Codex 学习专区/04|科研与行业实践/AI 开始替结构工程师干活了:Codex 重构结构设计工作流

AI 开始替结构工程师干活了:Codex 重构结构设计工作流

最后更新 2026-09-02·约 35 分钟读完
🔦

公众号:Structura AI

发文时间:2026 年 6 月 14 日 18:53

💡 从”会说话的大脑”到”能干活的双手”——AI 正在重新定义结构工程师的工作方式。

如果你对 AI 的印象还停留在”写写文案、回答问题、帮忙查规范”,那么这篇文章想讨论的是更进一步的东西:

🔹 AI 不再只是回答问题,而是开始直接参与工程工作流。

本文将从以下维度展开:

  • 🧠 Codex() 是什么 → 从对话到执行的能力跃迁
  • ⚙️ Agent 工作机制 → 用案例看懂”能干活”的本质
  • 🏗️ 结构软件应用 → SAP2000 / Rhino() / CAD / YJK 实战
  • 🚀 Vibe Coding → 工程师能力重构与未来

📊 AI 在工程领域的机会缺口

图片展示了Anthropic研究报告中AI在不同行业覆盖情况的雷达图。图中以不同颜色区分理论AI覆盖比例(蓝色)和现实AI使用比例(红色)。其中,工程行业(Ar

两条线之间的差距,就是机会。

对结构工程师来说,AI 真正有价值的地方,不是替你解释力学概念,而是:

  • ✅ 帮你把模型建出来
  • ✅ 把数据提出来
  • ✅ 把图画出来
  • ✅ 把计算书和报告整理出来

AI 的关键变化:从”知识问答工具” → “工程执行工具”


🧠 一、认识 Codex:能执行的 AI

1.1 对话模型 vs Agent:区别在哪?

提到 AI,很多人脑海里第一反应还是聊天窗口。豆包、DeepSeek()、ChatGPT 这类对话模型能回答规范条文、力学概念、软件操作思路,但有一个明显边界:

❌ 它的输出被困在文本框里。

它可以告诉你”应该怎么做”,但默认情况下:

  • ❌ 不会打开你的文件夹
  • ❌ 不会读取工程文件
  • ❌ 不会运行脚本
  • ❌ 不会帮你检查结果

而 Codex 这类终端原生 Agent 的意义就在于:

  • ✅ 读取本地项目文件
  • ✅ 编写并运行脚本
  • ✅ 调用命令行工具
  • ✅ 自动排查报错
  • ✅ 修改工程数据
  • ✅ 验证结果是否符合要求

当 AI 能够触碰真实文件、调用真实软件、完成真实操作时,它就不再只是”问答助手”,而是一个不知疲倦的数字工程师。


1.2 两种使用方式

Codex 有 App 端(可视化工作台,适合入门)和 CLI 终端(与脚本和自动化流程结合更紧密)两种入口,功能本质一致。

这张图片展示的是Codex的App端可视化工作台界面,对应文档中介绍的Codex的App端使用入口。界面左侧红色框选区域是工作文件夹及对话记录区域,中间区域显示 图片展示了OpenAI Codex在Windows PowerShell中的运行界面。界面显示了Codex版本信息,模型为gpt-5.4 medium,目录为~ 图片展示了Codex在不同领域的功能。左侧有一个蓝色的云朵图标,从其延伸出四条箭头,指向右侧的四个区域。分别是“浏览器领域”(Browser Area),有Ch

建议:刚开始接触从 App 端开始,再切到 CLI 会更顺手。


⚙️ 二、Agent 的工作机制

2.1 先看一个实际案例:批量处理图纸

为了让大家直观感受 Agent 的能力,我准备了一个非常日常的案例:

📋 任务:批量修改图纸名字,并压缩打包。

这个任务看起来不复杂,但非常典型。因为它同时包含了几个工程师每天都会遇到的动作:

  1. 进入指定文件夹
  2. 批量识别 PDF 文件
  3. 删除文件名前缀
  4. 打包成 ZIP
  5. 自动检查结果
  6. 对演示视频做 4 倍速处理
  7. 再次验收输出文件

这种事情如果手动做,并不难,但非常消耗注意力。文件一多,还容易改错。而 Agent 的优势就是:你把规则讲清楚,它就可以不厌其烦地执行,并且在最后给你一个验收结果。

💡 关键启示:Agent 最先改变的,不一定是最复杂的创造性工作,而是那些重复、机械、容易出错、但又必须做对的工作。


2.2 可复用的 Skills:把经验固化下来

如果一个动作只做一次,那它只是一次自动化。如果一个动作经常重复,就应该把它固化成可复用能力。在 Codex 里,这类能力可以整理成 Skill,你可以把它理解为 AI 的”工作说明书”。

图片展示了视频加速功能封装成个人Skills的示例,名为“Video Speedup Skill”。左侧说明Codex会自动生成SKILL.md文件,是AI的行

一个典型的 SKILL.md 通常会包含:

字段作用
Use When何时调用此 Skill
Workflow标准工作流程
Defaults默认参数与行为
Commands执行的脚本或命令

比如”视频 4 倍速处理”这个功能,一开始可以只是一次临时操作。但当你经常需要处理演示视频时,就可以把它封装成一个 Skill。

下次只需要说:

调用 Video Speedup Skill,帮我把这个视频 4 倍速处理。

Agent 就会自动找到对应的工作流,而不是每次都让你重新解释一遍。

这就是 Agent 和普通脚本最大的区别之一:

  • ❌ 普通脚本只会执行固定命令
  • ✅ Agent 可以理解你的目标,再选择合适的工具和流程

🏗️ 三、结构设计软件应用

3.1 驱动工程软件的底层逻辑

如果把这个过程抽象成一句话,就是:

  • Codex 负责理解目标、规划步骤、生成代码和检查结果
  • API 接口 负责把这些指令翻译成软件能执行的动作
  • 工程软件 负责真正建模、分析、出图和导出结果

目前很多主流结构软件()都具备被自动化调用的能力:

软件接口方式
🏢 SAP2000 / ETABSCOM API / Python
🏗️ YJK / PKPMCOM API / 插件接口
🎨 Rhino / GHRhinoPython
📐 RevitDynamo / API
🌐 Midas / Dlubal网页端 / 网络接口

🎯 Codex 可操作的软件生态全景:

这张图是Codex结构设计工作流相关的工具操作示意图,左侧标注Codex作为“大脑”、API接口作为“肌肉”,二者通过应用程序编程接口关联,可对接各类工程设计工

其中,Dlubal、Midas 这类软件还具备网页端或网络接口能力。这意味着在合适的网络配置下,本地 Agent 不一定只能控制本机软件,也有机会控制局域网中其他电脑上的分析软件。

再往前想一步: 甚至可以通过手机语音下达指令,让 Agent 去远程驱动某台机器完成建模和计算。这不是科幻,它只是把已有的 API、网络接口和大模型 Agent 串了起来。


3.2 SAP2000 应用:从建模到后处理的全流程

3.2.1 正确性保障:PySap2000 封装库

如果说 Agent 是大脑,软件 API 是肌肉,那中间还需要一个”中枢神经系统”。

SAP2000 的 API 文档很复杂,接口数量多、参数多、调用顺序也容易出错。让 AI 直接面对完整 API 文档,并不是一个高效的做法:

  • ❌ 容易浪费上下文窗口
  • ❌ 容易调用错函数
  • ❌ 容易把工程意图翻译成错误参数
  • ❌ 也不利于后续复用

所以我专门开发了 PySap2000 库。你可以把它理解为给 AI 定制的”傻瓜式遥控器”:复杂的 SAP2000 API 被封装成更清晰、更符合工程语义的函数。Agent 不需要每次都从底层 API 开始理解,只需要调用更稳定的接口。

目前 PySap2000 已经开源在 GitHub,并收获了 100+ Stars。

GitHub 地址:https://github.com/HeisenbergJY1/PySap2000

💡 关键启示:真正适合工程场景的 AI,不是让大模型硬啃所有底层细节,而是把工程师的经验封装成稳定的接口和工具。


3.2.2 案例一:钢框架自动建模

第一个演示是钢框架自动建模。你可以直接用自然语言描述结构信息,Agent 根据描述生成建模脚本,调用 SAP2000 完成建模,并在过程中不断检查是否执行成功。

prompt:安装 pysap2000 库,然后利用这个库,连接打开的 SAP2000 模型,创建一个 10 层的钢框架结构,AI 完全自己理解 10 层框架结构,无额外的任何约束。

这个场景的意义不只是”自动生成一个模型”,而是:

✅ 把很多原来需要人工点击、输入、检查的步骤,变成一个可以复用、可以修改、可以追踪的脚本流程。以后如果参数变化,比如跨度、层高、截面、荷载发生调整,就不需要从头点一遍界面,而是让 Agent 修改脚本并重新运行。


3.2.3 案例二:单层球面网壳建模

第二个演示是单层球面网壳建模,这里用到一个 shell_templates.py 专门描述网壳几何。关键参数主要有三个:f 控制网壳的矢高,kn 决定环向的等分数,nx 决定径向的等分数。

prompt:连接现在打开的 SAP2000 模型,创建一个 kiewitt_shell 的模型

📝 两种实现路径:

1️⃣ 会编程的人:可以直接用代码描述几何逻辑
2️⃣ 不会编程也没关系:把相关论文截图、节点布置示意图、参数说明发给 AI,让它帮你写脚本

SAP2000 应用-网壳建模 1 prompt:改为 Kiewitt 参数:f=8.0m,span=40.0m,kn=10,nx=10

相比传统 Grasshopper 参数化的优势:

这张图片用于对比Grasshopper和Agent两种方式创建单层网壳的情况,左侧展示的是Grasshopper生成网壳的复杂连线,包含大量需要手动搭建连接的电

gh 生成网壳

相比传统 Grasshopper,Agent 方式不需要记忆大量电池、不用担心插件兼容性、也不存在复杂连线难以维护的问题——你直接描述工程意图,生成的脚本可以保存复用,参数变化时随时迭代。对结构工程师来说,这是一种更接近工程语言的参数化方式。


3.2.4 案例三:后处理与截面优化

建模只是第一步。结构软件真正耗时间的地方,往往还包括后处理。

典型后处理任务:

  • 📊 提取某个节点在指定工况下的位移
  • 📈 提取多个节点的位移包络
  • 📋 批量整理杆件内力
  • 🎨 绘制柱状图、折线图、包络图
  • 🧬 调用遗传算法做截面优化
  • 📄 把结果整理成报告或 PPT 可用的图表

这些工作本质上都非常适合 Agent。

示例指令:

Agent 会去写脚本、调接口、读结果、画图,最后把图表保存下来。

💡 这一类工作特别值得做成 Skill,因为它高度重复,而且验收标准通常比较明确。

这张图片呈现的是SAP2000相关结构设计的成果展示,包含四类核心图表:左上是代表节点的Z向位移对比折线图,右上是1号节点的Z向位移时间历史折线图;左下是节点位
3.2.5 案例四:SAP2000 AI 智能助手

除了在终端里直接操作,还可以针对 SAP2000 做一个对话式 Web 助手。

这张图片展示的是SAP2000智能助手的网页交互界面,页面顶部设有SAP2000的应用图标,下方标注有“SAP2000智能助手”字样,辅助说明为“结构分析,智能 图片展示了SAP2000 AI智能助手的对话界面。助手以对话形式呈现用钢量统计结果,总用钢量为35.762吨,所有杆件均使用PIPE100截面,总重量也为35.

sap2000 智能助手这个助手的目标很简单: 把 SAP2000 的模型信息、分析结果和常用统计能力,通过网页对话的方式暴露出来。

打开网页之后,你可以像聊天一样询问:

  • 💬 当前模型有哪些基本信息?
  • 💬 总用钢量是多少?
  • 💬 某个工况下节点位移是多少?
  • 💬 某组构件的内力结果如何?

💡 关键判断:对话界面只是入口,背后真正有价值的是工程软件 API、数据结构和稳定工作流。


3.3 Rhino 应用:让 AI 接管重复建模劳动

Rhino 是结构工程师和空间结构设计里非常常用的软件。很多重复性建模工作如果完全靠手动操作会非常消耗时间,用 Grasshopper 虽然能参数化,但也会遇到电池组复杂、逻辑难维护、调试成本高的问题。

Agent 结合 RhinoPython,提供了另一条路线:

  1. 你用自然语言描述目标
  2. Agent 生成 RhinoPython 脚本
  3. Rhino 执行脚本生成模型
  4. 你根据结果继续反馈修改

你不一定要先成为熟练程序员,也不一定要搭建复杂的 Grasshopper 电池组,只需要把工程目标说清楚:

  • ✅ 要生成什么几何
  • ✅ 哪些参数可调
  • ✅ 输出对象如何分组
  • ✅ 需要什么图层、颜色、命名规则
  • ✅ 后续是否要导入 SAP2000 或其他软件

这些信息越清楚,Agent 生成的脚本就越接近可用状态。


在空间结构项目中,Rhino 和 SAP2000 之间互导模型是一个非常高频的需求。但 SAP2000 原生导出 DXF 的能力往往无法满足日常工程使用——对象分类不清楚、截面信息丢失、材料信息难以对应、后续整理成本很高。于是我自己规划功能,借助 AI 完成了 SpanCoreLink 插件开发。

图片展示了SpanCoreLink插件的界面。界面上方有“SpanCoreLink”标题,右侧有设置、关闭按钮。下方有多个图标,包括模型数据提取、一键导入模型、

主要功能:

功能模块说明
📥 模型数据提取从 SAP2000 提取完整模型信息
🔄 一键导入模型快速导入到 Rhino
📂 按组导入根据 SAP2000 组分类导入
📐 按截面导入根据截面类型分类导入
🎨 按材料导入根据材料属性分类导入
🔤 强制英文输入避免中文命令问题
🔄 重启 Rhino快速重启功能

开发周期:约 2 天 | 已登记软件著作权

这件事对我触动很大。以前做一个工程插件,往往意味着你要花大量时间学习插件开发框架、调试接口、处理各种边界问题。现在有了 Agent,结构工程师可以更多地把精力放在”我要解决什么工程问题”上,而不是被底层代码细节卡住。


3.5 CAD 应用:把琐碎操作交给 Agent

CAD 场景同样适合 Agent。原因很简单:CAD 里有大量重复、规则明确、但人工操作很烦的任务。AI 可能不能一次性生成想要的结果,可以多轮对话进行调整

Prompt: 帮我吧 SAP2000 的节点坐标,生成表格,写入打开的 CAD,字体和表格宽度高度不匹配

典型应用场景:

  • 📁 批量整理图层
  • ✏️ 批量修改文字
  • 🔲 批量处理块参照
  • 📏 自动标注或统计
  • 📤 按规则导出图纸
  • ✅ 对图纸文件做批量检查

这些事情不一定技术含量最高,但非常消耗工程师的注意力。Agent 的价值,就是把这些”规则清楚但执行繁琐”的工作接过去,让工程师把时间留给更重要的判断。


🤖 四、结构设计智能体实践

4.1 StructureClaw:自然语言操作结构设计软件

StructureClaw 是清华大学陆新征老师课题组发起的开源项目。它的目标很直接:

让结构设计变得像和 AI 聊天一样自然。

我本人也是社区贡献者,这类项目非常需要更多结构工程师参与。 因为真正懂工程逻辑的人,最清楚哪些流程值得自动化,哪些判断必须由工程师把关。

4.2 自然语言操作 YJK

这类工作如果继续发展下去,结构设计软件的交互方式会发生很大变化。

过去 vs 未来:

过去未来
❌ 记菜单记按钮✅ 描述目标
❌ 手动逐步操作✅ Agent 编排操作
❌ 熟悉所有细节✅ 检查结果调方案

这并不意味着工程师可以不懂结构。 恰恰相反,软件操作门槛降低之后,结构判断会变得更重要。当建模和计算都变快以后,真正拉开差距的,是:

  • ✅ 你能不能提出正确的问题
  • ✅ 你能不能识别错误结果
  • ✅ 你能不能设计出更合理的结构体系

🚀 五、Vibe Coding 与未来

5.1 什么是 Vibe Coding?

最近几年,Vibe Coding 这个词被频繁提起。我的理解是:

Vibe Coding 最大的意义,是把工程师从代码的泥沼中解放出来,回到工程问题本身。

传统开发Vibe Coding
❌ 学语言学框架✅ 描述需求
❌ 手动写大量代码✅ Agent 实现代码
❌ 自己调试错误✅ Agent 排查错误
❌ 关注底层细节✅ 关注工程逻辑

你需要负责的是:

  • 📋 明确需求
  • 🎯 定义输入输出
  • 🔍 判断工程逻辑是否正确
  • ✅ 检查结果是否满足规范和经验
  • 🔄 决定下一步如何迭代

代码没有消失,只是从工程师的第一注意力中退到了后台。


5.2 工程工具产品化

Vibe Coding 对结构工程师最直接的启发,是可以把很多日常工具产品化。

比如销轴耳板设计,过去可能是一个 Excel 表,大家在表格里改参数、查结果、截图汇报。

但现在完全可以把它做成一个网页工具:

这是销轴耳板的网页设计工具界面,属于可网页化的结构设计工具。界面左侧为参数输入区域,设置了销轴耳板设计所需的各类输入项,包含设计点选取、材料参数等内容,且输入项

销轴耳板网页设计工具(https://www.spancore.cn/tools/pin-design)

工具一旦网页化,就会带来几个变化:

变化价值
📝 输入更规范减少人为错误
📊 结果更统一便于团队协作
🔧 公式易维护集中管理更新
👥 团队易共享一链接全员用
🔗 可接入更多能力报告/图纸/数据库

结构工程师缺的往往不是想法,而是把想法变成产品的技术门槛。Agent 正在降低这个门槛。


🎯 六、结语:结构工程师的能力正在重构

人工智能体辅助结构设计,真正改变的不是我们会不会写代码,而是我们能不能把更多精力重新放回 工程判断、设计逻辑和创造价值 本身。我认为未来可以这样分工:

交给 Agent 的事:

  • 🔄 重复调试模型
  • 📊 批量处理数据
  • 📈 绘制图表
  • 📝 整理 PPT 和超限报告
  • 📄 处理计算书、图纸和文件
  • 🔍 提取并比对海量有限元分析结果

交给结构工程师的事:

  • 🏗️ 判断结构体系是否合理
  • ⚡ 提高结构受力效率
  • 🎨 把节点设计得更精美、更可靠
  • 🎯 高效解决真实工程挑战
  • 🛡️ 把控结构安全底线
  • 🤝 推动多专业协同

未来,结构工程师不只是会算、会画,更要会定义问题、组织流程、驾驭智能体。

AI 不会自动让一个人变成优秀工程师,但它会让真正懂工程、懂流程、懂判断的人,拥有更强的放大器。


💡 如果这篇文章对你有启发,欢迎收藏、转发给同样关注结构设计与 AI 的朋友。后续我也会继续分享 Codex、StructureClaw、SAP2000 自动化和工程工具产品化相关内容。如需要 PPT 源文件,请访问 https://www.spancore.cn 下载。