win-acme项目中WMIC命令弃用问题及解决方案
背景介绍
在Windows Server 2025和Windows 11操作系统中,微软已经正式弃用了WMIC(Windows Management Instrumentation Command-line)工具。这一变化影响了win-acme项目中几个关键脚本的正常运行,特别是与远程桌面服务证书管理相关的脚本。
问题分析
win-acme项目中的以下脚本受到了影响:
- ImportRDListener.ps1
- ImportRDS.ps1
- ImportRDSFull.ps1
这些脚本原本使用WMIC命令来配置远程桌面服务的SSL证书指纹。当在较新版本的Windows系统上运行时,会收到"wmic不被识别"的错误提示,因为微软已经移除了这个工具。
技术解决方案
原始WMIC命令分析
原脚本中使用的是如下WMIC命令格式:
wmic /namespace:\\root\cimv2\TerminalServices PATH Win32_TSGeneralSetting Set-SSLCertificateSHA1Hash = "$($CertInStore.Thumbprint)"
这条命令通过WMIC工具访问WMI命名空间中的远程桌面服务设置类,并设置SSL证书的SHA1指纹。
现代替代方案
微软推荐使用PowerShell的CIM(Common Information Model)命令来替代传统的WMIC。具体实现方式如下:
# 获取远程桌面服务通用设置实例
$tsGeneralSetting = Get-CimInstance -Namespace "root/CIMV2/TerminalServices" -ClassName Win32_TSGeneralSetting
# 设置SSL证书指纹
$tsGeneralSetting | Set-CimInstance -Property @{ SSLCertificateSHA1Hash = $certThumbprint }
实现细节
-
Get-CimInstance:这个cmdlet用于获取指定命名空间和类名的CIM实例,相当于原来WMIC的查询部分。
-
Set-CimInstance:用于修改CIM实例的属性值,这里用来设置SSL证书的指纹。
-
命名空间路径:注意从原来的反斜杠格式(
\\root\cimv2\TerminalServices)改为正斜杠格式(root/CIMV2/TerminalServices),这是CIM cmdlet的标准格式要求。
兼容性考虑
这个修改方案已经经过实际测试验证,可以正常工作在:
- Windows Server 2025
- Windows 11
- 以及支持CIM cmdlet的其他Windows版本
实施建议
对于使用win-acme项目的用户,建议:
- 检查项目中所有使用WMIC的脚本
- 按照上述模式进行替换
- 测试修改后的脚本在各种环境下的表现
总结
随着Windows系统的更新迭代,传统的管理工具逐渐被更现代、更强大的PowerShell cmdlet所取代。win-acme项目中的WMIC命令替换为CIM cmdlet不仅解决了兼容性问题,还使脚本更加符合现代Windows管理的最佳实践。这一修改确保了项目在最新Windows平台上的持续可用性。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00