助手行动生成并执行复杂的遍历、重命名、保存脚本一键完成原本需要大量手动操作的任务。3. 如何将InternLM2-Chat-1.8B集成到SolidWorks了解了能做什么我们来看看技术上的实现思路。这里的关键在于“集成”而不是从头训练一个AI。我们利用InternLM2-Chat-1.8B这类已经具备优秀对话和理解能力的轻量级模型让它专门为SolidWorks服务。3.1 整体架构插件如何工作整个插件的核心工作流程可以简化成三步你说话在SolidWorks插件面板里用中文输入问题或指令。插件处理插件将你的问题、加上当前模型的上下文信息如活动文档类型、所选特征等一起发送给后台的AI服务。AI回答AI模型结合内置的“工程知识库”进行思考生成回答。如果是操作指令还可能附带生成可运行的宏代码。[SolidWorks界面] - [智能插件] - [AI服务 (InternLM2)] - [工程知识库] ^ | | | |----------------- 显示回答/执行脚本 -------------3.2 核心一让AI理解SolidWorks的“上下文”这是让助手变得“智能”的关键。插件不能只把用户的干巴巴文字扔给AI还需要告诉AI当前的工作环境。活动文档用户当前打开的是零件、装配体还是工程图选中对象用户选中了哪个面、哪条边、哪个特征模型属性当前零件的材料、质量、体积等基本信息。特征树当前模型的大致设计历程。插件会收集这些信息作为“上下文”或“系统提示词”的一部分和用户的问题一起送给AI模型。例如提示词可能是“用户正在编辑一个名为‘支架.SLDPRT’的零件文件材料设置为‘普通碳钢’。他选中了一个拉伸特征并提问‘这个壁厚3mm够吗’请根据机械设计知识进行回答。”3.3 核心二构建专属的“工程知识库”InternLM2本身是一个通用模型要让它成为设计专家必须给它“喂”专业资料。这就是“工程知识库”的作用它本质上是一个专业的向量数据库。知识来源机械设计手册、材料手册、国家标准PDF、企业内部的工艺规范、历史上的典型设计案例文档、SolidWorks官方API文档等。处理方式将这些文档拆分成小块转换成向量一种数学表示形式存储起来。工作过程当用户提问时系统先在知识库中快速搜索与问题最相关的文档片段然后将这些片段作为“参考材料”和问题一起交给AI模型。这样AI的回答就有了可靠的依据不再是“凭空想象”。3.4 核心三从对话到行动——API脚本生成对于“帮我做某事”这类指令助手需要能生成实际行动。这依赖于对SolidWorks API的掌握。方法将SolidWorks API的官方文档、常用宏示例代码也纳入知识库。当用户指令涉及操作时AI会参考这些资料生成相应的VBA或C#代码片段。安全机制生成的脚本不会直接执行而是先显示给用户预览和确认。插件也可以提供一些“标准操作模板”比如“批量修改属性”、“重命名文件”等让AI在安全可控的范围内生成代码。4. 动手搭建一个简单的概念验证理论说再多不如动手试一下。下面我们勾勒一个最简单的概念验证流程让你感受一下这个想法是如何落地的。请注意这是一个高度简化的演示思路。假设我们已经有一个能本地运行的InternLM2-Chat-1.8B的API服务。步骤1创建SolidWorks插件框架使用C#和SolidWorks API创建一个简单的任务窗格插件里面包含一个文本框用于输入问题一个按钮用于发送一个区域用于显示回答。步骤2连接AI服务在插件的代码里编写一个函数将用户输入的文字发送到你本地部署的InternLM2 API接口并获取返回结果。// 伪代码示例调用本地AI API private async Taskstring AskAI(string userInput, string context) { string apiUrl http://localhost:8000/v1/chat/completions; var requestData new { model internlm2-chat-1.8b, messages new[] { new { role system, content 你是一个SolidWorks设计助手。 context }, new { role user, content userInput } } }; // 使用HttpClient发送POST请求并获取回复 // ... (实际网络请求代码) return aiResponse; }步骤3注入简单上下文在发送问题前获取一些简单的SolidWorks上下文信息。// 伪代码示例获取当前文档信息 string GetSimpleContext() { ModelDoc2 swDoc swApp.ActiveDoc; if (swDoc null) return 用户未打开任何文档。; string docType swDoc.GetType().ToString(); // 获取文档类型 string docName swDoc.GetTitle(); return $用户当前打开的是一个{docType}文件名为{docName}。; }步骤4显示结果将AI返回的文本显示在插件界面上。如果是代码可以高亮显示。通过这样一个简单的循环输入 - 收集上下文 - 发送AI - 显示结果一个最基础的对话式助手就实现了。当然真正的生产级插件要复杂得多需要处理知识库检索、脚本安全执行、更丰富的上下文捕捉等。5. 效果展望与潜在挑战如果这样一个插件能够成熟落地它能带来的改变是显而易见的。对工程师而言它极大地降低了获取专业知识和实现自动化的门槛。设计过程更加流畅重复劳动减少可以将更多精力投入创新和优化。尤其是对于新手工程师它就像一个永不疲倦的导师随时解答疑惑。对团队和企业而言它有助于将分散的设计经验、企业标准沉淀到统一的AI知识库中促进知识共享和传承提升整体设计质量和效率的一致性。当然这条路也面临一些挑战准确性AI的回答必须高度可靠尤其在涉及安全和标准的问题上任何误导都可能造成严重后果。需要精心构建和维护知识库并设置明确的免责声明和人工复核环节。集成深度如何更自然、更智能地理解三维设计语境比如直接指向某个特征提问是需要深入探索的人机交互难题。性能与成本在本地部署轻量模型是一种平衡选择但响应速度和复杂问题的处理能力仍需优化。6. 总结回过头来看将类似InternLM2-Chat-1.8B这样的AI模型集成进SolidWorks其核心价值不在于炫技而在于解决工程师日常工作中那些真切存在的“小麻烦”和“大重复”。它不是一个要取代设计师的“全能AI”而是一个旨在增强设计师能力的“智能杠杆”。从技术上看随着大模型和智能体技术的快速发展实现这样一个插件的技术门槛正在逐渐降低。更多的挑战可能在于如何精准定义需求、如何构建高质量的专业知识库以及如何设计出自然高效的人机交互方式。也许不久的将来我们打开SolidWorks时旁边真的会有一个随时待命的智能助手。你可以很自然地告诉它“我觉得这个受力有点集中帮我想想怎么改。” 然后看着它给出几个有理有据的建议甚至直接帮你把优化后的草图轮廓画出来。那一天设计或许会变得更有趣、更高效。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
SolidWorks用户福音：集成InternLM2-Chat-1.8B打造智能设计助手插件
SolidWorks用户福音集成InternLM2-Chat-1.8B打造智能设计助手插件你是不是也遇到过这样的场景在SolidWorks里画图正起劲突然卡在一个设计细节上比如这个孔到底打多大才合适或者这个结构怎么优化才能又轻又结实。这时候你不得不停下来去翻厚厚的设计手册或者打开浏览器在一堆论坛和文档里大海捞针。一来二去思路断了时间也浪费了。现在有个新思路或许能改变这种状况给你的SolidWorks装上一个“智能副驾”。这个副驾不是真人而是一个集成在软件里的AI助手。你直接用中文问它“这个钣金件怎么展开最省料”或者“帮我查一下GB/T 5782螺栓的规格”它就能结合工程知识库给你提供参考建议甚至帮你生成一段能直接用的宏脚本。听起来是不是有点像科幻片里的场景其实借助像InternLM2-Chat-1.8B这样的轻量级大语言模型我们已经可以动手把它变成现实。这篇文章我们就来聊聊怎么为SolidWorks打造这样一个智能设计助手插件。我们不谈空泛的概念就聚焦在“怎么用”、“能干啥”以及“实际效果如何”这几个最实在的问题上。1. 为什么SolidWorks需要一个AI助手在深入技术细节之前我们先看看这个想法到底解决了什么实际问题。工程师的日常远不止画图那么简单。设计决策的“信息孤岛”一个简单的设计变更背后可能涉及材料力学、工艺标准、成本核算等多方面知识。工程师需要在多个软件、手册和网页之间切换信息碎片化严重决策效率低下。重复性工作的“时间杀手”比如需要批量修改一批零件的属性或者按照特定规则生成工程图。虽然SolidWorks的API很强大但写宏、调试脚本对不少工程师来说门槛不低很多时候宁愿手动操作费时费力。知识传承的“断点”老工程师的经验往往存在于个人的头脑中或零散的笔记里新员工上手时很难快速获取这些宝贵的“非标”知识比如“我们这个产品这个位置一般倒角C1不是图纸上的C0.5”。一个集成在SolidWorks内部的AI助手就像一位随时在线的资深同事。它能把散落各处的知识标准、手册、内部规范、历史案例整合起来通过自然对话的方式提供给你还能将你的自然语言指令转化成可执行的自动化脚本把工程师从繁琐重复的操作中解放出来更专注于创造性的设计本身。2. 智能助手能帮你做什么几个真实场景构想光说概念可能有点虚我们直接看几个它可能大显身手的场景。2.1 场景一设计过程中的即时答疑与建议你正在设计一个支架心里没底。你可以问“这个1.5mm厚的Q235钢板冲这个φ10的孔孔边距最小留多少比较安全”助手回答结合知识库“根据《钣金冲压工艺手册》常见建议对于Q235材料孔径d10mm时推荐最小孔边距为1.5d即15mm。如果受力不大可适当减小至12mm但需注意折弯后可能引起的变形。附件是一段检查当前模型孔边距的宏脚本您可以运行一下。”你感觉零件有点重想优化。你可以问“我想减轻这个铝合金零件的重量但必须保证安装面的强度和刚度有什么思路”助手回答“可以考虑以下几个方向1.拓扑优化在非关键受力区域挖减重孔或采用镂空结构。2.变厚度设计在安装面附近保持厚度远离区域逐渐减薄。3.材料替换评估是否可使用更轻的工程塑料如PEEK局部替代。我已根据您当前模型的大致轮廓生成了一个简单的拓扑优化建议草图区域供您参考。”2.2 场景二快速检索与标准件调用画装配体时需要插入一个轴承。你可以问“帮我找一个内径20mm、外径47mm的深沟球轴承要国产哈轴的。”助手回答“符合您要求的哈轴深沟球轴承型号为6004。其具体规格为内径20mm外径47mm宽度14mm。已为您在本地标准件库中定位到此模型是否直接插入装配体[是]/[否]”不确定一个尺寸的公差该怎么标。你可以问“φ25的轴配合要求是H7/g6帮我标注一下公差。”助手回答“根据GB/T 1800.1φ25 H7/g6配合的公差为孔φ25 H7上偏差0.021下偏差0轴φ25 g6上偏差-0.007下偏差-0.020。已为您生成如下注解可复制到工程图中φ25 H7/g6。”2.3 场景三自动化脚本生成与批处理你需要给当前装配体中的所有零件添加一个自定义属性。你可以说“给所有零件添加一个属性‘项目号’值设为‘P2024-001’。”助手行动理解你的意图后调用SolidWorks API知识生成并运行一段VBA宏脚本自动遍历所有零件完成属性添加。你需要导出所有零件的STEP格式文件。你可以说“把装配体下所有零件用‘零件号’作为文件名另存为STEP 214格式到D:\Export文件夹。”助手行动生成并执行复杂的遍历、重命名、保存脚本一键完成原本需要大量手动操作的任务。3. 如何将InternLM2-Chat-1.8B集成到SolidWorks了解了能做什么我们来看看技术上的实现思路。这里的关键在于“集成”而不是从头训练一个AI。我们利用InternLM2-Chat-1.8B这类已经具备优秀对话和理解能力的轻量级模型让它专门为SolidWorks服务。3.1 整体架构插件如何工作整个插件的核心工作流程可以简化成三步你说话在SolidWorks插件面板里用中文输入问题或指令。插件处理插件将你的问题、加上当前模型的上下文信息如活动文档类型、所选特征等一起发送给后台的AI服务。AI回答AI模型结合内置的“工程知识库”进行思考生成回答。如果是操作指令还可能附带生成可运行的宏代码。[SolidWorks界面] - [智能插件] - [AI服务 (InternLM2)] - [工程知识库] ^ | | | |----------------- 显示回答/执行脚本 -------------3.2 核心一让AI理解SolidWorks的“上下文”这是让助手变得“智能”的关键。插件不能只把用户的干巴巴文字扔给AI还需要告诉AI当前的工作环境。活动文档用户当前打开的是零件、装配体还是工程图选中对象用户选中了哪个面、哪条边、哪个特征模型属性当前零件的材料、质量、体积等基本信息。特征树当前模型的大致设计历程。插件会收集这些信息作为“上下文”或“系统提示词”的一部分和用户的问题一起送给AI模型。例如提示词可能是“用户正在编辑一个名为‘支架.SLDPRT’的零件文件材料设置为‘普通碳钢’。他选中了一个拉伸特征并提问‘这个壁厚3mm够吗’请根据机械设计知识进行回答。”3.3 核心二构建专属的“工程知识库”InternLM2本身是一个通用模型要让它成为设计专家必须给它“喂”专业资料。这就是“工程知识库”的作用它本质上是一个专业的向量数据库。知识来源机械设计手册、材料手册、国家标准PDF、企业内部的工艺规范、历史上的典型设计案例文档、SolidWorks官方API文档等。处理方式将这些文档拆分成小块转换成向量一种数学表示形式存储起来。工作过程当用户提问时系统先在知识库中快速搜索与问题最相关的文档片段然后将这些片段作为“参考材料”和问题一起交给AI模型。这样AI的回答就有了可靠的依据不再是“凭空想象”。3.4 核心三从对话到行动——API脚本生成对于“帮我做某事”这类指令助手需要能生成实际行动。这依赖于对SolidWorks API的掌握。方法将SolidWorks API的官方文档、常用宏示例代码也纳入知识库。当用户指令涉及操作时AI会参考这些资料生成相应的VBA或C#代码片段。安全机制生成的脚本不会直接执行而是先显示给用户预览和确认。插件也可以提供一些“标准操作模板”比如“批量修改属性”、“重命名文件”等让AI在安全可控的范围内生成代码。4. 动手搭建一个简单的概念验证理论说再多不如动手试一下。下面我们勾勒一个最简单的概念验证流程让你感受一下这个想法是如何落地的。请注意这是一个高度简化的演示思路。假设我们已经有一个能本地运行的InternLM2-Chat-1.8B的API服务。步骤1创建SolidWorks插件框架使用C#和SolidWorks API创建一个简单的任务窗格插件里面包含一个文本框用于输入问题一个按钮用于发送一个区域用于显示回答。步骤2连接AI服务在插件的代码里编写一个函数将用户输入的文字发送到你本地部署的InternLM2 API接口并获取返回结果。// 伪代码示例调用本地AI API private async Taskstring AskAI(string userInput, string context) { string apiUrl http://localhost:8000/v1/chat/completions; var requestData new { model internlm2-chat-1.8b, messages new[] { new { role system, content 你是一个SolidWorks设计助手。 context }, new { role user, content userInput } } }; // 使用HttpClient发送POST请求并获取回复 // ... (实际网络请求代码) return aiResponse; }步骤3注入简单上下文在发送问题前获取一些简单的SolidWorks上下文信息。// 伪代码示例获取当前文档信息 string GetSimpleContext() { ModelDoc2 swDoc swApp.ActiveDoc; if (swDoc null) return 用户未打开任何文档。; string docType swDoc.GetType().ToString(); // 获取文档类型 string docName swDoc.GetTitle(); return $用户当前打开的是一个{docType}文件名为{docName}。; }步骤4显示结果将AI返回的文本显示在插件界面上。如果是代码可以高亮显示。通过这样一个简单的循环输入 - 收集上下文 - 发送AI - 显示结果一个最基础的对话式助手就实现了。当然真正的生产级插件要复杂得多需要处理知识库检索、脚本安全执行、更丰富的上下文捕捉等。5. 效果展望与潜在挑战如果这样一个插件能够成熟落地它能带来的改变是显而易见的。对工程师而言它极大地降低了获取专业知识和实现自动化的门槛。设计过程更加流畅重复劳动减少可以将更多精力投入创新和优化。尤其是对于新手工程师它就像一个永不疲倦的导师随时解答疑惑。对团队和企业而言它有助于将分散的设计经验、企业标准沉淀到统一的AI知识库中促进知识共享和传承提升整体设计质量和效率的一致性。当然这条路也面临一些挑战准确性AI的回答必须高度可靠尤其在涉及安全和标准的问题上任何误导都可能造成严重后果。需要精心构建和维护知识库并设置明确的免责声明和人工复核环节。集成深度如何更自然、更智能地理解三维设计语境比如直接指向某个特征提问是需要深入探索的人机交互难题。性能与成本在本地部署轻量模型是一种平衡选择但响应速度和复杂问题的处理能力仍需优化。6. 总结回过头来看将类似InternLM2-Chat-1.8B这样的AI模型集成进SolidWorks其核心价值不在于炫技而在于解决工程师日常工作中那些真切存在的“小麻烦”和“大重复”。它不是一个要取代设计师的“全能AI”而是一个旨在增强设计师能力的“智能杠杆”。从技术上看随着大模型和智能体技术的快速发展实现这样一个插件的技术门槛正在逐渐降低。更多的挑战可能在于如何精准定义需求、如何构建高质量的专业知识库以及如何设计出自然高效的人机交互方式。也许不久的将来我们打开SolidWorks时旁边真的会有一个随时待命的智能助手。你可以很自然地告诉它“我觉得这个受力有点集中帮我想想怎么改。” 然后看着它给出几个有理有据的建议甚至直接帮你把优化后的草图轮廓画出来。那一天设计或许会变得更有趣、更高效。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
