用MCP协议连接Claude AI：Revit与AutoCAD自动化绘图配置指南

让AI直接操控CAD绘图：MCP协议是关键

能不能让AI直接控制AutoCAD和Revit完成绘图工作？这个在建筑设计与施工领域被反复讨论的问题，答案正逐渐清晰。核心在于一项名为 MCP（Model Context Protocol，模型上下文协议） 的技术。通过MCP，Claude AI等大模型可以作为“指挥中枢”，调用本地安装的设计软件工具，实现从自然语言指令到实际绘图操作的转换。

简单来说，MCP定义了AI模型与外部工具之间的通信标准。当你在聊天框里输入“在AutoCAD上画一个半径1000的圆”或“读取Revit视图”，AI会自动识别意图、激活对应的工具并立即执行。这意味着设计师无需手动在软件界面里逐步操作，而是用对话的方式驱动软件。

MCP（Model Context Protocol）由Anthropic于2024年底正式开源发布，目标是解决AI大模型与外部工具"碎片化集成"的痛点。在MCP出现之前，每个AI应用都需要为每种工具单独开发接口，维护成本极高。MCP的核心思想是定义一套统一的客户端-服务器架构：AI模型作为"MCP客户端"，各类外部工具（数据库、软件、API）作为"MCP服务器"，双方遵循同一协议通信。这类似于USB接口标准化了硬件连接方式——有了统一标准，任何符合协议的工具都能被任何兼容的AI模型调用，无需重复开发适配层。在AutoCAD/Revit场景中，插件扮演的正是MCP服务器的角色，负责接收来自Claude的指令并转译为软件原生操作。

环境准备：桌面客户端与基础依赖

要跑通整套流程，第一步是搭建运行环境。原视频给出的配置路径相对清晰，可以归纳为几个关键依赖：

安装核心组件

• Claude 桌面客户端（免费版即可）：这是承载AI对话与MCP连接的入口。
• Git：用于获取和管理相关的脚本与配置文件。
• Python：MCP服务端脚本通常依赖Python运行环境。

这三者是最基础的前提条件。Python与Git在AI工具链里几乎是标配，建议安装时勾选“添加到系统环境变量（PATH）”，避免后续命令行调用时找不到程序的问题。

启用软件识别选项

安装过程中有一个容易被忽略的细节——需要勾选相应的应用识别选项（视频中提到的“app 2.0”相关设置），这样系统才能正确识别并挂载后续的插件。配置类工具最常见的失败原因，往往就出在这类“默认未勾选”的选项上。

插件部署：让Revit与AutoCAD接入MCP

环境就绪后，进入实质性的插件部署阶段。这一步是把MCP的“手”伸进设计软件内部的关键。

Revit与AutoCAD的插件安装

• Revit：将对应的 Add-in（插件）文件复制到Revit的插件目录中。Revit通过Add-in机制加载第三方扩展，放对目录是生效的前提。
• AutoCAD：将 AutoLISP 相关脚本复制到AutoCAD目录，并通过命令（如 Upload/加载到 Startup Suite）将其加入启动项，确保每次打开AutoCAD时自动加载。

把脚本加入Startup（启动套件）是一个实用技巧，否则每次重启软件都要手动重新加载，影响工作流的连贯性。

AutoLISP是AutoCAD内置的脚本语言，基于Lisp方言，自1980年代起就随AutoCAD一同发展，是AutoCAD生态中历史最悠久的二次开发方式之一。它允许开发者通过脚本直接调用AutoCAD的绘图命令、修改图形数据库，无需额外的外部编译环境。Startup Suite（启动套件）是AutoCAD提供的一个机制，凡加入其中的LSP脚本会在每次软件启动时自动执行，相当于为AutoCAD设置"开机自启"的扩展程序。Revit的Add-in则是另一套体系：基于.NET框架开发，通过在特定目录放置.addin描述文件和对应DLL，Revit启动时会自动扫描并加载，这是Revit官方推荐的插件分发方式。两套机制的底层逻辑相似，都是让第三方代码在软件启动阶段嵌入运行环境，从而获得调用软件内部API的权限。

配置文件与路径修改

插件就位后，还需打开Claude客户端的设置页面，粘贴MCP服务的配置文件（JSON格式的连接配置），并根据自己电脑的实际情况修改其中的路径与用户名。配置文件里的用户名、文件路径这类参数必须与本机环境一致，否则连接会失败——这也是整个流程里最需要仔细核对的环节。

实际效果：对话即绘图

当所有配置完成后，使用方式回归到最自然的形态：聊天。

输入“在AutoCAD上画一个1000的圆”，AI会自动调用绘图工具并即时执行；要求“读取Revit视图”，AI同样会触发对应功能返回结果。整个过程不再需要在菜单栏里层层点击，而是以意图驱动软件动作，这正是AI Agent（智能体）在工程设计场景落地的典型形态。

对建筑设计工作流的意义

这套方案的价值不在于“画一个圆”这种简单操作，而在于它展示了一条可扩展的路径：当AI能够读取模型信息、调用绘图与建模命令，复杂的重复性工作（批量标注、构件生成、视图整理等）就有了被自动化的可能。

对于BIM与施工图设计从业者来说，MCP提供了一个让大模型真正“动手”的接口标准，而不只是停留在给建议、写文本的层面。当然，目前这类配置仍有一定技术门槛——依赖环境搭建、路径配置、插件兼容性等问题都可能成为卡点，更适合愿意折腾的技术型用户先行尝试。

随着AI Agent在设计与施工领域的应用不断深入，软件与大模型之间的连接只会越来越顺滑。先把MCP的工作原理和配置逻辑搞清楚，是跟上这波工具变革的第一步。

AI Agent（智能体）与普通AI对话助手的本质区别在于"执行能力"。传统的AI对话只能输出文字建议，用户仍需自行操作软件落地；而AI Agent拥有调用外部工具的能力，可以自主完成"感知→规划→执行"的闭环。在工程设计场景下，这意味着AI不仅能告诉你"应该如何标注轴网"，还能直接在Revit或AutoCAD中完成这一操作。BIM（Building Information Modeling，建筑信息模型）工作流中存在大量规则性强、重复度高的任务，例如批量修改构件参数、按规范自动生成图框、统计材料用量等，这类任务正是AI Agent的理想切入点。MCP协议为这一方向提供了标准化的技术底座，使得社区开发者可以持续为不同软件编写MCP服务器插件，逐步扩大AI Agent在设计工具链中的覆盖范围。