客户概况
该客户是一名 CAD 技术员，或嵌入交通基础设施咨询公司的城市规划专业人员——通常是 20 到 100 人规模的公司，负责管理公交枢纽、铁路车站和立交枢纽等交通设施的场地平面图文档。他们的日常工作包括维护和审核 CAD 图纸，这些图纸会用于工程量清单、许可申请以及承包商交接资料。
在这类规模的公司里，通常没有专门用于 DXF 文件语义解析的软件。技术员会在 AutoCAD 或兼容查看器中工作，通过图层可见性和块属性对话框手动统计对象。当图纸结构清晰——每种家具或车辆类型都有命名明确、可复用的块插入——计数虽然繁琐，但尚可完成。而当几何被炸开，或者不同专业之间的块命名规则不一致时，审计工作就会变得容易出错，可能耗费整整一天，最终分析人员仍无法确定结果是否准确。
问题
被审计的图纸是一张多区域的公交总站 DXF 场地平面图，包含至少六类功能对象：停车区里的黄色汽车、餐饮区里的餐椅和餐桌、车辆停靠区里的公交车，以及平面右侧的植被图层，该图层又分为大树和小灌木。
表面上看，这似乎只是一次标准的工程量统计。实际上，这张图纸存在两个结构性问题，使得直接按块计数的方式并不可靠。
首先，停车区里的黄色车辆并不是以可复用的块插入形式放置，而是被炸开了。原本在结构良好的图纸中应当是 33 个车辆符号，但在这里却变成了 7,504 个独立线实体、4,778 个圆弧实体和 67 个圆实体——总计 12,349 个图元，分布在 vehiculos 图层上。没有可直接统计的块引用；分析人员必须从几何代理中推断车辆数量，具体来说是 67 个轮圈圆标记，并对边界处部分显示或被裁切的车辆应用修正系数。
其次，终端区域中的家具和人形活动符号没有可靠的命名规则。初步分类结果将块 A$C206D7EC0 的 60 个实例识别为候选椅子，并将块 A$C05075C2A 的 11 个实例识别为候选桌子。但这两个计数都是错误的：目视检查显示，第一个块是放置在 piso 图层上的门或地板开启摆动符号，第二个块则是一个人形符号——两者都不是家具。真正的餐椅是另一个块（0Q62D，位于 mobiliario 图层），总计 36 个实例。真正类似桌子的家具候选在剔除人形和门符号后，仅剩 4 个对象。
每一次误分类都需要完整重新检查一轮：识别块 ID、检查图层、结合上下文查看几何、更新计数并重新生成审计输出。手动执行这些循环——加载筛选对话框、重新生成选择集、导出子图——就是那种会消耗数小时、却无法保证最终答案具有可辩护性的迭代 CAD 工作。
为什么是现在
交通基础设施项目受分阶段文档要求约束。随着公交总站从设计深化阶段进入施工图阶段，设计团队必须向成本估算人员提供经过验证的工程量清单；如果项目涉及公共资金，还要提交给审批机构。对象类型一旦被误分类——把门算成椅子，或把植被与结构化停车区混为一谈——就会在材料估算、防火疏散计算和项目预算中引发连锁错误。
在这个案例中，审计是文档交付前的必要步骤。图纸经历了多个专业的共同参与，这也是图层命名变得不一致、车辆几何被炸开的原因。技术员需要在文件冻结并发出施工前，先拿到一个可靠的最终计数。
为什么选择 energent.ai
技术员可选的方案很有限。在 AutoCAD 中手动统计块，需要设置图层筛选、运行计数命令，并逐一核实每个结果——当块 ID 只是像 A$C206D7EC0 这样毫无语义的哈希字符串时，这种流程的扩展性很差。使用 DXF 解析库编写自定义 Python 脚本在技术上可行，但需要团队没有的开发时间，而且最终只会得到一个一次性工具，缺少交互式重新分类循环。
Energent.ai 提供了另一种模式：一个对话式代理，可以直接加载 DXF 文件，执行 Python 和 bash 命令解析几何，生成按对象类别筛选的审计 DXF 输出，并通过自然语言纠正来迭代分类逻辑。分析人员无需编写代码。当计数出错时，只需一句纠正——“那些是门符号，不是椅子”——代理就会重新运行分类，排除误计的块，并在同一会话中生成修正后的审计文件。
更关键的是，energent.ai 会生成中间输出文件——每个对象类别对应一个 DXF——技术员可以在现有 CAD 查看器中打开这些文件，在接受计数前进行目视核验。这在自动化分析与人工确认之间建立了闭环，而单独的脚本或 BI 仪表板都无法做到这一点。
工作流程
步骤 1 — 文件上传与图层概览。 技术员上传了公交总站 DXF。代理扫描了图层名称（vehiculos、mobiliario、piso、BUSES、vegetacion）和块 ID，并生成了按图层划分的初步实体类型与数量清单。
步骤 2 — 车辆提取。 分析人员要求统计左上角停车区中的黄色汽车。代理识别出 vehiculos 图层中没有块插入，只有总计 12,349 个图元的炸开线、圆弧和圆几何。它将 67 个圆实体提取为轮标记，并在假设每辆车对应两个轮圈圆、且图纸边缘存在一个部分标记的前提下，估算出 33 辆车。代理生成了专门的审计 DXF 供目视核验，并标注该结果为基于几何推导，而非基于块计数。
步骤 3 — 家具分类，首次尝试。 代理识别出终端区域中部偏左的候选家具块，并将其中一个块的 60 个实例识别为椅子，另一个块的 11 个实例识别为桌子。分析人员查看审计 DXF 后修正了分类：这个 60 个计数的块是位于 piso 图层上的门或地板开启摆动符号；那个 11 个计数的块是人形。两者都不应计入家具统计。
步骤 4 — 家具重新分类，修正后。 在应用形状上下文修正后，代理重新运行分类。它保留了位于 mobiliario 图层上的块 0Q62D，将其识别为 36 把餐椅，并在排除所有门和人形符号后，识别出 4 个类似桌子的家具候选（块 dfy 和 SofaA2C）。代理为餐椅、桌子候选以及两类被排除对象分别生成了独立的审计 DXF，使分析人员能够逐一确认每项排除结果。
步骤 5 — 公交车与植被。 代理识别出 BUSES 图层上的 41 个公交车符号，并在图纸右侧区分出 5 个大树块和 46 个小灌木符号，为每个类别生成了命名清晰的审计 DXF。
步骤 6 — 最终审计包。 代理汇总了完整的最终计数表，生成了带归属信息的整张图纸 DXF，并输出了一份适合纳入项目文档包的自然语言 Markdown 摘要。
结果
审计在一个没有可靠块命名规范且有一种对象完全爆炸展开的图纸中，针对六类对象得出了经验证的数量：
| Object | Final count |
|---|---|
| Yellow cars (geometry-estimated) | 33 |
| Dining chairs | 36 |
| Table-like furniture candidates | 4 |
| Buses | 41 |
| Large trees | 5 |
| Small bushes | 46 |
系统捕捉并纠正了三处初始误分类：最初被标记为末排座椅的 60 个门/地板摆动符号、最初被标记为桌子的 11 个人物符号，以及在第一轮中与车辆图层混淆的植被符号。每一轮纠正只需一次对话式交互，而不必完整地重新人工复核一遍。
该代理生成了 11 个命名的审计 DXF 文件——每个对象类别一个，外加两个排除验证文件——以及一份完整的 Markdown 摘要，用可追溯、逐文件的审计轨迹取代了原本需要人工统计表格的工作，团队任何成员都可以打开并核验。
证明
“这张图纸已经经过三个专业团队的处理，块名称完全看不懂。除非逐个打开每个实例，否则我根本不知道 A$C206D7EC0 是一个门符号。energent.ai 给我的能力是，我可以直接说‘这看起来不对’，然后几秒钟内拿回修正后的文件，而不是在图层管理器里再耗一个小时。”
— CAD 技术员，交通基础设施咨询公司
该代理交付的成果——bus_terminal_dxf_tldr.md Markdown 摘要以及全套按类别划分的审计 DXF 文件——可以在任何兼容 DXF 的查看器中打开，并与原始图纸交叉核对。带归属信息的整张图 DXF 会将审计溯源直接嵌入文件中，使输出结果便于项目记录追踪。
说明
黄色汽车数量 33 是几何估算值，而不是基于块计数的确定值。由于这些车辆是以爆炸展开的原始图元绘制的，而不是可复用的插入块，因此该数量建立在如下假设之上：每辆车恰好贡献两个轮圈标记，对应 67 个圆圈总数。在将该数字用于正式工程量清单或提交监管机构之前，必须先将隔离后的车辆审计 DXF 与原始图纸进行目视核查。同样，表类家具候选项代表的是经过排除过滤后仍保留的几何对象；在将该数量视为最终结果之前，领域专家应根据建筑意图逐一确认每个实例。energent.ai 的输出加快了审计周期，并能发现人工统计方法经常漏掉的误分类，但它不能替代技术人员对含糊分类的最终签核。
常见问题
当几何已经爆炸展开为单独的线和圆弧时，如何在 DXF 文件中统计对象？
当 DXF 块插入已被爆炸展开时，就不存在单一实体可供计数。energent.ai 会回退到几何代理：在该公交总站场地平面图中，它识别出爆炸展开的汽车几何中有 67 个轮圈标记，并按每辆车两个轮子估算出 33 辆车。该估算数量会被标记为几何推导值，并在接受该数字之前生成按类别划分的审计 DXF 供目视核验。
为什么仅凭块 ID 不足以可靠地进行 DXF 对象分类？
跨多个专业绘制的 CAD 图纸中，块名称往往是哈希字符串或没有语义意义的旧代码。在这次场地平面审计中，块 A$C206D7EC0 实际上是 piso 图层上的门/地板摆动符号，而不是椅子；块 A$C05075C2A 则是人物，而不是桌子。可靠的 DXF 数据提取需要交叉参考块 ID、图层名称和可视几何上下文，而不能只看块 ID。
什么是 DXF 对象审计，通常在什么情况下需要？
DXF 对象审计是对工程图中所有实体类型进行系统性计数和分类，用于生成经验证的工程量清单，以支持成本估算、许可申报或承包商交接。通常在图纸从设计深化进入施工图阶段时，或者在多专业文件需要在冻结并发布前完成协调时，需要进行此类审计。
energent.ai 能否在不编写自定义脚本的情况下加载并解析 DXF 文件？
可以。energent.ai 可直接接受 DXF 文件上传，并使用其内置的 Python 和 bash 执行环境来解析图层结构、枚举块插入，并按类型或图层过滤实体。分析人员通过自然语言提示进行交互；无需任何脚本知识。该代理会输出按类别划分的审计 DXF 文件，可在任何标准 CAD 查看器中打开。
当初始对象计数错误时，energent.ai 如何处理重新分类？
分析人员用自然语言描述修正内容——例如，确认某个块是门符号而不是椅子。代理会在排除已修正块的情况下重新运行分类，重新生成受影响的审计 DXF，并更新最终计数表。每一轮重新分类都是一次对话式交互，而不是在 CAD 应用中手动筛选并导出的工作流。
energent.ai 会从 DXF 场地平面审计中生成哪些输出文件？
在这次公交总站审计中，energent.ai 生成了 11 个命名的 DXF 文件——每个对象类别一个，外加两个用于误分类门和人物符号的排除验证文件——以及一份整张图带归属信息的 DXF 和一份通俗易懂的 Markdown 摘要。这些输出构成了一套可追溯的审计包，项目团队任何成员都可以打开并与原始图纸核对。
SEO 关键词
DXF object audit, DXF data extraction, CAD layer classification, bus terminal site plan DXF, exploded geometry counting, block insert classification, transportation infrastructure CAD, AutoCAD quantity takeoff, multi-layer DXF analysis, CAD technician workflow, DXF block counting, site plan object count
相关用例
<!-- TODO: link to sibling use-case pages once the related set is published. -->文章 schema（JSON-LD）
{
"@context": "https://schema.org",
"@type": "Article",
"headline": "How a transportation infrastructure CAD auditor classified six object types in a 12,349-primitive DXF site plan with energent.ai",
"description": "A CAD technician auditing a bus terminal DXF site plan used energent.ai to resolve three object-classification errors — 60 door symbols miscounted as chairs, 11 human figures miscounted as tables, and 12,349-primitive exploded car geometry — and produced an 11-file verified audit pack covering six object categories including 33 cars, 36 dining chairs, 41 buses, 5 large trees, and 46 small bushes.",
"keywords": "DXF object audit, DXF data extraction, CAD layer classification, bus terminal site plan, exploded geometry counting, block insert classification, transportation infrastructure CAD, AutoCAD quantity takeoff",
"author": {
"@type": "Organization",
"name": "energent.ai"
},
"publisher": {
"@type": "Organization",
"name": "energent.ai"
},
"articleSection": "Case Study",
"articleBody": "A CAD technician auditing a multi-zone bus terminal DXF site plan used energent.ai to classify six object types across a 12,349-primitive drawing. The agent resolved three misclassification errors — door symbols counted as chairs, human figures counted as tables, and exploded vehicle geometry with no block inserts — through iterative plain-language reclassification cycles. Final verified counts: 33 yellow cars (geometry-estimated from 67 wheel-circle markers), 36 dining chairs, 4 table-like furniture candidates, 41 buses, 5 large trees, and 46 small bushes. The agent produced 11 named audit DXF files plus a Markdown summary, replacing a manual tally spreadsheet with a traceable, file-by-file audit trail."
}