文本引导的 3D 编辑旨在通过自然语言指令对现有的 3D 资产进行修改。现有方法在协同理解复杂提示词、自动化 3D 编辑定位以及保持非编辑区域内容完整性方面仍面临巨大挑战。本文提出 Vinedresser3D，这是一种用于高质量文本引导 3D 编辑的智能体化框架（Agentic Framework），该框架直接在原生 3D 生成模型的潜空间（Latent Space）中执行操作。 针对给定的 3D 资产与编辑提示词，Vinedresser3D 利用多模态大语言模型（MLLM）推断原资产的详尽描述，精准识别编辑区域及类型（增补、修改或删除），并生成解耦后的结构级与外观级文本引导。随后，该智能体自主选择具备丰富信息的视角，并调用图像编辑模型以获取视觉引导。最后，通过一种集成交错采样模块（Interleaved Sampling Module）的基于逆向算子的修正流（Rectified-flow）内补绘制管线，在 3D 潜空间中完成编辑任务；该机制在确保 3D 一致性并保留未编辑区域的同时，实现了严苛的提示词对齐。 针对多种 3D 编辑场景的实验结果表明，Vinedresser3D 在客观评估指标与主观人类偏好研究中均优于现有基准方法，并实现了精确、连贯且**免掩码（Mask-free）**的 3D 编辑。