最近在帮学弟学妹们看计算机网络相关的毕业设计，发现很多同学在用华为 eNSP 做小型校园网络仿真时，都卡在了重复且易错的配置环节。从 VLAN 规划、路由协议部署到 ACL 策略编写，手动敲命令不仅效率低，还容易因为一个参数错误导致全网不通，排查起来非常痛苦。这让我开始思考，能不能用 AI 来辅助完成这些繁琐且模式化的工作？
正好最近在研究本地部署的大语言模型（LLM），就尝试搭建了一套工作流，让 AI 从理解自然语言需求开始，到最终生成可导入 eNSP 的配置脚本，整个过程自动化程度很高。下面就把我的实践思路和具体做法分享出来，希望能给正在为毕设头疼的你一些启发。
1. 传统手工设计的常见痛点
在动手之前，我们先明确一下传统方法到底“痛”在哪里。以一个小型校园网为例，通常包含教学区、宿舍区、服务器区和出口区。
- VLAN 规划与划分混乱：新手很容易拍脑袋定 VLAN ID，导致编号冲突或不符合规范（如 VLAN 1 一般不使用）。在交换机上批量创建 VLAN 和配置 Access/Trunk 端口时，命令容易遗漏或配错，导致同一 VLAN 内主机无法通信。
- 路由协议配置复杂：选择 OSPF 还是静态路由？OSPF 的 Area 规划、Router-ID、网络宣告，每一步都有坑。静态路由则可能写错下一跳或出接口，造成路由黑洞。
- ACL 策略容易出错：想实现“宿舍区不能访问教学区服务器，但可以上网”，写出的 ACL 可能顺序不对（ACL 规则是从上到下匹配），或者通配符掩码算错，最终策略失效。
- 配置缺乏一致性：在多台设备上配置相似的功能（如 NTP、SNMP），手工复制粘贴容易出错，后期修改维护困难。
这些痛点本质上是因为网络配置是结构化的、有规则的，而人工操作容易引入非结构化的错误。AI 恰恰擅长理解和生成结构化内容。
2. 技术选型：为什么选择本地轻量级 LLM？
提到 AI，大家可能先想到 ChatGPT 等在线 API。但对于网络配置生成这个场景，我强烈建议使用本地部署的轻量级模型，比如微软的 Phi-3-mini 或阿里的 Qwen1.5-7B-Chat。原因如下：
- 数据隐私与安全：网络拓扑、IP 地址规划、设备型号都属于敏感信息。本地部署确保所有数据不出内网，避免泄露风险。
- 可控性与定制化：我们可以针对华为 CLI 语法、校园网设计规范对模型进行微调（Fine-tuning）或设计高质量的提示词（Prompt），让它的输出更精准、更符合我们的要求。通用 API 很难做到这一点。
- 成本与响应速度：轻量级模型在消费级 GPU（甚至强力的 CPU）上即可流畅运行，没有 API 调用费用，响应速度也更快，适合反复调试和迭代。
- 离线可用：毕业设计可能在实验室断网环境下进行，本地模型保证了工作的连续性。
综合来看，本地轻量级 LLM 在隐私、可控和成本上达到了最佳平衡，是这类项目的理想选择。
3. 核心实现：从自然语言需求到 CLI 配置
整个工作流的核心是让 AI 扮演一个“网络架构师助理”的角色。我们输入一段自然语言描述的需求，它需要输出结构化的网络策略，最终再转换成设备 CLI 配置。
第一步：需求解析与策略生成我们给模型的提示词（Prompt）需要精心设计，让它明确任务。例如：
你是一个网络设计专家。请将以下用户需求转化为结构化的网络配置策略。 需求：设计一个小型校园网。教学区（VLAN 10）和宿舍区（VLAN 20）需要隔离。服务器区（VLAN 30）可以被所有内网区域访问，并且需要提供对外（互联网）的Web服务。出口由一台路由器连接运营商。 请输出以下JSON格式的内容： { “topology_hint”: [“核心-汇聚-接入三层结构”， “出口路由器单点”], “vlans”: [ {“id”: xx, “name”: “xxx”, “subnet”: “x.x.x.x/xx”} ], “routing_protocol”: “static/ospf”, “acl_policies”: [ {“name”: “xxx”, “src”: “VLANxx”, “dst”: “VLANxx/Internet”, “action”: “permit/deny”, “protocol”: “tcp/udp/icmp/any”} ] }模型会根据这个指令，输出一个结构化的 JSON 对象，里面包含了 VLAN 规划、IP 网段建议、路由协议选择和 ACL 策略。这一步把模糊的自然语言变成了清晰的、可执行的设计草案。
第二步：配置脚本生成拿到结构化的策略后，我们需要将其转换为具体的设备命令。这里不能完全依赖模型“自由发挥”，因为 CLI 语法必须严格准确。我的做法是使用Jinja2 模板引擎。
我为每种设备类型（核心交换机、接入交换机、出口路由器）和每种功能（VLAN、OSPF、ACL、NAT）都编写了 Jinja2 模板。模板里面是配置的骨架，留出变量位置。例如，一个接入交换机的 VLAN 批量配置模板可能是这样的：
system-view sysname {{ device_name }} {% for vlan in vlans %} vlan {{ vlan.id }} description {{ vlan.name }} {% endfor %} interface GigabitEthernet0/0/1 port link-type trunk port trunk allow-pass vlan {{ trunk_vlans | join(‘ ‘) }}然后，用 Python 脚本把第一步 AI 生成的策略 JSON 填充到这些模板中，渲染出最终的配置文本。这种方法确保了配置语法 100% 正确，且风格统一。
4. 完整代码示例：一个简单的配置生成器
下面是一个简化但完整的 Python 示例，展示了如何调用本地 LLM 并利用 Jinja2 生成配置。
首先，确保安装必要的库：ollama（用于运行本地模型，如 Phi-3），jinja2，json。
import json import ollama from jinja2 import Environment, FileSystemLoader # 1. 定义需求，调用本地 LLM 解析 user_requirement = “”” 设计一个小型校园网。教学区（VLAN 10）和宿舍区（VLAN 20）需要隔离。 服务器区（VLAN 30）可以被所有内网区域访问，并且需要提供对外的Web服务。 出口由一台路由器连接运营商。 “”” prompt = f””” 你是一个网络设计专家。请将以下用户需求转化为结构化的网络配置策略。 需求：{user_requirement} 请输出以下JSON格式的内容，只输出JSON，不要有其他解释： {{ “topology_hint”: [“核心-汇聚-接入三层结构”， “出口路由器单点”], “vlans”: [ {{“id”: 10, “name”: “Teaching”, “subnet”: “192.168.10.0/24”}}, {{“id”: 20, “name”: “Dorm”, “subnet”: “192.168.20.0/24”}}, {{“id”: 30, “name”: “Server”, “subnet”: “192.168.30.0/24”}} ], “routing_protocol”: “ospf”, “acl_policies”: [ {{“name”: “Deny_Dorm_to_Teaching”, “src”: “VLAN20”, “dst”: “VLAN10”, “action”: “deny”, “protocol”: “any”}}, {{“name”: “Permit_Server_Web”, “src”: “any”, “dst”: “VLAN30”, “action”: “permit”, “protocol”: “tcp”, “dst_port”: 80}} ] }} “”” # 调用本地 Ollama 服务，模型名为‘phi3’ response = ollama.chat(model=‘phi3’， messages=[{‘role’: ‘user’， ‘content’: prompt}]) # 解析模型返回的 JSON try: design_spec = json.loads(response[‘message’][‘content’]) except json.JSONDecodeError: # 如果模型返回不纯，这里可以加入文本清洗逻辑 print(“模型返回非标准JSON，需调整Prompt”) design_spec = {} # 使用一个默认的规范 # 2. 准备 Jinja2 模板环境 env = Environment(loader=FileSystemLoader(‘./templates’)， trim_blocks=True， lstrip_blocks=True) # 3. 渲染核心交换机配置模板 core_switch_template = env.get_template(‘core_switch.j2’) core_config = core_switch_template.render( device_name=‘Core-SW’， vlans=design_spec.get(‘vlans’， [])， routing_protocol=design_spec.get(‘routing_protocol’， ‘ospf’) ) # 4. 渲染出口路由器配置模板（包含ACL和NAT） router_template = env.get_template(‘edge_router.j2’) router_config = router_template.render( device_name=‘Edge-Router’， acl_policies=design_spec.get(‘acl_policies’， [])， outside_interface=‘GigabitEthernet0/0/0’， inside_interface=‘GigabitEthernet0/0/1’ ) # 5. 将配置写入文件 with open(‘configs/core_switch_config.txt’， ‘w’) as f: f.write(core_config) with open(‘configs/edge_router_config.txt’， ‘w’) as f: f.write(router_config) print(“配置生成完成！”)代码说明：
- 我们使用
ollama库与本地运行的 Phi-3 模型交互。 - Prompt 中给出了非常具体的输出格式示例，引导模型生成我们想要的 JSON。
- Jinja2 模板 (
core_switch.j2，edge_router.j2) 需要提前编写好，放在./templates目录下。模板里是标准的华为设备配置命令。 - 这样，我们就实现了从“一句话需求”到“多台设备配置脚本”的自动化生成。
5. 性能与安全性考量
让 AI 生成配置，不能“一生成就上设备”，必须经过校验。
- 幂等性验证：AI 生成的配置脚本应该可以重复执行而不产生副作用。例如，创建 VLAN 的命令，如果 VLAN 已存在，再次执行应该是“提示已存在”而非报错。我们在编写 Jinja2 模板时，就要尽量使用这类幂等的命令写法。
- 敏感命令过滤：模型可能会在理解需求时，“自作主张”地生成一些危险命令，比如
undo save（不保存配置）或者调试命令。我们需要一个“命令过滤器”，在最终渲染出的配置文本中，扫描并剔除或高亮标记这些危险命令，防止误操作。 - 配置合规性检查：可以写一些简单的规则引擎（Rule Engine），比如检查 IP 地址是否在私有地址范围内、ACL 的规则号是否在有效区间、关键配置（如默认路由）是否存在等。这可以在配置生成后，作为一个独立的检查步骤。
6. 生产环境（毕设环境）避坑指南
把生成的配置用到 eNSP 里，还会遇到一些实操问题。
- eNSP 版本兼容性：不同版本的 eNSP 对设备型号和命令的支持度有差异。建议使用较新的稳定版本，并在生成配置时，明确指定设备型号（如 S5700， AR2220），因为不同型号的命令集可能有细微差别。最好先在 eNSP 中测试一下模板生成的关键命令是否被支持。
- 模拟器资源限制：eNSP 很吃内存和 CPU。如果 AI 帮你设计了一个过于复杂的拓扑（比如 VLAN 数量太多、路由表过大），你的电脑可能跑不起来。在需求描述阶段，就可以让 AI 考虑“模拟器环境”的限制，给出一个适度简化的方案。
- 生成配置的回滚策略：在将大段 AI 生成的配置敲入设备前，务必先保存现有配置。更好的做法是，在 eNSP 中，先在一个空白的新设备上测试生成的配置，确认功能正常后，再应用到你的主拓扑中。可以编写简单的 Python 脚本，利用 eNSP 的 API（如果支持）或预期脚本来分批提交配置，而不是一次性粘贴。
总结与尝试建议
通过这套 AI 辅助的工作流，我把自己从重复的打字和查错中解放了出来，能把更多精力放在网络架构的设计逻辑和性能优化上。AI 就像一个不知疲倦的初级网络工程师，帮你完成所有“搬砖”的活，而你则是负责审核和决策的架构师。
当然，目前这还不是全自动的“黑箱”。你需要设计清晰的 Prompt，编写可靠的 Jinja2 模板，并建立安全检查流程。但这正是学习和精进的过程——你不仅学会了网络，还学会了如何用智能工具提升网络工程的效率。
如果你也在做 eNSP 的毕业设计，不妨尝试一下这个思路。可以从最简单的开始：不用模型，先试着用 Jinja2 模板把你的手动配置参数化。然后，再引入本地 LLM 来解析需求，生成模板所需的参数文件。一步步来，你会发现，技术组合带来的效率提升是惊人的。祝你毕设顺利！
