cad-agent/ai.memory/project_agent_roadmap.md

---
name: Agent 路线与多源架构（2026-10-15）
description: dwg_review agent 的总目标、多源图纸分层架构（视觉为最大公约数）、工具层与 agent 层的正交分工、多源证据层、截图去 UI、grounding 实测、热力图 + 自适应瓦片规划 + VLM 分辨率标定与后续路线
type: project
---

# Agent 路线与多源架构

## 总目标（用户 2026-10-15 明确）

实现 **AI 自动识别 + 评审 DWG 图纸**。分阶段：**先 MCP（已完成），再 agent（进行中）**。
最终要支持的图纸来源**不限于自家自定义实体**：

1. 自家软件的自定义实体 DWG；
2. **其他软件出的 DWG**（各种自定义实体）；
3. 将来 **PDF** 图纸；
4. 将来**纯图片**图纸。

## 架构分层（用户认可）

**核心洞察：视觉模型（VLM）是"最大公约数"**。DWG 自定义实体 / PDF / 图片本质是
"拿不到结构化数据时靠视觉理解"的同一件事——**任何图纸只要能渲染成图，VLM 就能审**。
所以结构化数据（ARX 读普通实体）是**增强**，视觉是**兜底**。

```
Agent 推理层（审查逻辑 / 清单 / 规则）
        ▲  统一 evidence schema
感知适配层（能力从高到低降级）
  CAD结构化(ARX) → CAD几何 → 离线解析(DWG/PDF) → 视觉(VLM)
```

- **MCP 工具层只管 CAD**（进程内能力）；**PDF / 图片在 agent 侧**（PyMuPDF / Pillow），
  **不塞进 MCP**、不编 DLL。
- **统一证据模型 + 多源适配 + 能力降级**；agent 推理层不关心来源格式。

**How to apply**：新增"支持某格式"时，优先在 agent 侧感知层加适配器；只有"CAD 进程内的
正交感知能力"才考虑加 MCP 工具。

## 第一步已落地（2026-10-15，提交 `1c9fc72`）

**取证层多源化 + 视觉多图**：

- 新增 `dwg_review/evidence_model.py`：统一证据模型（`source_type` +
  `images:[{b64,mime,label}]`），访问器 `evidence_images()` 兼容旧 `image_b64/image_mime`
  单图字段（历史 evidence.json 仍可读）。
- `phases/evidence.py`：`collect()` 多源分发 seam（当前仅 CAD）、`capture_images()`
  整体 + 等分象限多图（结束**复位视口**）、`sub_windows()`。
- 默认 `EVIDENCE_DETAIL_TILES=4` / `EVIDENCE_MAX_IMAGES=5`（每图框 5 图，**默认开启**）。
- 实测：真实 Plant 3D 图纸上多图让审查更细（多报出线型误用 `CENTER2`、图签块属性为空、
  按 handle 定位的图层混用等）。

## 截图去 CAD 界面元素（2026-10-15，提交 `f8bd12d`）

`get_viewport_screenshot` 原先截 `adsw_acadDocWnd()` 客户区，含视口控件、ViewCube、滚动条，
污染截图并**误导 VLM**（曾把视口标签当成"需放大的内容"）。已修复：

- 改用 **`acedGetAcadDwgView()`** 只截图形区（排除滚动条/状态栏）。
- 截图期间临时置 **`NAVVCUBEDISPLAY=0`**（关 ViewCube）与 **`VPCONTROL=0`**（关视口控件），
  用 RAII 守卫（`TempSysVarOff`）自动恢复原值，**不影响用户 CAD 界面设置**；
  配合 `RedrawWindow(RDW_UPDATENOW)` 同步重绘。
- 实测：三项 UI 均消失，VLM 不再提界面元素。

**残留（无解，已知）**：绘图区右上角仍有**绘图窗口**的最小化/最大化/关闭按钮——由 AutoCAD
画在图形区内的固有 UI，**无系统变量可关**。它很小且在角落，实测未影响 VLM。
（区别于应用窗口的按钮；用户最初要清的是 视口控件/ViewCube/滚动条，不含此项。）

## grounding 实测（2026-10-15）

用 `verify_grounding.py` 拿真实截图问 `deepseek-flash`"哪里要放大"：**grounding 可用**——
给出的归一化坐标**区域级定位准确**（放大后确实套住目标，如图签栏、图框角），
但**语义描述略有偏差**（把图签栏说成"状态栏"）。结论：可支撑"按区域放大"，但**位置对、语义别全信**。

## 后续路线（未做）

1. **VLM 主动放大（自适应取证）**：复用受控只读取证子循环，让 VLM 请求放大看不清处。
   - 两条路径：① 按实体 `zoom_to_entity(handle)`（可靠）；② 按区域（把 VLM 归一化坐标映射成
     WCS）——**grounding 已实测可用**（见上节）。
   - 必须设**迭代上限 + 兜底**；**不把"看清没"完全交给 VLM**（会过度自信/幻觉）。
   - 现有 `zoom_to_window`/`zoom_to_entity`/`get_viewport_screenshot` 已在只读白名单，
     **无需新增工具**。
2. **PDF / 图片源**：在 `phases/evidence.collect()` 加分支，产出**同形** evidence
   （`window=None`、结构化空信封、`images` 带 label）；规划阶段抽象"审查单元"
   （CAD=图框 / PDF=页 / 图片=单）；批注对非 CAD 源降级（`annotator` 已天然跳过无 handle 的 issue）。
3. **审图规范接入**：清单升级为规范库。

## 热力图 → 自适应瓦片规划 → VLM 分辨率标定（2026-10-15，进行中）

**动机**：固定「整体 + 2x2 象限」截图对 A0/A1 大图幅读不清。用户拍板：**驱动信号是实体分布
（热力图），不是文字**（有的图没有文字），且**实际工况下实体占据图框大部分**，稀疏/稠密都要能处理。
用户方案：图框类型 → 纸张真实尺寸 + 比例 → CAD 世界尺寸 → 换算像素 → 知道 VLM 分辨率 →
算出**一个图框要截几张、截哪里**。

**用户已拍板的关键决定**：
- 热力图在 **Python 侧（agent 层）** 算（派生量，工具层只给原始事实）。密集图若受
  `query_entities` 的 `limit≤1000` / 帧上限拉不全 → **给现有 `query_entities` 加 `brief` 模式**
  （只回 handle/type/bbox、放开 limit），**而不是新增"热力图工具"**。
- `CollisionDetection.h/cpp`（用户写的 BVH）**本步不用**，留作后续**几何相交/干涉检查**引擎。
  其按质心中位分割 → 节点框**可能重叠**，不适合铺屏瓦片；瓦片切分用四叉树/网格（空间不相交）。
- 标定判据：**同时测「读出文字」与「分辨线细节」**；标定字高 **200 图形单位**（1:100 = 纸面 2mm，国标最小）。

**已落地（提交 `9b8a232` 热力图；`cba05b0` 瓦片规划 + 离线标定）**：
- `dwg_review/heatmap.py`（纯函数）：`entity_boxes` / `build_grid`（counts+coverage）/
  `cluster_cells`（4-连通，可选膨胀）/ `grid_to_windows` / `grid_stats` / `render_overlay`。
  **`drop_oversized`**：丢掉 bbox 占满图框的实体（实测每框恰 1 个，即图框块），否则热力图全满。
- `dwg_review/tiling.py`（纯函数）：`frame_scale`（`sheet_scale>0` 用之；否则由 bbox/纸张**反算**；
  否则 default）/ `world_per_px` / `is_text_type` / `plan_regions`（文字簇优先、空白区不出图、
  `max_tiles` 截断、窗口夹到图框）。
- `phases/evidence.capture_images`：先截整体图并**测绘图区像素** → 规划成功用规划窗口，
  否则退回 `sub_windows`（行为零变化）；**任一信封 `total>returned`（截断）→ 退回固定策略**。
- `verify_heatmap.py`（不耗 token，出 PNG + bbox 缓存）、`verify_vlm_resolution_offline.py`、
  `verify_text_resolution.py`（CAD 实测）。

**标定结论**：
- **该模型无法可靠计数线条**（6 条线在 2~10px 间距下答 4/10/4/5/4/4）→ 线条判据改用
  **「1 条 vs 2 条」二选一**。
- **可读下限与字体强相关**：离线合成（Consolas 抗锯齿填充字体）**12px**（白底 10px）；
  真实 CAD **单线体 .shx（描边字体）6px 就能读对**（3/3，两轮）。
- 真实 CAD 线条：**2/3/4px 失败，5/8/12px 成功** → R_line ≈ **5px**。
- **标定必须用 ACI 7（白/黑自适应）**：实测**红字（ACI 1）12px 完全读不出**——否则把
  "对比度不足"误当"分辨率不足"。
- 实测绘图区 **2110×462** → 有效 **1280×280**（长边 1280），视口宽高比 **4.567**。

**用户拍板的默认值（2026-10-15）**：`TEXT_READABLE_PX=8`（折中，兼顾描边与 TrueType）、
`LINE_READABLE_PX=6`、`EVIDENCE_MAX_IMAGES=12`（原 5 会把规划结果截到只剩 4 张瓦片）。

**瓦片粒度内容过滤**：簇 bbox 是**包围盒**，L 形/斜向分布（如管道走向）含大片空白 →
`plan_regions(keep=...)` 按 `heatmap.occupied_boxes` 剔除**空瓦片**（实测有效）。

**已知局限**：本图纸的文字在**块 / 自定义实体**内，`get_text_content` 检不到 → 该簇会按
**线条判据**出图（6px），块内文字可能读不清。要更保险可把 `LINE_READABLE_PX` 调到 8
（等价于全用文字判据，代价是同样预算下覆盖面积减半）。