2026年AIForSketchUp评测报告

核心观点

研报探讨了ChatGPT Codex等AI智能体在SketchUp软件中的建模应用，重点关注其在建模前、建模和改模阶段的能力。

建模前

• 空间需求解析：Codex能够将模糊的空间需求（如“现代简约”）转化为可建模参数（如长宽高、层高、墙厚等），并生成需求解析表，帮助设计师明确建模方向。
• 平面草图转建模参数：Codex可以识别平面草图中的空间边界、功能分区和动线关系，并将其转化为建模参数，但未标注尺寸和模糊构件仍需人工复核。
• 组件与材质清单生成：Codex能够根据空间需求生成组件和材质清单，帮助设计师提前准备建模资源，提高建模效率。

建模阶段

• 基础建筑体块生成：Codex采用Ruby脚本方式，根据尺寸参数快速生成SketchUp基础空间体块，适合概念建模和后续精细建模的起步模型。
• 墙体、门窗、楼板自动建模：Codex同样采用Ruby脚本，可以自动生成墙体、门洞、窗洞和楼板等基础构件，适合标准空间模型的快速搭建。
• 楼梯、栏杆与坡道参数化生成：Codex将楼梯、栏杆、坡道等复杂构件拆解为可计算参数，并通过Ruby脚本自动生成可编辑模型，体现了SketchUp从基础建模走向参数化构件建模的能力。
• 异形屋顶与外立面造型生成：研报测试了Codex生成建筑外观造型模型的能力，发现其可以根据要求生成屋顶、门窗、雨棚等元素，但受SketchUp原生能力限制，最终效果更接近“风格化模型表达”。
• 基于已有空间的组件布置：MCP方式适合测试Codex在已有SketchUp模型中的真实建模操作能力，能够验证其是否可以完成空间识别、组件调用、对象布置、分组命名和模型另存的完整流程。
• 平面图空间复刻建模：MCP方式能够基于平面图在SketchUp中进行空间复刻建模，验证其从参考图理解到软件建模、分组命名、结果保存和截图导出的完整建模流程。
• 文生3D模型资产生成：Skill方式更适合承担“单体3D资产生成”和“组件补充”的任务，真实3D生成类Skill可以为SketchUp模型快速生成家具、展具和装饰物，但导入后的比例、面数和细节仍需人工复核。
• 组件库批量导入与空间布置：MCP方式能够把独立SU单体资产复用到已有空间模型中，验证Codex是否具备“读取基础模型—识别资产场景—复制资产—布置到位—检查通道”的真实建模能力。
• 一句话风格渲染生成：Codex可以通过MCP将“一句话风格指令”拆解为SketchUp中可建模的视觉元素，例如草屋屋顶、雨线、滴水、水坑、湿地和积雪；但受SketchUp原生材质与渲染能力限制，最终效果更接近“风格化模型表达”。

改模阶段

• 尺寸参数联动修改：MCP方式适合测试Codex在SketchUp改模阶段的真实操作能力，能够验证其是否可以完成对象识别、尺寸修改、联动检查、模型另存和效果导出。
• 组件批量替换：MCP方式适合测试Codex在SketchUp中进行组件批量替换的能力，能够验证其是否可以准确识别目标组件、保持位置关系、完成批量替换，并对比例、遮挡和动线问题进行复核。
• 材质与风格批量替换：MCP方式适合测试Codex在SketchUp中进行材质与风格批量替换的能力，能够验证其是否可以准确识别材质对象、控制替换范围、保持风格统一，并完成模型另存和效果图导出。
• 空间功能转换：空间功能转换比单纯移动或替换对象更能体现MCP的综合改模价值，能够测试Codex是否可以理解原有空间、重组功能、调整组件并保持动线合理。
• 方案A/B版本生成：方案A/B版本生成能够测试Codex在已有SketchUp模型基础上的多方案改模能力，重点验证其是否可以保留原模型、生成差异化版本，并为客户方案比选提供清晰依据。

研究结论

• Codex等AI智能体能够有效辅助SketchUp建模，提高建模效率和准确性，并拓展其功能范围。
• 不同的实现路径（Ruby脚本、MCP、Skill）各有优缺点，需要根据具体任务选择合适的方式。
• AI辅助建模仍处于发展阶段，需要进一步完善其理解能力、细节处理能力和真实场景适应性。
• 未来可以探索AI智能体与其他设计工具的协同，实现更完整的设计流程自动化。