meshgen

GitHub
850 67 中等 1 次阅读 2天前MITAgent插件其他
AI 解读 由 AI 自动生成,仅供参考

MeshGen 是一款专为 Blender 设计的 AI 插件,旨在让用户通过自然语言指令直接操控这款强大的 3D 创作软件。它并非要取代设计师的创意工作,而是作为智能助手,帮助用户更高效地执行建模、场景调整等复杂操作,解决了传统 3D 制作中命令繁琐、学习曲线陡峭的痛点。

无论是专业 3D 设计师、游戏开发者,还是对 AI 辅助创作感兴趣的研究人员,都能从中受益。普通用户若拥有高性能显卡,也可利用本地部署轻松体验;而追求极致效果的专业人士则可通过 API 连接云端大模型。

MeshGen 的技术亮点在于其灵活的架构:支持本地运行(基于 llama.cpp 或 Ollama),保护数据隐私且无需联网;同时也兼容 Hugging Face、Anthropic 和 OpenAI 等远程服务,让用户能按需调用 Llama、Claude 或 GPT-4o 等顶尖模型。此外,它还可选集成 LLaMA-Mesh 和 Hyper3D 技术,进一步增强对 3D 网格的理解与高保真生成能力。只需在 Blender 偏好设置中简单配置,即可开启“对话式”3D 创作新体验。

使用场景

一位独立游戏开发者正在 Blender 中紧急构建一个科幻风格的废弃空间站场景,需要快速生成大量结构复杂且风格统一的资产。

没有 meshgen 时

  • 重复劳动繁重:手动建模每一个通风管道、破损面板和支撑梁,耗费数小时在机械性的挤出和倒角操作上。
  • 技术门槛限制:面对复杂的拓扑结构或程序化生成需求,因不熟悉 Python 脚本编写而无法实现自动化批量处理。
  • 创意迭代缓慢:想要尝试“更扭曲的金属结构”或“不同分布的电缆”时,必须推翻重做或花费大量时间微调参数,严重打断心流。
  • 上下文切换频繁:需要在查阅建模教程、寻找外部插件和返回 Blender 操作之间不断切换,导致注意力分散,效率低下。

使用 meshgen 后

  • 自然语言驱动建模:直接在 Blender 侧边栏输入“生成一组带有锈蚀痕迹的六边形通风口”,meshgen 调用 AI Agent 自动执行建模步骤,瞬间完成基础形态。
  • 零代码实现自动化:无需编写一行 Python 代码,通过对话指令即可让 meshgen 控制 Blender API,批量生成并随机化排列数百个场景道具。
  • 实时创意验证:随口说出“让结构看起来更像被爆炸冲击过”,meshgen 立即理解意图并调整网格形变与细节,支持秒级的多方案对比。
  • 沉浸式工作流:全程无需离开 Blender 界面,本地或云端大模型直接在软件内响应指令,让开发者专注于艺术指导而非技术实现。

meshgen 将繁琐的建模执行转化为直观的创意对话,让艺术家真正掌控 3D 创作的节奏与想象力。

运行环境要求

操作系统
  • Windows
  • macOS
  • Linux
GPU
  • 本地推理或 LLaMA-Mesh 集成必需:NVIDIA GPU,显存至少 8GB,需安装 CUDA 版本的插件
  • 远程推理非必需
内存

未说明

依赖
notes该工具是 Blender 插件,需通过 Blender 界面安装。支持多种后端:本地运行(需高性能 NVIDIA GPU 和 CUDA 版插件)或通过 Ollama、Hugging Face、Anthropic、OpenAI 进行远程推理。可选集成 LLaMA-Mesh(需本地 GPU)和 Hyper3D(需 API Key)。推荐使用 Hugging Face 后端以获得有限的免费高性能模型使用权。
python未说明
llama.cpp (可选)
Ollama (可选)
Blender Add-on
meshgen hero image

快速开始

MeshGen

使用 AI 代理通过自然语言控制 Blender。

meshgen

功能

安装

  1. 访问 最新发布 页面
  2. 下载适用于您平台的插件 ZIP 文件
  3. 在 Blender 中,依次进入 编辑 -> 偏好设置 -> 附加组件 -> 右上角箭头 -> 从磁盘安装...
  4. 选择下载的 ZIP 文件

设置

  1. 在 Blender 中,依次进入 编辑 -> 偏好设置 -> 附加组件 -> meshgen
  2. 选择 本地远程,并按照下方说明操作

本地后端

local-backend

在 Blender 中直接免费运行模型。

仅当满足以下条件时才选择此选项:

  1. 您拥有一块至少 8GB 显存的强大 NVIDIA 显卡
  2. 安装 时已安装了带有 cuda 的插件版本
  3. 您更倾向于直接在 Blender 中运行模型,而不是在本地 Ollama 服务器上运行

要设置本地后端,您可以:

  1. 点击 下载推荐模型,以下载 Meta-Llama-3.1-8B-Instruct-GGUF
  2. 手动下载一个 .GGUF 模型,并将其放入模型文件夹中(可通过点击文件夹图标找到该文件夹)

远程后端

remote-backend

MeshGen 支持多种远程后端。

  1. Ollama:在免费的本地服务器上运行模型
  2. Hugging FaceAnthropicOpenAI:通过 API 运行强大的模型

对于大多数用户来说,推荐使用 Hugging Face,它提供对强大模型的有限免费使用。

Ollama

通过 Ollama 服务器在本地免费运行模型。

  1. 安装 Ollama
  2. 在终端中运行 ollama serve
  3. 提供商 下拉菜单中选择 Ollama
  4. 输入您的 Ollama 服务器地址和模型名称(默认设置通常适用于大多数用户)

Hugging Face

通过 Hugging Face API 运行各种模型,如 Llama、DeepSeek、Mistral、Qwen 等。

  1. Hugging Face 上创建一个账户
  2. 前往 hf.co/settings/tokens 并创建一个新的令牌
  3. 提供商 下拉菜单中选择 Hugging Face
  4. 将您的 Hugging Face 令牌输入到 API 密钥 字段中
  5. 您还可以根据需要更改 模型 ID,例如使用 meta-llama/Llama-3.3-70B-Instruct

Anthropic

使用 Anthropic API 运行 Anthropic 模型(如 Claude)。

  1. Anthropic 上创建一个账户
  2. 前往 console.anthropic.com/settings/keys 并创建一个新的密钥
  3. 提供商 下拉菜单中选择 Anthropic
  4. 将您的 Anthropic 密钥输入到 API 密钥 字段中
  5. 您还可以根据需要更改 模型 ID,例如使用 claude-3-5-sonnet-latest

OpenAI

使用 OpenAI API 运行 OpenAI 模型(如 ChatGPT)。

  1. OpenAI 上创建一个账户
  2. 前往 platform.openai.com/api-keys 并创建一个新的密钥
  3. 提供商 下拉菜单中选择 OpenAI
  4. 将您的 OpenAI 秘密密钥输入到 API 密钥 字段中
  5. 您还可以根据需要更改 模型 ID,例如使用 gpt-4o-mini

可选集成

integrations

要启用可选集成,请依次进入 编辑 -> 偏好设置 -> 附加组件 -> meshgen -> 集成

启用这些功能后,代理会根据上下文自动获得对这些工具的访问权限。

LLaMA-Mesh

使用 LlamaMesh 进行本地网格理解和生成。

仅当满足以下条件时才选择此选项:

  1. 您拥有一块至少 8GB 显存的强大 NVIDIA 显卡
  2. 安装 时已安装了带有 cuda 的插件版本
  3. 您正在使用远程 API 后端(如 Hugging FaceAnthropicOpenAI),因为 LLaMA-Mesh 会在您的本地机器上加载

要启用 LLaMA-Mesh,点击 加载 LLama-Mesh,并等待模型加载完成。

Hyper3D

使用 Hyper3D 进行高保真 3D 网格生成。

启用步骤如下:

  1. 勾选 启用 Hyper3D
  2. API 密钥 字段中输入您的 Hyper3D API 密钥(目前可以使用 awesomemcp 密钥免费使用)

每生成一个网格可能需要几分钟时间。

使用方法

  • 按下 N 键 -> MeshGen(或依次进入 视图 -> 侧边栏 -> 选择 MeshGen 选项卡)
  • 输入提示词,例如:创建一个雪人
  • 点击 提交

故障排除

  • 在控制台中查找错误信息:
    • Windows:在 Blender 中,依次进入 窗口 -> 切换系统控制台
    • Mac/Linux:从终端启动 Blender
  • 如有错误,请在 问题页面 上报告

版本历史

v0.7.12025/04/14
v0.7.02025/04/01
v0.6.02025/03/14
v0.5.02025/03/08
v0.4.02025/03/07
v0.3.12024/12/23
v0.3.02024/12/03
v0.1.02024/11/27

常见问题

相似工具推荐

stable-diffusion-webui

stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。

162.1k|★★★☆☆|今天
开发框架图像Agent

everything-claude-code

everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上

139k|★★☆☆☆|今天
开发框架Agent语言模型

ComfyUI

ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。

107.7k|★★☆☆☆|2天前
开发框架图像Agent

ML-For-Beginners

ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。

85k|★★☆☆☆|今天
图像数据工具视频

ragflow

RAGFlow 是一款领先的开源检索增强生成(RAG)引擎,旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体(Agent)能力相结合,不仅支持从各类文档中高效提取知识,还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中,幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构(如表格、图表及混合排版),显著提升了信息检索的准确度,从而有效减少模型“胡编乱造”的现象,确保回答既有据可依又具备时效性。其内置的智能体机制更进一步,使系统不仅能回答问题,还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统,还是致力于探索大模型在垂直领域落地的创新者,都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口,既降低了非算法背景用户的上手门槛,也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目,它正成为连接通用大模型与行业专有知识之间的重要桥梁。

77.1k|★★★☆☆|昨天
Agent图像开发框架

PaddleOCR

PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来,转换成计算机可读取的结构化数据,让机器真正“看懂”图文内容。 面对海量纸质或电子文档,PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域,它扮演着连接图像与大型语言模型(LLM)的桥梁角色,能将视觉信息直接转化为文本输入,助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显:不仅支持全球 100 多种语言的识别,还能在 Windows、Linux、macOS 等多个系统上运行,并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目,PaddleOCR 既能满足快速集成的需求,也能支撑前沿的视觉语言研究,是处理文字识别任务的理想选择。

74.9k|★★★☆☆|今天
语言模型图像开发框架