命令行自动化工具的AI实践：从写脚本到写意图

AI的能力已经很强，它自己能写脚本，也能自己验证；但业务需求仍由人定义，脚本功能仍由人设计。人把需求讲清楚，后面的开发与验证就交给它，需求本身还能让它帮着澄清。于是需要反复迭代的只剩需求描述这一件事，其余工作交给 AI。

清巡的所有实践都建立在这个设想上——用户维护意图，AI 负责开发脚本并验证、评估。

一、设计实现

意图从哪来。 脚本的意图由一串【命令 — 报文 — 处理逻辑】组成：按执行顺序排下来，每条命令跟着它实际会遇到的报文，再写清脚本对这段报文的处理与判定；一条检查通常就是几个这样的循环，分支场景用同一种写法，只是报文不同、路径更短。意图有两种来源：可以自己编写【命令 — 报文 — 处理逻辑】，也可以输入手工日志与目标，让 AI 帮助澄清成这些循环。

代码怎么生成与验证。 按主线意图生成代码、命令映射。生成出来的脚本有三个特点：

自包含。 单个明文文件，除客户端运行框架之外不依赖任何其他文件：没有外部规则文件、配置文件、数据文件，也没有第三方库；判定阈值写成脚本内的常量，运行上下文只有连接对象与设备配置，文件、环境变量与网络都访问不到。看一个文件就能看全它做什么，也不存在"代码改了但配置没改"这类事故。

结构固定。 所有下发命令集中在主函数 run 里，按流程顺序执行；解析与检查各自独立成函数、都不下发命令，每个函数上方写明输入输出样例。

沙盒执行。 脚本在沙盒里运行，命令映射用来回放真实报文。验证因此有了来自现场的输入，而不是模型自造的样本。

一致性怎么保证。脚本为啥不能人工修改？ 脚本生成后不能人工修改，一切变更通过修改意图完成；修改后可以重新生成或者微调。

证据与验收。 框架逐条记录下发命令与收到报文，检查点各自落下结论。AI 依据原始意图、执行日志与检查点结果自动评估脚本，不通过就带原因改进，必要时多轮进行。人验收看的是这些记录与评估结论，不看脚本代码；只有「调试完成」的脚本进入任务可选的脚本池。

二、脚本健康的生长方式：微调

微调在既有代码上做最小改动，比如加一条命令、改一个阈值。脚本复杂时，可以从简单脚本一步步迭代：先生成能跑通的最小版本，再按需要逐条加上去。

三、项目功能

服务端功能

创建脚本。 脚本是一份可迭代的资产：名称、支持的设备型号、意图描述，以及一组分支描述。

生成脚本。 一次生成产出五样信息——意图描述、分支描述、生成的代码、命令映射，以及空跑执行的日志与结果。五样一起留档，之后的核对、回滚与审计都以这一组为单位。

AI 辅助生成意图描述。 输入手工日志与目标，AI 整理出【命令 — 报文 — 处理逻辑】框架；日志里推不出来的判据留成「待确认」项，交回人补齐。

AI 辅助创建分支。 按主线给出候选分支场景，每条可以改完再采纳。

AI 检查分支冲突。 检查每条分支是否超出主线已声明的规则、或与主线结论矛盾，超纲与矛盾的会被丢弃；候选分支之间也会避免重复与高度重叠。

客户端功能

创建任务。 可以手动把设备与脚本组成任务，也可以用自然语言描述要做什么，由 AI 匹配设备与脚本后生成任务。

设备管理。 设备在客户端本地维护：地址、账号、密码与 SSH 密钥保存在本地并加密，同步到云端的只有名称、型号、描述这类非敏感信息。

从云端同步脚本。 把云端生成好的脚本连同命令映射同步到客户端，同步后即可在本地设备上执行。

执行任务并生成报告。 任务在本地执行，多台设备由线程池并发；过程逐条落下检查点结论，执行完生成报告。

用真实日志优化意图。 把真机执行日志回传云端，由 AI 反推需求描述该怎么改，确认后重新生成脚本。

接入与安全

接入不需要注册，填入自己的 DeepSeek API Key 即可开始，Key 加密保存在本机浏览器、服务端不落盘。