一、一个正在发生的场景
2026年7月，一位结构工程师打开浩辰CAD，对着AI助手说了一句："把这个装配体的所有M8螺栓替换为M10，螺孔同步扩大，更新标注。"AI执行了这个跨图层、跨标注的批量操作，耗时不到10秒。而同样的事，手动做需要先过滤M8螺栓逐个替换修改孔径检查配合更新标注表——15分钟起步。
同一个月，达索系统宣布CATIA R2026x FD03的Virtual Companions全球可用。Leo不只是听懂你说"生成一个法兰连接"，它能自动识别零件之间的机械接口、预测装配约束关系、完成配对定位——不需要手动选面、选轴、加约束。
问题来了：当CAD软件能听懂人话并且直接干活，我们花了十年练出来的那套"菜单-命令-参数"肌肉记忆，还有多大价值？
二、4个值得关注的信号
信号1：自然语言正在成为CAD的"新命令行"
浩辰AI助手2026年7月23日正式发布，深度集成于浩辰CAD 2026/2027，覆盖近900条CAD绘图命令。它不是把AI当外挂，而是把自然语言变成了CAD的原生交互层——你不需要知道命令名、不需要找菜单位置，说出需求即可。达索的Leo走得更远：它不仅执行命令，还理解工程意图——"这个轴承座需要承受径向载荷"会被转化为适当的约束条件、材料选择和仿真参数，而不是机械地画一个圆。
对比数据：传统CAD操作——找到命令设置参数执行检查，单个操作15-30秒。自然语言驱动——一句话完成，10秒内。不是快了几倍的问题，是交互模式彻底变了。
这意味着：CATIA工程师的竞争力不再来自"知道快捷键、记得命令名"，而是来自"能用一句话精确描述工程意图"。描述力取代操作力成为核心技能。
信号2：AI生成的模型正在从"死网格"变成"活参数"
这个信号比自然语言交互更底层、更重要。早期的AI生成CAD（如Meshy、Tripo）输出的是网格——不可编辑、没有参数、没有特征历史。2026年的格局变了。卡伦特·创模AI生成的3D模型带有完整的特征历史记录，支持参数化编辑；Zoo的Zookeeper生成的KCL代码是纯参数化的，工程师可以修改任何一个尺寸并自动更新整个模型；Chamfer AI生成的CadQuery Python脚本同样是参数化的。这意味着AI生成的模型不再是"一次性快照"，而是可以进入设计迭代循环的活模型。
对比数据：网格模型修改需重新生成参数化模型修改只需调整参数值。传统手动建模数十分钟到数小时AI生成带特征历史的模型2分钟内完成（卡伦特·创模AI实测数据）。
这意味着：CATIA二次开发工程师的核心价值将从"写代码生成几何"转向"设计参数化规则和约束体系"。生成的事交给AI，规则和意图由人来定义。
信号3：工程规则正在从"事后检查"变成"设计内建"
CATIA R2026x的Generative Engineering Rules是这个趋势的标杆。过去，工程规则散落在PDF、Excel、企业标准文档中，设计师画完模型后，需要人工逐条检查——壁厚是否达标、圆角是否合理、材料是否匹配。这个过程通常耗时数小时，而且只在设计完成之后进行。R2026x把这个顺序颠倒过来：工程规则在建模过程中实时生效，AI在设计阶段就提示约束条件，实现"合规即设计"。
同时，Ansys 2026 R1推出的GeomAI和TwinAI，将物理仿真能力嵌入设计前端——不再是"设计完了再仿真"，而是"边设计边验证"。
对比数据：传统规则检查从数小时事后评审实时设计过程校验。迭代次数从多轮返工大幅减少甚至一轮到位。
这意味着：二次开发的重点将从"写检查脚本"转向"定义可被AI解析的工程规则模型"。规则库取代脚本库。
信号4：Visual Scripting正在替代传统二次开发代码
CATIA R2026x的Visual Scripting是一次意义被低估的更新。它让工程师用可视化节点搭建算法逻辑——不需要写CAA/C#代码，不需要编译、调试、处理API版本兼容。节点连接即代码，颜色标记即逻辑，图形布局即结构。这与达索的Generative-Driven Design（参数化优化直接收敛到精确B-rep）形成闭环：定义变量设置约束让平台自动收敛输出精确几何。
对比数据：传统CAA宏开发从数小时到数天Visual Scripting实现算法几何数小时内完成。代码量从数百行零代码。
这意味着：大量传统二次开发需求（参数化模板、批量建模、规则驱动的几何生成）将被Visual Scripting和Generative Experiences吸收。二次开发工程师必须向更高价值层迁移——不是写代码生成几何，而是设计AI无法自动完成的工程决策逻辑。
三、我的4个判断
判断1：Prompt Engineering 只是过渡态，"意图工程"才是终局
今天我们在讨论怎么写好Prompt让AI生成准确的CAD模型——描述尺寸、指定约束、说明制造方式。这是Prompt Engineering阶段。但CATIA R2026x的Generative Assembly和浩辰AI助手的参数化生成揭示了一个更深的趋势：当AI能够理解机械接口、预测装配关系、自动生成约束时，你不再需要事无巨细地描述每个尺寸。你只需要表达设计意图——"这个零件需要承受X载荷，连接Y部件，采用Z工艺制造"——AI自己推导约束条件。
这就是从Prompt Engineering到Intention Engineering（意图工程）的跨越。Prompt告诉AI做什么，Intention告诉AI为什么。前者适合当前的过渡阶段，后者才是工业AI的真正形态。
现状分析：浩辰AI助手、卡伦特创模AI还处于"说清楚要什么"的阶段；达索Leo已经开始进入"理解为什么"的阶段，但它目前只在3DEXPERIENCE SaaS环境可用，离大规模工程应用还有距离。这个过渡期大概2-3年。
趋势推导：当Leo级别的意图理解下沉到桌面端、国产CAD也开始集成类似能力时，"会用AI"就不再是差异化能力了——它是基线要求。差异化变成：谁能在最短时间内、用最少次数的交互、获得最准确且可验证的结果。
结论：现在开始训练"意图表达力"——不是学怎么写Prompt，而是学会在工程语境中精确、无歧义地表达设计目标和约束条件——比学任何一个具体的AI工具更重要。
判断2：参数化设计能力会从"加分项"变成"生存项"
在过去，CATIA工程师可以分为两类：会二次开发（写宏、做知识工程模板）的和不会的。前者效率是后者的3-5倍，但后者靠熟练的手动操作也能完成工作。AI正在抹平这个差距。
浩辰AI助手能一句话完成批量标注、批量图层管理、批量图形排列——这些操作以前是二次开发脚本的典型应用场景。CATIA的Generative Assembly能自动完成装配约束——以前这是需要写宏或手工操作的重体力活。当AI把这些"脚本类工作"吸收掉之后，不会二次开发的工程师跟会二次开发的工程师之间的效率差距会缩小。
但新的差距会出现：谁能设计更好的参数化规则体系、谁能定义更精准的工程约束模型、谁能让AI在自己的领域跑得更准。这不是"会用AI"的差距，是"工程思维深度"的差距。
现状分析：目前AI在CAD中的落地集中在三个层面：命令执行（浩辰）、特征识别与生成（卡伦特/Chamfer AI）、意图理解与推理（达索Leo）。前两个层面的工具化速度很快，第三个层面还处于头部厂商的旗舰产品中。
趋势推导：12-18个月内，国产主流CAD大概率都会集成AI命令助手；24-36个月内，参数化AI生成将成为中端CAD标配。到那时，"会用AI画图"就跟"会用鼠标"一样不值钱。
结论：与其焦虑AI会取代什么，不如想清楚：在你的专业领域里，哪些工程判断是AI短期内做不了的——那才是你未来3-5年的护城河。
判断3：CATIA二次开发工程师的角色将从"代码搬运工"变成"AI编排者"
这个判断可能与很多人的直觉相反。很多人认为AI会消灭二次开发——既然AI能听懂人话、能直接操作CAD，为什么还需要人写代码？
因为AI解决的是"路径"问题——从意图到结果的最短路径。但工程领域有两个东西AI短期内解决不了：一是"什么是正确的结果"（需要工程判断），二是"如何在企业流程中落地"（需要系统集成）。这两件事恰恰是二次开发工程师擅长且AI做不了的。
CATIA R2026x的Generative Engineering Rules已经给出了方向：未来的二次开发不是写VBA宏去执行操作，而是定义工程规则模型让AI去执行。Visual Scripting进一步降低了规则定义的门槛。二次开发工程师要做的是：理解企业的工程知识体系将其转化为结构化的规则接入AI执行层建立验证和兜底机制。
现状分析：目前头部企业（达索、西门子、PTC）都在建设这个"AI编排层"。PTC的12个AI智能体覆盖PLM-ALM-Service全生命周期，西门子Eigen实现端到端自主工程——它们都在定义"人定义规则+AI执行+人验证"的新协作模式。
趋势推导：3-5年内，企业级的AI+CAD落地不会是"每个工程师自己对着AI说话"，而是"企业定义工程规则库AI在规则约束下执行人工审核关键节点"。二次开发工程师是这个规则库的主要建设者。
结论：从"写代码让机器执行命令"转向"设计规则让AI执行意图"，这是CATIA二次开发工程师未来5年最大的职业升级窗口。抓住它的人，会成为企业AI转型中最稀缺的人才；错过的人，会被AI直接替代掉中间层。
判断4：工业AI的真正瓶颈不是模型能力，是"工程语义"的数字化程度
达索为什么能让Leo做到"理解机械接口、预测装配关系"？不是因为它的LLM比别人强，而是因为它有30年的CATIA工程数据沉淀——每个特征、每个约束、每个参数都有清晰的语义标签。浩辰AI助手能覆盖900+命令，是因为它拥有自主CAD内核和数亿张专业图纸的训练数据。
这就是工业AI跟通用AI的本质区别：不是模型大就行，而是你的工程数据有没有被结构化、有没有携带足够的语义信息。一个只存了B-rep几何的模型文件，AI读到的只是一堆面和边；一个携带了特征树、约束关系、材料属性、制造信息的模型，AI才能理解"这是一个轴承座的安装面，需要承受径向载荷"。
现状分析：目前绝大多数企业的CATIA模型是"语义贫乏"的——有几何，没有工程意图；有参数，没有约束逻辑；有装配关系，没有设计决策记录。这导致AI能画图但不能理解图。
趋势推导：未来3年，模型语义化会成为工业AI落地的最大推动力（也是最大瓶颈）。企业会要求CATIA模型不仅要几何正确，还要携带可被AI解析的工程语义——MBD（基于模型的定义）、数字线程、从设计到制造的全链条数据追溯。
结论：CATIA二次开发工程师当前最有价值的投入，不是追AI热点，而是系统性地做"模型语义化"——把企业现有的工程知识、设计规范、参数化规则沉淀为结构化数据。这是AI能真正帮上忙的前提。
四、给 CATIA 工程师的建议
- 从现在开始训练"意图表达力"：每周选3个你日常用CATIA完成的典型操作（装配约束、批量标注、规则检查），用自然语言写清楚每个操作的"输入约束预期输出"。不是写给AI看，是训练自己把隐性的工程判断显性化。三个月后你会发现，你对设计意图的精确描述能力会发生质变。
- 把你最常用的三类二次开发脚本升级为"规则模型"：不要满足于宏能跑通。思考三个问题——这个脚本背后的工程判断是什么？什么情况下判断会变？能否用参数化的方式表达这些判断规则？把这个过程文档化，这就是你的"工程规则库"雏形。
- 主动做一次"模型语义化实验"：挑一个你正在做的项目，在一个典型零件上，尝试记录完整的设计决策链——为什么选这个壁厚、为什么用这个圆角半径、为什么这样定义约束关系。看看CATIA的Knowledgeware模块（知识工程）能帮你结构化多少。这不仅是个人能力积累，也是未来对接企业AI系统的"数据资产"。
读者互动：你现在的工作中，哪些CATIA操作是"重复到闭着眼都能做"的？如果有一个AI助手能帮你一键完成，你最想先解放哪一项？欢迎在评论区分享——说不定下一期我们就写一个你的场景。
关注回复「参数化」加入 CATIA 二次开发交流群
_栏目：深度思考 | 发布日期：2026-07-29 | 字数：约2400字_