Claude Opus 5.5 建筑制图实测：可生成许可级施工图集

尽管生成式 AI 在包括图像创作在内的其他领域取得了显著进展，但迄今为止，它在技术制图方面一直毫无用处。就在 2026 年春季，最强大的 AI 模型也只能生成粗糙且卡通化的技术图纸。但 2026 年夏季和秋季发布的前沿模型已经取得了显著改善。

凭借我的建筑师背景，我测试了 13 个较旧和新发布的 AI 模型，以衡量它们的技术制图能力。我发现，撰写本文时最强的制图模型是 Anthropic 的 Claude Opus 5.5，于 2026 年 9 月发布。经过一些技巧性指导，Opus 5.5 能够为简单建筑生成复杂的制图以及达到许可申请质量的建筑图纸套件。

由于这一变化来得十分突然，而且要从模型中提取最佳结果需要精心设计提示词，建筑行业似乎仍未充分意识到这些进展。不过，AI 的技术制图能力很可能会继续快速提升。建筑师及相关专业人士即将经历软件工程师在过去一年中经历的转变：技术图纸的直接手工制作，将转变为对 AI 模型的监督，而这些模型执行复杂技术制图任务的能力正不断增强。

技术制图，也称制图，是制作按比例绘制、用于说明建筑、机械及其他物体如何组装的图纸。在计算机时代之前，制图员使用直尺和其他制图工具手绘技术图纸。计算机辅助设计（CAD）软件从 20 世纪下半叶开始占据主导地位时，最初主要是 AutoCAD 等侧重二维绘图的程序。后来，SolidWorks 和 Revit 等程序加入了三维绘图和参数化建模，使制图员只需更改一个变量，复杂的装配体就能自动且确定地调整。CAD 改变了制图流程，但人类始终完全掌握主导权。

我是一名建筑师，自 2000 年代以来一直在建筑行业工作。多年来，我密切关注生成式 AI 的发展，但它早期的进展虽然令人印象深刻，却与我最核心的技术制图能力无关。新模型发布时我都会试用，却发现它们在这一领域并没有真正的能力。即使是它们的图像生成能力，也只适用于建筑及相关专业内部一个相对较小且专业化的艺术表现图渲染领域。

但 2026 年，尤其是过去几个月的局势发生了剧烈变化。我先随意、后来又更系统地试用最新模型，这让我越来越意识到，建筑师当前的处境就像旧动画中的 Wile E. Coyote，在峡谷上空暂时悬停。

我的第一次测试旨在衡量 AI 从零开始为一栋新住宅生成整套施工图纸文件（即“蓝图”图纸集）的能力。我在 13 个不同的模型上进行了这项测试，为每个模型提供相同的初始提示词和上下文。初始上下文文件夹中的文件包括：1）我为一栋简易住宅绘制的粗略概念草图；以及 2）几年前我用 AutoCAD 为另一栋住宅绘制的一套参考施工图纸文件。这些概念草图很简单，但包含的信息足以让经验丰富的制图员据此制作出一套可用于住宅报批和施工的完整图纸。

测试结果从直接拒绝出图（Anthropic 的 Claude Opus 3，发布于 2024 年），到简单、卡通化的图纸（主要来自 2025 年及 2026 年初的模型），再到一套在我看来足以获得建筑许可的图纸（Anthropic 的 Claude Opus 5.5，发布于 2026 年 9 月下旬）。

这些图纸集均由 AI 模型直接生成，未使用任何现有 CAD 软件。

一个重要的注意事项是，在模型执行任务的过程中，我给予它们的“人在环路中”反馈程度并不相同。鉴于各模型初始成果的质量差异极大，很难为每个模型提供完全相同数量的纠正，因此，要让结果绝对均衡，最佳办法是完全不提供任何反馈，让模型在没有任何人工参与的情况下生成图纸集。但这种方法虽然从某种意义上说测试更严谨，却无法真实反映这些模型在建筑实践中的实用价值；在建筑实践中，由资深建筑师对初级员工制作的图纸草案进行“红线标注”是很常见的。

我没有向表现最差的模型提供任何反馈，因为它们无法胜任这项任务；对其他一些模型则限制了反馈量。Opus 5.5 的初稿是最好的，因此我给予它的反馈最多，包括若干书面意见和两轮经红线标注修订的图纸集。对 Opus 5.5 的图纸进行红线标注，感觉意外地像一套常规流程。其草稿中的许多缺陷，与你可能在一位有天赋但缺乏经验者的图纸中发现的缺陷相似；而且，它会像真人一样根据我的红线标注进行修改。

值得强调的是，许多模型的改进都是最近才出现的。9 月之前发布的模型没有一个能在不出现基本布局重大错误的情况下绘制出平面图。只有 9 月 22 日发布的 Opus 5.5 同时具备空间理解能力和制图能力，能够正确绘制双坡屋顶设计。9 月发布的模型中，Grok 4.7 是一个例外；它的输出总体较弱，尤其是立面图糟糕得令人发笑。

本次测试中的住宅是一栋相当简单的建筑，就连 Opus 5.5 的图纸也远称不上完美。1 不过，为独栋住宅制作的图纸质量差异很大，而低端市场中不乏平庸之作。只要给予恰当的指导，Opus 5.5 可以说是目前人类设计师中低端水平之上的。

施工文档测试既考验制图能力，也考验其他方面，例如对建筑规范和书面规格说明的掌握。不过，如果测试的是建筑制图的技艺，即模型绘制复杂而精美的建筑工作图的能力呢？

这类制图的最佳范例之一，可以在 Building Details 一书中找到；该书汇编了二十世纪早期建筑师 Frank Snyder 手工绘制的建筑详图图纸。Snyder 是一位制图大师，他的图纸令人赞叹，达到了艺术作品的水准。

我把一个文件夹交给了 Anthropic 的 Claude Opus 5.5，里面装着 Snyder 的多张详图图纸。我还给了它一些照片，以及几年前我测量的一座历史建筑的一叠凌乱而粗糙的现场草图，并要求它按照 Snyder 的制图风格和图幅编排方式，为该建筑绘制详图。从某种意义上说，Opus 5.5 的任务比 Snyder 更难，因为 Snyder 可以查阅其所绘制详图对应建筑的工作图。相比之下，Opus 5.5 必须根据我的照片和粗糙凌乱的草图绘制该建筑的平面图、立面图和详图（对人类制图师而言，这是一项复杂而繁琐的工作），并且必须根据外露表面推断隐蔽组件的构造。

我要求 Opus 5.5 分阶段提供若干成果，收到后给出了一些书面意见和红线修改，然后再让它完成图纸。其最终成果包括两张采用 Snyder 标准格式的图纸，一张描绘该建筑的整体布局和立面，另一张汇编了各项详图。

这些 Opus 5.5 图纸达到 Snyder 的高标准了吗？没有：制图远不如 Snyder 的精致，尽管仍优于许多建筑事务所的作品。而且，即使在我作出红线修改之后，详图中仍有一些细微错误，是有这类施工经验的熟练建筑师不会犯的。不过，它们还是相当令人印象深刻。而且，模型只用了熟练专业人员一小部分的时间和成本就完成了这些图纸。

尽管这些测试中生成的图稿乍看之下有相似之处，但它们并不是几年前就已出现的那类 AI 生成图像。这些图稿由矢量线条构成，可轻松在 CAD 软件中缩放和编辑。2 不过，AI 模型并未使用任何现有 CAD 软件来制作它们。它们用 Python 编写代码来描述线条，并直接根据代码打印出这些图纸。3

较旧的模型很快便生成了质量较低的结果，而 Opus 5.5 花了十二个小时才起草出这套房屋图，计算成本为几百美元。

更强的模型以大致相同的方式处理制图任务。它们查看并理解输入草图，编写代码生成线条，根据代码生成测试打印件以目视检查其正确性，然后修改代码，直到认为这套图纸可以打印。更强的模型还加入了额外的质量检查；例如，Opus 5.5 的最终代码包含一个模块，用于检查说明和标签是否遮挡了底层线条，并在发生遮挡时调整它们的位置。

较弱模型与更强模型之间的一处差异，似乎体现在多个变量上的规模。更强的模型工作的时间长得多，生成的代码也多得多（就 Opus 5.5 而言，超过 15,000 行 Python 代码），生成了多得多的草稿输出图像，并根据这些草稿通过更多轮迭代调整代码。

一个有趣的问题是，为什么这些模型直到最近都如此不擅长技术制图，以及为什么近来的模型进步如此迅速。我只能猜测，但似乎有理由认为，模型的技术制图技能是一种由若干组成技能结合而成的复合技能，例如视觉、空间推理和编程；而只有当每项组成技能都可靠地达到足够水平后，这种复合技能才会出现。因此，在组成技能逐步提升、但仍未达到所需最低门槛期间，技术制图能力一直缺失；而一旦这些技能越过门槛，该能力便相对迅速地显现出来。

这些模型在制图方面会比现在强得多。还有许多可以动用的改进手段，其中任何一种都能提升制图输出，而把它们结合起来则效果更好。例如：

1. Tooling. A substantial portion of the time that Opus 5.5 spent on the house project was allocated to extracting drafting standards from my reference set and writing a sophisticated but convoluted CAD drafting program.4 There is no reason that either of these tasks needs to be completed for every drafting task. The code for each could be optimized and then pre-loaded at the start of new drafting tasks, allowing end users to improve both the speed and the quality of the model’s outputs without any involvement from the AI labs.

2. Pre-training. As better base models are trained and released, their higher general competence will produce better results on technical drawing tasks, even if those tasks are not direct targets of the AI labs’ training efforts.

3. Post-training on related skills. As the AI labs continue to devote post-training effort to improving specific skills, like coding, that the models rely upon for technical drawing, the models will get better at technical drawing even if the post-training is not directly focused on it.

4. Post-training on technical drawing. The AI labs will make technical drawing a direct target of post-training, producing narrower but substantial improvement in this area.

In short, there’s good reason to believe that there is still a lot of low-hanging fruit, and that the models will be a lot better at technical drawing when it is picked.

Architecture schools now have the same problem that faces other academic disciplines. It has become possible for students to quickly “vibe draft” design projects that would have taken them weeks or even months in the past. This won’t help them learn architecture any more than a term paper churned out by ChatGPT helps them learn literature. I assume that many architecture programs will embrace this use of AI. Perhaps others will go in the opposite direction, making their students do old-fashioned hand drafting, the architectural equivalent of handwritten blue-book exams.5

After they graduate, it’s not clear how early-career architectural staff will be able to effectively supervise an AI model’s production of technical drawings if they haven’t done much drafting themselves. I can redline Opus 5.5’s drafts competently because I have years of experience doing that kind of drawing work.

Architecture firms could take on junior employees who they know will not be productive for some time, but firms that incur that extra cost will be at a competitive disadvantage against other firms that don’t. Needless to say, this problem is not limited to the architectural profession.

A large fraction of architectural firms’ billings is for technical drawing production. AI will almost certainly make technical drawing cheaper to produce, and competition between firms will put downward pressure on fees unless the quantity of technical drawing increases in response to the price change.

图纸数量会增加吗？可以说，不会增加多少。从经济角度看，施工文件集并非直接卖给终端用户的“最终产品”，而是用于开发其所描绘实体建筑的“中间投入”，而施工文件集的成本只占一栋建筑总开发成本的一小部分。建筑开发的大部分成本都用于实际施工，而后者深受商品价格等无关因素的影响。因此，即使施工文件成本大幅下降，对新建筑总开发成本的影响也很小，因而也不会促使新建项目数量及相关图纸集大幅增加。

上述论证可能存在一些错误。首先，完整的施工图集能为准确的施工定价提供最佳依据。通常，施工定价会随着设计推进而反复进行，最初的初步定价基于早期草图，存在较大的误差范围。随后，工程范围会作出调整，图纸也会更新，以响应当前的初步定价，如此反复，直到依据完整图集确定最终价格。虽然如果初始图纸更加详细，最初的定价也会更加准确，但对于可能发生变化的项目范围，让建筑师花费一大笔钱来开发完整图集并不合理。然而，如果施工文件的价格大幅下降，那么在每次设计迭代中都制作完整图纸集就可能变得合理，从而让最初定价更加准确，也让后续的工程范围调整过程更加高效。这可能使施工文件编制需求对价格的弹性有所提高。

另一种可能是，客户和政府会通过要求提供更多文件来适应新形势。业主会要求为目前仅靠有限文件即可推进的小型项目编制详尽的施工图集，也会为已经需要图纸和技术规格说明的项目要求提供更加详尽的文件。监管机构则会通过习惯新增文件并将其设为强制要求，固化这些变化。

当前模型的制图能力仍然有限，但这次尝试的主要启示应该是它们的改进轨迹，而不是此时此刻的状态。鉴于其改进速度，以及我们对其运作方式的了解，我们应当假定，在相对不久的将来，它们的制图能力会大幅提升，并对建筑行业及相关专业产生深远影响。我不能说自己会为这种变化而欢呼；看到自己通过多年努力培养的技能被新技术削弱价值，是一件令人清醒而沉重的事。不过，不管我们愿不愿意，我们正朝着这个方向发展。

按模型发布日期排列的完整施工图集：

Google Gemini 4 Argon (High) | 发布日期: September 30, 2026

下载

OpenAI GPT-6.1 Sol (Ultra) | 发布日期: September 29, 2026

下载

Anthropic Claude Opus 5.5 (Max) | 发布日期: September 22, 2026

下载

SpaceXSI Grok 4.7 (High) | 发布日期: September 21, 2026

下载

OpenAI GPT-6 Astra (Ultra) | 发布日期: September 3, 2026

下载

Google Gemini 3.8 Flash (High) | 发布日期：September 2, 2026

下载

Anthropic Claude Fable 5.1 (Max) | 发布日期：September 1, 2026

下载

OpenAI GPT-5.6 Sol (Ultra) | 发布日期：July 9, 2026

下载

Anthropic Claude Fable 5 (Max) | 发布日期：June 9, 2026

下载

Anthropic Claude Opus 4.8 (Max) | 发布日期：May 28, 2026

下载

Anthropic Claude Opus 4.6 (Max) | 发布日期：February 5, 2026

下载

Anthropic Claude Haiku 4.5 (Extended) | 发布日期：October 15, 2025

下载

1

例如，Opus 5.5 的设计缺少第二个疏散出口，这违反了州建筑规范，建筑检查员很可能会将其标记出来。马萨诸塞州采用的《国际住宅规范》正文允许住宅单元只有一个疏散出口，但马萨诸塞州的一项州级修正案将最低数量提高到了两个。这个错误部分归咎于我，因为我没有在概念草图中包含第二条疏散路径，但很容易修正，而且这是本应被发现的问题。这两个 9 月份的 OpenAI 模型确实发现了我的错误，并通过在后甲板外增设楼梯来解决这个问题。如果有独立建筑规范检查模块这样的更好工具，就可以降低发生这类错误的可能性。

2

在其他选择中，AI 模型为解决这些制图任务而编写的 Python 代码可以直接打印 PDF 图纸集，或者生成 DXF 文件；这些文件可以在 AutoCAD 等程序中打开、编辑和打印。

3

生成线条的代码与 CAD 软件一样早已存在。Autodesk 在 20 世纪 80 年代发布了 AutoLISP，它能够通过代码生成任意线条。但对于人类来说，通过编写代码而不是直接使用 CAD 软件的图形界面来为复杂的一次性几何形状创建线条，效率会极其低下，因此 AutoLISP 和其他语言通常用于自动化绘制特定的重复性元素，而不是从头创建整幅复杂图纸。然而，前沿 AI 模型能够极快地生成高质量代码，因此这种方法对它们来说实际上可行。

4

当我查看 Opus 5.5 为创建房屋图纸集而编写的代码时，我发现它不仅在笛卡尔坐标系中硬编码了对象的位置，而且还在创建参数化模型方面迈出了一部分。但也只是一部分，因为许多对象的坐标仍然是硬编码的。当我尝试手动编辑控制建筑长度的 Python 文件时，我发现增加长度后，立面图确实拉长了，但许多平面图却没有拉长，尽管与平面图关联的尺寸确实拉长了。因此，尽管代码库很精密且有效满足了具体需求，但它很笨拙，并且充满在需求变化时出现的问题。这段代码还可以改进，使其不必每次都经过大幅重写，就能用于其他建筑布局。

5

出人意料的是，计算机进行技术制图的能力反而可能为人工手绘制图提供更充分的理由。CAD 和 BIM 软件最初是作为技术制图工具出现的，但后来大举进入最初的设计阶段，而在这一阶段，它们的僵化特性使其显得有些格格不入。专业上的理由是，计算机软件反正会被用于制作施工文件，因此，如果施工文件编制流程能够承接早期设计的成果，而不是在早期图纸手绘完成后从头开始，项目工作流就会更加高效。不过，AI 技术制图可能以一种能够消除手绘早期设计所带来低效率的方式改变现有工作流。