新媒网 · 跨境数据社区

作为一名深耕跨境行业多年的老兵，我深知，无论我们的业务模式如何创新，高效稳定的IT系统始终是支撑我们“出海”远航的基石。在日常运营中，各种IT支持工单、故障报告、服务请求堆积如山，这些海量数据中，其实蕴藏着我们业务痛点、系统瓶颈甚至团队效能的关键信号。然而，很多时候，我们却被淹没在这些信息汪洋中，难以有效挖掘其中的价值。

今天，我们就来聊聊如何借助人工智能的力量，把这些看似杂乱无章的IT工单数据，转化成我们业务决策的“指南针”。NVIDIA的IT团队开发了一款内部智能代理“ITelligence”，它巧妙地结合了NVIDIA Nemotron开源模型与图数据库技术，专门用来从非结构化的支持工单数据中深度挖掘洞察，并追踪工单间的关联性。这套系统采用模块化的数据管道，涵盖了数据摄取与图谱建模、上下文丰富、根因分析、洞察生成，以及分布式预警和自动化洞察交付等多个环节。简单来说，它能利用大语言模型（LLM）为每张工单生成核心的“根因关键词”，从而实现精准的分类和分析。同时，它还能通过集成Grafana和定制的摘要API服务，提供按需的交互式总结功能。

新媒网跨境了解到，现代化企业每天都会产生海量的运营数据，这些数据来自工单系统、事件报告、服务请求、支持升级等等。这些工单往往承载着系统性问题、反复出现的痛点以及团队绩效的关键信号。然而，从这些数据中提炼洞察，本身就是一大挑战。大多数工单平台的设计初衷是用于流程执行，而非深度分析。这就导致了结构化字段不一致、自由文本描述噪音大，以及工单之间的关联性往往无法被捕捉或查询。

所以，当高层领导提出这样的问题时：

• “我们整个组织最常见的反复出现的问题是什么？”
• “哪些团队总是在处理相同的根本原因问题？”
• “为什么某些团队解决工单的速度更快或更慢？”
• “我们在解决问题的质量或一致性方面存在哪些差距？”

我们往往只能依靠笨拙的查询、导出数据到表格，甚至手工梳理，才能勉强给出答案——如果还有精力去尝试的话。但有了像ITelligence这样的智能代理，借助NVIDIA Nemotron开源模型和大语言模型（LLM）的强大能力，一切都变得不同。

这篇文章，就是希望把NVIDIA团队的实践经验分享给大家，为各位搭建类似的、强大的人工智能驱动智能代理提供一份实战指南。虽然文中的实现案例聚焦于IT运营，但其架构和工作流程是通用且跨领域的，完全可以应用于任何以工单为基础的环境，比如安全事件响应、客户支持平台，甚至是物业管理系统等，将那些非结构化的记录转化为结构化的宝贵洞察。

打造智慧基石：模块化数据管道

这套系统的核心，是一个模块化、可扩展的数据管道，它负责摄取、丰富和分析运营数据，从而为根因定位和洞察生成提供强大动力。其架构主要由以下几个关键阶段组成：

1. 数据摄取与图谱建模

首先，我们需要定期执行抽取、转换、加载（ETL）任务，从企业内部多个系统中提取数据。这包括IT服务管理（ITSM）平台（例如事件和请求工单）、终端设备清单以及身份源等。这里，我们倾向于采用批处理的方式，而不是实时流式处理。主要原因是我们的应用场景可以接受最终一致性，实时摄取并非必须，定期的ETL任务能够提供更简单、更易维护的解决方案，这与我们的运营需求高度契合。

这种图谱化的数据表示方式，使得多跳查询变得灵活高效，而这在传统的、基于关系型或扁平化报告结构中，其查询成本会高得令人望而却步，或者逻辑上过于复杂。

举个例子，在下面的图示中，一个简单的图谱查询就能捕捉到一个复杂的运营模式，在单个分析视图中揭示工单、用户、根因、管理层级和指派组之间的宝贵洞察。

图1. 示例图谱，展示了与工单相关的节点和关系（敏感信息已脱敏）。

2. 上下文丰富任务

为了让每张工单都拥有更丰富的背景信息，我们需要运行上下文丰富任务，将辅助属性与工单发生时的用户和设备关联起来。一些常见的丰富数据点包括：

(1) 工单提交者是否是新员工（可根据提交者的入职日期和工单的开放日期推算）
(2) 设备类型（主设备和次要设备）
(3) 工作模式（远程、混合或现场办公）
(4) 雇佣类型（合同工还是全职员工）
(5) 根据来源标识符或请求来源判断是用户创建还是机器人生成

这些丰富化的数据能够为图谱增加语义深度，让下游分析可以根据这些相关维度对数据进行细分，而不再仅仅依赖于用户填写的字段。

3. 根因分析（RCA）任务

这里，我们利用大语言模型（LLMs）的强大能力，从每一张工单中提取核心的“根因关键词”。具体来说，模型会综合考虑以下几个方面：

(1) 用户报告的问题（症状描述）
(2) IT人员在工单关闭时填写的解决笔记（实际解决方案）
(3) 任何经过丰富化的元数据关键词

4. 洞察生成任务

通过精心的提示词工程（prompt-engineered），我们可以让大语言模型生成多种类型的业务洞察，例如：

(1) 平均解决时间（MTTR）洞察：分析工单解决效率。
(2) 客户满意度洞察：评估用户对服务质量的反馈。
(3) 根因分析（RCA）洞察：揭示反复出现问题的根本原因。
(4) 新员工相关洞察：发现新入职员工可能遇到的特定问题。

这些洞察可以与图谱中的上下文信息（例如团队、经理）关联起来，从而为特定领导、团队或服务负责人提供有针对性、可操作的智能信息。

5. 分布式预警与自动化洞察交付

为了真正让这些洞察“落地生根”，我们可以构建一个分布式预警系统，持续评估图谱中关键绩效指标（KPI）的趋势。当指标偏离预期阈值时，预设的规则可以触发通知——比如，平均解决时间（MTTR）激增、重复的根因问题数量上升，或者客户满意度（CSAT）下降。

这些预警可以直接发送给相关的领导或经理，同时附带上下文信息、受影响的工单以及建议的关注领域。这套框架还可以用于定期自动生成AI驱动的“新闻简报”。每份简报都可以针对不同的组织或经理进行个性化定制，内容包括：

(1) 最常见的根因问题和反复出现的模式
(2) 影响平均解决时间（MTTR）等关键绩效指标的高影响力工单
(3) 对低客户满意度案例的用户反馈进行总结
(4) 周环比关键绩效指标（KPI）趋势分析

所有洞察都是通过结构化提示词和丰富的工单数据，由大语言模型生成的，确保每个利益相关者都能自动收到有针对性、与上下文相关的总结。这种分层架构，以清晰的图谱建模和精确的提示词工程为基础，使得系统能够扩展洞察生成能力，同时保持对新数据源、组织结构和用例的适应性。

图2. 所述系统的简化架构图。

设计直观的AI驱动界面

有了这样一个丰富、高度互联的数据集作为系统核心支撑——它涵盖了工单、用户、根因、组织层级、设备等多种信息，数据检索既要强大，也要足够易用。用户不应该需要理解底层的图谱结构，编写Cypher查询语句，或者依赖自定义脚本才能探索运营洞察。

我们需要一个这样的界面：

(1) 允许用户按需、通过有意义的维度对数据进行切片和筛选。
(2) 对于分析师和管理者来说足够直观，即使他们没有深厚的技术背景也能轻松上手。
(3) 减少歧义，提高用户意图解读的准确性。

考虑到数据模型的复杂性以及精准解读用户意图的需求，我们有意选择了后者——交互式仪表盘——作为平台界面的基础。它提供了一种清晰、可靠且用户友好的方式，来浏览和提取高度结构化图谱中的洞察。

为什么不选择基于RAG的聊天机器人？

鉴于最近检索增强生成（RAG）和对话式AI的强劲发展势头，很自然会有人问：为什么不直接在图谱之上构建一个聊天机器人界面呢？虽然这个想法很有吸引力，但我们认为它在实践中仍有不足，尤其是在处理丰富且高度关系化的数据模型时。

在这种情况下，底层数据库包含许多相互关联的实体和属性：工单、用户、设备、层级、根因、团队、服务、分配组等等。将开放式的自然语言查询转化为精确、可执行的图谱查询，这不仅并非易事，而且容易出错，常常存在歧义。

举个例子，当用户问：“最近与VPN最常见的问题是什么？”这个问题可能映射到多种意图：

(1) 筛选根因为VPN的工单。
(2) 筛选与VPN相关的分配组的工单。
(3) 筛选描述或元数据中提及VPN的工单。
(4) 将“最近”解读为过去七天、30天，或者根据用户期望的默认时间窗口。

模型必须在不进行猜测的情况下解决这种歧义，这对于复杂的图谱结构和重叠概念来说是极其困难的。首次尝试生成准确的Cypher（或任何查询语言）是不可靠的，而且对于缺乏底层图谱结构上下文的终端用户来说，通过聊天来调试不正确的查询会令人沮丧。

推荐做法：结合按需摘要功能的AI驱动仪表盘

为了让洞察既易于访问又具交互性，我们建议将其与交互式数据可视化平台（我们选择了Grafana）集成，并由图数据库和自定义摘要API服务提供支持。所有静态数据，比如度量指标、KPI、预生成的洞察、工单及其元数据，都可以实时从图谱中直接提取。

然而，我们发现，即便用户能够根据“根因=驱动，音频”和“分配组=X，Y”等条件筛选工单，仍然需要手动审查单个工单，才能发现常见的痛点和解决模式。这使得分析过程缓慢，难以优先处理系统性改进。

在后端，这个摘要服务可以：

(1) 接收用户选择的条件（即用户从仪表盘中选择的变量）
(2) 从图谱中检索匹配的工单
(3) 将这些工单注入到结构化的提示词中，并通过诸如build.nvidia.com这样的平台调用NVIDIA Nemotron等大语言模型
(4) 将响应返回给数据可视化平台进行显示

最终输出的内容可以在AI生成的摘要面板中呈现，提供一份简洁的高级摘要，其中包括：

(1) 常见问题和症状
(2) 典型的解决路径
(3) 反复出现的故障模式（例如地点、雇佣类型、设备等）
(4) AI生成的建议

这种方式消除了手动筛选工单的繁琐工作，让团队能够直接从仪表盘中获得按需、上下文相关的深入理解。

图3. 通过Grafana进行按需摘要设置。

新媒网跨境获悉，这个AI智能代理旨在弥补IT工单操作中的一个关键鸿沟：从海量的非结构化工单数据中提炼有意义洞察的挑战。通过集成AI驱动的分析、基于图谱的建模和灵活的查询能力，这个平台将运营中的“噪音”转化为清晰、可行动的智能信息。从自动化根因识别、丰富的上下文关联，到实时的管理摘要和主动预警，这个代理能够赋予团队所需的清晰度和速度，从而做出更明智的决策。这对于我们跨境从业者来说，意味着更高效的内部运作、更快的响应速度，以及最终能为客户提供更优质的服务，从而在激烈的市场竞争中脱颖而出。

风险前瞻与时效提醒：

在实施这类AI驱动系统时，我们必须充分考虑数据隐私和合规性问题，特别是涉及用户数据时，务必遵循国家及地区的相关法律法规。同时，人工智能技术发展迅猛，本教程介绍的某些具体技术或平台可能会迭代更新。建议大家在实际操作时，关注相关技术提供商的最新动态，及时调整策略，确保方案的时效性和先进性。

新媒网（公号: 新媒网跨境发布），是一个专业的跨境电商、游戏、支付、贸易和广告社区平台，为百万跨境人传递最新的海外淘金精准资讯情报。

本文来源：新媒网 https://nmedialink.com/posts/llm-for-ticket-insights-30min-speed.html