一种面向建筑设计的基于大语言模型的自动内容生成技术

技术领域

本发明涉及信息技术领域，具体为一种面向建筑设计的基于大语言模型的自动内容生成技术。

背景技术

BIM（建筑信息建模）是一种数字化方法，通过三维建模创建和使用虚拟建筑模型，协调和通信设计、施工和运营信息。主要包括建筑元素的几何形状、位置、材料、性能数据等。BIM技术也包括支持多学科团队的协同工作、数据集成、协同施工等。目前已有成熟的CAD(计算机辅助设计)工具支持BIM应用和推广。作为建筑设计和BIM实施的基础步骤，三维设计图的生成和迭代是整个建筑设计施工流程中的重要节点，目前主要依赖人工操作，对于设计过程的自动化需要精确的定义设计方法和操作步骤，因此建立智能化的生成设计图能力是人工智能支持BIM的主要挑战。

LLM(大语言模型)以世界语料进行预训练，通过复杂的神经网络架构有效的整合知识表达，并具有良好的泛化能力。目前LLM已经逐渐在多种知识搜索和推演场景中做为核心引擎发挥作用。利用LLM的知识搜索能力，可以在输入提示问题的基础上，得出可用于CAD绘图的脚本，或可通过工具转换实现CAD绘图的文本输出。因此，利用LLM可以做为实现智能化的生成设计图的算法引擎。

基于上述场景需求和大语言模型的潜在能力，本项发明提出了基于大语言模型的生图方法，实现由人工提供自然语言提示，借助CAD工具的应用程序接口实现建筑设计图自动化生成的能力。

发明内容

（一）解决的技术问题

针对现有技术的不足，本发明提供了一种面向建筑设计的基于大语言模型的自动内容生成技术，具备实现由人工提供自然语言提示，借助CAD工具的应用程序接口实现建筑设计图自动化生成的能力，在云端和边缘端进行有效的任务调度，实现协同计算和数据处理，可将计算密集任务的效率大幅提升的优点，解决了人力密集型操作容易出现错误且效率较低的问题。

（二）技术方案

为实现上述实现由人工提供自然语言提示，借助CAD工具的应用程序接口实现建筑设计图自动化生成的能力，在云端和边缘端进行有效的任务调度，实现协同计算和数据处理，可将计算密集任务的效率大幅提升的目的，本发明提供如下技术方案。

（三）有益效果

与现有技术相比，本发明提供了一种面向建筑设计的基于大语言模型的自动内容生成技术，具备以下有益效果：一种面向建筑设计的基于大语言模型的自动内容生成技术，所述基于大语言模型的自动内容生成技术包括以下步骤：

步骤S1：将计算机辅助设计绘图任务转换为程序设计语言生成任务；

步骤S2：通过提示文本输入，得到可通过计算机辅助设计工具进行绘图的构型脚本；

步骤S3：设计任务分解，通过递归方式将提示文本进行任务分解，并生成构型任务树；

步骤S4：构型生成，对叶子节点的构型生成，生成可由CAD工具进行绘图的构型脚本，并通过构型验证过程验证其合理性；

步骤S5：构型聚合，对非叶子节点，进行子节点生成的构型脚步的聚合，并通过构型验证过程验证其合理性；

步骤S6：数据修正，通过程序验证工具对通过大语言模型生成的构型脚本进行验证和纠错；

步骤S7：模型增强，通过将数据对加入训练数据集合，对大语言模型进行微调训练，提升脚本生成的准确度。

优选的，所述构型生成还包括通过以深度遍历方式访问构型任务树，对每个叶子节点通过大语言模型对其对应提示文本进行构型脚本生成。

优选的，所述构型聚合还包括通过以深度遍历方式访问构型任务树，对每个非叶子节点通过聚合的方式将子节点的构型脚本整合成新的构型脚本。

优选的，所述数据修正还包括根据验证反馈中发现的错误和修正方法，修正构型脚本，并生成两类数据。

优选的，所述模型增强还包括将提示问题和其对生成构型脚本进行纠错后的脚本作为文本对，以此构成训练数据来微调训练大语言模型以提升构型脚本生成的质量。

优选的，所述模型增强还包括将对构型脚本进行纠错后的错误和修正作为文本对，以此构成训练数据来微调训练大语言模型以提升构型脚本生成的质量。

优选的，所述步骤S3、步骤S4、步骤S5步是从文本提示输入到CAD图形输出的过程。

优选的，所述步骤S6、步骤S7是在不断收集校验数据后，通过将提示文本、校验后脚本、脚本错误、脚本修正作为训练数据，对大语言模型进行微调训练来调优，逐步提升脚本生成的质量。

该面向建筑设计的基于大语言模型的自动内容生成技术，通过由人工提供自然语言提示，也包含设计任务拆解，以树状结构表示提示，通过大语言模型生成操作脚本； 借助验证工具，修正脚本，实现可操作CAD工具绘图的能力；对修正的脚本，作为补充素材，回馈大语言模型进行微调训练，以提升脚本生成精度；可有效判断相对优化的任务执行位置，并能够综合考虑计算效能、数据延迟、数据本地化等性能指标，可作为智慧城市算力平台任务调度系统的策略管理插件来提升系统整体运行效率。

附图说明

图1为本发明自动内容生成步骤示意图；

图2为本发明“提示-生图”工作步骤示意图；

图3为本发明任务分解树状结构框图；

图4为本发明微调训练与模型增强流程示意图；

图5为本发明设计任务分解流程框图；

图6为本发明构型生成流程框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1-6，一种面向建筑设计的基于大语言模型的自动内容生成技术，基于大语言模型的自动内容生成技术包括以下步骤：

步骤S1：将计算机辅助设计绘图任务转换为程序设计语言生成任务；这意味着技术能够将传统的建筑设计绘图任务，转化为生成程序设计语言的任务。这样，建筑设计的过程可以通过编程的方式来实现，提高了设计的灵活性和效率。

步骤S2：通过提示文本输入，得到可通过计算机辅助设计工具进行绘图的构型脚本；用户可以通过输入简短的提示文本，获得一个可以用于计算机辅助设计（CAD）工具的构型脚本。这个脚本包含了生成特定建筑设计所需的所有指令。

步骤S3：设计任务分解，通过递归方式将提示文本进行任务分解，并生成构型任务树；提示文本被递归地分解成更小的子任务，这些子任务被组织成一个构型任务树。这样做可以帮助系统更有条理地处理复杂的建筑设计任务；设计任务分解是将文本提示的设计需求分解成树状的任务树，每个树节点可以表示为子任务，每个叶子节点作为构型生成的基础单元。每个节点均表示为文本提示，并配有相应的参数信息，以便大语言模型获得足够信息来生成构型脚本；任务分解本质是将一个建筑构型生成任务以思维链方式分解为多个步骤，或以树形结构表达的思维树。任务分解可由应用者手工进行，也可通过经验积累的分解模版，以递归方式进行任务分解，并得到任务树；这里的模版集合为根据经验积累的任务分解模版集合，其组织方式为<提示文本，模版>，每个提示文本对应一个任务分解的模版。在上述算法中，首先检测当前提示文本P在模版集合中是否存在与之相似的提示文本P’，检测的标准为提示文本P和P’的相似度大于阈值S（S为可配置参数），如果存在P‘，则将P’对应的模版作为P分解任务的模版。

步骤S4：构型生成，对叶子节点的构型生成，生成可由CAD工具进行绘图的构型脚本，并通过构型验证过程验证其合理性；构型生成是将 “构型分解“后形成的任务树进行深度优先遍历，对于叶子节点中的提示问题（例如“提供基于rhino的花园别墅绘图脚本”）输入大语言模型（LLM）获得构型脚本，即绘制“花园别墅”的程序脚本，该程序脚本依赖于特定绘图工具，例如“rhino”。借助LLM获得的脚本可能存在错误，可通过程序验证工具进行定位和纠错，纠正后的脚本可通过CAD工具引擎运行（例如rhino），并生成图形。对于非叶子节点，通过构型聚合来生成绘图脚本。最后获得整个任务树所对应的构型脚本并通过CAD工具进行绘制。同时，在遍历任务树生成构型脚本的过程中，对于构型脚本验证的错误修正作为模型增强所需的训练数据进行收集。

步骤S5：构型聚合，对非叶子节点，进行子节点生成的构型脚步的聚合，并通过构型验证过程验证其合理性；对于分解的构型，即“构型分解“后形成的任务树中的非叶子节点，需要将各个子节点的脚本进行整合（即将子节点的脚本合并），形成单一脚本。在此过程中，可能存在API或参数不匹配的错误，因此需要再次进行脚本验证。

步骤S6：数据修正，通过程序验证工具对通过大语言模型生成的构型脚本进行验证和纠错；在“构型生成”和“构型聚会”过程中，存在脚本错误和纠正的过程。脚本错误主要包括：API名称和参数设置错误，API调用顺序错误。以上错误可通过程序验证工具进行定位和纠错。对于纠正的错误，需要将它们回馈到LLM以便LLM下一次可以生成正确的脚本，对于API名称和参数设置错误，可以将定位到行的错误脚本代码和对应的修正代码做成<错误，纠正>文本对，放入微调训练数据集并训练LLM以降低该类错误。对于API调用顺序错误，需要将整个生成的脚本作为训练数据，即构建<提示，修正后脚本>文本对，放入微调训练数据集并训练LLM以提升脚本生成质量。

步骤S7：模型增强，通过将数据对加入训练数据集合，对大语言模型进行微调训练，提升脚本生成的准确度；模型增强即通过前述模型验证过程中获得的数据，在不断的进行“提示-生图”操作中积累训练数据，迭代LLM，从而获得与应用领域能够进行良好视频的LLM’。

本实施例中，构型生成还包括通过以深度遍历方式访问构型任务树，对每个叶子节点通过大语言模型对其对应提示文本进行构型脚本生成；系统以深度优先的方式遍历构型任务树，对于每个叶子节点，使用大语言模型生成相应的构型脚本。这样可以确保每个子任务都被适当地处理并转换为有效的脚本。

本实施例中，构型聚合还包括通过以深度遍历方式访问构型任务树，对每个非叶子节点通过聚合的方式将子节点的构型脚本整合成新的构型脚本；对于构型任务树中的非叶子节点，系统将其子节点的构型脚本聚合起来，形成新的、更高级的构型脚本。这有助于在不同层次上管理和优化建筑设计过程。

本实施例中，数据修正还包括根据验证反馈中发现的错误和修正方法，修正构型脚本，并生成两类数据；为了确保生成的构型脚本的准确性和有效性，系统使用程序验证工具对其进行验证和纠错。这可以增加建筑设计过程的可靠性和安全性。

本实施例中，模型增强还包括将提示问题和其对生成构型脚本进行纠错后的脚本作为文本对，以此构成训练数据来微调训练大语言模型以提升构型脚本生成的质量；系统使用提示问题和经过纠错后的构型脚本作为训练数据，对大语言模型进行微调。这可以帮助模型学习如何更好地生成准确和高效的构型脚本。

本实施例中，模型增强还包括将对构型脚本进行纠错后的错误和修正作为文本对，以此构成训练数据来微调训练大语言模型以提升构型脚本生成的质量；系统将纠错过程中发现的错误和相应的修正作为训练数据，进一步微调大语言模型。通过这种方式，模型可以不断学习和改进，以提高未来构型脚本生成的质量。

本实施例中，步骤S3、步骤S4、步骤S5步是从文本提示输入到CAD图形输出的过程。

本实施例中，步骤S6、步骤S7是在不断收集校验数据后，通过将提示文本、校验后脚本、脚本错误、脚本修正作为训练数据，对大语言模型进行微调训练来调优，逐步提升脚本生成的质量。

工作原理：本发明提供了一种基于LLM(大语言模型)的生图方法，利用LLM的文本生成能力，实现从输入人类语言提示，到自动调用CAD工具进行建筑设计图绘制。

基于机器学习技术的微服务任务调度技术，可通过将数据、计算节点的位置及特征、网络系统速率与计算任务类型与特征输入任务调度器，以机器学习寻优方式给出任务的合适运行节点。该技术可以降低网络、数据I/O延迟和提升计算吞吐率为主要优化目标，为系统中运行的所有任务提供一个优化调度策略，并可根据任务数量和状态变化以准实时的方式提供策略更正。本项发明的运行系统是指云-边协同环境，在云端和边缘端进行有效的任务调度，实现协同计算和数据处理，可将计算密集任务的效率大幅提升，而如何实现调度策略是目前的主要问题。

综上所述，该面向建筑设计的基于大语言模型的自动内容生成技术，通过由人工提供自然语言提示，也包含设计任务拆解，以树状结构表示提示，通过大语言模型生成操作脚本； 借助验证工具，修正脚本，实现可操作CAD工具绘图的能力；对修正的脚本，作为补充素材，回馈大语言模型进行微调训练，以提升脚本生成精度；可有效判断相对优化的任务执行位置，并能够综合考虑计算效能、数据延迟、数据本地化等性能指标，可作为智慧城市算力平台任务调度系统的策略管理插件来提升系统整体运行效率；通过将建筑设计操作的过程转换为语言模型，并设计了相应的以语言模式表示的数据表示结构，结合大语言的“提示-分析”能力，实现了基于大语言模型的设计过程自动化。本发明提出了由人工提供自然语言提示，借助CAD工具的应用程序接口实现建筑设计图自动化生成的能力。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。