MAC：一句话生成可打印 3D CAD 模型，Token 消耗减少 116 倍

MAC 是一个开源的多智能体框架，能把一句自然语言描述直接变成可编辑、可 3D 打印的真实 CAD 模型。

它不只是输出一张单纯用于渲染的网格图，而是直接生成标准的 STEP、STL 和 GLB 工程文件。面对复杂机构，它还能把机构自动拆解为多个组件独立生成，拼装验证后导出用于机器人和物理仿真的 URDF 格式。

它能做什么

你输入一段自然语言设计需求，比如带铰链的双爪夹具、伸缩摄影吊臂或带活动导轨的三轴龙门检测台，MAC 就能自动规划几何结构、生成各个子零件并完成装配。

除了多部件装配体，它也能独立生成结构复杂的单个零件，比如蜂窝收纳盒、陀螺仪摆件、日内瓦机构，甚至是带有活动间隙、能直接整体打印成型的多环链条。

在生成过程中，它能自动复用对称和重复部件，不需要从头重新计算。整个生成过程完全可追溯，系统会保留结构化的设计简报、几何规划、生成的 Python 代码、测量校验报告以及自动修复历史。

怎么做到的与实测数据

传统的代码生成大模型在处理复杂几何结构时，经常陷入反复报错的盲目循环，消耗巨量 Token 还容易失败。

MAC 的解法是把任务解耦给不同的智能体：规划、几何推理、编写代码和验证修复各自独立，并在受限测试期内进行针对性计算。

在官方给出的 10 个测试提示词、141 项几何特征的单零件基准测试中，使用 Qwen 3.7 时，基线方案 CAD Skill 复现消耗了 1.0395 亿 Token，费用约 18.59 美元，通过率为 97.9%。

而 MAC 仅消耗了 90 万 Token，预估成本仅 1.43 美元，通过率反而达到 99.3%。Token 消耗减少了 116 倍，成本降到了十三分之一。

在最新的 v2 版本中，MAC 引入了独立的 Judge 裁判智能体和视觉验证闭环。配合 Qwen 3.8 时，在消耗 140 万 Token 和 4.85 美元的情况下维持了 99.3% 的通过率，相比同条件下的基线方案依然降低了 62.7 倍 Token 与 6.1 倍成本。

在更复杂的机械装配体演示中，视觉检测机械臂的预估生成成本仅需 1 美元左右，三轴龙门平台约 2 美元，哪怕是包含大量细节的重型移动操作臂，生成成本也被压在了 13 美元上下。

怎么部署和运行

项目已经在 GitHub 开源，仓库名为 Pan-Chera/Multi-Agent-CAD。

它是模型无关的架构，底层适配任何兼容 OpenAI 接口的端点。你可以接入阿里云 DashScope 上的通义千问模型，也可以通过 OpenRouter 调用 DeepSeek 等其他模型。

本地安装需要 Python 3.11 环境。由于底层 CAD 内核 build123d 与 aider-chat 在 NumPy 版本上存在冲突，官方推荐通过 Conda 搭建环境，并在安装 aider-chat 时跳过依赖检查。

项目自带了一个基于 FastAPI 的浏览器 Web 界面。启动后只要在网页左侧输入文字提示词，右侧就能实时查看 3D 预览模型并一键下载工程文件。

需要注意的是，本地 Web 服务在生成模型时会在子进程中直接执行 Python 脚本，建议仅在本地回路地址运行，不要直接映射到不受信任的公网。

为什么重要

如果你平时热衷 3D 打印，或者在机器人仿真、机构设计中经常需要快速制作原型零部件，MAC 非常值得现在拉下来试一试。

它最聪明的地方在于没有硬拿大模型去强行推演整个复杂装配体，而是通过多智能体分工把几何规划、代码实现与视觉裁判拆开，用极低的 Token 成本换来了极高的几何特征通过率。

我们认为装配体生成目前虽然还属于实验性质，正式投入实际机加工前仍需人工检查公差配合，但它把自然语言直接转化成工业级参数化 CAD 的这套管线，已经真正展现出了实用工具的成熟度。