Adam CADハーネスがFusionとOnshapeと統合し、エージェント型CAD編集を実現

✍️ OpenClawRadar📅 公開日: May 1, 2026🔗 Source
Adam CADハーネスがFusionとOnshapeと統合し、エージェント型CAD編集を実現
Ad

Adam (adam.new) は、Autodesk FusionおよびPTC Onshapeとネイティブ統合するハーネスをリリースし、AIエージェントが既存のCADフィーチャーツリーを読み取り・編集できるようにしました。このツールは、ブラックボックスのテキストからSTLへのジェネレーターではなく、機械エンジニアに完全な可視性と制御を提供することに焦点を当てています。

主な機能

  • モデル非依存:タスクごとに内部ベンチマークから最適なフロンティアモデル(例:GPT 5.5、Opus 4.7)を選択。
  • FusionおよびOnshape内で動作し、フィーチャーツリーを読み取り、エージェンティックに編集。
  • 一般的なユースケース:冗長なフィーチャーの統合、可読性向上のためのフィーチャー名の変更、内部エッジへの2mmフィレット適用、モデルのパラメータ化、CADのエンドツーエンド生成。
  • 内部ではFeatureScript(Onshape)とPython(Fusion)を活用。
Ad

Autodesk Fusionへのインストール

ワンライナーインストール(推奨、約10秒):

macOS: ターミナルに貼り付け

curl -sSL https://fusion.adam.new/install.sh | bash

Windows: PowerShellに貼り付け

irm https://fusion.adam.new/install.ps1 | iex

インストール後:Fusionを終了して再起動し、Shift+S → アドインページ → AdamFusionを見つけて実行をクリックし、「起動時に実行」にチェックを入れます。

手動インストール: AdamFusion.bundle.zipをダウンロードし、解凍後、Contentsフォルダーを次の場所に移動:

  • macOS: ~/Library/Application Support/Autodesk/Autodesk Fusion 360/API/AddIns/(名前をAdamFusionに変更)
  • Windows: %APPDATA%\Autodesk\Autodesk Fusion 360\API\AddIns\AdamFusion

その後、Fusionを終了して再起動し、アドインパネルから有効化し、Autodeskアカウントでサインインします。

背景

Adamの初期のテキストからCADへの取り組みはGitHubでオープンソース化されています。チームはまた、Anthropic Autodeskコネクターがこの分野を検証しているものの、モデル固有である点で異なり、Adamはモデル非依存のままであると述べています。

📖 全文を読む: HN AI Agents

Ad

👀 See Also

Claude DesktopでのMCPサーバーの構築とテスト:アーキテクチャと学び
Tools

Claude DesktopでのMCPサーバーの構築とテスト:アーキテクチャと学び

開発者がClaude Desktop内でMCPサーバーを構築・テストした経験を共有し、アーキテクチャのセットアップやツールスキーマ、デバッグ、制限事項に関する実践的な学びを詳細に説明しています。

OpenClawRadar
ログがエージェント:監査可能でフォーク可能なAIシステムのためのイベントソーシンググラフ
Tools

ログがエージェント:監査可能でフォーク可能なAIシステムのためのイベントソーシンググラフ

ActiveGraphは、追記専用のイベントログを唯一の真実源とし、決定論的なグラフ投影が変更に反応してイベントを発行するという、代表的なエージェントフレームワークを逆転させたものです。これにより、後付けのメモリなしで、リプレイ、フォーク、完全な系統追跡が可能になります。

OpenClawRadar
オープンソースのLLMエージェント向け自動メモリシステム、94%の再現精度を達成
Tools

オープンソースのLLMエージェント向け自動メモリシステム、94%の再現精度を達成

開発者が、明示的な「これを保存して」というコマンドを必要とせずに、セッションを超えて事実を自動的に抽出、分類、永続化するLLMベースエージェント用の自動メモリシステムをオープンソース化しました。このシステムは、ベクトルデータベースの代わりに構造化マークダウンファイルを使用し、52のチェックポイントからなるリコールベンチマークで94.2%の精度を達成しました。

OpenClawRadar
ローカルAIエージェントにおける自己改善メモリへのアプローチ
Tools

ローカルAIエージェントにおける自己改善メモリへのアプローチ

開発者が、マークダウンファイルを信頼できる情報源として使用し、信頼度に基づくルールでエピソードをスコアリングし、承認パターンに基づいて信頼を段階的に上げることで、ローカルAIエージェントの永続的メモリを実現するアプローチを共有しています。

OpenClawRadar