随着企业网络规模和复杂度的不断增加，传统的网络规划、配置和运维高度依赖网络工程师的个人经验，存在配置效率低、易出错、排障难度大等痛点。常规的网络配置往往需要查阅大量手册，且在复杂的网络变更中极易出现人为的语法错误或IP规划冲突。ProNet 项目的立项正是为了解决这些业务痛点，旨在打造一个新一代的智能化网络设计与运维辅助平台。本项目立足于企业园区网络、数据中心等IT基础设施的建设与运维场景，通过引入AI大模型能力，辅助网络工程师实现拓扑可视化设计、设备配置自动生成与智能故障排查，从而大幅降低网络运维门槛，提升网络交付的可靠性与整体效率。
1. 拓扑可视化设计模块：提供直观的拖拽式网络拓扑绘图工具，支持路由器、交换机、防火墙、服务器等各类设备的图形化编排与连线，所见即所得地展现网络逻辑架构。
2. AI 智能配置引擎 ：核心模块之一。基于用户绘制的拓扑结构和输入的自然语言需求，AI 可自动生成对应厂商（如华为、思科等）的标准 CLI 配置文件。系统创新性地引入了多智能体审核闭环，有效规避了 AI 常见的语法幻觉和 IP 冲突问题。
3. 智能运维与诊断台：提供运维对话系统。运维人员输入故障现象（如“PC无法ping通网关”），AI 会结合当前网络配置进行深度分析，给出排障思路和解决方案，并支持诊断历史记录的留存与追溯。
在本项目中，我作为全栈开发工程师，主要负责了平台的前后端架构搭建、核心业务逻辑实现以及 AI 大模型工作流的深度集成。
技术栈与架构：前端采用 Next.js (React) + TailwindCSS 构建高响应速度的现代可视化界面；后端依托 Next.js API Routes 提供接口支持，使用 Prisma ORM 配合 PostgreSQL 数据库进行拓扑项目、对话记录及诊断数据的持久化存储。
实现亮点与难点：本项目最大的技术挑战在于“如何确保 AI 生成的网络配置 100% 严谨可用”。单体大模型在处理特定厂商设备的配置时，极易脱离真实语法产生“命令幻觉”，且在全局网络规划中容易出现“IP逻辑冲突”。为攻克这一核心难点，我主导设计并落地了基于 RAG（检索增强生成）与规则引擎相结合的高级 AI 工作流。 一方面，通过构建包含真实网络设备（华为、思科等）官方手册与标准配置模板的向量知识库（RAG），为大模型提供“开卷考试”式的权威上下文参考，有效消除了 AI 凭空捏造非法命令的语法幻觉；另一方面，结合提示词工程（CoT）与确定性的业务规则校验拦截器，对 AI 输出的 IP 分配及路由逻辑进行二次查重与拓扑验证。这一组合拳成功将原本不可控的生成过程收敛为了严谨的配置下发，使得自动生成的网络配置真正达到了工程实战级别的可用标准。
评论