这次我们来看一个能让你用自然语言控制 Blender 进行 3D 建模和动画制作的项目Codex 连接 Blender。这本质上是一个 AI 代理AI Agent应用它通过一个名为 MCPModel Context Protocol的插件将大型语言模型如 Claude、GPT的“大脑”与 Blender 这个强大的 3D 创作工具“双手”连接起来。简单来说你不再需要手动点击复杂的菜单或编写 Python 脚本只需用文字描述你的想法比如“创建一个带纹理的立方体”或“让这个球体沿着曲线弹跳”AI 就能理解并自动在 Blender 中执行相应的操作。这对于快速原型设计、自动化重复性建模任务、甚至辅助学习 Blender 工作流都极具价值。本文的核心是带你走通从环境准备到实际命令下发的全流程。我们会重点关注几个关键问题这个方案对硬件要求高吗是否需要本地部署大模型启动和配置过程是否复杂以及它到底能稳定、准确地执行哪些类型的建模指令如果你对 AI 驱动的自动化 3D 内容创作感兴趣或者想探索 AI Agent 在专业软件中的应用这篇文章将提供一份可直接操作的实践指南。1. 核心能力速览在深入细节之前我们先通过一个表格快速了解 Codex 连接 Blender 方案的核心特性和门槛。能力项说明与现状核心功能通过自然语言指令驱动 Blender 自动执行建模、修改、动画、渲染等操作。技术架构基于MCP (Model Context Protocol)协议。Blender 端安装 MCP 服务器插件通过 Codex一个 MCP 客户端与云端或本地的大模型如 Claude、GPT通信。硬件门槛极低。主要计算负载在提供 AI 能力的云端大模型服务如 Claude API或本地大模型上。Blender 本身运行所需的显卡性能取决于你的场景复杂度与 AI 部分无关。“显存”占用不涉及 AI 推理显存。Blender 视图操作和渲染占用独立 GPU 资源。启动方式1. 在 Blender 中安装并启用 MCP 服务器插件。2. 在系统终端启动 Codex 客户端并配置连接到 Blender 的 MCP 服务器。接口能力核心是MCP 协议定义了工具Tools的调用规范。Codex 作为客户端通过标准输入输出stdio或 HTTP 与 Blender MCP 服务器通信。批量任务支持。可以通过编写脚本向 Codex 客户端连续发送多条自然语言指令实现批量自动化操作。模型依赖依赖外部大模型提供“思考”能力。通常配置为使用Anthropic Claude API或OpenAI GPT API也可配置为连接本地部署的兼容 MCP 的模型服务器。适合场景3D 设计灵感快速实现、自动化重复性网格操作如批量重命名、应用修改器、为复杂操作生成可复用的 Python 脚本、辅助 Blender 初学者理解操作与代码的对应关系。2. 适用场景与使用边界在投入时间部署之前明确它能做什么、不能做什么以及潜在的风险至关重要。它非常适合以下场景快速原型与构思可视化当你有一个模糊的创意如“一个未来主义的悬浮汽车”可以用语言描述让 AI 生成基础模型和场景布局加速构思过程。自动化繁琐操作对大量物体进行相同的操作如“选中所有立方体将其材质基础色改为红色”。用 AI 驱动比手动或写临时脚本更直观。脚本学习与生成对于不熟悉 Blender Python API 的用户可以通过“用 Python 创建一个螺旋线”这样的指令让 AI 生成可学习和修改的代码。工作流探索你可以询问“如何用几何节点创建一个随机的城市布局”AI 可以分步骤指导或直接尝试创建节点树。它的局限与不适用场景高精度与复杂艺术创作对于需要毫米级精度、复杂拓扑布线或高度依赖艺术家主观审美的模型如角色建模当前 AI 的掌控力不足更适合作为辅助工具。完全离线/无网络环境默认配置依赖云端大模型 API如 Claude。若要完全离线使用需本地部署兼容 MCP 的大模型技术门槛较高。实时交互与低延迟操作由于涉及网络通信云端 API或多进程通信本地指令执行有延迟不适合需要实时、高频交互的雕刻或动画调整。替代系统学习它不能替代你对 Blender 基本操作、3D 概念如轴、缩放、修改器的理解。错误或模糊的指令会导致不可预知的结果。安全与合规边界软件授权确保你使用的 Blender 和其插件是合法获取的。API 使用使用 Claude、GPT 等云端 API 时需遵守其服务条款注意费用、速率限制和数据隐私政策。避免发送敏感或私有模型数据到云端。产出物版权AI 驱动生成的 3D 模型、动画的版权归属需根据具体用途和所使用 AI 服务的协议进行判断在商用前务必厘清。3. 环境准备与前置条件为了让 Codex 顺利连接并控制 Blender你需要准备好以下软件环境。请按顺序检查和安装。1. 基础软件环境Blender推荐使用较新的稳定版本如 3.6 LTS, 4.0。从 Blender 官网 下载安装。Python系统需要安装 Python推荐 3.9-3.11。Blender 自带内置 Python但 Codex 客户端通常需要系统 Python。确保python和pip命令在终端中可用。Git用于克隆 Codex 及其他可能的仓库。2. 获取 MCP 服务器插件用于 BlenderBlender 需要扮演一个 MCP 服务器暴露其功能给 AI 调用。你需要获取blender-mcp插件。来源通常是一个开源项目例如sshh12/blender-mcp请以实际搜索到的可靠仓库为准。你可以通过 Git 克隆或直接下载 ZIP 包。# 示例克隆插件仓库假设仓库地址为 https://github.com/sshh12/blender-mcp git clone https://github.com/sshh12/blender-mcp.git位置记住克隆或解压后的插件目录路径例如C:\projects\blender-mcp或/home/user/projects/blender-mcp。3. 获取 Codex 客户端MCP 客户端Codex 是 Anthropic 官方提供的一个 MCP 客户端用于连接大模型和各类 MCP 服务器包括我们的 Blender。安装方式通过pip安装是最简单的方式。# 使用 pip 安装 codex 客户端 pip install anthropic-codex验证安装安装后在终端运行codex --help应能看到命令帮助信息。4. 大模型 API 密钥Codex 本身不含模型它需要配置一个后端大模型。最常用的是Anthropic Claude API。获取 Claude API Key访问 Anthropic 控制台 注册账号并创建 API Key。设置环境变量将 API Key 设置为系统环境变量这是 Codex 读取配置的标准方式。# Linux/macOS export ANTHROPIC_API_KEY你的_claude_api_key_sk-xxx # Windows (PowerShell) $env:ANTHROPIC_API_KEY你的_claude_api_key_sk-xxx # Windows (CMD) set ANTHROPIC_API_KEY你的_claude_api_key_sk-xxx注意为了安全切勿将真实的 API Key 提交到版本控制系统或分享给他人。4. 安装部署与启动流程环境就绪后我们分两步启动整个系统先启动 Blender 端的 MCP 服务器再启动 Codex 客户端并建立连接。4.1 在 Blender 中安装并启动 MCP 服务器插件打开 Blender进入编辑(Edit)-偏好设置(Preferences)。在偏好设置窗口中切换到插件(Add-ons)选项卡。点击右上角的安装(Install...)按钮。在弹出的文件浏览器中导航到你之前下载或克隆的blender-mcp插件目录。你需要选择的是该目录下的__init__.py文件通常位于blender-mcp/src或类似子目录中。选中后点击安装插件。安装成功后在插件列表的搜索框中输入 “mcp” 进行过滤。找到名为 “MCP Server” 或类似的插件勾选其左侧的复选框以启用它。关键配置启用插件后插件面板会展开。你需要关注一个关键信息MCP 服务器的通信地址。通常插件启动后会在 Blender 的系统控制台Window - Toggle System Console或插件界面显示一行日志例如MCP Server started on stdio或MCP Server started on http://127.0.0.1:8000stdio标准输入输出模式这是最常见且简单的模式。插件作为一个子进程通过管道与 Codex 客户端通信。你不需要手动做任何事保持 Blender 开启即可。HTTP 模式如果显示 HTTP 地址则表示插件启动了一个本地 Web 服务器。记下这个地址如http://127.0.0.1:8000后续 Codex 配置会用到。保持 Blender 运行不要关闭。4.2 配置并启动 Codex 客户端连接 Blender打开一个新的系统终端命令行窗口我们将在此启动 Codex。情况一Blender 插件使用stdio模式这是最直接的连接方式。你需要在启动codex时通过--mcp-server参数指定一个特殊的命令这个命令会启动 Blender 的 MCP 服务器进程。# 假设你的 Blender 可执行文件路径是 /Applications/Blender.app/Contents/MacOS/Blender (macOS) # 或 C:\Program Files\Blender Foundation\Blender 4.0\blender.exe (Windows) # 或 /usr/bin/blender (Linux) # macOS/Linux 示例 codex --mcp-server “/Applications/Blender.app/Contents/MacOS/Blender --python-expr ‘import bpy; bpy.ops.preferences.addon_enable(module\“blender_mcp\“); bpy.ops.wm.mcp_start()’” # Windows (PowerShell) 示例 - 注意路径和引号转义 codex --mcp-server “C:\Program Files\Blender Foundation\Blender 4.0\blender.exe --python-expr \“import bpy; bpy.ops.preferences.addon_enable(module‘blender_mcp’); bpy.ops.wm.mcp_start()\””原理--python-expr参数让 Blender 启动后立即执行一段 Python 代码启用blender_mcp插件并启动 MCP 服务器。Codex 会启动这个命令行进程并与其标准输入输出对接。情况二Blender 插件已启动 HTTP 服务器显示如 http://127.0.0.1:8000如果插件界面或日志显示 HTTP 地址你可以让 Codex 以 HTTP 方式连接。# 在终端中直接启动 codex并通过环境变量或参数指定 MCP 服务器 # 方法1通过环境变量推荐便于管理多个服务器 export MCP_SERVER_BLENDERhttp://127.0.0.1:8000 codex # 方法2通过命令行参数 codex --mcp-server http://127.0.0.1:8000启动成功标志 成功启动 Codex 后终端会进入一个交互式会话提示符可能变为或显示Codex。同时Blender 的插件控制台或系统控制台可能会打印出连接成功的日志如Client connected。5. 功能测试与效果验证连接建立后就可以开始用自然语言给 Blender 下命令了。我们通过几个由简到繁的测试来验证系统的可用性和能力边界。5.1 测试1基础对象创建与操作测试目的验证 AI 能否理解基本建模指令并正确执行。操作步骤在启动的 Codex 交互式终端中直接输入指令。观察 Blender 视图的变化。输入指令示例在原点创建一个立方体并将其缩放为 (2, 1, 0.5)。预期结果与验证成功Blender 3D 视图中出现一个被拉长的立方体。在物体属性面板中其缩放值应近似为 (2, 1, 0.5)。可能的问题AI 可能创建了立方体但缩放值不精确。立方体可能不在原点。可以继续指令“将其移动到世界原点 (0,0,0)”。如果无任何反应检查 Codex 终端是否有错误输出或 Blender 插件日志。5.2 测试2复杂操作与修改器应用测试目的验证 AI 能否执行涉及多个步骤和 Blender 特定功能修改器的指令。输入指令示例选中刚才创建的立方体为其添加一个“倒角”修改器并设置“宽度”为 0.1m。然后再添加一个“阵列”修改器设置“数量”为 3“相对偏移”的 X 为 2.0。预期结果与验证成功立方体的修改器属性栏中依次出现“倒角”和“阵列”修改器且参数已按指令设置。视图中应看到三个并排的、带有圆角的立方体。观察点AI 是否准确找到了“倒角”和“阵列”修改器英文界面可能是 Bevel, Array。参数设置是否正确。这是检验 AI 对 Blender API 理解深度的关键。如果指令过长或复杂导致 AI 困惑可以尝试拆分成多条指令分步发送。5.3 测试3场景查询与信息获取测试目的验证 AI 能否通过 MCP 工具“读取”当前 Blender 场景的状态而不仅仅是“写入”操作。输入指令示例当前场景中有多少个网格物体列出它们的名字。预期结果与验证成功Codex 终端应返回一个文本列表例如“场景中有 2 个网格物体Cube, Cube.001”。重要性这个能力使得 AI 可以进行条件判断和更复杂的自动化例如“选中所有名字包含‘Window’的物体”。5.4 测试4批量任务模拟测试目的验证系统处理连续、批量指令的能力。操作步骤在 Codex 交互终端中连续输入以下一组指令可以复制粘贴。# 这是一组连续的指令可以一次性粘贴到 Codex 交互界面 创建10个球体沿X轴等距排列间距为3米。 选中所有这些球体将它们组成一个集合命名为“BallArray”。 为“BallArray”集合中的所有球体添加一个“实体化”修改器。预期结果与验证成功场景中出现 10 个排成一列的球体它们被归入一个名为 “BallArray” 的集合并且每个球体都添加了“实体化”修改器。性能与稳定性观察观察执行这组指令的总耗时。延迟主要来自1) 网络与 AI API 交互时间2) Blender 执行操作的时间。指令是否全部成功执行有无某个球体被遗漏这是评估该方案能否用于生产环境批量自动化的重要测试。6. 接口 API 与批量任务虽然交互式终端很方便但真正的自动化力量来自于以编程方式调用。Codex 和 MCP 协议支持这种方式。6.1 非交互式脚本调用你可以不进入交互模式而是通过管道pipe或子进程直接向codex命令发送指令并获取结果。这对于集成到其他脚本中非常有用。# 示例通过 echo 传递指令并执行 echo “在原点创建一个经纬球” | codex --mcp-server “你的_blender_mcp_server启动命令” # 更实用的方式将指令写入文件然后通过管道执行 cat commands.txt | codex --mcp-server “你的_blender_mcp_server启动命令” output.log其中commands.txt文件内容可以是多行指令创建平面。 将其细分10次。 应用细分曲面修改器。6.2 通过 HTTP 接口调用如果服务器支持如果 Blender MCP 插件以 HTTP 模式运行例如http://127.0.0.1:8000理论上你可以直接向其发送结构化的 HTTP 请求来调用工具。这需要你了解 MCP 协议的具体请求格式。更常见的做法是仍然使用codex客户端作为中间件但以守护进程模式运行并让 Codex 暴露一个 HTTP 接口。不过标准的anthropic-codex包主要设计为 CLI 工具。对于生产级批量任务你可能需要编写包装脚本用 Python 的subprocess模块启动并控制codex进程模拟终端交互。import subprocess import time # 启动 codex 进程 proc subprocess.Popen( [‘codex’, ‘--mcp-server’, ‘你的_blender_server命令’], stdinsubprocess.PIPE, stdoutsubprocess.PIPE, stderrsubprocess.PIPE, textTrue ) # 发送指令 commands [“创建立方体\n”, “将其沿Z轴旋转45度\n”] for cmd in commands: proc.stdin.write(cmd) proc.stdin.flush() time.sleep(2) # 等待执行和AI响应 # 可以读取 stdout 来获取AI的回复或错误信息 # output proc.stdout.readline() # print(output) proc.stdin.close() proc.terminate()任务队列与错误处理在脚本中实现一个任务队列顺序发送指令。对于每条指令检查 Codex 的输出或 Blender 的状态可通过查询指令如果失败则记录日志、重试或跳过。结果验证在批量任务中不能完全依赖 AI。关键步骤后应插入查询指令进行验证例如在“创建100个柱子”后执行“当前场景有多少个柱状物体”确保数量正确。7. 资源占用与性能观察这个方案的性能瓶颈和资源占用点非常明确大模型 API 调用延迟这是最主要的“性能”影响因素。每次指令执行都需要经过你的指令 - Codex - 云端 Claude/GPT API - 生成工具调用序列 - Codex - Blender。网络往返和 AI 思考时间会带来显著的延迟通常几秒到十几秒。这不是一个实时交互系统。Blender 进程资源运行 Blender 本身会占用 CPU、GPU视口和渲染和内存。复杂的操作如细分曲面、粒子系统会消耗更多资源。这与是否使用 AI 驱动无关。Codex 客户端资源Codex 进程本身占用资源极少主要是处理文本和进程间通信。稳定性观察长时运行保持 Blender 和 Codex 进程长时间运行观察是否有内存泄漏Blender 内存缓慢增长或连接断开的情况。复杂指令压力测试发送一系列非常复杂或模糊的指令观察 AI 是否会开始产生错误或无法理解的工具调用甚至导致 Blender 无响应例如AI 错误地发起一个无限循环的复制操作。如何降低延迟/提升体验使用更快的模型Claude Haiku 比 Claude Sonnet 响应更快成本更低适合简单指令。优化指令清晰、简洁、使用 Blender 标准术语的指令解析成功率更高思考时间更短。本地模型如果能成功部署本地大模型如通过 Ollama 运行 CodeLlama 等并使其兼容 MCP则可彻底消除网络延迟但需要较强的本地算力。8. 常见问题与排查方法在部署和使用过程中你可能会遇到以下问题。这里提供系统的排查思路。问题现象可能原因排查方式解决方案Codex 启动失败提示ANTHROPIC_API_KEY未设置环境变量未正确设置或未被 Codex 读取。在终端执行echo $ANTHROPIC_API_KEY(Linux/macOS) 或echo %ANTHROPIC_API_KEY%(Windows CMD) 检查。确保在启动 Codex 的同一个终端窗口中设置了环境变量。对于持久化可写入 shell 配置文件如.bashrc,.zshrc或系统环境变量。Codex 报错Failed to connect to MCP server1. Blender MCP 服务器未启动。2.--mcp-server命令路径或参数错误。3. 端口被占用HTTP模式。1. 检查 Blender 插件是否已启用控制台有无启动日志。2. 仔细检查--mcp-server后的命令字符串特别是 Blender 可执行文件路径和 Python 表达式中的引号转义。3. 使用netstat -ano | findstr :8000(Win) 或lsof -i:8000(macOS/Linux) 查看端口。1. 重启 Blender 并确保插件启用。2. 简化测试先尝试在 Blender 中手动点击插件提供的“启动服务器”按钮如果有再用 HTTP 地址连接。3. 更换 HTTP 服务器端口。指令发送后Blender 无任何反应1. AI 未能将指令解析为有效的工具调用。2. 工具调用在 Blender 端执行出错。3. 连接已断开。1. 查看 Codex 终端输出AI 是否回复了“我不知道如何做这个”或工具调用错误信息。2. 查看 Blender 的系统控制台Window - Toggle System Console看是否有 Python 报错。3. 发送一个简单查询指令如“你好”测试连接。1. 简化并精确你的指令。使用更基础的 Blender 术语。2. 根据 Blender 控制台的 Python 错误信息调试。3. 重启 Codex 和 Blender 进程重新建立连接。AI 执行了操作但结果不符合预期1. 指令存在二义性AI 理解有偏差。2. Blender Python API 的使用方式与 AI 想象的不同。1. 分析 AI 在 Codex 终端中回显的“思考过程”或它计划调用的具体工具和参数。2. 将复杂指令拆解为多个简单、确切的子指令分步执行。这是当前技术的局限。将其视为一个“有经验的助手”而非“精确的执行者”。通过迭代指令“不我的意思是...”来修正结果。批量任务中部分指令失败导致后续停止脚本没有处理 AI 或 Blender 返回的错误进程挂起或终止。在包装脚本中增加对subprocess标准错误输出stderr的监控和超时处理。实现错误捕获和重试机制。对于非关键指令失败可以记录日志后继续执行下一条。9. 最佳实践与使用建议为了更高效、稳定地使用这套 AI 驱动 Blender 的方案遵循以下实践建议从简到繁迭代验证不要一开始就让它创建复杂场景。从“创建立方体”、“移动物体”开始逐步增加“添加修改器”、“使用几何节点”等复杂度摸清当前配置下 AI 的能力边界。指令清晰、具体、分步差“做一个房子。”佳“创建一个立方体作为房子主体。在其顶部添加一个棱柱作为屋顶。在立方体正面创建一个门洞。”利用查询功能进行状态校验在关键的批量操作前后插入查询指令来验证状态例如在“删除所有选中的物体”之前先执行“列出当前选中的物体”。环境隔离与配置保存为这个项目创建独立的 Python 虚拟环境venv来安装anthropic-codex避免依赖冲突。将成功的、复杂的指令序列保存为脚本文件commands.txt方便复现和分享。关注成本与安全使用云端 API 时在 Anthropic 控制台设置用量提醒和预算限制。切勿在指令中发送机密信息、个人隐私数据或受版权保护的专有模型数据。将其作为增强工具而非替代品最有效的使用方式是“人机协作”。你用 AI 生成基础结构或处理繁琐步骤然后手动进行精细调整和艺术化创作。或者让 AI 为你生成实现某个效果的 Python 脚本你再来学习和修改这个脚本。10. 总结与下一步Codex 连接 Blender 通过 MCP 协议为我们打开了一扇用自然语言操控专业 3D 软件的大门。它的最大价值在于降低自动化门槛和激发创作流程。你不需要是 Python 专家就能驱动 Blender 完成一系列操作你也可以通过对话的方式探索实现某种效果的不同路径。最值得尝试的起点在你的机器上成功运行起 Blender 和 Codex然后让它执行“创建一个球体并为其添加波浪形变形动画”这样的指令。看到 Blender 视窗自动开始操作时你就能切身感受到这种工作流的潜力。最容易踩的坑环境变量设置、Blender 插件安装路径、以及--mcp-server启动命令的格式特别是 Windows 下的路径和转义符。耐心按照日志报错信息排查大部分问题都能解决。后续探索方向探索更多 MCP 工具深入研究blender-mcp插件暴露了哪些具体的工具Tools这决定了 AI 能操作的范围。尝试让 AI 进行材质编辑、灯光设置甚至渲染输出。尝试其他 MCP 客户端与模型除了anthropic-codex可以尝试其他兼容 MCP 的客户端或者配置 Codex 使用本地部署的模型如通过 Ollama以获得更快的响应速度和完全的隐私控制。构建自定义工作流将这套流程与你自己的脚本结合。例如用 Python 脚本批量处理一批描述文本生成对应的基础 3D 场景文件然后再由艺术家进行深化。这可能是当前阶段最具实用价值的落地方式。
