现代企业组织在运营过程中通过工单系统、事件报告、服务请求和支持上报等途径产生大量数据。这些工单往往蕴含着系统性问题、反复出现的痛点以及团队绩效等方面的重要信息。然而，从中提取有价值的洞察仍面临诸多挑战。

许多售票平台主要面向工作流程操作而设计，而非数据分析。其结构化字段缺乏一致性，自由文本描述混乱，且工单之间的关联关系往往未被记录或难以查询。

因此，当领导层提出要求时……

• “我们组织中反复出现的主要问题有哪些？”
• “哪些团队持续在处理相同的根本原因？”
• “为何某些团队解决问题的速度较快，而其他团队则较慢？”
• “在问题解决的质量或一致性方面，我们发现了哪些差距？”

即使尝试，也只能通过繁琐的查询、导出或电子表格来拼凑信息。

ITelligence, 是 NVIDIA IT 团队开发的内部 AI 智能体，融合了 NVIDIA Nemotron 开源模型的强大推理能力与图数据库的表达优势。该智能体具备双重目标：1) 通过高效利用 大语言模型（LLM），从非结构化的支持工单数据中生成符合上下文的洞察，揭示潜在信息；2) 借助基于图结构的查询方法，追踪实体间关系，识别异常情况，并在大规模数据中发现模式。

本博文旨在分享我们的学习成果，并为他人提供实用指南，帮助其在各自组织中构建类似且高效的AI驱动智能体。

尽管所述实施主要聚焦于IT运维，但所提出的架构与工作流程不依赖于特定领域，可广泛适用于任何基于工单的环境，其中需要将非结构化记录转化为结构化洞察，例如安全事件响应、客户支持平台或设施管理系统等场景。

奠定基础

该系统的核心是一个模块化且可扩展的数据管道，能够提取、丰富并分析操作数据，为根因分析和洞察生成提供支持。该架构包含以下几个关键阶段：

1. 数据提取与图形建模

调度提取、转换、加载（ETL）作业可用于从多个企业系统中提取数据，例如 IT 服务管理（ITSM）平台中的事件和请求工单、终端设备清单以及身份数据源。我们选择了基于批量处理的方法，而非采用流式平台或事件驱动的数据摄取方式。这一决策主要基于用例对最终一致性的可接受性：由于分析过程无需实时数据，定期运行的 ETL 作业不仅实现简单，而且更易于维护，能够有效满足当前的运营需求。

对每个数据流进行归一化处理后加载至图形数据库，其中实体被建模为节点（如用户、事件、设备、组、服务请求），其相互关联则被建模为关系（如 OPENED_BY、ASSIGNED_TO、HAS_DEVICE、ASSIGNED_TO、REPORTS_TO）。

这种图形表示能够支持灵活的多跳查询，而在传统的关系型数据库或扁平化的报告结构中，实现此类查询往往成本高昂且复杂。

例如，下图展示了一个简单的图形查询，它捕捉到一种复杂的操作模式，并在一个分析视图中清晰呈现了工单、用户、根本原因、管理链及分配组之间的关联，揭示出有价值的洞察。

2. 上下文丰富任务

为在创建工单时将辅助属性关联到用户和设备，从而为每个工单提供更丰富的上下文信息，请运行相应的增强作业。示例包括：

• 根据开票器的开始日期与开票日期，判断其是否由新员工操作
• 设备类型（主要设备与次要设备）
• 工作模式（远程、混合、现场）
• 雇佣类型（承包商或全职）
• 基于源标识符或请求来源，判断为用户创建或由机器人生成

这些扩展能够为图形增添语义深度，使下游分析可按相关维度对数据进行分割，而无需依赖用户手动填写的字段。

3. 根本原因分析（RCA）工作

确定真正的根本原因通常超出了标准 ITSM 分类的处理能力。为了解决这一问题，可以引入一个大语言模型（LLM）管道，对每张工单进行独立分析。具体而言，针对每张工单，可通过以下方式实现：

• 用户反馈的问题（症状）
• IT 人员的内部处理记录（实际解决方案）
• 相关扩展的元数据

然后，我们可以提示大语言模型（LLM）提取一个简洁的、 以逗号分隔的根本原因关键词列表，这些关键词能够准确反映每个问题的本质（例如，YubiKey、passkey、Microsoft Authenticator、注册）。生成的根本原因分析（RCA）结果可作为新属性存储在工单节点上，从而实现比传统ITSM分类更精细的分组与分析。

为此，我们测试了由 NVIDIA NIM 提供的多个开源模型，其中 llama-3_3-70b-instruct 表现出更优的准确性。

4. Insight Generation 工作

在使用结构化根本原因分析（RCA）完善工单后，可定期运行洞察生成任务，利用大语言模型（LLM）归纳组织或团队层面的共性模式。这些任务可根据不同类型的洞察需求，设计相应的提示（prompt）策略。<!–

• MTTR 分析：系统可筛选解决耗时较长的工单，提示大语言模型（LLM）总结导致处理周期延长的关键因素，识别标准操作流程中的延迟环节、错误的处理路径、外部依赖或流程缺口。
• 客户满意度洞察：针对客户满意度评分（CSAT）偏低或用户反馈负面的工单，可自动生成面向管理层的汇总报告，按团队或业务单元进行归类，突出未满足的客户期望、高频投诉问题以及潜在的优化方向。
• 根本原因分析（RCA）洞察：基于AI生成的根本原因分类，选取具有典型共性原因的工单，通过LLM提取其中常见的故障表现、重复出现的解决步骤及高层级模式，帮助团队识别潜在的系统性缺陷。
• 新员工洞察：通过分析新员工处理的工单，识别其在入职初期遇到的主要挑战与操作难点，为管理者提供清晰且可执行的反馈，揭示培训或支持体系中的薄弱环节及改进机会。

这些见解可与图形化上下文（如团队、管理者等）相关联，为每位领导者、团队或服务负责人提供精准且可操作的情报支持。

分布式告警与自动化洞察推送

为将洞察有效落实到行动中，可构建一个分布式告警系统，持续监控整个图谱中的KPI趋势。当关键指标偏离预期范围（例如平均解析时间延长、重复根因分析数量上升或客户满意度下降）时，系统将依据预设规则自动触发通知。这些告警可结合具体上下文、受影响的工单以及建议的改进方向，精准推送至相关负责人或管理人员。

该框架还可用于定期发送由 AI 生成的自动化时事通讯。每份时事通讯均可根据组织或管理者的需求进行个性化定制，内容可能包括：

• 热门 RCA 及循环模式分析
• 对 MTTR 等关键绩效指标产生显著影响的高优先级工单
• 低客户满意度案例中的用户反馈总结
• 每周关键绩效指标趋势分析

所有见解均由大语言模型基于结构化提示和丰富的工单数据生成，确保每位利益相关者都能自动获得与其情境相关的精准摘要。

该分层架构基于清晰的图形建模与精准的提示工程，使系统在扩展洞察生成能力的同时，能够灵活适应新的数据源、组织结构和应用场景。

设计简洁直观的 AI 界面

借助涵盖工单、用户、根本原因、组织结构、设备等信息的丰富且高度互联的数据集，系统能够实现强大的数据检索与便捷的访问。用户无需了解底层图谱模式、编写 Cypher 查询或依赖自定义脚本，即可轻松探索运营洞察。

我们需要一个接口：

• 支持用户按有意义的维度对数据进行切片与筛选，
• 提供结构化查询及按需生成摘要的功能，
• 界面设计直观，便于缺乏深厚技术背景的分析师和管理者使用，
• 在理解用户意图时有效降低歧义，提升准确性。

因此，我们需要评估两种界面范式：对话式聊天机器人（基于检索增强生成技术与大语言模型）和交互式控制面板。

考虑到数据模型的复杂性以及在解读用户意图时对精确性的要求，我们选择了交互式仪表板作为平台界面的基础。它能够以清晰、可靠且易于使用的方式，帮助用户从高度结构化的图表中导航并提取有价值的见解。

为什么不使用基于 RAG 的聊天机器人？

鉴于近期 RAG 和对话式 AI 的快速发展，我们不禁会思考：为何不直接在图结构上构建聊天机器人界面呢？

尽管这一想法颇具吸引力，但在实际应用中仍存在不足，特别是在采用丰富且高度相关模式的情况下。

在这种情况下，底层数据库包含大量相互关联的实体与属性，例如工单、用户、设备、层级结构、根本原因、团队、服务和分配组等。将开放式的自然语言查询转化为准确且可执行的图查询，不仅实现难度较高，而且容易出错，同时自然语言本身往往具有模糊性。

其目标是提升用户的工作效率，而非让用户在聊天机器人界面中反复交互以澄清意图。当用户需要答案时，应能快速、准确地获取所需信息，而无需费力揣测如何表达问题才能被系统理解。

例如，当用户提出问题时：

最近关于 VPN 的常见问题有哪些？

该问题可对应多个意图：

• 根本原因的过滤源于与 VPN 相关的问题单。
• 应筛选出分配组与 VPN 关联的工单。
• 同时过滤在描述或元数据中提及 VPN 的工单。
• 根据用户需求，将“最近”定义为过去 7 天、30 天，或采用默认的时间范围。

模型必须在不进行猜测的前提下解决此类模糊性问题，而在复杂的模式或概念重叠的情况下，这尤为困难。首次生成准确的 Cypher（或任何查询语言）往往不可靠，而对于缺乏底层图结构背景知识的最终用户而言，通过聊天界面调试错误的查询语句会令人倍感挫败。

推荐方法：配备按需摘要功能的 AI 控制面板

为提升见解的可访问性与交互性，我们建议集成交互式数据可视化平台（选用 Grafana），该平台由图数据库和自定义摘要 API 服务提供支持。所有静态数据（如指标、KPI、预生成的见解、工单及其元数据）均可直接从图数据库中实时提取，实现高效展示与交互。

然而，仍有一个环节需要人工参与：即使已根据 RCA™ 驱动程序、音频和分配组™ X、Y 等标准对工单进行了筛选，用户仍需逐一查看工单，以识别常见的问题痛点和解决方案模式。这一过程导致分析效率低下，难以有效推动系统性改进的优先实施。

为了实现该工作流程的自动化，可以引入一个与 Grafana 控制面板直接集成的摘要服务 API。当用户在控制面板中选择过滤器（如组织、分配组、根本原因或类别）时，这些筛选条件可通过与 Business Text 面板关联的 Infinity 数据源，以 JSON 格式的数据载荷发送至摘要服务 API。

在后端，摘要服务能够实现以下功能：

1. 接收用户在控制面板中选定的标准（即所选变量）
2. 从图表中检索匹配的工单（ticket）
3. 将检索结果注入结构化提示词
4. 通过 NVIDIA NIM API 发送提示，调用大语言模型生成摘要（可访问 build.nvidia.com 了解使用方法）
5. 将生成的响应返回至数据可视化平台进行展示

然后，可在 AI 生成的摘要面板中呈现输出，提供简洁的执行摘要，内容包括：

• 常见问题与症状
• 典型问题解决路径
• 频繁出现的故障模式（按位置、作业类型、设备等分类）
• 基于AI生成的建议内容

这消除了手动工单分类的需求，使团队能够通过控制面板直接获取所需上下文信息。

了解详情

该AI智能体旨在弥合IT工单运维中的关键鸿沟：从海量非结构化工单数据中提取有意义的洞察。通过融合AI驱动的分析能力、基于图谱的建模方法以及灵活的查询机制，平台能够将繁杂的操作信息转化为清晰且可执行的智能决策支持。

从自动识别根本原因并提供丰富的上下文信息，到生成实时执行摘要和主动发出警报，智能体能够为团队提供决策所需的清晰洞察与响应速度。

订阅 NVIDIA 新闻，并在 LinkedIn、X、Discord 和 YouTube 上关注 NVIDIA AI，及时获取关于 NVIDIA Nemotron 的最新动态。

• 访问我们的 Nemotron 开发者页面，了解如何开始使用高度开放且智能的单次计算推理模型。
• 前往 build.nvidia.com，探索 Hugging Face 和 NIM 微服务，以及 Blueprint 上推出的全新开放 Nemotron 模型与数据集。
• 分享您的想法，并参与投票，共同影响 Nemotron 未来功能的发展方向。
• 关注即将上线的 Nemotron 直播活动，并通过 Nemotron 开发者论坛 或 Discord 中的 Nemotron 频道，与 NVIDIA 开发者社区建立连接。

观看视频教程和直播，充分发掘 NVIDIA Nemotron 的潜力。