基于DeepSeek通用LLM的CATIA自然语言指令建模技术

摘要  

    本文通过在Python程序中调用DeepSeek通用模型的api，并解析AI对于自然语言指令的答案，从而调用CATIA二次开发函数实现对应软件动作，最终实现自然语言指令控制CATIA进行建模、参数修改等操作。  

    关键词：CATIA；人工智能；大语言模型；二次开发；Python

Abstract  

    This research explores the use of natural language instructions to control CATIA for tasks such as modeling and parameter modification. This is achieved by calling the DeepSeek general-purpose model's API within a Python program. The AI's response to the natural language instructions is then parsed, and corresponding CATIA automation functions are called to execute the desired software actions.  

    Keywords: CATIA; Artificial Intelligence; Large Language Model; Automation; Python

引言  

    CATIA作为一款被各行业广泛使用的计算机辅助三维工业设计软件，需要使用者花费较高的学习成本才能使用。如今：  

    随着人工智能及大预言模型的发展，计算机已经可以一定程度理解人类的自然语言；同时，基于CATIA Automation Objects的二次开发，软件操作者可以将一些常用的建模动作写成程序代码，运行对应代码即可实现对应的建模动作。  

    本研究尝试将上述两种技术进行结合，以实现软件操作者通过输入自然语言指令，即可控制CATIA软件完成对应的模型建立、参数更新等动作，从而达到在降低软件使用者操作熟练度要求的同时，提高建模的效率与准确性。

1 在Python程序中调用大语言模型api，实现问答功能  

截止到2025/5，国内外已有很多成熟的大预言模型，如GPT-4o，Deepseek等，且已经被广泛应用于各种应用行业及企业。通过网页端的对话形式，该技术可以一定程度代替传统搜索引擎解决用户的需求。但网页端的对话形式，对于与程序集成有很大的局限性。因此，本研究使用python语言调用deepseek在线模型的api，以实现在自己编写的程序中实现“问-答”功能。  

一段使用python语言调用deep seek api实现问答功能的程序代码如下：  

上述程序运行后，将返回deep seek LLM模型对于“Hello”这一用户指令作出的回答。

2 用Python语言做基于Pycatia的CATIA二次开发  

2.1 CATIA Automation Objects  

    为了满足不同行业、不同企业、不同标准下的用户对软件功能的需求，CATIA为用户提供了一套逻辑与关系都十分严谨的自动化对象，它们从CATIA（Application）向下分支。每个自动化对象（Automation Object，以下简称Object）都有各自的方法与属性。用户使用程序语言调用这些Object的属性与方法，即可控制CATIA软件进行部分操作的自动执行。  

2.2 二次开发的语言选择  

    CATIA软件的用户可以使用VBA、Python、VB.Net、C#等不同支持com接口的程序语言进行CATIA Automation二次开发。各语言仅在语法上有差异，对于自动化对象调用的属性和方法的原理是相通的。由于Python语言中包含丰富的第三方库，如Requests，可以实现用简单的语句发送请求。因此，本研究采用python语言作为程序语言。  

2.3 Pycatia库  

    使用Python进行CATIA Automation二次开发时，我们可以通过纯com接口的方式，即使用win32com.Client.Dispatch(“Catia.Application”)的语句返回CATIA Application对象。但此种方式无法实现对象函数的自动补全。  

    因此，本研究中将安装pycatia库，通过在com对象外层封装class，来实现对象属性和方法的自动补全，以提高代码编写效率和准确率。  

2.4 建模函数库的编写  

    为了实现自然语言控制CATIA的目的，本研究中将编写几个示例功能函数，以实现简单的建模及修改参数动作。部分功能函数代码如下：

3 使用Python程序将大预言模型与pycatia二次开发结合  

    基于上述内容，程序已经可以分别实现与大语言模型的对话，以及控制CATIA软件执行建模动作。接下来，本研究将阐述如何用python将这上述两个功能进行结合。  

    图3.1中的流程图展示了程序运行的基本逻辑：

图3.1 程序运行基本逻辑  

    将用户输入的指令，转换为合适的prompts，并通过api发送给LLM。LLM对用户指令进行解析，提取用户意图可能要调用的函数功能，及函数对应的参数，并以json对象的格式返回。最终在程序中对response中的json对象进行解析，进而调用对应的函数，并传入从用户指令中提取到的参数，实现控制CATIA执行对应的建模动作。  

接下来，本研究将从程序的三个关键功能进行分别阐述。  

3.1 提示词的编写  

    为了让LLM针对用户指令给出期望的答案，用户需要输入足够清晰的prompts。因此，在给LLM进行身份设定时，我们需要给它一个可用的函数库。其中应包含函数名称、函数功能描述、输入参数、函数返回值等信息。为了使代码规范清晰、便于理解，本研究中将函数库以json的格式进行表达。以下为一个json对象，其中包含了“创建直线”，“创建圆”两个函数的函数名、功能描述、参数信息。  

    LLM的api需要用户输入的提示词为string类型，因此还需要一个函数，将上述json对象转换为纯文本格式。此功能可以通过自定义函数实现。  

    最终，本研究中，通过如下自定义函数，将用户输入的自然语言指令，整理为发送给LLM的提示词。  

3.2 Response的解析  

基于前文的代码，假设用户输入“画个边长为15正方形”这一指令，LLM经过思考，会理解用户的意图可以通过四根长度相同、首位相接、两两垂直的直线，并按规定格式返回一个如下的json对象，包含4个create_line函数及对应参数。  

3.3 功能函数的调用  

得到上述Response后，程序的最后一步是解析这个json对象，并从中提取函数名及参数，进而调用对应的功能函数，并传入参数。  

解析json对象的代码如下。  

调用功能函数的代码如下。  

4 结束语  

    通过将上述代码进行整合，本研究已经可以实现使用自然语言指令来控制CATIA进行简单的建模操作。  

示例：  

    当用户输入指令“画10个正方形。要求：1、这10个正方形同心。2、最里面的正方形边长为10。3、从内向外，正方形的边长递增，增幅为20”时，程序在CATIA中绘制出的图形如图4.1所示。

图4.1 根据用户自然语言指令绘制的图形  

    对于手动建模，无论多复杂的模型，用户都是通过CATIA软件提供的几十个常用命令，通过不同的参数设置组合而成。后续如果将这些基础命令全部写成可以被机器调用的库函数，同时提供足够多的优质代码片段和对应模型，来支持训练用于CATIA建模的专用大模型，那么“通过自然语言输入产品定义描述，软件自动给出若干组3D模型方案”的工作方式，将对三维结构设计行业产生颠覆性的影响。