cad-agent/ai.memory/project_agent_roadmap.md

name, description, type

name	description	type
Agent 路线与多源架构（2026-10-15）	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、绘图区最大化（set_drawing_area）与空瓦片过滤、后续路线	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（窗口未最大化时）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=...) 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）。

绘图区最大化 + 内容过滤覆盖回退路径（2026-10-15，本轮）

用户诉求（原话）：「截屏之前，要把 CAD 铺满屏幕，并且把命令行也最小化，反正一句话， 让绘图区最大化，然后再去截屏。是不是更好？还有，我发现你有几次截屏区里面没有实体，浪费了。 截屏之前判断一下这个区域有没有实体。」

A. 新增 MCP 工具 set_drawing_area(mode="max"|"restore")（src/cad_mcp_plugins/dwg_review_ui.cpp）

• max：保存 WINDOWPLACEMENT + CLEANSCREENSTATE（只存首次）→ ShowWindow(SW_MAXIMIZE) → sendStringToExecute("_.CLEANSCREENON")（隐藏功能区/命令行/面板）。
• restore：CLEANSCREENOFF + 还原窗口布局。
• 关键坑：CLEANSCREENOFF 是异步命令，会按「进入干净屏幕时的布局」重设窗口几何，把同步执行的 SetWindowPlacement 覆盖掉（表现为窗口停在最大化）。解法：restore 里用 SetTimer(NULL, 0, 700, delayedRestoreProc) 延迟 700ms 再压回布局。 实测窗口在 0.5~1.0s 之间收敛 → 调用方须等待 ≥1.5s。
• 实测收益（屏幕 3440×1440）：绘图区 2110×462 → 3310×1084（面积 3.68×）， 窗口矩形 [68,0,2316,960] → [-4,-2,3444,1442]，还原精确回位。
• 验收脚本：verify_drawing_area.py（基线 → max → restore，断言矩形/最大化态/绘图区尺寸全回位）。
• 工具注册：mcp_config.json 的 tools[]（现 27 个），工厂 CreateSetDrawingAreaTool。 set_drawing_area 以 set_ 开头 → 被 cad_tools.is_write_tool 判为写类（不重试）， 且不在 READ_ONLY_TOOLS 里 → LLM 的受控子循环不能动用户界面。

B. 取证层接入（phases/evidence.py）

• maximized_drawing_area(ctx) 上下文管理器：with 内 max、退出 finally 里 restore。 受 config.DRAWING_AREA_MAXIMIZE 控制；工具缺失 / 调用失败 → 静默降级； restore 失败不掩盖业务异常。__main__.run_review 用它包住整个取证循环（多图框只进出一次）。
• 内容过滤统一到两条路径：原先只有规划路径过滤，回退路径（sub_windows 象限）不过滤。 现在 keep = _content_predicate(boxes) 一次构造，规划与回退共用； _apply_keep 在「过滤后为空」时退回原集合（宁可多拍不漏）。
• 改用「实体 bbox」而非「占用格」判定（上一版用 heatmap.occupied_boxes）： 格子量化会把跨界内容算进相邻格，反而更粗（实测某实体 bbox 正好压象限边界时 4 个象限全判有内容）。 → 直接 boxes_intersect(tile, entity_box)，更精确也更简单；heatmap.occupied_boxes 随之删除。 语义：接触即算有内容（保守）。

实测（真实图纸，3 个图框 A0/A1/A2）：截图张数 12/8/4 → 8/5/4（收益同时来自 绘图区变大 → 单张覆盖更多世界尺寸，与空瓦片被剔除）。端到端 --plan-only 跑通， 运行中窗口峰值 [-4,-2,3444,1442]（面积 2.31×），结束精确还原 [68,0,2316,960]。

新增配置：DRAWING_AREA_MAXIMIZE(True) / DRAWING_AREA_ENTER_WAIT(1.5) / DRAWING_AREA_RESTORE_WAIT(1.5，必须 > 插件内 700ms 延迟还原)。