在制造业和产品设计领域，工程师经常面临一个看似简单却极其耗时的问题：如何从数以万计的 CAD 模型库中快速找到与某个目标零件形状相似的设计？传统方法依赖关键词搜索、手动分类或基于文件名的检索，但这些方式无法真正理解三维几何的"形状语义"。Tech Soft 3D 推出的 HOOPS AI 框架正在改变这一现状——其内置的 嵌入与相似性搜索（Embeddings & Similarity Search） 功能，让基于几何特征的智能零件检索成为现实。
HOOPS AI 是什么？
HOOPS AI 是 Tech Soft 3D 于 2025 年 11 月正式发布的全新 SDK，也是业内首个专为 CAD 数据与机器学习融合而构建的完整框架。它面向数据科学家和机器学习工程师，将 CAD 数据访问、数据集准备和编码统一在一个 Python 工具链中，提供从原始 CAD 数据到生产级机器学习模型的最短路径。
HOOPS AI 构建在 Tech Soft 3D 的核心产品 HOOPS Exchange 之上。HOOPS Exchange 是行业优秀的 CAD 导入/导出库，能够高保真地访问超过 30 种文件格式的几何、拓扑、装配体、PMI 和元数据。通过 Python API，开发者无需依赖昂贵的原生 CAD 系统或进行有风险的中间格式转换，即可直接操作 CAD 数据。
HOOPS AI 为那些希望将AI应用于三维 CAD 领域的团队提供了一个完整且可复现的流水线，使 CAD 数据与机器学习的结合既实用又可扩展。
为什么 CAD 相似性搜索如此重要？
在工程制造的日常工作中，零件复用是提升效率和降低成本的关键策略。然而，大型企业积累了数十年的 CAD 模型数据，往往分散在不同的系统和格式中。工程师在设计新零件时，可能在不知情的情况下重复设计了一个已有的零件，或者错过了一个可以稍作修改便能复用的既有设计。
传统的零件检索方式存在根本性局限：基于关键词的搜索依赖元数据的完整性和一致性；基于参数的搜索只能匹配精确的尺寸规格；人工浏览则在海量数据面前几乎不可行。CAD 相似性搜索的核心价值在于：它能理解"形状"本身，而非仅仅依赖附加的文本描述。
具体应用场景包括：
HOOPS AI 如何实现 CAD 相似性搜索？
HOOPS AI 的相似性搜索功能依赖于一个核心概念——向量嵌入（Embeddings），这一技术在自然语言处理和图像检索领域已经广泛应用，而 HOOPS AI 将其拓展到了三维 CAD 的世界。
从 B-rep 到图结构
HOOPS AI 的技术基础是将 CAD 模型的边界表示（B-rep）数据转化为图神经网络（GNN）可处理的图结构。在这种表示中，B-rep 模型的每个面成为图的节点，面与面之间的拓扑连接关系成为图的边。每个节点和边上附带着丰富的几何与拓扑特征——包括表面类型、曲率、二面角、UV 网格采样数据等。
编码器：将几何转化为向量
HOOPS AI 提供了预构建的编码器，能够将上述图结构特征转化为紧凑的向量表示。编码过程涉及多个步骤：首先通过 CNN 处理每个面的 UV 网格几何数据，再通过 MLP 处理面的属性特征，同时提取面之间的角度和距离直方图，最终将所有信息融合为每个面的特征向量。经过多层 Transformer 式的图注意力网络处理后，整个模型被压缩为一个固定维度的嵌入向量。
这个向量就是零件的"几何指纹"——它在高维空间中编码了零件的形状本质。形状相似的零件在向量空间中彼此接近，而形状差异大的零件则相距甚远。
相似性检索
有了嵌入向量，相似性搜索就变得直截了当：给定一个查询零件，先将其编码为向量，然后在已预先编码的零件库中，通过余弦相似度或欧氏距离等度量方法，检索出最相近的多个结果。这种方法不依赖元数据标注，完全基于零件的几何形状进行匹配。
总结
HOOPS AI的CAD相似性搜索功能标志着三维工程数据检索方式的一次根本性转变——从依赖文件名和人工标注的文本检索，迈向基于几何语义理解的智能检索。
在AI与制造业深度融合的大趋势下，HOOPS AI的发布代表了一个重要信号：三维CAD数据——这一工程领域最核心、最丰富却长期被AI技术忽视的数据资产——正在被真正激活。谁能率先将这些数据转化为智能洞察，谁就将在下一轮工程软件的竞争中占据先机。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。