OpenClaw+SecGPT-14B：构建无需编程的内网资产管理系统
OpenClaw+SecGPT-14B：构建无需编程的内网资产管理系统
1. 为什么需要无代码内网资产管理
去年接手公司IT运维时，我发现内网设备清单还是三年前的Excel表格。每当新设备接入或旧设备淘汰，手动更新文档总会被遗忘。更麻烦的是，不同部门的网络配置标准不统一，安全风险难以系统化评估。
传统解决方案要么需要专业IT人员编写脚本，要么采购昂贵的企业级系统。对于20人左右的团队，这两种方案都不现实。直到发现OpenClaw+SecGPT-14B的组合，才找到适合中小团队的轻量级方案——用自然语言指令实现：
- 自动扫描识别内网活跃设备
- 调用安全模型评估配置风险
- 生成可视化拓扑图
- 输出可操作的整改清单
整个过程无需编写一行代码，所有操作通过对话完成。下面分享我的具体实践过程。
2. 环境准备与基础配置
2.1 硬件与网络要求
这套方案对硬件要求极低：
- 任意能运行Docker的x86设备（我用的是闲置的Intel NUC）
- 内网IP可达性（建议部署在核心交换机同网段）
- 至少8GB内存（实测SecGPT-14B最低需求）
2.2 核心组件部署
通过星图平台获取两个关键镜像：
- OpenClaw：选择
openclaw-gateway镜像，包含完整的自动化框架 - SecGPT-14B：使用vLLM优化的网络安全专用模型
部署命令如下：
# 拉取镜像 docker pull registry.cn-hangzhou.aliyuncs.com/starscope/openclaw-gateway docker pull registry.cn-hangzhou.aliyuncs.com/starscope/secgpt-14b # 启动服务 docker run -d -p 18789:18789 --name openclaw openclaw-gateway docker run -d -p 8000:8000 --gpus all secgpt-14b2.3 关键配置对接
修改OpenClaw配置文件~/.openclaw/openclaw.json，添加模型端点：
{ "models": { "providers": { "secgpt": { "baseUrl": "http://localhost:8000/v1", "api": "openai-completions", "models": [{ "id": "secgpt-14b", "name": "Security Expert" }] } } } }重启网关使配置生效：
docker exec openclaw gateway restart3. 实现四大核心功能
3.1 设备自动发现
通过飞书机器人发送指令：
扫描192.168.1.0/24网段，识别所有在线设备OpenClaw会依次执行：
- 调用nmap进行ARP扫描
- 提取IP、MAC、开放端口等基础信息
- 通过LLM智能归类设备类型（如"会议室打印机"）
实测扫描50个IP仅需2分钟，结果自动存入SQLite数据库。
3.2 安全风险评估
针对发现的设备，发送评估指令：
评估所有Windows服务器的安全配置风险工作流程：
- 调用SecGPT-14B分析每台设备的开放端口和服务
- 结合CVE数据库判断漏洞风险等级
- 生成包含风险描述和修复建议的报告
特别实用的功能是模型能识别"看似正常的高危配置"，比如某台财务电脑开启了容易被利用的RDP服务。
3.3 拓扑可视化
通过自然语言指令生成拓扑图：
绘制按部门划分的网络拓扑图，标注高风险设备系统会：
- 根据IP和MAC地址关联交换机端口
- 调用Graphviz生成SVG矢量图
- 用不同颜色标注风险等级
生成的拓扑图会自动保存到/var/openclaw/outputs目录。
3.4 整改清单生成
最实用的功能是生成可操作的整改清单：
为市场部所有电脑生成安全加固清单，按优先级排序SecGPT-14B会输出类似这样的建议：
- 紧急：关闭3台电脑的SMBv1协议（存在永恒之蓝漏洞风险）
- 重要：更新Adobe Reader到最新版（CVE-2023-21608）
- 建议：为所有员工电脑启用BitLocker加密
4. 实践中的经验教训
4.1 扫描频率控制
初期设置每小时自动扫描，导致两个问题：
- 某些网络打印机频繁掉线
- 消耗过多Token评估无变化的设备
调整为每日凌晨2点执行全量扫描+关键设备实时监控后，Token消耗降低70%。
4.2 风险评估校准
SecGPT-14B有时会过度敏感，比如将测试环境的MySQL服务误判为生产数据库。通过两种方式改进：
- 在指令中明确环境类型："评估测试网络的数据库风险"
- 人工标注误报案例，反馈给模型学习
4.3 权限管理要点
由于OpenClaw需要较高权限，务必注意：
- 使用专用账号而非root运行
- 限制可访问的网段范围
- 定期清理日志中的敏感信息
5. 实际效果与适用边界
实施三个月后，最明显的改善是：
- 设备台账准确率从60%提升到98%
- 高危漏洞平均修复时间从14天缩短到3天
- 网络拓扑变更现在都有迹可循
但需要明确这不是企业级解决方案：
- 超过200台设备时性能下降明显
- 缺乏细粒度权限控制
- 审计日志功能较简单
适合20人以内团队或部门级使用，如需更大规模部署，建议考虑专业IT资产管理工具。
获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。