你站在一座现代物流园区的中控室里，大屏上实时展示的并不是平面监控地图，而是一整套和真实库区一一对应的 3D 智慧仓储数字孪生场景——AGV 在地面巷道里穿梭，堆垛机正在切换托盘位，货架层格的空闲与占用状态用颜色实时刷新。这种画面现在越来越多出现在物流自动化方案里，但真正动手搭建过的朋友都知道，传统做法里“空间理解”和“场景建模”是最耗人的两个环节。我这一阵在跑的项目里，就是用Antigravity + Blender MCP组合把这两件事一次性串起来的：Antigravity 负责让 AI 具备三维空间认知能力，Blender MCP 负责让 AI 直接操作 Blender 做批量建模。这篇文章就以我最近的智慧仓储数字孪生搭建过程为背景，把这条链路怎么拆、怎么装、怎么跑、怎么避坑讲清楚。适合正在做数字孪生 POC 的开发者、物流自动化行业从业者，以及所有对 AI+3D 工作流感兴趣的朋友，新手也可以顺着步骤复现到能用的程度。既然是上篇，我先把“空间认知引擎 + AI 建模工具”这条主线讲透，动态数据联动和空间推演留到下篇再展开。
1. 链路拆解：Antigravity 和 Blender MCP 在这套方案里到底各干什么
1.1 Antigravity：让大模型从“二维理解”跨进“三维空间认知”
先说说 Antigravity。它不是一个渲染工具，也不是一个普通的三维引擎，而是一套偏“具身智能”的开源工程框架，核心是把大模型往空间理解能力上再推一步。传统大模型在图像上做得非常好，能识别“这是一排货架”“那是一台 AGV”，但你要它回答“这排货架摆在这个位置会不会挡住 AGV 的转弯路径”“如果在这个区域临时堆一批货物，哪些巷道会被压缩”，它就很容易犯糊涂，因为它没有真正建立三维空间心智。
Antigravity 的价值就在这里。它的核心模块里包含了类似 3D Reconciler、Token Learner 这样的空间认知组件，能把多视角图像、深度图、点云等输入统一到一个三维记忆空间里，再基于这个空间预测后续场景状态。你可以把它理解成一种“三维世界模型”：给了环境信息之后，它不仅能告诉你“现在是什么样”，还能推断“接下来最可能变成什么样”。这在智慧仓储场景里非常有用——后面我会单独讲怎么用它做货位预测和 AGV 路径推演。
所以在这套链路里，Antigravity 的角色是“大脑”，负责空间推理、场景解释、布局建议。它不直接生成 Blender 模型，但它输出的空间决策，会变成 Blender MCP 的执行指令。这个分工一定先明确，否则后面很容易把两个工具混为一谈。
1.2 Blender MCP：给 AI 接上一双能直接建模的“手”
MCP 全称是 Model Context Protocol，由 Anthropic 推出的一个开放协议，解决的核心问题只有一个：让 AI 客户端能统一调用外部工具和数据源。类比起来很像 USB-C 接口——以前每接一个新设备就要多一根专用线，现在协议统一了，AI 客户端只要配一次 MCP Server，就可以安全调用 Blender 的能力。
Blender MCP 具体做的工作，是作为 MCP Server 运行在本地或内网，它一边和 AI 客户端通信，一边通过 Blender 的 Python API 调用 Blender 插件来执行建模、修改场景、导出文件等操作。AI 端发起类似“创建一排货架”的 function call，Blender MCP 接收后解析成一组 BPython 指令，实际操控 Blender 在三维视口里一步步建模。
这意味着什么？意味着你不用手动去拖拽每一个立方体，不用一条条写 Blender Python 脚本，甚至不用进 Blender 界面。你用自然语言描述“按 5 列 3 层生成货架，格口宽 1.2 米，留出 2.5 米巷道”，AI 会理解语义并写成对应参数，MCP Server 再把它落地成真实场景。整个链路跑通之后，改仓储布局、批量生成货架、调整 AGV 模型，都只是改自然语言指令的事。
1.3 整体架构：从自然语言到三维可视化的完整通路
把两个工具放到一起来看，整条链路非常清晰：
- 输入层：人类的自然语言指令或仓储问题，比如“在 B 区域增加三排货架”“查看当前货架占用率较高的区域”；
- 决策层：Antigravity 对环境进行空间理解，对布局合理性、遮挡关系、路径规划等问题做推理，输出“应该在哪里放置货架、货架参数是什么、哪些区域需要调整”等决策信息；
- 工具层：Blender MCP 接收决策指令，调用 Blender Python API，完成建模、修改材质、导出 GLB/JSON 等操作；
- 可视化层：Blender 负责离线渲染和复杂场景预览，Web 端则由 Three.js 加载导出模型，做在线交互和实时数据叠加。
我用一张表格把这三个核心角色拆开看：
| 组件 | 核心职责 | 输入 | 输出 |
|---|---|---|---|
| Antigravity | 空间认知、场景推理、状态预测 | 图片/点云/深度图/3D场景数据 | 空间结构化描述、布局决策、预测结果 |
| Blender MCP | 将 AI 指令转成 Blender 操作 | function call 参数 | Blender 场景编辑、模型创建、文件导出 |
| Three.js | 浏览器端渲染与数据联动 | GLB/JSON 模型、实时数据 | 可交互的数字化大屏 |
注意，这里我们没有把大模型本身单独列出来，因为它其实藏在了两层里：Antigravity 内部有大模型作为空间推理引擎，AI 客户端本身也有语言模型负责理解用户语义。你在使用的时候，只需要关心“用户说什么，最后场景变成什么样”，中间的翻译工作由这套链路自动完成。
2. 环境准备与安装：先把三个“轮子”都转起来
2.1 Antigravity 安装与基础验证
我实际操作时的环境是 Ubuntu 22.04 + Python 3.10 + 一张显存 12GB 起的显卡。Antigravity 依赖 PyTorch 生态，所以第一步建议用 conda 建独立环境，避免污染其他项目：
conda create -n antigravity python=3.10 -y conda activate antigravity pip install antigravity-engine如果你是从源码安装，则按官方仓库说明先 git clone 再安装依赖，通常步骤是：
git clone https://github.com/你的仓库地址/antigravity.git cd antigravity pip install -r requirements.txt安装完成后，跑一下版本验证和一个小测试，确保环境没问题：
antigravity --version antigravity run --demo第一次运行会提示登录开发者账号，你按提示完成授权即可。授权之后，Antigravity 会把空间推理能力加载进来，通常几秒到几十秒不等。如果看到 “execution terminated due to error” 或 “更新出错” 这类提示，我在第 4 章专门整理了排查方法，这里先不展开。
2.2 Blender 与 Blender MCP 安装
Blender 我建议直接用 4.x 以上版本，我这边用的是 Blender 4.2 LTS。安装路径不要带中文，尽量简洁，否则后面 MCP Server 读取插件路径容易出问题。
Blender MCP 的安装分两步。第一步是把插件装进 Blender：打开 Blender 后进入 Edit > Preferences > Add-ons，选择 Install from Disk，指向你下载的 blender_mcp 插件压缩包。启用后插件会显示在 Add-ons 列表里，并在 Blender 的侧边栏多出一个 MCP 面板。
第二步是配置 MCP Server。你会看到两个关键信息：一个是本地 Server 监听端口，另一个是 MCP Server 入口文件的路径。把这个入口文件路径记录下来，后面在 MCP 客户端配置里要填。
2.3 在支持 MCP 的客户端里启用连接
我用的是 Claude Desktop 作为演示客户端，其他支持 MCP 的桌面客户端操作类似。先找到客户端的配置文件，比如 Claude Desktop 的claude_desktop_config.json，加入 Blender MCP 配置：
{ "mcpServers": { "blender": { "command": "python", "args": [ "/你的绝对路径/blender-mcp/server.py" ] } } }注意替换成你自己的 Python 绝对路径和 server.py 绝对路径。保存并重启客户端后，在对话里发一条测试指令，比如“请获取当前 Blender 场景的对象数量并返回”。如果配置正确，客户端会调用 Blender MCP 工具，场景里如果有任何物体，你会看到返回的 JSON 信息，同时 Blender 界面会同步刷新。这一步跑通，整个链路的基础就已经就位。
提示：MCP Server 只连接本地或内网里的 Blender，不会也不需要通过外部云端服务转发。配置后如果连接失败，先检查 Blender 插件是否启用、端口是否被防火墙拦截，不要急着怀疑网络环境。
3. 实操流程：从一句中文指令到可运行的仓储场景
3.1 手工搭出基础仓储场景
先别急着让 AI 全自动，我的习惯是自己先手动搭一个基础场景，把坐标原点、单位、命名规则定下来，再让 AI 在上面做增量修改，否则 AI 生成的模型容易出现位置错乱、尺度混乱等问题。
仓储场景一般包含这几类元素：地面、货架、AGV、货物箱、巷道标识线。下面这段 Blender Python 脚本可以快速生成“一个地板 + 一排 5 列 3 层货架”的基础结构：
import bpy # 清空默认场景 bpy.ops.wm.read_factory_settings(use_empty=True) # 地面 bpy.ops.mesh.primitive_plane_add(size=30, location=(0, 0, 0)) floor = bpy.context.object floor.name = "floor" # 货架参数 rows = 5 # 列数 levels = 3 # 层数 bay_width = 1.2 bay_depth = 0.8 bay_height = 1.5 shelf_offset_x = -3.0 for r in range(rows): for l in range(levels): # 立柱简化成小立方体 for dx in (0, bay_depth): bpy.ops.mesh.primitive_cube_add( size=0.1, location=(shelf_offset_x + r * bay_width, dx, l * bay_height) ) # 层板 bpy.ops.mesh.primitive_cube_add( scale=(bay_width * 0.5, bay_depth * 0.5, 0.05), location=(shelf_offset_x + r * bay_width, bay_depth * 0.5, l * bay_height) )跑完这段代码，Blender 里就有了一个最简单的货架骨架。注意我用了bay_width、bay_depth、bay_height这样的参数，目的就是让后续 AI 能针对这些参数做调整。模型不精致没关系，数字孪生第一版本的核心是结构和坐标信息准确。
3.2 让 AI 批量生成货架与轨道：Blender MCP 指令示例
基础场景搭好后，就可以尝试用自然语言让 AI 继续干活了。比如我让 AI 在 B 区域生成 3 排货架，间隔 2.5 米，各 5 列 3 层，并为每个格口放一个半透明的蓝色物流箱。实际对话中我会这样描述：
“在坐标 (10, 2, 0) 处创建一排货架，方向沿 Y 轴正向延伸，5 列 3 层，单格尺寸 1.2m x 0.8m x 1.5m。每个货位上方 0.6m 处放置一个半透明蓝色立方体作为物流箱标记。”
AI 端会把这个语义转成 Blender MCP 的工具调用，比如create_object、modify_object，参数可能长这样：
tool: create_object params: type: cube name: "shelf_A_01" location: [10, 2, 0] scale: [1.2, 0.8, 1.5]Blender MCP 接收到之后，调用 Blender API 生成物体，同时在场景里自动命名shelf_A_01。这种命名规范非常重要，后面数据联动和货位映射全靠它。
“拉框”这一步也值得单独提一下。在 3D 点云或三维场景里，我们经常需要手动拉一个矩形框选中一片区域，标记为某个货位或某个设备范围。Blender 中一般用 Box Select 工具，框选对象后，AI 可以通过 MCP 的get_selected_objects拿到这些对象的名字和包围盒信息。做点云拉框标注时，先导入点云，再用框选范围，接着让 AI 把框内点云聚类成一个个货位区域，输出成 JSON，这为后续仓储管理系统做货位分配打下了基础。
3.3 导出 GLB 与 JSON，让 Three.js 前端直接用
Blender 场景建好之后，下一步是把模型导出给前端。最省心的是 GLB 格式，它自带场景层级、材质和坐标轴信息，Three.js 直接加载即可。在 Blender 里选中所有物体，File > Export > glTF 2.0，导出格式选 GLB，坐标系统默认即可，记得在左侧面板勾选 “Apply Transform”，让模型坐标归一到全局坐标系。
如果是导出结构化 JSON，比如要让前端拿到“每个货架的格口、每个物流箱的坐标”，我建议直接在 Blender 里跑一段脚本，把场景对象序列化成带名称、位置、缩放信息的数组：
import json scene_data = [] for obj in bpy.context.scene.objects: scene_data.append({ "name": obj.name, "type": obj.type, "location": list(obj.location), "rotation": list(obj.rotation_euler), "scale": list(obj.scale), "parent": obj.parent.name if obj.parent else None }) with open("warehouse_scene.json", "w") as f: json.dump(scene_data, f, indent=2)前端加载 GLB 场景只需要十行左右代码：
import * as THREE from 'three'; import { GLTFLoader } from 'three/examples/jsm/loaders/GLTFLoader.js'; import { OrbitControls } from 'three/examples/jsm/controls/OrbitControls.js'; const scene = new THREE.Scene(); const camera = new THREE.PerspectiveCamera(60, window.innerWidth / window.innerHeight, 0.1, 1000); camera.position.set(20, 18, 16); const renderer = new THREE.WebGLRenderer({ antialias: true }); renderer.setSize(window.innerWidth, window.innerHeight); document.body.appendChild(renderer.domElement); new OrbitControls(camera, renderer.domElement); const loader = new GLTFLoader(); loader.load('/models/warehouse.glb', (gltf) => { scene.add(gltf.scene); renderer.render(scene, camera); }, undefined, (err) => console.error(err));这样，网页端的数字孪生场景已经可以鼠标拖拽旋转、缩放查看了。如果你用的是 http-server 或 Vite 做静态服务，直接把它跑起来就能看效果。
4. 踩坑实录：Antigravity + Blender MCP 常见问题速查
4.1 错误症状、原因与处理办法对照表
这套链路看着顺畅，实际跑起来坑不少。我把最近一周踩过的和朋友们反馈过的问题整理成速查表，碰到类似情况直接对照处理。
| 症状 | 可能原因 | 处理办法 |
|---|---|---|
| antigravity agent execution terminated due to error | Python 依赖版本冲突，或 torch 与 CUDA 版本不匹配 | 查看完整报错日志末尾，优先检查 torch 版本；建议重建干净 conda 环境重装依赖 |
| antigravity 更新出错 | 项目升级后旧配置或旧依赖残留 | 按官方 changelog 重点看依赖版本变化；删掉缓存重装 |
| antigravity 登录后提示 403 | 授权令牌失效、本地系统时间不对 | 检查系统时间是否准确，重新登录授权 |
| Blender MCP 连接失败 | Blender 插件未启用，或端口被占用 | 重启 Blender，在 MCP 面板查看监听端口，必要时换端口重新启动 |
| 客户端调用工具超时 | 场景物体过多，Blender 主线程被阻塞 | 给 Blender 增加步骤信息输出，先简化场景；大型场景分批建模 |
| 生成的物体位置混乱 | Blender 世界原点和坐标轴方向没约定好 | 建模前去 Dell 好原点，所有 AI 指令说明以世界坐标为准 |
| 模型导出到 Three.js 后比例失真 | Blender 单位设置或 Apply Transform 未生效 | 统一使用米制单位，导出前应用旋转缩放变换 |
4.2 三个容易忽视但能救命的小习惯
第一，永远在让 AI 执行批量操作之前保存一份 .blend 文件。AI 建模虽然方便，但一旦某个参数传错，可能一口气把几十个物体全部改动。我在跑批量建模时习惯先File > Save As保存一个版本，再让 AI 动手，改坏了直接回滚，省掉一大半返工时间。
第二，一定要给 AI 设置可修改范围。比如约定“只允许修改名字前缀为shelf_和agv_的物体”，其他场景元素视为“只读”。这可以用一句 system prompt 或者在 MCP Server 里做对象名过滤实现，否则 AI 在理解偏差时可能把你的地面、灯光甚至相机都给改了。
第三，坐标和单位的统一比造型精细度更重要。数字孪生场景最终要接入真实仓储数据，AGV 位置、货位坐标都要和物理环境一一对应。所以建模时要坚持“1 米 = 1 个 Blender 单位”，并且坐标原点放在仓储区域的固定角点，以后接实时数据时才知道每一个点的位置在哪里。
5. 再往下走：从静态孪生到动态数据的下一步规划
5.1 把实时仓储数据接进来
现在场景还是“静态孪生”，更像一个三维展示模型。要变成真正的智慧仓储数字孪生，必须把实时数据接进来。我这边用了 MQTT 和 WebSocket 两条线：设备状态走 MQTT，位置坐标和任务信息走 WebSocket。
前端收到一条 AGV 位置更新消息后，Three.js 里对应物体的位置也要平滑更新，而不是瞬移。我习惯用一个简单的 lerp 插值来做平滑移动，效果非常自然：
const targetPos = { x: 12.3, y: 6.7, z: 0 }; const agv = scene.getObjectByName('AGV-01'); agv.position.x += (targetPos.x - agv.position.x) * 0.1; agv.position.y += (targetPos.y - agv.position.y) * 0.1;数据格式尽量统一，比如前端接到的 AGV 状态消息是这样的：
{ "agvId": "AGV-01", "x": 12.3, "y": 6.7, "angle": 90, "status": "moving", "zone": "B-03" }货位数据则可以用“坐标 + 状态”表达，把箱子的颜色绑定为状态字段，空闲绿色、占用红色、待检黄色。这样整个仓储大屏就从一个静态模型变成有“生命体征”的系统。
5.2 Antigravity 在做空间推演方面的扩展
动态数据接进来之后，就该让 Antigravity 发挥真正价值了。把过去一周的 AGV 轨迹、货架出入库记录喂给它，它可以做几件很有意思的事：预测下一小时的拥堵区域、判断某个货位组合是否会导致拣货路径绕远、在设备故障前通过异常轨迹提前预警。
这部分的工程化内容比较多，涉及数据清洗、特征拼接、空间对齐、模型微调，我会在下一篇里重点讲讲我自己的做法。这里先给一个方向：Antigravity 输出的不是一张结果图，而是一组“空间状态描述”，你可以把它转成可视化方案，比如在 Three.js 里把预测的高流量区域标成热力图，这比纯文本预警直观得多。
我在实际做这个项目的体会是，没必要一开始就把系统设计得无比复杂。先把 Antigravity 跑通、Blender MCP 能用、Three.js 能加载场景，这就是一个可以演示的完整 POC。后续每加一层数据、每接一个传感器，都是在这个底座上叠加能力。上篇就先分享到这里，下篇我会接着讲动态数据联动、点云拉框标注和空间推演的具体实现，以及更多模型接入方式的实战记录。
