夜雨聆风前段时间接到一个需求：把一份施工图 PDF，在 SketchUp 2024 里建出三维模型。
我把整个过程跑通了：34.9m×16.9m 的两层发热门诊，149 堵墙、61 个门洞、59 个窗洞、屋面机房，全部由 AI 程序化完成。今天把过程和踩过的坑整理出来，给同样想用 AI 干工程活的朋友做个参考。
第一步：先给 SketchUp 装一个"AI 遥控器"
要让 AI 操作 SketchUp，缺的不是模型能力，而是一座"桥"。我选用了开源方案 SAIE（SketchUp Automation & Intelligence Engine），它的架构非常清晰：
MCP 客户端（如 Codex、Claude）→ Python MCP 服务器（67 个工具）→ WebSocket 桥 → SketchUp 内置 Ruby 插件
部署时遇到的第一课：环境比想象中脆弱。
本机没有 Python，最后借用了 Codex 桌面版自带的运行时； 装依赖时 pip 自动装上了 mcp 2.0，结果 SAIE 用的 FastMCP 在 2.0 里被拆成独立包，启动直接报错，需要把 mcp 固定到 1.x； 官方安装脚本在 PowerShell 5.1 下有个括号语法 bug，干脆手动复制插件文件。
装好后验证：通过 MCP 协议在 SketchUp 里真实建了一个盒子、截图、再删除——全流程打通。那一刻我知道，这条路是通的。
第二步：让 AI 读懂施工图
图纸是"建筑(设计七院)_发热门诊_A-W-FP001 首层及二层平面图"这类文件，单个 PDF 就是一张 A1 图，矢量线几万条、文字上万字。用 PyMuPDF 解析后发现两个关键事实：
好消息：图纸是矢量 + 真实文字，尺寸数字、门窗编号（W-M1123、S-TLM1523）都能直接提取。
坏消息：中文房间名全乱码。图纸用的 CSW-FS 字体没有 ToUnicode 映射，PyMuPDF 提出来全是"��"。试过字形 ID 反推 GBK，也不行。
我的处理是"双轨制"：定量靠矢量数据，定性靠视觉模型。
视觉模型（Qwen3-VL）负责看整体：哪张是首层、哪张是二层、房间大概怎么分布、屋顶有几个机房； 矢量数据负责精确：提取每条线段的坐标和每个尺寸数字。
最关键的突破是推导比例尺：把尺寸数字（比如"6000"）和附近的线段长度配对，算出"每点对应多少毫米"，结果高度收敛在 35.28mm/pt——也就是 1:100。有了这把尺子，图上的一切坐标都能换算成真实毫米。
期间还发现一个坑：平面图在图纸上是上下排列的，首层和二层虽然画在同一张 A1 上，坐标却差了整整 37 米。如果不做坐标归一，建出来的二层会飞到天上去。
第三步：从几万条线里"揪出"墙
这是全程最费劲的部分，迭代了四五轮。
第一版思路：把平行双线配对成墙。CAD 画的墙是两条 150mm 间隔的线，听起来简单，结果把尺寸线、轴网线全配成了"墙"，一抓一大把噪声。
第二版思路：只按重叠度配对，更干净了，但外墙因为被门窗打断成好多段，反而匹配不上。
直到我注意到一个细节：图纸里每堵墙的位置都有一个白色填充矩形——这是 CAD 导出 PDF 时"黑线描边 + 白填充"的墙体轮廓。直接提取白色矩形，厚度 100~320mm、长度大于 0.8m 的，就是墙！这一下准确率大幅提升。
但紧接着又踩了两个坑：
我给矩形过滤加了个"长度小于 5 米"的上限，结果把 29.5 米长的外墙全滤掉了，房间布局直接散架； 合并共线墙段时，ID 生成撞车，后建的墙把先建的覆盖掉，模型里莫名其妙少了一大半墙。
教训很直白：数据管线的每个环节都要能可视化、能量化验收。我把提取结果叠加到图纸上生成对比图，又统计了墙体厚度直方图、端点连接率，靠这些把噪声一点点清干净。
第四步：MCP 批量建模与开洞
数据就绪后，建模本身反而快：
楼板：首层、二层、屋面三层，按建筑外轮廓生成； 墙体：149 堵平面墙 + 52 堵屋面机房墙，分批通过 MCP 批量创建； 二层墙：SAIE 的墙默认从地面长起，需要整体抬升 5.2 米——写一段 Ruby 片段批量平移； 门洞窗洞：按门窗表尺寸做布尔减，61 个门洞、59 个窗洞。
这里又碰到一个"教科书级"的坑：SketchUp 的属性字典不支持存"哈希数组"，存进去读出来全是 nil。SAIE 插件在记录开洞信息时直接崩溃，导致所有开洞失败。查了半天源码才定位，修复方式是改成 JSON 字符串存储，并把补丁同步回插件目录。
还有一堵 29.6 米的长墙，布尔减怎么都返回 nil，最后改成"一次只切一个洞"逐个重试才搞定。
第五步：验收，别急着说"完成了"
模型建完不算完。我把等轴测图、俯视图截出来，让视觉模型做第三方验收，结果还真发现问题：一堵内墙被误开了窗（因为我的外墙识别逻辑把"超过 26 米的长墙"都当成了外墙）。修正逻辑、重建、再验收，最终模型才过关。
最终交付：34.9m×16.9m 两层建筑，含楼板、墙体、61 门、59 窗、屋面机房、女儿墙，分 F1/F2/RF 图层管理，原模型在动手前自动备份。
经验清单（写给想干同样事的人）
- MCP 的价值不在协议，在"桥"
。AI 再聪明，接不上软件就是空谈。找"软件内插件 + 本地 MCP 服务器"的方案，比硬啃官方 API 快得多。 - PDF 图纸解析，矢量数据 > 视觉模型
。视觉会幻觉（它甚至把 34.9m 读成 8.6m），但矢量数据是毫米级的真相。视觉负责方向，矢量负责精度。 - 先算比例尺，再谈建模
。所有坐标转换都以比例尺为锚，锚错了全盘皆输。 - 提取算法要可验收
。叠加图、直方图、连接率，这些数字不会骗你。 - 开源方案的本钱就是"能改源码"
。SketchUp 属性字典、插件崩溃，这些坑最后都是读源码解决的。 - 破坏性操作前先备份
。AI 建错模型是常态，能回滚就不慌。 - 对结果保持怀疑
。AI 生成的模型，一定要用"另一个 AI"去验收，最好再人工抽查关键尺寸。
最后
这次实践最深的感受是：AI + 工程软件的想象空间，比大多数人以为的大。过去"读懂施工图 → 建模"是专业人员几天的活，现在 AI 借助 MCP 能把它跑成一条可复用的流水线——虽然中间还有不少坑，但方向已经清晰。
如果你也在做类似的事，欢迎交流。下一步我打算把房间名、材质、门窗表逐窗对齐这些"最后一公里"补上，让模型从"形似"走向"可用"。
本文由一次真实的 AI 建模实践整理而成。
