WebGIS + AI 智能体:唯杰地图智能体平台,一句话处理 CAD 图纸
CAD 图纸叠到地图上偏了几百米,说不清是哪个坐标系;施工图是局部坐标,参数得自己算;扫描件想改只能重描——这些通用 AI 干不了的活,被做成了开箱即用的应用。这篇把自动定坐标系与坐标转换、参数解算、图片转可编辑 DXF、构件识别与智能审图逐个拆开,给出七参数 Helmert 变换的代码骨架与 MCP 接入 AI 编辑器的配置示例,讲清楚「专业工具干专业活、智能体干听懂人话」这个分工为什么更靠谱。
文章目录
做过测绘、规划、设计的人,大概都熟悉这样的一天:甲方发来一个 DWG,叠到地图上却偏了几百米,说不清是哪个坐标系;施工图用的是局部坐标,只能自己找几个公共点、算参数、一点点试;档案室翻出来的只有扫描件,想改一行都得照着重描一遍;总平面图上到底有多少棵树、多少个车位,只能放大了一个一个数。这些活都不难,但都费时间,而且通用 AI 工具偏偏帮不上忙——它们读不了 DWG,不懂投影带,更算不了七参数。CAD 与 GIS 之间那几道坎,卡的从来不是手速,而是专业壁垒。
值得看的是「唯杰地图智能体平台」的思路:把 CAD 图纸叠加到地图后自动定坐标系、坐标转换与参数解算、图片转可编辑 DXF、构件识别与智能审图 这些专业活做成开箱即用的应用,再配上一个会读图纸、会画地图的智能体——一个平台全接住,说一句话就能做完。这篇就把这几件事逐个拆开讲清楚,最后说说怎么通过 MCP 把它接进你自己的 AI 编辑器。
1、为什么通用 AI 干不了 CAD 这块的活
1、为什么通用 AI 干不了 CAD 这块的活 · AI 生成示意图
通用大模型的训练语料里,代码很多,图纸很少。喂它一份 DWG,它读不出图层结构;问它「这张图是什么坐标系」,它只能给一个听起来合理的答案——可坐标系一旦猜错,后面所有坐标都是错的。投影带、七参数、公共点残差这些概念,对通用 AI 来说更像术语,而不是能真正算出来的东西。
所以这条路必须换思路:不是让模型看着图纸硬推理,而是把专业能力先做成可调用的确定性工具,再让智能体负责听懂人话、串起流程。 这是理解整个平台设计的钥匙,后面每个功能都按这个分工来。
| 环节 | 传统做法 | 智能体平台的做法 |
|---|---|---|
| 图纸叠加地图 | 人工试带号、反复配准 | 读图自动定坐标系,叠加即对齐 |
| 坐标转换 | 多个专业软件来回倒腾 | 一个页面里换算,换算链路写清楚 |
| 参数解算 | 手点公共点、抄平移旋转尺度 | 填公共点直接出参数与残差 |
| 图片转 CAD | 照着重描,或外包描图 | 选个预设,转成能编辑的 DXF |
| 构件统计 | 放大一个一个数 | 框一个样例,全图找同类 |
| 智能审图 | 人工对照规范逐条查 | 按规则包初审,结论带条文依据 |
2、图纸叠到地图上:自动定坐标系,叠加即对齐
第一件事是把 CAD 图纸叠到地图上。听起来只是「把图放上去」,实际难点全在对位:偏几十米是位置错,偏几百米就是坐标系错,而坐标系错了,图上每一条标注都会跟着错。
「CAD 图纸地图叠加」这个应用会读出图纸坐标,再识别图里的站名、地名这类可以当判据的线索,据此自动定出坐标系,几秒钟就叠了上去。关键在于它不是黑箱:点开坐标系标签,能看到判定依据——这张图是按图内某个站名定出的投影带。
判不出来也不慌。有些图坐标位数少、图里又没有能认的地名,应用会提示还差图纸所在位置,把候选投影带按可能性排好让你逐个预览,也能输一个地名让它重算,或者干脆在地图上点一下大致位置。能给出候选、让你挑,本身就是一种诚实。
而对于施工图、建筑平面图这类只有局部坐标的图,走的是另一条路:公共点配准。左边是图纸、右边是地图,在图纸上点一个角,再到影像上点它的真实位置,这就是一对公共点;点够三对,下面会列出每对点的残差,准不准一眼看得见,对齐了点「应用配准」即可。
叠好之后还能切二维、三维、贴地形的地球视图,底图也能换。这一节真正的价值不在炫技,而在于把「不确定」变成了「有依据」——判定依据、残差、中误差都摊开给你看。
3、坐标转换与参数解算:测绘人的工具箱收进了同一个页面
坐标系转换是测绘里最高频的日常。平台把常用转换收齐了:WGS84、CGCS2000(国家 2000)、北京 54、西安 80,以及高德、百度这类互联网坐标;投影侧有高斯 3° 带、6° 带。
最好用的地方是换算链路是写清楚的——不是甩给你一串数字,而是明明白白告诉你中间经过哪几步,你心里有数,才判断得出这个结果能不能用。输出可以复制,也能导出成 CAD 能直接打开的 DXF。
真正难的是施工坐标转国家坐标这类活:两个坐标系之间差一个旋转和一个尺度,必须先求参数。平台的「参数解算」支持七参数、三参数、四参数、六参数,填上公共点,结果直接出来:平移、旋转、尺度,外加每个点的残差和中误差。精度满意就「用这组参数换算」,也可以存进参数库下次直接用。
这一点特别值得抄——参数解算必须带着残差和中误差一起给。只给参数不给误差的转换,看着一样准,风险完全不同。
七参数的数学骨架其实不复杂,就是 3 个平移 + 3 个旋转 + 1 个尺度,用公共点把它们解出来,再用残差衡量拟合得怎么样:
#!/usr/bin/env python3
"""七参数(Helmert)刚体变换 + 残差评估骨架。
运行环境:Python 3.8+,只用标准库。
这里只演示参数解算的数学部分,不涉及任何具体平台接口。
"""
import math
def matmul(a, b):
"""3x3 矩阵相乘。"""
return [[sum(a[i][k] * b[k][j] for k in range(3)) for j in range(3)] for i in range(3)]
def helmert(t, r, s):
"""七参数 -> (旋转矩阵, 平移向量, 尺度系数)。r 用弧度。"""
tx, ty, tz = t
rx, ry, rz = r
scale = 1.0 + s
cx, sx = math.cos(rx), math.sin(rx)
cy, sy = math.cos(ry), math.sin(ry)
cz, sz = math.cos(rz), math.sin(rz)
rot_x = [[1, 0, 0], [0, cx, -sx], [0, sx, cx]]
rot_y = [[cy, 0, sy], [0, 1, 0], [-sy, 0, cy]]
rot_z = [[cz, -sz, 0], [sz, cz, 0], [0, 0, 1]]
rot = matmul(matmul(rot_z, rot_y), rot_x)
return rot, (tx, ty, tz), scale
def transform(p, rot, trans, scale):
"""单点正算:目标 = T + s * (R * 源)。"""
return [scale * sum(rot[i][k] * p[k] for k in range(3)) + trans[i] for i in range(3)]
def evaluate(known, t, r, s):
"""known 是 [(源坐标, 目标坐标), ...],返回逐点残差与中误差 RMSE。"""
rot, trans, scale = helmert(t, r, s)
res = []
for src, dst in known:
out = transform(src, rot, trans, scale)
res.append(math.sqrt(sum((out[i] - dst[i]) ** 2 for i in range(3))))
rmse = math.sqrt(sum(d * d for d in res) / len(res)) if res else float("nan")
return res, rmse
这段代码只是把逻辑摊开:参数解算的难点从来不在那三个平移和三个旋转,而在公共点选得好不好、残差算得干不干净。而这两件最费时间的活,恰恰是工具最该替人做掉的。
4、图片转 CAD:扫描件变成真正能改的 DXF
档案室里的老图纸只有扫描件,甲方发来的是一张截图,现场拍的是一张照片。「图片转 CAD」把这些变成真正可编辑的 CAD 图——这一点是分水岭:描出来一堆线和文字不算成功,能在 CAD 里继续改、继续标注、继续量,才算。
流程很直白:上传图片(点选、拖入、粘贴截图都行),选一个预设——建筑、机械、草图,或者「忠实」照原样描——然后转成 DXF。
转出来的不只是线:尺寸链会被装配成真正的 DIMENSION 标注,重复出现的符号做成块,文字走 OCR 识别并可以开启大模型校正;彩色图纸还能按颜色把不同的线分到不同图层。转完可以逐处和原图核对,不满意就再调。
我的判断是:这一步的门槛不在算法,在预设选得对不对。建筑图和零件图的线条规则完全不同,预设选错,识别得再准也是错的——所以"忠实"与"专业"之间的取舍,本来就是产品要替人做掉的决策。
5、构件识别与智能审图:数和审,都交给机器
「CAD 构件与连线识别」的逻辑是以例找同:你在图上框一个样例——一棵树、一辆车、一个车位——它就在整张图里找出所有同类,允许旋转、镜像和缩放。不知道怎么框,还能让 AI 先去找样例:描述一下图上的画法,视觉模型自己找几个例子做模板;模板存进构件库,可以反复用。
「AI 智能审图」是另一回事:选一张图纸,AI 自动读图、识别对象、判断图纸类型,再按对应的规则包逐条审查。结论分四种(不通过、需复核、通过、不涉及),每条标着条文出处和实测值,带证据截图,点「定位」直接飞到图上;不清楚为什么报,可以让大模型解释原因和修改建议。
值得注意的是,这两个应用是打通的——审煤矿采掘图时,会自动调用构件识别,把巷道中心线提出来量宽度。这正是「一个平台全接住」的含义:不是一堆孤立工具,而是一条能互相调动的链路。
当然,AI 的识别结果会出错,关键数据和坐标务必自己核对一遍。工具替你省掉的是机械劳动,不是替你担责任。
6、说一句话就能做完:智能体把应用串起来
上面每个应用都能单独打开用。但更省事的方式是直接告诉智能体你要什么:先在图上点选一个实体,然后问「图中还有多少个同样的?在图上标出来」,它就能读图纸里的实体、图层、块定义和坐标,一次把同类找齐。
整个过程在一个对话工作台里完成:中间是对话和每一步的执行过程,右边是实时预览、生成的文件和工具调用记录。做出来的是能直接打开的网页、能下载的数据;不满意就接着说,它在原来的基础上改。
| 你想做的事 | 可以这样说 |
|---|---|
| 叠加到地图 | 「把这张 2000 坐标系的地形图叠加到天地图上,支持透明度调节」 |
| 无坐标配准 | 「这张厂区平面图没有坐标,帮我用几个已知点把它套到卫星影像上」 |
| 坐标转换 | 「这个 shp 是北京 54 的,帮我转成 CGCS2000」 |
| 图片转 CAD | 「把这张扫描的平面图转成 DXF」 |
| 统计构件 | 「这张图有多少个停车位?」 |
| 图纸审查 | 「审查这张建筑立面图(住宅),给出不通过和需复核的问题」 |
| 出图导出 | 「只导出给排水图层,透明背景,导出 PDF 和 PNG」 |
这张表背后有个设计思路:智能体负责「听懂」和「串起来」,专业能力仍然留在应用里;需要你拍板的地方,它会弹出选图、选点、表单这类交互控件问你,而不是硬猜。这比「全自动但不知深浅」要靠谱得多。
7、接进你自己的 AI 编辑器:MCP
不想换环境?平台支持通过 MCP 接入 AI 编辑器:在首页点「MCP」生成一个专属地址,粘贴到 Cursor、Claude Code、Codex、Trae、通义灵码等 AI 编辑器里,在编辑器里说一句,就能用上平台的地图、图纸和技能。配置大致长这样:
{
"mcpServers": {
"vjmap": {
"url": "https://<在平台首页 MCP 处生成的专属地址>"
}
}
}
各家编辑器的字段名略有差别,把地址填进 url 字段就能用。要接进业务系统、或者关心私有化部署怎么落地,原文里有更详细的说明。
这条路的意义在于:AI 编辑器变成了操作台,平台变成了被调用的后端。 你在熟悉的编辑器里写文档、跑脚本,中间顺手让它读一张图、叠一次图,不必专门再开一个网页工作台。
写在最后
CAD 和 GIS 之间一直隔着格式、坐标系和一堆重复劳动。唯杰地图这次把积累下来的能力做成了人人能直接用的应用,再配上一个能听懂中文的智能体:会用软件的,打开应用就能干活;不想找按钮的,说一句话就行。
我更看重的是两点。一是每一步都给依据——坐标系判定依据、配准残差、参数中误差、审图条文出处,不是甩一个数字让你信;二是专业能力和智能体分工明确,活由工具干,听由智能体干,拍板权留给人。
我的判断是:这类「专业工具 + 智能体」的组合,比让大模型直接读图纸靠谱得多。因为专业壁垒从来不是靠模型补上的,是靠工具补上的;模型要做的,只是把门槛降到一句话。
相关阅读
文中链接
整理自本文的外部链接,请以来源页面说明为准。