10个月，一个人，14万行代码。
建筑师背景的胡政涛，做了一件在很多人看来不可能的事：从零开发了一个AI原生的建筑设计3D CAD平台。不是在Rhino或AutoCAD上做插件，而是几乎把底层几何引擎全部重写。
两个月前，他将产品DEMO发在小红书，引起大量关注——点赞收藏超过1000，评论100多条。视频展示了用自然语言生成建筑BIM模型、平立面实时协同等功能。相比传统CAD软件复杂的操作流程，这种体验差异显而易见。
最核心的在于，其技术路径代表了AI原生应用的一个重要方向。
胡政涛小红书页面内容
01 先聊产品的功能特点
产品的核心功能体现在自然语言交互和实时协同两个层面。
在交互方式上，用户可以用日常语言直接表达设计意图。
比如输入”把建筑底座部分做成玻璃幕墙，裙楼做成线条表皮”，系统会自动识别建筑的底座和裙楼位置，调用对应的资产模板，在几秒钟内生成BIM模型。
如果不满意，继续说”让间距是现在的两倍”，系统能理解”间距”指的是立面线条的间距，并精确修改。甚至可以提出更复杂的要求：”让塔楼每隔两层增加500mm层高”，AI会准确理解”每隔两层”的含义并执行。这种交互方式跳过了传统参数化软件复杂的参数调节过程。
更关键的是平立面协同机制。
传统建筑设计流程是线性的：先确定平面布局，再生成三维体块，最后添加表皮细节。这意味着如果中途需要修改平面，表皮往往要推倒重做。
这个系统打破了这种线性依赖，支持任意节点的修改。改了平面布局，立面会自动更新；调整了立面参数，相关的所有构件会同步响应。这种双向联动的能力，可以解决设计迭代过程中最耗时的重复建模问题。
需要强调的是，系统输出的不是渲染效果图，而是精确的BIM模型，后续可以作为工程量计算和造价分析，也可以做日照、通风等技术模拟。这意味着它不仅是方案阶段的演示工具，而是有可能贯穿从概念设计到施工图设计的完整工作流。
02 差异化的技术路线
市面上已经有很多建筑AI工具。大多数做法是调用Rhino、SketchUp或AutoCAD的API，通过MCP协议让大模型控制建模软件。
但这条路有个致命问题：Agent调用链路不稳定。传统CAD的API是”画点、画线、画面”这种基础操作。而胡政涛封装的API是”选表皮、赋表皮、改风格”这种高层抽象。胡政涛表示，一个复杂阳台的生成，传统方式可能需要50次调用，他的系统只需要2-3次。
参数化软件Grasshopper十年前就有了，为什么没有普及？因为一个参数化模型可能有上百个参数，普通建筑师很难调动，学习成本太高。有了大模型，用户可以说”让这个表皮看上去更密实一点”，AI理解”密实”的含义，可以自动调整相关参数，再结合一些交互控制，完成设计成果。
胡政涛谈到，底层的几何引擎和语义引擎，技术上早已可以实现。但没有大模型作为上层技术牵引，做出来意义不大。大模型的出现，让整个系统活了。这就是”Native AI”的含义——不是在传统软件上加AI，而是从底层就为AI设计的架构。
03 四个技术核心模块
这个系统包含四个核心模块，开发时间分配说明了各自的重要性。
第一，CAD几何引擎，35%开发时间。
胡政涛告诉AI4ELAB，这需要从点、线、面的基础元素开始定义，实现布尔运算、交集运算、差集运算等几何算法。重点是解决几何运算的鲁棒性问题。
传统CAD中，两条线有时接不上，修剪命令有时失效，这些在手动操作时只是小麻烦，但在AI驱动的自动化流程中，任何一个bug都会导致整个建模崩溃。
Rhino和AutoCAD是通用建模平台，需要兼顾各类复杂场景。胡政涛则专注于建筑平面的二维约束逻辑，但在三维建模上针对建筑场景做了专门优化。这种取舍让系统在特定场景下的表现更好。
第二，建筑语义引擎，35%开发时间。
将建筑业务逻辑进行抽象建模。整体架构为类分布式。改了场地，楼会跟着动，这是自上而下的传播；但改了裙楼高度，平面、立面、经济指标会同步更新。
第三，数字资产库，20%开发时间。
核心是将各类建筑表皮、阳台、幕墙封装为参数化模板。每个资产可能包含数十个参数。AI的作用是从模板库中进行组合，然后自动调参。
资产库采用可扩展架构，新增算法可以零侵入式接入，为未来的商业化和生态建设留出了空间。
第四，智能体代理，10%开发时间。
这部分与通用大模型挂钩，用于理解用户输入的自然语言，调用正确的函数序列，传递正确的参数。
这是最表层的chatbot部分，但也是最容易被用户感知的——它让普通人用一句话就能生成建筑方案。核心工作是微调和提示词工程以及其他附属的工程化处理，让大模型准确理解建筑语义。
04 背后的技术难点
胡政涛谈到，整个系统14万行代码，600多个单元测试。一半的开发时间用在调试和修bug上。比如几何运算的bug难以排查，需要专门的可视化调试工具。有时候不是函数报错，而是行为异常——本应从横向变竖向，结果变成了斜向。
系统架构要求低耦合、高内聚。建筑设计是一个“深层”系统，从场地到体块到楼层到表皮，层层嵌套。任意子系统的变动会引发全局重算和状态校准。
Agent的稳定性需要大量的微调和提示词工程。每次调用都要传递完整的建筑语义信息，提示词可能长达数千字。如何让大模型准确理解，需要反复试验。
05 胡政涛的经历，建筑师到AI开发者
胡政涛的背景解释了他为什么能做出这样的产品。
2014年从多伦多大学毕业后，他在加拿大建筑事务所工作了6年，主要做综合体项目——一层商业、裙楼办公、塔楼住宅的复合型建筑。这段经历让他深入理解建筑设计的业务逻辑。
2018年，他开始自学编程，三个月学完前后端，建立起编程思维。2020年疫情期间回国，开始在宾夕法尼亚大学线上攻读计算机硕士，同时继续远程为加拿大公司工作。
2023年初课程基本完成，他开始将建筑知识和编程能力结合，开发了一系列工作流优化工具——原本4小时的工作，通过脚本压缩到半小时。后续胡政涛将其开发工具引入进其母公司，从设计岗转为研发岗。最后离职前职位是Head of AI Research。
这是关键的一年。他在真实的商业环境中开发了大量建筑行业的算法工具：日照分析、间距测算、自动强排，这些经验直接影响了后来的他对建筑ai工具的产品认知深度。
AtomicArch这款软件他从2024年9月开始设计，于2025年7月MVP完成，耗时10个月。
结尾
与胡政涛的多次对话在北京白石桥南同一家咖啡馆进行。他很健谈，非常生动的描述了产品和技术特性，商业化和融资挑战也不回避。他说这个产品目前为原型状态，未来有很大可塑性，且需要更多资源注入才能打磨成熟。
胡政涛的案例提供了一个观察AI原生应用的切面。如果我们认定AI会成为主要的人机交互方式，那么很多软件的底层架构都需要重构。不是简单地加一个对话框，而是从数据结构、API设计、业务抽象层面重新思考。
（完）
如果你对这个软件感兴趣，欢迎报名在11月12日晚上的分享活动，届时胡政涛将分享软件实操与经验交流，如果有其他合作想法，欢迎添加秦明微信，对接交流。
本文来自微信公众号“AI4ELAB”，作者：Connor 秦明
本文来自投稿，不代表AI4ELAB立场，如若转载，请注明出处：https://ai4elab.com/6235.html
