💻 computer science

AgentsCAD: Automated Design for Manufacturing of FDM Parts via Multi-Agent LLM Reasoning and Geometric Feature Recognition

Dit artikel introduceert AgentsCAD, een multi-agent systeem dat geometrische kenmerkherkenning integreert met de redenering van Large Language Models om automatisch FDM-printbaarheidsproblemen in STEP-bestanden te detecteren en geldige geometrische aanpassingen te genereren, zoals heroriëntaties en radii, om maakbaarheid te waarborgen.

Oorspronkelijke auteurs: Emmanuel George, Christopher Keefe, Peter Pak, Amir Barati Farimani

Gepubliceerd 2026-07-03

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Emmanuel George, Christopher Keefe, Peter Pak, Amir Barati Farimani

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een 3D-printer hebt, die een beetje werkt als een zeer nauwkeurig, robotisch lijmpistool. Het bouwt objecten laag voor laag op, door materiaal te stapelen op wat er eerder lag. Maar er is een addertje onder het gras: als je probeert een onderdeel te printen dat te ver zijwaarts uitsteekt (zoals het dak van een vogelhuisje of een plank), heeft de lijm niets om zich aan vast te houden, en stort de print in. Dit wordt een "overhang" genoemd.

Normaal gesproken moet een ingenieur die een onderdeel ontwerpt, handmatig het ontwerp controleren, beseffen dat het zal instorten, en vervolgens teruggaan naar zijn computer om het ontwerp aan te passen. Het is een tijdrovend spel van "raden en controleren" tussen de ontwerpsoftware en de printsoftware.

AgentsCAD is een nieuw systeem dat dit hele proces automatiseert. Denk aan een team van gespecialiseerde robotassistenten die een ruw 3D-ontwerpbestand nemen, precies uitzoeken wat er zal breken, en het voor je repareren voordat je zelfs maar op "print" drukt.

Hier is hoe het team werkt, onderverdeeld in eenvoudige rollen:

1. De Vertaler (De Geometry Parser)

3D-ontwerpbestanden (genaamd STEP-bestanden) zijn als een geheime code geschreven in binaire getallen die computers begrijpen, maar mensen (en AI) ze niet direct kunnen lezen.

De Analogie: Stel je voor dat je een complexe bouwtekening van een huis probeert uit te leggen aan een vriend die een andere taal spreekt. Je kunt de blauwdrukken niet zomaar aan hem geven; je moet ze vertalen naar een eenvoudige lijst: "Hier is een platte wand, hier is een rond gat, en deze wand staat onder een hoek van 90 graden."
Wat AgentsCAD doet: Het leest de geheime code en zet het om in een gestructureerde, gemakkelijk leesbare JSON-lijst. Het vertelt de AI: "Dit vlak is een platte wand, het staat onder een hoek van 90 graden, en het ligt naast dit ronde gat."

2. Het Deskundige Oog (Het GraphSAGE-model)

Voordat de AI advies kan geven, moet het weten waar het naar kijkt. Is die platte wand gewoon een wand, of is het eigenlijk de bodem van een verborgen zak?

De Analogie: Stel je een meester-timmerman voor die 60.000 verschillende houten meubelstukken heeft bestudeerd. Wanneer hij een nieuw stuk hout ziet, ziet hij niet alleen "hout"; hij herkent onmiddellijk: "Ah, dat is een zwaluwstaartverbinding," of "Dat is een pen-en-gatverbinding."
Wat AgentsCAD doet: Het gebruikt een slim neuraal netwerk (getraind op duizenden onderdelen) om elk oppervlak van het 3D-model te labelen met zijn "taak" (bijv. "dit is een zak", "dit is een afschuining"). Dit geeft de AI een diep begrip van de vorm van het object, niet alleen van de cijfers.

3. De Architect (De Design Reasoner)

Dit is het belangrijkste brein van de operatie. Het neemt de vertaalde lijst en de deskundige labels en besluit hoe het printen moet worden gecorrigeerd.

De Analogie: Dit is als een senior architect die naar jouw bouwtekening kijkt en zegt: "Als we dit huis 90 graden draaien, heeft het dak geen steun nodig. Of, als we een klein boogje (een fillet) aan deze scherpe hoek toevoien, zal de lijm beter plakken."
Hoe het denkt: Het gebruikt een "Chain of Thought"-proces (keten van gedachten). Het gokt niet zomaar; het redeneert over het probleem. "Als ik het op deze manier draai, steekt het gat dan nog steeds uit? Nee? Goed. Als ik hier een boogje toevoeg, wordt het onderdeel dan te zwak? Nee? Goed."
Het Veiligheidsnet: Cruciaal is dat deze AI de rotatie niet alleen in zijn hoofd voorstelt; het gebruikt speciale "instrumenten" om de exacte hoek wiskundig te berekenen. Dit voorkomt dat de AI "hallucineert" (oplossingen verzint die er in zijn hoofd goed uitzien, maar fysiek onmogelijk zijn).

4. De Inspecteur (De Visuele Verifieerder)

Zodra de Architect een oplossing voorstelt, verandert het systeem daadwerkelijk het 3D-model en controleert het vervolgens het resultaat.

De Analogie: Stel je voor dat de Architect een nieuwe schets maakt, en dat een tweede, onafhankelijke inspecteur (die ogen heeft, niet alleen een brein) de nieuwe tekening vanuit vier verschillende hoeken bekijkt. De inspecteur vraagt: "Zie ik hier een vloeiende curve? Staat de wand nog wel recht?"
Wat AgentsCAD doet: Het rendert een afbeelding van het nieuwe ontwerp en gebruikt een visuele AI (zoals GPT-4o) om te bevestigen dat de wijzigingen het probleem daadwerkelijk hebben opgelost en niet per ongeluk iets anders hebben beschadigd.

Het Resultaat: De "Vogelhuisjes-test"

Het paper testte dit systeem op een eenvoudig vogelhuisjesmodel.

Het Probleem: Het vogelhuisje had twee gaten (bores) die recht naar beneden wezen. Bij een normale 3D-print zouden deze instorten omdat er geen ondersteuning onder zit.
De Oplossing: Het systeem realiseerde zich dat als je het vogelhuisje op zijn kant legt (draait), één gat veilig wordt. Voor het andere gat, dat nog steeds lastig was, stelde het een "druppelvorm" voor (een specifieke curve die helpt bij het hechten van de lijm).
De Uitkomst: Het systeem draaide het model automatisch, voegde de curve toe en genereerde een nieuw bestand dat klaar was om te printen zonder enige menselijke tussenkomst.

Waarom dit ertoe doet

Voorheen, als je een 3D-printontwerp wilde verbeteren, moest jij de expert zijn. Je moest de regels van 3D-printen kennen en de geometrie handmatig aanpassen. AgentsCAD fungeert als een brug tussen het ruwe 3D-bestand en de regels van de productie. Het vertaalt de geometrie naar taal, redeneert over de beste oplossing en verifieert het resultaat, waardoor een moeilijke technische taak verandert in een geautomatiseerde workflow.

Kortom: Het is een team van AI-specialisten dat jouw 3D-ontwerp leest, de onderdelen opspoort die zullen falen, en ze automatisch opnieuw tekent zodat ze succesvol geprint kunnen worden.

Technische Samenvatting: AgentsCAD

Probleemstelling

Onderdelen die worden vervaardigd via Fused Deposition Modeling (FDM) vereisen vaak aanpassingen voor Design for Additive Manufacturing (DFAM) om de printbaarheid, structurele integriteit en minimale nabewerking te waarborgen. Hoewel huidige slicing-software defecten zoals steile overhangen (oppervlakken die meer dan ~45° van de verticale as afwijken) kan identificeren, ontbreekt het hen aan de capaciteit om de onderliggende B-Rep-geometrie te wijzigen. Bestaande literatuur behandelt geïsoleerde subproblemen: Text-to-CAD-systemen genereren nieuwe geometrie op basis van prompts maar kunnen bestaande onderdelen niet wijzigen; Automatic Feature Recognition (AFR)-netwerken classificeren het type vlakken maar stellen geen geometische oplossingen voor; en manufacturability-tools voorspellen defecten zonder corrigerende strategieën te genereren. Als gevolg hiervan moeten ingenieurs handmatig itereren tussen CAD- en slicer-platforms om deze problemen op te lossen. Er is een kritiek gat in closed-loop systemen die een bestaand CAD-onderdeel kunnen parsen, de maakbaarheid kunnen redeneren en de B-Rep-geometrie automatisch kunnen wijzigen om specifieke defecten op te lossen.

Methodologie

De auteurs stellen AgentsCAD voor, een multi-agent systeem dat de brug slaat tussen ruwe B-Rep-geometrie en Large Language Model (LLM) redenering om gerichte DFAM te automatiseren. Het systeem werkt op een Blackboard-architectuur, waarbij een gedeeld-state object wordt gebruikt om negen verschillende fasen te orkestreren. Dit ontwerp ontkoppelt componenten, waardoor deterministische regelgebaseerde stadia en uitwisselbare agenten mogelijk zijn zonder de coördinatielogica te hoeven herstructureren.

1. Geometrische Representatie en Parsing

De workflow begint met het parsen van een STEP-bestand met behulp van CadQuery om de B-Rep-topologie te doorlopen. Om de geometrie leesbaar te maken voor een LLM, zet het systeem duizenden vlakken, randen en knooppunten om in een gestructureerde, compacte JSON-prompt. Deze representatie bevat:

Scalaire Attributen: Oppervlaktetype (planair, cilinder, etc.), oppervlakte, zwaartepunt, afgeleide hellingshoeken, traagheidsstraal en elongatie-index.
Topologische Context: Een expliciete face-adjacency graaf (geserialiseerd als een links-lijst) die gedeelde-randrelaties codeert, wat ruwe scalaire arrays niet kunnen representeren.
Semantische Augmentatie: Een GraphSAGE-model, getraind op de MFCAD++ corpus (59.665 onderdelen), genereert 25-klasse semantische feature-labels (bijv. rect_pocket, chamfer) en betrouwbaarheidsscores voor elk vlak. Deze worden in de prompt geïnjecteerd om manufacturing-context te bieden.

2. Multi-Agent Workflow

Het systeem voert de volgende fasen uit:

Defect Detectie (Regelgebaseerd): Een deterministisch module markeert vlakken waarvan de oppervlakkenormalen voldoen aan $\theta = \arccos(\hat{n}_{face} \cdot \hat{z}_{plane}) \le 0$ als overhangen. Dit stelt een verifieerbare grondwaarheid vast.
Design Reasoning (LLM): Een Claude Sonnet 4.6-agent analyseert de JSON-prompt met behulp van Chain-of-Thought (CoT) redenering. De agent wordt gegrond door Model Context Protocol (MCP) tools (check_orientation_overhangs, lay_face_to_build_surface) om "mentale rotatie" uit te voeren en exacte Euler-hoeken te berekenen, wat hallucinaties in coördinatentransformaties voorkomt. De agent adviseert heroriëntaties, fillets, chamfers, teardrops of het splitsen van onderdelen.
Modificatie: Een script past de aanbevolen operaties programmatisch toe via CadQuery. Heroriëntatie wordt als laatste uitgevoerd om de integriteit van de face ID te bewaren.
Visuele Verificatie: Een GPT-4o vision-language model inspecteert gerenderde weergaven (2048×2048 pixels) van het gewijzigde onderdeel. Het beantwoordt gerichte ja/nee-vragen over de geometrische integriteit (bijv. "Zien de randen er soepel afgerond uit?") en logt fouten op het blackboard.
RAG Geheugen: Om technische nuances over onderdelen heen te accumuleren zonder hertraining, gebruikt het systeem Retrieval-Augmented Generation (RAG). Eerdere analyse-states worden gecodeerd in een FAISS vector store en opgehaald om de redenering van nieuwe onderdelen te informeren.

Belangrijkste Bijdragen

Closed-Loop DFAM Automatisering: AgentsCAD is naar weten het eerste systeem dat de onderliggende B-Rep-geometrie van een bestaand onderdeel wijzigt om fabricagefouten op te lossen, in plaats van alleen nieuwe geometrie te genereren of defecten te voorspellen.
Gestructureerde Geometrie-naar-Taal Translatie: Het paper demonstreert dat een gestructureerde JSON-representatie die scalaire beschrijvers combineert met expliciete topologische adjacency-grafen voldoende is voor LLM's om contextuele DFAM-redenering uit te voeren, wat de beperkingen van ruwe scalaire arrays overwint.
Inductieve Feature Recognition: Het werk valideert het gebruik van GraphSAGE boven Graph Convolutional Networks (GCN) voor CAD-feature herkenning. De inductieve aard van GraphSAGE maakt het mogelijk om te generaliseren naar ongeziene STEP-bestanden, en de concatenatie-gebaseerde aggregatie behoudt zelf-features, waardoor het GCN overtreft dat lokale geometrie verwatert door symmetrische normalisatie.
Noodzaak van Geometrische Gronding: Door middel van ablatie-studies tonen de auteurs aan dat MCP tool-gronding een vereiste is voor betrouwbare redenering. Zonder tools om rotaties te verifiëren, hallucineert de LLM consequent coördinatentransformaties met een hoge mate van zekerheid.

Resultaten

Prestaties van Feature Recognition

Op de MFCAD++ held-out testset behaalde de GraphSAGE architectuur met UV-net oppervlakte-normaal augmentatie state-of-the-art prestaties:

Nauwkeurigheid: 85,0%
Macro F1: 0,785
Vergelijking: Dit presteerde significant beter dan de GCN baseline (53,8% nauwkeurigheid, 0,469 Macro F1). De prestatiekloof werd groter met rijkere feature-sets, wat bevestigt dat GraphSAGE extra informatie beter exploiteert zonder minderheids-signalen te verdunnen.
Visualisatie: Misclassificaties bleken te clusteren bij feature-grenzen (transitiezones tussen features en de bulk), wat suggereert dat toekomstig werk kan profiteren van boundary-aware loss weighting.

End-to-End Validatie

Het systeem werd gevalideerd op een vogelhuisje-model dat twee cilindrische boringen bevatte die in de standaardoriëntatie als ernstige overhangen zouden verschijnen.

Resolutie: Het systeem identificeerde de overhangen correct, haalde relevante domeinkennis op via RAG, en adviseerde een heroriëntatiestrategie (het onderdeel op een specifiek vlak leggen) gecombineerd met een teardrop-modificatie voor een resterende horizontale boring.
Resultaat: Het gewijzigde STEP-bestand bevatte nul actieve overhangen. De volumendelta is -0,75%, consistent met de materiaalverwijdering die verwacht wordt van het teardrop-profiel.
Verificatie: De visuele verifieerder bevestigde de geometrische integriteit, waarbij eventuele onbesliste signalen werden toegeschreven aan de renderresolutie in plaats van aan werkelijke defecten.

Betekenis en Claims

Het paper claimt dat AgentsCAD erin slaagt de kloof tussen B-Rep-geometrie en LLM-redenering te overbruggen voor het specifieke, behapbare probleem van overhang-resolutie. Het systeem produceert fysiek geldige, gewijzigde STEP-bestanden en menselijk leesbare manufacturing-rapporten.

De auteurs benadrukken drie primaire bevindingen:

Gestructureerde JSON met expliciete topologie is voldoende voor LLM's om complexe DFAM-redenering uit te voeren, inclus overlapping van stabiliteitsanalyse.
GraphSAGE is superieur aan GCN voor dit domein vanwege de inductieve capaciteiten en het behoud van zelf-features.
Geometrische gronding via tools is geen optionele verbetering maar een fundamentele vereiste voor betrouwbare DFM-redenering; zonder dit hallucineren LLM's fysieke transformaties.

Het werk positioneert zich als een stap richting volledig geautomatiseerde DFAM, waarbij de huidige beperkingen zoals contextgrootte-restricties voor grote onderdelen, het gebrek aan assemblage-ondersteuning en de afhankelijkheid van een enkele reasoning agent worden erkend. Toekomstig werk richt zich op specifieke sub-agents voor specifieke defecten (bijv. spanningsconcentratie), actieve GraphSAGE injectie, en de uiteindelijke integratie van next-generation modellen (bijv. GPT-5) voor meer conversionele, multimodale samenwerking.