Resumen Técnico: AgentsCAD

Planteamiento del Problema

Las piezas fabricadas mediante el Modelado por Deposición Fundida (FDM) requieren frecuentemente modificaciones de Diseño para la Fabricación Aditiva (DFAM) para asegurar la imprimibilidad, la integridad estructural y un post-procesamiento mínimo. Si bien el software de laminado (slicing) actual puede identificar defectos como voladizos pronunciados (superficies inclinadas más allá de ~45° de la vertical), carece de la capacidad de modificar la geometría subyacente de la Representación de Frontera (B-Rep). La literatura existente aborda subproblemas aislados: los sistemas de Text-to-CAD generan nueva geometría a partir de prompts pero no pueden modificar piezas existentes; las redes de Reconocimiento Automático de Características (AFR) clasifican tipos de caras pero no proponen correcciones geométricas; y las herramientas de manufacturabilidad predicen defectos sin generar estrategias correctivas. En consecuencia, los ingenieros deben iterar manualmente entre las plataformas de CAD y de laminado para resolver estos problemas. Existe una brecha crítica en los sistemas de bucle cerrado que puedan analizar una pieza CAD existente, razonar sobre su manufacturabilidad y modificar automáticamente su geometría B-Rep para resolver defectos específicos.

Metodología

Los autores proponen AgentsCAD, un sistema multi-agente que tiende un puente entre la geometría B-Rep pura y el razonamiento de Modelos de Lenguaje de Gran Escala (LLM) para automatizar el DFAM dirigido. El sistema opera bajo una arquitectura de Pizarra (Blackboard), utilizando un objeto de estado compartido para orquestar nueve fases distintas. Este diseño desacopla los componentes, permitiendo fases deterministas basadas en reglas y agentes intercambiables sin necesidad de refactorizar la lógica de coordinación.

1. Representación Geométrica y Análisis (Parsing)

El flujo de trabajo comienza analizando un archivo STEP mediante CadQuery para recorrer la topología B-Rep. Para que la geometría sea legible para un LLM, el sistema convierte miles de caras, aristas y vértices en un prompt JSON estructurado y compacto. Esta representación incluye:

• Atributos Escalares: Tipo de superficie (Plana, Cilindrica, etc.), área, centroide, ángulos de inclinación con signo, radio de giro e índice de elongación.
• Contexto Topológico: Un grafo de adyacencia de caras explícito (serializado como una lista de links) que codifica las relaciones de aristas compartidas, lo cual no puede representar un arreglo escalar simple.
• Aumentación Semántica: Un modelo GraphSAGE, entrenado en el corpus MFCAD++ (59,665 piezas), genera etiquetas de características semánticas de 25 clases (ej. rect_pocket, chamfer) y puntuaciones de confianza para cada cara. Estas se inyectan en el prompt para proporcionar contexto de manufactura.

2. Flujo de Trabajo Multi-Agente

El sistema ejecuta las siguientes fases:

• Detección de Defectos (Basada en Reglas): Un módulo determinista marca las caras cuyas normales de superficie satisfacen $\theta = \arccos(\hat{n}_{face} \cdot \hat{z}_{plane} \le 0)$ como voladizos (overhangs). Esto establece una verdad de terreno verificable.
• Razonamiento de Diseño (LLM): Un agente Claude Sonnet 4.6 analiza el prompt JSON utilizando razonamiento de Cadena de Pensamiento (CoT). Está fundamentado por herramientas de Protocolo de Contexto de Modelo (MCP) (check_orientation_overhangs, lay_face_to_build_surface) para realizar "rotaciones mentales" y calcular ángulos de Euler exactos, evitando alucinaciones de transformación de coordenadas. El agente recomienda reorientaciones, filetes, chaflanes, formas de lágrima (teardrops) o división de piezas.
• Modificación: Un script aplica las operaciones recomendadas programáticamente mediante CadQuery. La reorientación se realiza al final para preservar la integridad de los IDs de las caras.
• Verificación Visual: Un modelo de lenguaje-visión GPT-4o inspecciona las vistas renderizadas (2048×2048 píxeles) de la pieza modificada. Responde preguntas dirigidas de sí/no respecto a la integridad geométrica (ej. "¿Parecen los bordes suavemente redondeados?") y registra fallos en la pizarra.
• Memoria RAG: Para acumular matices técnicos a través de las piezas sin reentrenar, el sistema utiliza Generación Aumentada por Recuperación (RAG). Los estados de análisis previos se codifican en un almacén de vectores FAISS y se recuperan para informar el razonamiento de nuevas piezas.

Contribuciones Clave

1. Automatización de DFAM de Bucle Cerrado: AgentsCAD es el primer sistema, según conocimiento de los autores, que modifica la geometría B-Rep subyacente de una pieza existente para resolver defectos de manufactura, en lugar de solo generar nueva geometría o predecir defectos.
2. Traducción Estructurada de Geometría a Lenguaje: El artículo demuestra que una representación JSON estructurada que combina descriptores escalares con grafos de adyacencia topológica explícitos es suficiente para que los LLM realicen un razonamiento de DFAM contextual, superando las limitaciones de los arreglos escalares puros.
3. Reconocimiento de Características Inductivo: El trabajo valida el uso de GraphSAGE sobre Redes Convolucionales de Grafos (GCN) para el reconocimiento de características CAD. La naturaleza inductiva de GraphSAGE le permite generalizar a archivos STEP no vistos, y su agregación basada en concatenación preserva las auto-características, superando a GCN que diluye la geometría local mediante normalización simétrica.
4. Necesidad de Fundamentación Geométrica: A través de estudios de ablación, los autores demuestan que la fundamentación con herramientas MCP es un prerrequisito para un razonamiento fiable. Sin herramientas para verificar rotaciones, el LLM alucina transformaciones de coordenadas con alta confianza.

Resultados

Rendimiento del Reconocimiento de Características

En el conjunto de prueba retenido MFCAD++, la arquitectura GraphSAGE con aumentación de normales de superficie UV-net logró un rendimiento de vanguardia:

• Precisión (Accuracy): 85.0%
• Macro F1: 0.785
• Comparación: Superó significativamente a la línea base de GCN (53.8% de precisión, 0.469 Macro F1). La brecha de rendimiento se amplió con conjuntos de características más ricos, confirmando que GraphSAGE explota mejor la información adicional sin diluir las señales de clases minoritarias.
• Visualización: Se encontró que las clasificaciones erróneas se agrupaban en los límites de las características (zonas de transición entre características y material base), lo que sugiere que el trabajo futuro podría beneficiarse de una ponderación de pérdida consciente de los límites.

Validación de Extremo a Extremo

El sistema fue validado en un modelo de casita de pájaros que contenía dos orificios cilíndricos que presentaban voladizos severos en la orientación por defecto.

• Resolución: El sistema identificó correctamente los voladizos, recuperó el conocimiento de dominio relevante vía RAG y recomendó una estrategia de reorientación (colocar la pieza sobre una cara específica) combinada con una modificación de forma de lágra para un orificio horizontal restante.
• Resultado: El archivo STEP modificado tuvo cero voladizos accionables. El delta de volumen fue de -0.75%, consistente con la remoción de material esperada del perfil de lágraga.
• Verificación: El verificador visual confirmó la integridad geométrica, atribuyendo cualquier bandera inconclusa a la resolución del renderizado más que a defectos reales.

Significado y Reivindicaciones

El artículo afirma que AgentsCAD logra cerrar la brecha entre la geometría B-Rep y el razonamiento de los LLM para el problema específico y tratable de la resolución de voladizos. El sistema produce archivos STEP modificados físicamente válidos y reportes de manufactura legibles por humanos.

Los autores enfatizan tres hallazgos principales:

1. Un JSON estructurado con topología explícita es suficiente para que los LLM realicen un razonamiento de DFAM complejo, incluyendo el análisis de estabilidad.
2. GraphSAGE es superior a GCN en este dominio debido a sus capacidades inductivas y la preservación de sus auto-características.
3. La fundamentación geométrica mediante herramientas no es una mejora opcional, sino un requisito fundamental para un razonamiento DFM fiable; sin ella, los LLM alucinan transformaciones físicas.

Este trabajo se posiciona como un paso hacia el DFAM totalmente automatizado, reconociendo limitaciones actuales como las restricciones de tamaño de contexto para piezas grandes, la falta de soporte para ensamblajes y la dependencia de un único agente de razonamiento. Se propone trabajo futuro que incluya sub-agentes dedicados para defectos específicos (ej. concentración de esfuerzos), inyección activa de GraphSAGE y la integración eventual de modelos de próxima generación (ej. GPT-5) para una colaboración más conversacional y multimodal.