• 一位仿真工程师在整车研发中，花费 50% 工时手工修剪几何模型却仍难统一精度。

• 设计人员需反复核对 CAD 图纸以匹配材质、公差等数十项规范。

• 工业知识散落在手册、经验中难以复用。

• ……

传统工业 CAD/CAE/PLM 流程中的 “效率瓶颈” 与 “标准化困境”，随着 AI 大模型与智能体技术的渗透，这些“困境”正在被打破。

本文将和大家主要聊聊，AI 大模型与智能体技术在 CAD 设计、CAE 仿真、PLM 知识管理等领域可落地、可验证的技术实践。

工业研发的传统模式下的 “三重困境”

在 AI 技术介入前，工业 CAD/CAE/PLM 流程长期面临 “效率低、标准乱、扩展难” 的问题，这些痛点直接影响研发周期与产品质量：

• 效率困境：以 CAE 仿真前处理为例，整车零部件的几何简化需手工去除小孔、突起等非关键结构，单次任务耗时占比超 50%，且需反复迭代调整，严重挤压核心仿真分析时间；CAD 设计中，从材质选型（如轴承套圈需用 GCr15 碳铬钢）到公差控制（如内径公差 0.002mm），均需人工核对规范，易因操作失误延误进度。

• 标准困境：模型清理效果、仿真参数设置依赖工程师主观经验，不同人员处理同一模型可能出现精度差异，导致仿真结果一致性不足；工业知识（如腐蚀防护、疲劳失效分析方法）多以 “经验传承” 形式存在，缺乏数字化沉淀，新人上手周期长。

• 扩展困境：传统工具难以支撑竞品仿真分析、跨部门协同研发等扩展场景，手工处理成本高、数据流转慢，当企业需应对多车型、多品类产品研发时，流程瓶颈愈发明显。

AI 大模型 + 智能体如何破解工业难题？

行云创新的核心实践逻辑，是让 AI 大模型承担 “理解者” 角色，让智能体承担 “执行者” 角色，再通过云原生技术实现 “算力与流程的协同”，最终打通工业 CAD/CAE/PLM 的全链路智能化。

1. 大模型：针对 CAE/CAD 场景的垂类大模型

不同于通用大模型，基于行云股东单位阿里通义大模型的优秀技术积累和专家支持能力，行云大模型 ACP 专家组织团队训练形成制造行业专门针对 CAE/CAD 场景的垂类大模型。

2. 智能体：让工业流程 “自动化执行、经验化沉淀”

基于 NebulaAI 企业级智能体开发平台，行云创新针对 CAD/CAE/PLM 场景打造了三类核心智能体，实现 “从指令到结果” 的闭环：

CAD 设计智能体：规范落地的 “数字助手”该智能体可与 CATIA 等设计软件联动，基于大模型输出的设计规范自动生成 3D 模型。以双列深沟球轴承设计为例，智能体无需人工干预，即可完成 “几何建模”“公差标注”“材质属性赋值” 等全流程操作，研发效率较传统方式显著提升，且设计结果符合行业标准。

CAE 仿真智能体：破解前处理 “效率陷阱”针对 CAE 仿真的核心痛点，该智能体通过 “经验库 + 自动化操作” 实现突破：一方面，将仿真专家的模型清理经验（如面片冗余、缝隙处理方法）数字化存入经验库；另一方面，可在 GPU 服务器上自动启动 ANSYS，完成几何简化、网格划分等操作，仅需人工核验最终结果。实施后，仿真效率有效提升，精度一致性显著提高，且支持竞品仿真分析等扩展场景。

PLM 知识图谱智能体：工业知识的 “活仓库”该智能体构建了 “找 - 建 - 缮 - 管 - 用” 全流程能力：通过 MCP 文档下载器自动抓取工业手册、技术文档，基于大模型构建知识图谱；支持 NL2SQL 查询（如工程师提问 “碳钢腐蚀的环境因素”，智能体可快速定位 “酸性含硫酸盐盐水” 等关键信息）；同时具备版本管理与修复功能，确保知识可沉淀、可复用，打破部门间的知识壁垒。

技术底座支撑：云原生 + 算力调度

AI 大模型与智能体的高效运行，离不开行云创新构建的 “云原生数智底座”，其核心支撑能力包括：

CloudOS 云原生平台：作为面向大中型企业的平台工程产品，可实现 CATIA、ANSYS 等工业软件的算力聚合调度，让软件运行速度提升 30% 以上，同时支持任务自动化编排，避免人工启停的效率损耗。

GPUStack 全栈算力调度：适配 ARM64/X86 通算基础设施与 NPU/GPU 智算基础设施，支持私有云、公有云、混合云部署，可根据仿真任务需求灵活分配算力（如 A100 vGPU 集群用于复杂仿真，L20 集群用于常规建模），确保算力资源高效利用。

MCP 沙盒管理平台：作为业界唯一的工业级沙盒平台，可为智能体开发、测试提供安全隔离环境，同时实现与 SAP、MES 等业务系统的对接，确保数据在工业软件与业务系统间无缝流转。

对方案感兴趣，可以交流交流：www.cloudtogo.cn

感谢阅读，觉得不错点个“赞“吧。