Computergestützte Konstruktionsmodelle (CAD-Modelle) werden in der Regel durch sequenzielles Zeichnen parametrischer Skizzen und Anwendung von CAD-Operationen erstellt, um ein 3D-Modell zu erhalten. Das Problem der 3D-CAD-Rückwärtsingenieurtechnik besteht darin, aus 3D-Darstellungen wie Punktwolken die Skizzen- und CAD-Operationsschritte zu rekonstruieren. In dieser Arbeit adressieren wir diese Herausforderung durch innovative Beiträge auf drei Ebenen: CAD-Sequenzdarstellung, Netzwerkdesign und Datensatz. Insbesondere stellen wir CAD-Skizzen-Extrudierungsschritte als Python-Code dar. Der vorgeschlagene CAD-Recode übersetzt eine Punktwolke in Python-Code, der bei Ausführung das CAD-Modell rekonstruiert. Indem wir die Vorteile der Vorbelastung von vortrainierten großen Sprachmodellen (LLMs) mit Python-Code nutzen, verwenden wir ein relativ kleines LLM als Decoder für den CAD-Recode und kombinieren es mit einem leichten Punktwolkenprojektor. Der CAD-Recode wird ausschließlich auf einem vorgeschlagenen synthetischen Datensatz von einer Million diverser CAD-Sequenzen trainiert. Der CAD-Recode übertrifft bestehende Methoden erheblich in drei Datensätzen, während er weniger Eingabepunkte benötigt. Bemerkenswerterweise erreicht er auf den Datensätzen DeepCAD und Fusion360 zehnmal geringere mittlere Chamfer-Distanz als die besten bisherigen Methoden. Darüber hinaus zeigen wir, dass unsere CAD-Python-Codeausgabe von standardisierten LLMs interpretiert werden kann, was die Bearbeitung von CAD-Modellen und das Beantworten von CAD-spezifischen Fragen aus Punktwolken ermöglicht.