LLM驱动的智能终端助手:让命令行真正“会说话“

Warp终极指南:让开发者生产力提升10倍的智能终端 作为机器学习工程师或数据科学家,我们经常会在终端中耗费无数小时:运行Python脚本、创建目录、执行Shell命令、搭建开发环境等等。但如果我告诉你,有一款工具能让你的终端体验和工作效率提升10倍,你会不会心动? 本文将带你深入了解Warp——一款智能终端,旨在彻底改变你的工作方式。我们会介绍如何安装Warp,探索其核心功能,并通过可视化示例展示它的强大能力。Warp非常易用,一旦掌握,你就能轻松调试复杂项目,甚至解决那些你拖延了数周的任务。 阅读详情

LLM驱动的智能终端助手:让命令行真正"会说话"

cover

一、命令行的学习壁垒:记不住的参数与看不懂的输出

非科班转码的第一关就是命令行。find的参数组合、awk的语法、tar的解压选项——每次都要搜索,每次都记不住。更痛苦的是错误信息:Permission denied、Command not found、No such file or directory,新手看到这些经常不知道下一步该做什么。

我之前一直在想,能不能有一个工具:我说"找到所有大于100MB的日志文件",它就帮我生成find /var/log -name "*.log" -size +100M;我说"这个权限问题怎么解决",它就分析错误信息并给出具体命令。

LLM让这件事变得可行。本文记录我尝试用Rust构建一个LLM驱动的智能终端助手的过程——从需求分析到核心实现。

二、智能终端助手架构

2.1 整体架构

graph TB
    A[用户输入] --> B{意图识别}
    B -->|自然语言| C[LLM命令生成]
    B -->|错误信息| D[LLM错误诊断]
    B -->|直接命令| E[直接执行]
    C --> F[命令确认]
    D --> F
    F -->|确认| G[Shell执行]
    F -->|取消| H[返回输入]
    G --> I[输出解析]
    I --> J[结果展示]

2.2 核心类型设计

use serde::{Deserialize, Serialize};

/// 用户意图
#[derive(Debug, Clone)]
pub enum UserIntent {
    /// 自然语言描述 → 生成命令
    GenerateCommand { description: String },
    /// 错误信息 → 诊断建议
    DiagnoseError { error_output: String, context: String },
    /// 直接执行命令
    DirectExecute { command: String },
}

/// LLM响应
#[derive(Debug, Deserialize)]
pub struct LlmCommandResponse {
    pub command: String,
    pub explanation: String,
    pub risk_level: RiskLevel,
    pub alternatives: Vec<String>,
}

#[derive(Debug, Deserialize, Clone)]
#[serde(rename_all = "lowercase")]
pub enum RiskLevel {
    Safe,       // 只读操作:ls, cat, find
    Moderate,   // 写入操作:cp, mv, chmod
    Dangerous,  // 破坏性操作:rm -rf, mkfs, dd
}

/// 执行结果
#[derive(Debug)]
pub struct ExecutionResult {
    pub exit_code: i32,
    pub stdout: String,
    pub stderr: String,
    pub duration: std::time::Duration,
}

2.3 意图识别与命令生成

impl ShellAssistant {
    /// 解析用户输入,识别意图
    pub fn parse_input(&self, input: &str) -> UserIntent {
        // 检测是否是错误信息粘贴
        if input.contains("error") || input.contains("denied")
            || input.contains("failed") || input.contains("not found")
        {
            return UserIntent::DiagnoseError {
                error_output: input.to_string(),
                context: String::new(),
            };
        }

        // 检测是否是直接命令
        let shell_commands = ["ls", "cd", "cat", "grep", "find",
                              "rm", "cp", "mv", "chmod", "docker"];
        let first_word = input.split_whitespace().next()
            .unwrap_or("");
        if shell_commands.contains(&first_word) {
            return UserIntent::DirectExecute {
                command: input.to_string(),
            };
        }

        // 默认:自然语言描述
        UserIntent::GenerateCommand {
            description: input.to_string(),
        }
    }

    /// 调用LLM生成命令
    pub async fn generate_command(
        &self,
        description: &str,
    ) -> Result<LlmCommandResponse> {
        let prompt = format!(
            "你是一个Linux命令行专家。根据用户的自然语言描述,\
             生成对应的shell命令。\n\n\
             规则:\n\
             1. 只生成一条最合适的命令\n\
             2. 解释每个参数的作用\n\
             3. 评估风险等级:safe/moderate/dangerous\n\
             4. 提供1-2个替代方案\n\n\
             用户描述:{}\n\
             当前系统:{}",
            description,
            std::env::consts::OS
        );

        self.llm_client.chat(&prompt).await
    }
}

2.4 安全执行机制

impl ShellAssistant {
    /// 安全执行:危险命令需要二次确认
    pub async fn safe_execute(
        &self,
        response: &LlmCommandResponse,
    ) -> Result<ExecutionResult> {
        match response.risk_level {
            RiskLevel::Safe => {
                // 直接执行
                self.execute_command(&response.command).await
            }
            RiskLevel::Moderate => {
                // 显示命令,等待确认
                println!("⚠️  写入操作: {}", response.command);
                println!("说明: {}", response.explanation);
                if self.confirm("是否执行?")? {
                    self.execute_command(&response.command).await
                } else {
                    Err(anyhow::anyhow!("用户取消执行"))
                }
            }
            RiskLevel::Dangerous => {
                // 强制二次确认
                println!("🚨 危险操作: {}", response.command);
                println!("说明: {}", response.explanation);
                println!("此操作不可逆,请输入 YES 确认:");
                let input = self.read_input()?;
                if input == "YES" {
                    self.execute_command(&response.command).await
                } else {
                    Err(anyhow::anyhow!("用户取消执行"))
                }
            }
        }
    }
}

三、错误诊断功能

3.1 上下文收集

impl ShellAssistant {
    /// 收集诊断上下文
    fn collect_context(&self) -> String {
        let mut ctx = String::new();

        // 当前工作目录
        if let Ok(pwd) = std::env::current_dir() {
            ctx.push_str(&format!("cwd: {}\n", pwd.display()));
        }

        // 环境变量(只收集关键变量)
        for key in &["PATH", "HOME", "SHELL", "USER"] {
            if let Ok(val) = std::env::var(key) {
                ctx.push_str(&format!("{}: {}\n", key, val));
            }
        }

        // 磁盘空间
        if let Ok(output) = std::process::Command::new("df")
            .arg("-h")
            .arg(".")
            .output()
        {
            ctx.push_str(&format!(
                "disk: {}",
                String::from_utf8_lossy(&output.stdout)
            ));
        }

        ctx
    }
}

3.2 诊断Prompt设计

const DIAGNOSE_PROMPT: &str = r#"
你是一个Linux系统诊断专家。用户遇到了一个错误,请分析原因并给出解决方案。

错误信息:
{error}

系统上下文:
{context}

请按以下格式输出:
1. 错误原因(一句话)
2. 详细分析(为什么会出现这个错误)
3. 解决步骤(具体的命令,每步一条)
4. 预防建议(如何避免再次出现)
"#;

四、架构权衡与边界分析

4.1 安全性 vs 便利性

自动执行命令很方便,但很危险。我选择"分级确认"策略:安全命令直接执行,写入操作需确认,破坏性操作需二次确认。但安全分级依赖LLM判断,可能误判——rm被标记为Safe的极端情况理论上存在。

4.2 延迟 vs 体验

每次命令生成都需要调用LLM API,延迟在1-3秒。对于频繁执行的简单命令(ls、cd),这个延迟不可接受。建议:常用命令走本地缓存,只有复杂查询才调用LLM。

4.3 隐私风险

发送到LLM的内容可能包含敏感信息(文件路径、环境变量、错误输出中的IP地址等)。建议:发送前脱敏处理,移除IP、密码、token等敏感字段。

五、总结

LLM驱动的智能终端助手通过意图识别将自然语言转化为shell命令,通过错误诊断帮助新手理解命令行错误,通过分级确认机制保障执行安全。核心价值是降低命令行的学习门槛,让非科班转码者能更快上手。

安全机制是重中之重:分级确认、脱敏处理、本地缓存常用命令,三者缺一不可。AI生成命令必须经过人工确认才能执行,这是不可逾越的底线。

落地建议:先实现命令生成和分级确认两个核心功能;常用命令(top 20)走本地映射不走LLM;发送到LLM的内容做脱敏处理;错误诊断功能收集最小必要上下文。

基于MCP协议构建智能终端:用自然语言驱动命令行操作 在软件开发和系统运维领域,命令行界面(CLI)是工程师与操作系统交互的核心工具。其工作原理是通过解析特定语法结构的指令,调用底层系统API执行文件管理、进程控制等操作。传统CLI要求用户记忆大量命令和参数,学习曲线陡峭。随着人工智能技术的发展,大型语言模型(LLM)展现出强大的自然语言理解和代码生成能力,为降低CLI使用门槛提供了新思路。通过引入Model Context Protocol(MCP)这一标准化协议,可以在LLM与终端工具间建立安全、结构化的通信桥梁,实现自然语言到Shell命令的可靠转换。这 阅读详情

相关推荐

LLM驱动的虚拟助手:从指令执行到意图协作者的技术落地

虚拟助手正经历从规则驱动的‘指令执行器’向大语言模型(LLM)赋能的‘意图协作者’范式跃迁。其核心原理在于,LLM通过语义理解深度与上下文连贯性,实现端到端的意图解析与多步任务规划,而非依赖预定义的意图模板和槽位匹配。这一转变显著提升了对长尾、模糊、跨应用复杂请求的支持能力,技术价值体现在降低维护成本、增强泛化鲁棒性、并支撑真实办公场景中的自动化闭环。典型应用场景包括邮件智能检索、跨文档数据汇总、会议纪要生成与图表自动创建等。本文聚焦LLM在终端助手中的工程化落地,深入剖析Function Calling设

weixin_34014076的博客 360

LLM驱动的边缘智能终端:实时多模态诊断与本地化知识联邦在低资源医疗环境中的部署

在乌干达乡村手术中心的实践中,我们见证了边缘智能终端如何突破算力与网络的桎梏。这种结合LLM、联邦学习和本地化知识共享的技术范式,不仅为低资源医疗环境提供了可持续的解决方案,更预示着未来医疗AI将走向"设备端智能+分布式协作"的新纪元。在非洲乌干达的Kyabirwa手术中心,通过太阳能供电的边缘计算设备正在改变医疗资源匮乏地区的诊疗模式。这种结合大语言模型(LLM)与联邦学习的创新架构,不仅解决了传统云端AI的延迟和隐私问题,更通过本地化知识联邦实现了医疗数据的协同进化。

2501_93420214的博客 1013

KaliGPT:AI驱动的网络安全智能终端助手设计与实战

在网络安全和渗透测试领域,命令行工具是核心操作界面,但复杂的参数和工具链往往成为学习与实践的门槛。传统方式依赖手动查阅文档和反复试错,效率低下且容易出错。随着大型语言模型(LLM)技术的成熟,智能体化AI助手开始融入技术工作流,通过自然语言理解将用户意图转化为可执行命令,显著降低了操作复杂度。这类技术不仅提升了工程师的日常效率,更在教育培训、应急响应等场景展现出巨大价值。KaliGPT正是这一趋势下的典型实践,它通过多后端架构支持在线与离线模型,并集成工具调用能力,为网络安全从业者提供了一个实时、智能的终端

weixin_30756499的博客 476

智能终端革命:用自然语言驱动命令行,提升开发运维效率

在软件开发和系统运维领域,命令行界面(CLI)是工程师与计算机系统交互的核心工具。其工作原理基于用户输入特定语法和参数的命令,由Shell解释并调用系统资源执行。传统CLI要求用户记忆大量命令,存在较高的学习与操作门槛。随着大型语言模型(LLM)技术的发展,其强大的自然语言理解与代码生成能力为CLI交互范式带来了革新价值。通过将LLM作为“智能翻译层”,用户可以使用日常语言描述任务意图,由AI将其转化为可执行的Shell命令,这极大地降低了使用门槛,并能在复杂查询、跨平台命令转换、自动化工作流构建及错误诊断

weixin_30719711的博客 347

LangChain Agents 实战:从零构建一个自动化终端助手

本文详细介绍了如何利用LangChain Agents技术构建一个智能终端命令助手,通过自然语言理解与自主决策能力,显著提升开发者的工作效率。文章涵盖环境准备、核心组件解析、代理架构设计、高级功能扩展及生产环境最佳实践,特别强调了安全机制的重要性,如命令确认与权限隔离。

weixin_29035147的博客 314

AI命令行工具ai_cli:从原理到实战的智能终端开发指南

命令行工具是开发者与操作系统交互的核心接口,通过解析用户指令执行特定任务。随着大语言模型技术的发展,自然语言理解能力被引入命令行交互,实现了从精确指令到模糊意图的跨越。这项技术的核心价值在于降低使用门槛、提升开发效率,通过智能解析将自然语言转化为可执行命令。在应用场景上,它广泛适用于系统管理、自动化脚本编写和复杂工作流构建。本文聚焦的ai_cli项目,正是这一技术趋势的典型实践,它通过模块化架构设计,实现了LLM接口适配、上下文管理和安全执行机制,为开发者提供了将AI能力深度集成到命令行工作流的完整解决方案

weixin_28728443的博客 563

基于LLM与开源硬件构建具身交互智能终端原型实践

在人工智能与物联网技术融合的背景下,多模态交互正成为提升人机交互体验的关键方向。其核心原理在于整合语音、视觉、动作等多种感知与反馈通道,使设备能更自然、生动地理解和响应用户意图。这一技术的核心价值在于突破传统纯语音或纯屏幕交互的局限,通过物理世界的动态反馈,为AI助手赋予“拟人化”的鲜活感与临场感,从而在智能家居、教育陪伴、服务机器人等场景中创造更富情感和沉浸感的用户体验。本文聚焦于如何将大语言模型(LLM)的决策能力与实体硬件(如舵机、LED)的执行能力相结合,通过设计分层架构(感知、决策、执行)和具体的

weixin_34049948的博客 471

从模型到代码:Simulink + AUTOSAR Blockset配置RTE接口的完整工作流解析

本文详细解析了使用Simulink和AUTOSAR Blockset配置RTE接口的完整工作流程,从模型设计到代码生成的关键步骤。通过实战案例和优化建议,帮助开发者理解RTE接口在汽车电子开发中的战略地位,提升系统集成效率和代码质量。

weixin_30275415的博客 484

未来语音交互:IndexTTS-2-LLM在智能终端的应用前景

本文介绍了基于星图GPU平台,用户可自动化部署🎙️ IndexTTS-2-LLM智能语音合成服务镜像,快速构建高质量语音交互能力。该技术能生成富有情感和韵律的自然语音,典型应用场景包括为智能车载系统提供安全、拟人化的导航与消息播报服务,提升驾驶体验。

weixin_35094083的博客 395

告别Mac自带终端:iTerm2 + Oh My Zsh 保姆级配置指南(含国内镜像源)

本文提供了一份详细的Mac终端优化指南,涵盖iTerm2、Oh My Zsh和Homebrew的配置流程,特别针对国内用户提供镜像源解决方案。通过安装现代化工具链和优化配置,帮助开发者打造高效、美观的终端工作环境,提升日常开发效率。

weixin_42638178的博客 404

nmap、X-Scan漏洞扫描和Metasploit中用永恒之蓝漏洞入侵靶机并上传冰河

利用nmap、X-Scan扫描靶机的漏洞,在Metasploit中用扫描出的永恒之蓝漏洞入侵靶机,建立连接后上传冰河木马控制靶机,最后用冰河陷阱清除靶机的冰河木马,记一次完整的入侵控制实验。

m0_59302403的博客 4410

OpenShell:AI驱动的智能终端助手框架

命令行是开发者高频接触的基础工具,但复杂参数组合与跨平台差异常成为效率瓶颈。大语言模型(LLM)的出现,为自然语言直接驱动终端指令提供了新的技术路径。通过意图解析与结构化输出约束,模型可将用户口语化描述转换为可执行的Shell命令,并辅以安全评审、多步任务编排等机制,降低误操作风险。这类AI终端助手在实际运维、日志分析、批量文件处理等场景中,能够显著简化工作流。OpenShell正是这样一款开源框架,它兼容bash、zsh、PowerShell,在不替代现有终端的前提下,提供自然语言转命令、报错诊断与智能修

weixin_32238157的博客 245

统信UOS1070批量整机备份安装标准化方案

Linux整机备份是政企级操作系统交付的核心能力,其本质是将系统状态、硬件适配、安全策略与部署流程在启动阶段原子化固化。基于内核overlayfs与initrd可编程机制,Ventoy实现了ISO镜像与定制配置的解耦部署,显著提升UOS专业版1070在多机型环境下的兼容性、可审计性与复现一致性。该方案规避传统克隆工具的镜像膨胀、硬件绑定和策略注入失效等缺陷,适用于无网、高合规、强管控场景,广泛支撑政务终端、教育机房及金融网点的规模化交付。

weixin_33892359的博客 407

OpenShell:用自然语言生成Shell命令的智能终端助手

自然语言处理与大模型技术的结合,正在重塑开发者与命令行工具的交互方式。传统终端要求用户精确记忆参数和语法,而借助大语言模型的语义理解与代码生成能力,新一代AI终端助手能够将模糊的“意图描述”自动转换为可执行的Shell命令。其核心原理在于NL2CMD转换链路:通过收集当前目录、shell类型、历史命令等上下文信息,结合提示词工程与多后端模型适配,生成高匹配度的命令建议,并引入危险命令检测和人工确认机制,确保执行安全可控。这类工具在开发运维、DevOps、日志分析、批量文件处理等高频场景中,能显著降低命令记忆

weixin_28224217的博客 209

YOLOv11-seg改进系列 | 引入CMTFNet(TGRS2023)+TransNeXt(CVPR2024)的C3k2_MSMHSA_CGLU模块,多尺度空洞注意力扩大感受野,增强复杂背景下

本文提出一种改进YOLOv11分割模型的C3k2_MSMHSA_CGLU模块,融合多尺度多头自注意力(MSMHSA)和卷积门控线性单元(CGLU)。MSMHSA通过多尺度空洞卷积提取不同感受野特征,生成跨尺度注意力,降低计算量同时保留全局上下文。CGLU采用卷积门控机制增强特征变换能力。实验表明,改进后模型参数量仅增加7.8%,GFLOPs增加4.2%,显著提升了多尺度目标检测性能,尤其适用于遥感图像等复杂场景。该模块有效解决了原始C3k2感受野有限、缺乏全局建模能力的问题。

qq_44224801的博客 201

AutoSAR配置与实践(基础篇)3.2 BSW中的I/O架构和模块详解

车门位置传感器(Sensor SWC)输出的电流信号经过了一系列处理,如先被转化为电压信号,后又经ADC转换为数字信号,但是IoHwAb模块对上层隐藏了这一系列处理过程,并将数据直接抽象为它的输出接口,即车门开关状态接口。Sensor SWC 使用RTE接口直接从IoHwAb模块封装的车门开关状态,SWC它并不关心ECU硬件是如何实现的传感器电流采集,也不关心MCU ADC采样精度(如10/12位)IoHwAb把采集的电压抽象为开关状态,使得Sensor SWC不依赖具体的ECU硬件。

nihaoljq2010的博客 1300

LLM驱动的实时多模态边缘智能终端:隐私增强型动态知识联邦在低资源医疗环境中的部署与优化

这种边缘智能终端的部署不仅解决了技术难题,更重要的是构建了"知识民主化"的医疗新生态。通过将LLM的强大推理能力、联邦学习的隐私保护机制与边缘计算的实时性优势相结合,我们正在创造一个让偏远地区的患者也能获得顶级医疗智慧的未来。正如卢旺达某社区医生所说:"这个小小的盒子,让我们第一次能和首都医院的专家站在同一起跑线上。思考题:当AI诊断系统在低资源环境中出现误诊时,责任如何界定?这是否意味着需要重新定义"医疗事故"的法律框架?注:本文涉及的代码示例均为简化版本,实际部署需考虑更多工程细节。

2501_93420214的博客 663

3大绝招!MySQL如何轻松搞定文本、图像和视频的多模态数据分析?

首先,让我们来了解一下“多模态”到底是什么意思。简单来说,多模态指的是能够同时处理不同类型数据(如文本、图像、音频等)的能力。传统的数据库往往只能专注于一种或几种特定类型的数据,比如关系型数据库主要处理结构化数据,而文档型数据库则更适合非结构化数据。但是现在,随着技术的进步,像MySQL这样的数据库也开始支持更加复杂的数据模型,允许我们在同一个系统内处理多种格式的数据。通过上述五个部分的详细介绍,相信你现在应该对如何利用MySQL进行多模态数据分析有了更清晰的认识。

java专栏 2116

AI如何重塑CLI:从命令行到意图驱动的交互革命

命令行界面(CLI)与图形用户界面(GUI)是人与计算机交互的两大核心范式。CLI基于文本指令,强调精确性与自动化;GUI依赖视觉控件,注重直观与探索。随着人工智能(AI)特别是大语言模型(LLM)的成熟,技术价值正从执行固定命令转向理解人类自然语言意图。这催生了智能终端、对话式IDE等新形态,其核心应用场景是让用户通过自然语言直接指挥系统完成复杂任务,从而极大提升操作效率与自动化水平。本文聚焦于AI增强的CLI如何通过理解用户意图,实现从记忆命令到表达目标的范式转移,并探讨了构建个人自动化工作流的实践方法

weixin_32487557的博客 284

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

从“会说话”到“能听懂”:语音芯片的未来方向在哪里?

其早期的WTN6系列OTP(一次性可编程)语音芯片,就是这一时期的典型代表——语音内容在出厂时固化,量产后不可更改,硬件极简,成本低廉。一颗芯片,既是“嘴巴”(语音播报),又是“眼睛”(显示驱动),还是“皮肤”(触摸感应)。从简单的叉车超速报警器,到服务科沃斯等头部品牌的智能语音解决方案——广州唯创电子的26年,正是语音芯片从“播报”走向“交互”的缩影。作为一家1999年创立于广州、深耕语音技术领域26年的企业,广州唯创电子的成长轨迹,恰好映射了整个语音芯片行业从“播报”走向“交互”的完整演进历程。

2509_92181822的博客 366

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

Gorilla-CLI:用自然语言驱动命令行的AI智能终端工具

命令行界面(CLI)是开发者与系统交互的核心工具,通过输入特定指令完成文件操作、进程管理等任务。传统CLI要求用户记忆大量命令和参数,学习曲线陡峭。大语言模型(LLM)技术的兴起,为自然语言到结构化指令的转换提供了可能,其核心价值在于降低使用门槛、提升操作效率。在运维自动化和开发工作流等场景中,能够理解上下文并生成准确命令的智能体(Agent)正成为趋势。Gorilla-CLI正是这一方向的实践,它基于专门微调的gorilla-llm模型,将自然语言查询转化为可执行的Shell命令,并通过多层安全确认机制保

weixin_30781775的博客 463

CLI-Anything:面向开发者的智能终端代理设计与实践

命令行接口(CLI)正从静态命令执行器演进为具备语义理解与上下文感知能力的智能代理。其核心原理在于将大语言模型(LLM)的自然语言解析能力、本地系统执行权限与开发者工作流深度耦合,形成可验证、可中断、可回滚的意图驱动执行闭环。这种Agent-Native架构显著提升工程效率,尤其适用于跨工具协作、环境适配与自动化调试等高频场景。技术价值体现在降低CLI学习门槛、弥合GUI与终端认知断层、并支撑Git/Obsidian/Docker等生态工具的协议化协同。本文聚焦CLI-Anything理念落地,详解pip环

weixin_42523670的博客 317

CLI-Anything:本地化意图驱动的智能终端交互范式

命令行界面(CLI)作为系统管理的核心入口,其本质正从语法驱动转向意图驱动。CLI-Anything 代表了一种新型人机协作范式:以轻量级本地大模型为理解中枢,通过结构化动作引擎将自然语言输入转化为确定性、可验证、带安全沙箱的系统操作。它不依赖云端API,规避隐私与延迟风险;不生成模糊脚本,而是执行经预检、验证、回滚保障的原子动作。该设计契合运维自动化、DevOps 工具链集成及边缘/离线环境下的可靠控制需求,尤其适用于需高频执行重复性系统任务的工程师群体。核心关键词包括 CLI-Anything 和意图识

weixin_28224217的博客 275

组网第63课:安全域划分——Trust/Untrust/DMZ、区域模型、与 VLAN 的关系

一组接口 + 一组策略 + 一条默认拒绝。一组接口:这个域包含哪些物理口、VLAN、子接口;一组策略:这个域到别的域放行什么、拒绝什么;一条默认拒绝:没写进策略的,一律不通。第三条最关键。没有默认拒绝,前面划的域全是装饰。

qq_36765170的博客 571
上一篇: 基于大模型的Rust代码自动审查与重构建议:让编译器之外的“第二双眼睛“
下一篇: Rust异步编程与Tokio运行时深入理解:从“能跑“到“懂为什么“
第一程序员
博客等级 码龄1年 1万+粉丝 1822原创
评论 7
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值