用 AI 搭建 3D 家具目录：从配方到资产
大部分「AI 生成家具」指的是一个模型直接产出一个网格——同时继承了不透明、
不可编辑几何体所带来的一切局限。Flur 的 /catalog/create 走的是一条不同的路：
模型负责描述这件家具，由一套确定性引擎负责构建它。
从照片到 AssetRecipe
流程从一张家具照片开始。一个视觉语言模型读取这张照片， 写出一份结构化的 AssetRecipe——一份涵盖尺寸、比例、材质选择与形态的描述， 而不是像素，也不是网格。这个模型的全部工作就是描述： 把一张照片转化成一份足够精确的规格说明，让另一个环节可以据此正确构建出来。
这份工作比听起来要窄，而这种「窄」是刻意的。模型并不是被要求 凭一段提示词去想象一件说得过去的家具长什么样——它是被要求 足够精确地描述一件具体、真实存在的物品，让一个独立的确定性步骤 可以把它重现出来。把模型的角色限制在「描述」上， 正是让输出结果始终与真实事物绑定、而不是一个生成式猜测的关键。
从配方到资产
一套确定性的 Three.js 流程接收这份配方，据此构建出实际的网格—— 按照配方的尺寸与比例构建几何结构，按照配方的材质选择应用材质。 这一步没有任何东西是生成式或概率性的；同一份配方每次都会构建出同一件资产， 这正是让输出结果可预测、可检查，而不是一个你要么接受、要么重新生成 然后寄望结果不同的一次性结果的原因。
这种确定性也让调试成为可能，这是生成式方式做不到的。 如果一件资产出来不对，配方就摆在那里可供检查——一个错误的尺寸 或者一个标错的材质是可见、可以直接修正的，而不是一个黑箱输出里 一个不透明的属性，连一个可以指出问题所在的中间步骤都没有。
为什么这能让资产保持可编辑、比例精确、可订购
一个直接生成的网格是一整块不透明的东西——里面没有「腿」「座面」「坐垫」 之类的东西可供操作，也没有任何可靠的尺寸可以查询。一件基于配方构建的资产， 从构建方式上就正好相反：构建它所用的尺寸事后依然附着在它身上， 所以问一句「这个有多宽」能得到一个真实答案，而不是一个猜测； 修改一种材质或者一个比例，意味着编辑配方并重新构建， 而不是手动重做一个已经完工的表面。
正是同样的这种结构，让一件资产做到比例精确、可订购， 而不只是「大致像家具」。因为配方指定的是真实尺寸， 而不是一个生成模型对「家具通常长什么样」的最佳猜测， 出现在场景里的东西在尺寸上是可信的——而这一点， 在一次可视化结果成为真正采购这件家具依据的那一刻，直接变得重要。
朝向/旋转分类体系
正确的尺寸和正确的位置本身依然不够——一件资产还必须朝向正确， 才能在房间里读起来是对的。床头板应该靠着一面实墙，而不是悬在房间中央； 书桌应该面向可用的地面空间，而不是面向角落；衣柜门前需要留出净空， 这意味着它的朝向必须考虑到究竟是哪一侧真正会打开。这些都不是 一条能够普遍适用的单一规则——而是一套按类别划分的分类体系， 每种家具类型都带有自己的朝向逻辑，与它在那个位置的实际使用方式绑定。
这也是基于配方的构建方式第二次发挥价值的地方。因为配方描述的是 这个物体是什么——一张床、一张书桌、一个衣柜——而不是一个 不区分类别的网格，这个类别就可以自动驱动一条朝向规则。 一个没有附带类别信息的生成网格，根本没有任何东西可以让朝向规则挂靠—— 这套分类体系不是额外附加在配方方式之上的一个步骤， 而是配方在几何结构存在之前，就已经知道自己在构建什么类型物体的直接结果。
这和其他 AI 3D 生成方式有什么不同
文本转 3D 和图像转 3D 的网格生成模型，一次生成过程就直接输出几何结构， 中间没有任何结构化描述——速度快，但结果事后是不透明的。 辐射场重建捕捉的是一个已存在的真实场景的观感， 解决的是一个完全不同的问题：观看已经存在的东西，而不是创造 一个必须可编辑、可摆放的新东西。这里用到的基于配方的方式， 和这两者都不同：单件产出比一次性网格生成慢，因为构建配方和 执行构建是两个分开的步骤，但每件资产在构建完成之后很长一段时间里， 依然保持可检查、可编辑，朝向也保持正确——而这正是一件家具 真正要落进一个真实房间、经受住一次编辑、并被真正订购出来时， 而不只是在单张渲染图里看起来令人信服时，真正重要的那个特性。
立即开始
想了解这种基于配方的方式与当下其他 AI 3D 生成技术相比如何，可以参考 AI 3D 生成模型：究竟是什么在生成 3D 房间。 想了解朝向分类体系在一件资产进入场景之后，如何与更广泛的摆放逻辑衔接，可以参考 AI 如何在 3D 房间里摆放家具。 而想了解目录家具在一次完整房间搭建中处于什么位置，可以参考 3D 模型搭建流程完整解析。