TraceCAD: 추적 기반 수리 기능을 갖춘 에이전트 기반 CAD 생성

TraceCAD: Trace-Guided Repair for Agentic CAD Generation

LLM 기반의 CAD 에이전트는 실행 가능한 매개변수 프로그램들을 생성하지만, 이들의 수정 과정에서 충족된 요구 사항, 오류 발생 지점 및 이전 수리에 대한 정보가 손실될 수 있습니다. 본 논문에서는 TraceCAD를 제안합니다. TraceCAD는 요청된 기능, 모델링 단계, 실패 증거 및 후보 결과를 지속적인 상태로 연결하는 복구 레이어입니다. TraceCAD는 가능성이 높은 오류 지점을 진단하고, 해당 의존성 영역 내에서 제한적인 수정을 탐색하며, 실행 및 검증을 통해 후보를 평가하고, 성공적이고 실패한 모든 수리 결과를 재사용 가능한 기술 메모리에 저장합니다. DeepCAD 기반 벤치마크를 사용하여 200개의 모델에 대한 분석과 1,000개의 모델 비교 실험을 수행한 결과, TraceCAD는 IoU, Chamfer 거리 및 Hausdorff 거리 측면에서 경쟁력 있는 기하학적 품질을 달성했습니다. 지속적인 상태 정보를 제거하면 복구 성능이 거의 절반으로 감소하며, 지역 검색 기능을 제거하면 기하학적 정확도가 두 배로 낮아지고 코드 에이전트 호출 횟수가 두 배 증가합니다. 별도의 학습 모델에서 기술 저장소를 초기화하면 재시도 횟수, 토큰 비용 및 지연 시간이 더욱 줄어듭니다. 이러한 결과는 지속적인 상태 정보, 지역 검색 기능 및 재사용 가능한 복구 메커니즘이 최종 CAD 품질과 수리 신뢰성을 향상시키는 데 기여함을 보여줍니다.

LLM-based CAD agents produce executable parametric programs, but their correction loops may lose evidence about satisfied requirements, faulty operations, and prior repairs. We introduce TraceCAD, a recovery layer that links requested features, modeling steps, failure evidence, and candidate outcomes as persistent state. TraceCAD diagnoses likely faulty operations, searches bounded edits in their dependency regions, validates candidates through execution and preservation checks, and retains successful and failed repair outcomes in reusable skill memory. On DeepCAD-derived benchmarks with 200-model ablations and a 1K-model comparison, TraceCAD achieves competitive geometric quality in terms of IoU, Chamfer distance, and Hausdorff distance. Removing persistent state nearly halves recovery score; removing localized search more than doubles geometric regression and doubles code-agent invocations. Initializing the skill store on disjoint training models further reduces retries, token cost, and latency. These results demonstrate that persistent, localized, and reusable recovery improves final CAD quality and repair reliability.