3D 打印工作流中，模型文件从 CAD 设计到最终打印执行，通常依赖云端服务或桌面软件完成切片操作。这种模式带来了网络延迟、数据隐私风险以及设备兼容性限制。Kiri:Moto 作为 Grid.space 项目的核心产品，已经证明了浏览器可以完全独立完成从模型导入到 G-code 输出的全流程，且整个过程发生在本地设备上，无需任何服务器交互。本文将深入探讨如何构建一个本地优先的 WebGPU 3D 切片系统，从架构设计到工程实现，提供可落地的参数与监控策略。
本地优先切片的核心价值
传统切片流程要求用户将模型文件上传至远程服务器，由服务器完成几何处理、层路径计算和 G-code 生成，最后将结果下载回本地。这一流程存在三个显著痛点：网络带宽成为大规模模型处理的瓶颈，敏感设计数据暴露于第三方服务器，且离线环境下工作流完全中断。本地优先架构通过将计算完全迁移至浏览器端，从根本上解决了这些问题。
本地优先并不意味着放弃性能优化。现代浏览器提供的 WebGPU 接口使得 GPU 计算资源可以直接用于几何处理和切片计算。以 Kiri:Moto 为例，其切片引擎可通过单一 JavaScript 文件加载，并在 Web Worker 中运行以避免主线程阻塞。这种架构下，STL 文件解析、网格修复、层切片、路径填充和 G-code 生成全部在用户设备上完成。即使在完全离线状态下，只要有浏览器和网络连接历史，应用程序即可正常工作，因为所有必要的代码和资源已缓存于本地。
隐私保护是本地优先架构的另一关键优势。对于涉及商业机密或专利设计的产品开发团队，将未发布的 3D 模型上传至外部服务器存在数据泄露风险。本地切片方案确保设计数据全程驻留在用户设备内存中，不经过任何网络传输。Kiri:Moto 的开发文档明确指出，其引擎设计遵循隐私优先原则，不收集任何用户数据或模型信息。
WebGPU 在切片计算中的技术优势
3D 切片的核心计算任务包括：网格三角形与切片平面的相交计算、支撑结构生成、填充路径规划和执行参数计算。这些任务具有天然的并行性 —— 每个三角形或每层切片的处理可以独立进行，非常适合 GPU 计算着色器并行处理。WebGPU 相比前代 WebGL 提供了更灵活的 GPU 编程模型，允许开发者编写原生计算着色器（WGSL 语言）直接操作显存中的几何数据。
在传统 CPU 实现中，STL 文件的三角形相交测试需要按顺序遍历每个三角形与每个切片层平面求交。当模型包含数十万个三角形且需要打印数百层时，计算复杂度呈线性增长。而 WebGPU 计算着色器可以将三角形数据加载至 GPU 显存，配置适当的工作组大小（例如 64 或 128 个线程），同时处理多个三角形的切片操作。现代 GPU 具备数千个计算单元，能够在毫秒级时间内完成原本需要数秒的 CPU 计算。
具体到实现层面，网格数据首先被编码为顶点缓冲区（Vertex Buffer）和索引缓冲区（Index Buffer）传入 GPU。计算着色器接收切片高度作为统一变量，遍历所有三角形并计算其与当前 Z 平面的交点。三角形的三个顶点根据其 Z 坐标与切片平面的关系分为三类：完全高于平面、完全低于平面或与平面相交。对于相交情形，通过线性插值计算交点坐标，生成切片轮廓线段。这些线段数据写回输出缓冲区，供后续轮廓排序和路径规划阶段使用。
工作组大小的选择需要权衡 GPU 利用率和内存访问效率。对于中大型 STL 模型（5 万至 50 万三角形），推荐使用 128 线程工作组，每个工作组处理固定数量的三角形索引。顶点索引缓冲区采用 32 位无符号整数格式，确保对大规模模型的支持。着色器内部应避免分支发散，对边界情况使用统一处理路径，减少线程 divergence 带来的性能损失。
离线切片引擎的工程架构
构建一个完整的本地切片系统需要合理划分模块边界和计算阶段。以下是基于 WebGPU 的离线切片引擎推荐架构，各阶段可根据模型复杂度灵活调度 GPU 或 CPU 计算资源。
第一阶段是文件解析与数据预处理。STL 文件（ASCII 或二进制格式）通过 File API 读取后，在主线程或独立 Worker 中解析为三角形顶点数组。二进制 STL 格式结构简单，包含 80 字节头、4 字节三角形计数和随后每个三角形的 50 字节数据（法向量 3×4 字节 + 顶点 9×4 字节 + 2 字节属性）。解析完成后，顶点数据被上传至 GPU 创建只读存储缓冲区，同时计算包围盒用于后续优化判断。
第二阶段是网格分析与预处理。GPU 计算着色器分析每个三角形的法向量和空间分布，识别潜在的自交问题或退化三角形。这一阶段可以并行计算三角形面积、平面方程系数，并生成空间索引结构（如八叉树或均匀网格）加速后续切片查询。对于复杂模型，预处理阶段可生成多级细节（LOD），在保证切片精度的前提下减少计算量。
第三阶段是层切片与轮廓生成。这是计算最密集的阶段，需要为每个打印高度计算模型横截面。推荐策略是使用计算着色器按批次处理多层切片，而非逐层串行计算。例如，每次调度 16 或 32 层切片的计算任务，充分利用 GPU 并行能力。着色器输出为线段列表，每个线段包含起点和终点坐标。随后，CPU 端对线段进行连接排序，生成闭合轮廓。
第四阶段是路径规划与 G-code 生成。填充路径生成算法（如直线填充、蜂窝填充、轮廓平行填充）可在 GPU 上实现，生成路径点序列后转换为 G-code 指令字符串。此阶段还需要注入打印参数（层高、打印速度、温度、冷却设置等），生成符合目标打印机固件格式的输出文件。
离线缓存与服务工作线程策略
本地优先应用需要可靠的网络降级策略，确保在离线状态下功能完整。Service Worker 是实现离线缓存的标准技术，通过拦截网络请求并返回缓存资源，使应用在无网络环境下仍能加载和运行。
缓存策略应区分静态资源和用户数据。JavaScript 引擎代码、GPU 着色器模块、WASM 扩展等静态资源采用缓存优先策略，首次加载后永久使用本地副本。用户上传的 STL 模型和生成的 G-code 文件使用 IndexedDB 存储，允许应用在重新打开页面时恢复工作状态。IndexedDB 支持大体积二进制数据存储，单个对象存储可容纳数百兆字节，适合存放多个 3D 模型文件。
对于切片进度跟踪，推荐使用 Broadcast Channel API 在主线程和 Worker 之间同步状态。当用户在后台标签页进行切片操作时，主线程可通过 visibilitychange 事件检测页面可见性，暂停或降低计算优先级以节省电量。切片完成后通过系统通知提醒用户查看结果。这些细节共同构成了流畅的离线用户体验。
关键参数配置与性能调优
基于 WebGPU 的切片系统涉及多个可调参数，以下为生产环境推荐的基准配置。
GPU 计算资源配置方面，建议工作组大小设置为 64 或 128 线程，根据具体 GPU 架构调整。顶点缓冲区采用 VERTEX 用途标记创建，索引缓冲区采用 INDEX 用途。存储缓冲区大小应根据最大模型三角形数预估，预留 20% 余量防止溢出。对于 100 万三角形以内的模型，单个缓冲区大小通常在 200MB 以内，现代 GPU 可以轻松处理。
切片精度与性能平衡方面，层高是影响打印时间和表面质量的关键参数。标准 PLA 打印推荐层高 0.2mm，高质量打印可降至 0.1mm，快速原型可升至 0.3mm。切片高度步长直接影响 GPU 计算任务数量，推荐将 0.2mm 层高对应的 100 层切片打包为一次计算提交，减少调度开销。
内存管理方面，WebGPU 缓冲区在不再需要时应及时 destroy 释放显存。对于长生命周期应用，可建立对象池复用常用缓冲区，避免频繁创建销毁带来的开销。切片中间结果（如线段列表、轮廓数据）应在使用完毕后立即清除，防止内存持续增长。
监控指标与健康检查
生产环境的本地切片应用需要集成性能监控，帮助开发者和用户了解系统运行状态。推荐监控以下核心指标。
GPU 响应时间指标记录每次切片计算从提交到完成的耗时，WebGPU 的 timestamp query 扩展可提供亚毫秒级精度。正常情况下，10 万三角形模型的单层切片应在 10ms 以完成，复杂模型的完整切片（200 层）应在 5 秒内完成。若响应时间显著增加，可能存在 GPU 资源竞争或内存压力。
内存使用指标跟踪 GPU 显存和 JavaScript 堆内存的变化趋势。可通过 performance.memory API 获取堆内存使用情况，GPU 显存需自行统计各缓冲区大小之和。当内存使用超过设备可用量的 80% 时，应触发告警并建议用户简化模型或重启页面。
错误捕获应覆盖 WebGPU 设备丢失、缓冲区创建失败、着色器编译错误等异常场景。WebGPU 的 device.addEventListener ("uncapturederror") 可监听未捕获的 GPU 错误。捕获错误后应记录上下文信息（模型大小、切片参数、GPU 型号），帮助开发者复现问题。
渐进增强与降级策略
尽管 WebGPU 已在主流浏览器获得支持，部分旧设备或受限环境仍可能无法使用。健壮的本地切片系统应实现优雅降级，在 WebGPU 不可用时回退至 WebGL 或纯 CPU 实现。
WebGL 2.0 可通过 transform feedback 机制实现部分 GPU 计算功能，但编程复杂度较高且性能弱于 WebGPU。对于不支持 WebGPU 的设备，可加载预先编译的 ASM.js 或 WebAssembly 切片模块作为备选。ASM.js 版本无需额外下载，浏览器可立即解释执行，适合作为最后防线。
用户界面应清晰展示当前计算模式。当检测到 WebGPU 可用时显示 "GPU 加速" 状态，不可使用时显示 "CPU 模式" 并提示潜在性能差异。这种透明性帮助用户理解应用行为，避免将性能问题归咎于代码缺陷。
资料来源
本文技术细节参考 Grid.space 项目的 Kiri:Moto 开源实现，其 JavaScript 切片引擎可通过 https://grid.space/code/engine.js 加载，API 文档涵盖 load()、slice()、export() 等核心方法。WebGPU 计算着色器编程模式参考 WGSL 语言规范及相关 GPU 加速几何处理案例。