收益：
- 能够在设计理念生成、参数化思维和 CAD 自动化中正确定位 AI
- 能够通过结构化提示将自由文本需求转换为可测量的约束和标准
- 能够在工程约束下应用验证人工智能生成的设计和脚本的能力
机械工程是将想法转化为物理现实的艺术：提出一种安全、可制造的设计，该设计在给定需求、一组约束和自然法则的情况下可行。人工智能（简称AI：通过学习给定文本，像人类一样生成文本、代码和建议的软件）作为“设计伙伴”进入这一过程。产生替代想法，加速参数化思维（使用可变变量而不是固定尺寸构建设计的方法），编写 CAD 宏并起草文档。但人工智能并不能确认强度计算，不能保证装配中是否能满足公差，也不能将设计“发送”到生产。所有这些决定均由工程师自行决定并承担法律责任。在本单元中，您将学习在设计和 CAD（计算机辅助设计）工作流程中的何处放置 AI 以及如何验证其输出。
人工智能在设计过程中处于什么位置？
我们把一个设计流程大致分为四个阶段，明确定位AI和工程师的角色。这种区别构成了这个问题的基础：“我会让人工智能做什么，我永远不会做什么？”
舞台
人工智能（加速器）的作用
工程师的角色（决策）
要求/概念
替代概念、类似解决方案示例、问题列表
确定约束条件、优先级和验收标准
初步设计
参数关系、粗略尺寸草图
验证计算、假设和载荷路径
详细设计
CAD宏/脚本、标准件推荐
几何形状、公差、材料决定
验证/批准
报告草稿、清单、摘要
分析、测试、签名和责任
关键原则：人工智能擅长发散思维（产生大量想法），但不擅长聚合决策（质疑其中哪一个是正确的、安全的、可生产的）。收敛;它需要物理学知识、工程直觉和责任感。这是无法自动化的核心工程工作。
提示：将人工智能用作“想法倍增器”，而不是“答录机”。说“为此链接建议 5 种不同的设计方法，写下每种方法的优缺点和弱点”比说“给出最好的设计”更有价值；因为它把决定和理由留给了你。
一步一步：从需要自由文本到经过验证的设计
- 使需求可衡量。 “又轻又强”不是一个要求； “质量 < 2 kg，500 N 垂直载荷时的安全系数 ≥ 2，室外腐蚀”是一项要求。
- 标记歧义之处。不要让AI编造未给出的值；将其列为“需要澄清”。
- 产生很多概念。至少有 3 个替代方案，每个方案都有其加载路径逻辑的弱点。
- 制定验证计划。每个概念都有一个“我应该进行哪些计算”列表。
- 添加 CAD 自动化。生成用于重复建模的宏/脚本。
- 验证并确认。独立检查测量、单位、质量和临界计算；然后签名。
提示将需求转换为约束和标准
角色：您是一名经验丰富的机械设计工程师。任务：将以下自由文本要求转化为可测量的设计要求（约束+标准）。要求：“一种易于组装的输送机托架，可在户外运行，负载 30 公斤。”输出格式： - 功能要求（做什么） - 负载/环境约束（力、温度、腐蚀、振动） - 可测量标准（质量、安全系数、成本目标） - 尚不清楚且需要澄清的点 规则：数值不适合；将省略的值标记为“必须澄清”。
最后一条规则很重要：如果人工智能自发地“假设”一个未给定的负载值，那么你的设计就是错误的。标记不确定性可以加强需求收集的纪律。
产生许多概念的提示
为以下元素建议 3 个不同的概念：30 千克的垂直静载荷、使用两个 M8 螺栓进行墙壁安装、室外环境（腐蚀）、目标质量 < 1 千克。对于每个概念：- 载荷路径（力如何传递到螺栓）- 可能的材料系列- 估计的最薄弱点- 我需要执行的计算列表规则：数字拟合；我会核实账目。
参数化思维和 CAD 自动化
现代 CAD 工具（SolidWorks、Fusion 360、CATIA、FreeCAD）以参数化和基于脚本的方式工作。人工智能在重复建模任务的宏/脚本生成方面非常强大：生成螺栓模式、使用表格导出零件族、批量提取质量属性。因此，重复工作的时间减少到几分钟。
CAD脚本生成提示
为 FreeCAD Python 控制台编写脚本：使用参数长度、宽度、高度和角半径创建一个盒子轮廓，并打印其质量属性（体积、重心）。令材料密度为参数 (kg/m^3)。用注释解释一下代码。规则：开头指定测量单位（mm）；保持单位一致性。规则：用解析公式计算体积并将其打印在屏幕上以便我验证。
注意：即使 AI 的 CAD 脚本在几何上“有效”，从工程角度来看也可能是错误的：单位错误（mm/m 混淆）、轴错误、未发生交叉。运行脚本后，将生成的模型的尺寸和质量与已知参考进行比较。
设计评审提示
通过设计评审的角度批评以下设计决策。不要不同意我的观点；列出弱点、风险假设和缺失的计算。为每个项目写下“为什么要冒险”和“我如何验证”。设计：【支架材质、厚度、螺栓、载荷信息】
弱提示/强提示
弱提示：
给我设计一个支架。
无负载、材料、安装接口和约束；人工智能产生一般性、无量纲且无法验证的解释。产量看似饱满，但工程价值较低。
强力提示：
针对以下支架建议 3 种不同的概念：30 kg 垂直负载、使用两个 M8 螺栓进行墙壁安装、室外环境（腐蚀）、目标质量 < 1 kg。对于每个概念：加载路径逻辑、可能的材料、估计的弱点以及我应该进行哪些计算。不要编造数字；我会验证账户。
第二个提示给出了约束条件，要求提供多个概念，并将验证留给工程师，问题是“我应该做什么计算？”这将人工智能定位为一种加速而不是接管责任的工具。
三个迷你箱（按数字）
案例 1 - 泵腿，共振阱。工程师 Ayşe 正在为转速为 1450 rpm（即 24.2 Hz）的泵设计减振支架。 AI 建议使用弹性体楔块，硬度为 k = 200 N/mm。 Ayşe 自己计算了 40 kg 质量的固有频率：f = (1/2π)·√(k/m) = (1/2π)·√(200000/40) ≈ 11.3 Hz。隔离之所以有效，是因为兴奋频率 (24.2 Hz) 大约是固有频率的两倍，但 Ayşe 通过使用较软的楔块 (k = 90 N/mm) 将 f ≈ 7.5 Hz 降至 f ≈ 7.5 Hz，从而改善了隔离。人工智能的初始值“有效”，但并非最优；解释了这个决定。
案例 2 - 使用 CAD 宏的零件族。一家公司生产 12 种不同尺寸的法兰。工程师向AI编写Fusion 360脚本，自动导出表格和12个变体；人工需要3天的工作时间减少到2小时。但在脚本生产的DN80法兰中，螺栓孔直径为18毫米；而对于目录 M16，18 毫米孔是正确的。工程师根据标准验证随机变体的测量结果，然后接受全部。
案例 3 - 单位陷阱。一名实习生错误地将 AI 给出的脚本中的密度设置为 7.85 g/cm3，而不是 7850 kg/m3，而是以 mm3 为单位的体积。所得质量偏差为 1000 倍：3200 千克，而不是 3.2 千克。数量级检查（“这个支架不能是 3 吨”）立即捕获了错误。教训：单位一致性是人工智能输出中最常见、最危险的错误来源。
常见错误
- 将融合留给人工智能：说“给我最好的设计”并移交物理和责任。
- 假设不确定性：让AI弥补未给定的负载/温度。
- 不验证 CAD 脚本：不将生成的模型的尺寸和质量与参考进行比较。
- 单位混淆：设置模型/计算时不考虑 mm/m、kg/N 或 g/kg 干扰。
- 锁定单一理念：认为AI的第一个想法是唯一的选择；不生产替代品。
- “它有效 = 正确”谬论：将脚本的无错误操作与正确的结果相混淆。
总之
- 在设计上，AI强于发散思维（想法生成），弱于聚合决策（物理、安全）；该决定由工程师决定。
- 好的设计始于将模糊的愿望转化为可衡量的约束和标准；人工智能有助于翻译。
- CAD 自动化中的 AI 生成强大的脚本/宏；但一定要核实模型的单位和尺寸。
- 让AI生成多个概念并询问“我应该做哪一个计算？”；进行验证。
- AI 不会批准设计或将其投入生产；这项责任仍然由工程师承担。
应用任务
为简单的机器元件（支架、主轴箱、盖等）编写自由文本要求。让人工智能将其转化为可测量的要求（约束+标准），并将任何未给出的值标记为“必须澄清”。然后向人工智能询问至少三个概念以及每个概念的“我需要做的计算”列表。关键验证：选择AI建议的数值（尺寸、硬度、材料属性）并通过手工计算或目录/数据表进行验证；如果不匹配，请写出原因。最后，用一句话列出在将此设计投入生产之前需要哪些工程批准。
清单
- [ ] 对自由文本的需求已转化为可衡量的约束和标准。
- [ ] 未给出的值标记为“必须澄清”； AI没有弥补。
- [ ] 至少生成了三个概念和每个概念的验证（计算）列表。
- [ ] CAD 脚本/宏输出的单位和尺寸与参考进行了比较。
- [ ] 已执行健全性检查。
- [ ] 最终决定和批准留给工程师；它还没有被委托给人工智能。