「多群組即時維運的核心痛點，在於資訊分散、情緒升溫難以察覺，以及大量重複提問造成的溝通耗損。」
本專案透過多模型路由（Azure OpenAI / Google Gemini / OpenAI）結合本地 Qdrant 向量資料庫，建立主動式的維運輔助系統。在人工無法逐一爬梳所有訊息時，自動監控情緒波動、探勘未建單問題，並提供雙模檢索以重用歷史經驗。
系統全景架構 (System Architecture)
五大核心模組串聯對話採集、情緒評分、多模型路由、Qdrant 向量檢索與 Jira 查重派工：
1. 情緒溫度計 (Sentiment Monitor)
維運團隊每天需管理多個一線客戶與內部協同群組，最關鍵的風險在於未能即時察覺對話氣氛惡化。 情緒溫度計自動分析各群組近期對話脈絡，量化為 0-100 的健康指數，提供三級預警機制：
🔴 警告 (<50分)
偵測到負面語氣或嚴重阻礙，需立即介入排查。🟡 注意 (50-75分)
出現進度疑慮或重覆催促，建議主動同步狀態。🟢 正常 (>75分)
溝通順暢且問題已有對應進度。
儀表板一覽：即時掌握各客戶群組的情緒健康狀態與異常波動。
2. AI 分析與路由中心 (Analysis Center)
分析中心為系統的推論樞紐，支援依任務需求切換多種模型引擎（Azure OpenAI / Google Gemini / OpenAI），提供四種核心分析管道：
群組摘要
結構化整理對話紀錄，自動產生 Q&A 知識草稿，收斂非同步溝通內容。
戰情通報
彙整未解決任務與緊急事項，提供當日全局摘要。
議題偵測
主動探勘對話中潛在的 Bug 與功能需求，提煉候選清單。
智慧去重
識別跨群組重複轉貼的訊息，支援批次標記處理。
AI 分析中心介面：自選時間範圍、目標群組與推論模型，啟動對應分析流程。
3. 主動式議題探勘 (Issue Discovery)
對話中常包含零散的異常回報，若未即時記錄容易遺漏。 議題探勘模組會掃描未指派的歷史訊息，自動識別出潛在的系統缺陷與待辦事項，產生結構化候選清單。
維運人員可在介面中批次派工、設定優先級，並直接調用 Jira REST API 建立正式工單。
議題探勘觸發視窗：自動解析群組內未建單之待辦事項。
議題清單介面：支援批次指派負責人、設定嚴重度與一鍵開立 Jira 工單。
4. 戰情通報與任務彙整 (Status Report)
戰情通報模組自動彙整跨群組未結案件與催單項目，產出結構化每日戰報：
- 🔴 緊急待辦：未處理且標記為重大優先級之事項
- 🟡 待追蹤項目：已催單但尚未收到回覆之回報
- 📊 負載分佈：依群組與負責人員統計案件數量
戰情通報介面：一鍵產出每日維運戰報，供主管與團隊快速校準狀態。
5. 摘要瀏覽器與知識索引 (Summary Browser)
「群組摘要」功能將即時對話自動轉換為結構化 Q&A 與 SOP 知識資產，支援即時全文檢索與關鍵字高亮：
全文篩選
輸入關鍵字即時比對，標記命中位置與總匹配筆數。
關鍵字高亮
內容區域自動標註搜尋關鍵字，便於快速定位解法。
群組樹狀分類
依日期與來源群組層級分類，展開查看當日完整問答記錄。
摘要瀏覽器介面：左側為群組歷史樹狀清單，右側支援關鍵字即時高亮。
6. 跨群組重複訊息去重 (Cross-Group Dedup)
當系統維護公告或同類問題被轉發至多個群組時，跨群組智慧比對可自動識別高度相似的文字內容，避免重複處理：
- 語意相似度比對：透過文字特徵比對找出跨群重複內容
- 批次標記處理：可一鍵將重複項標記為「已處理」或「略過」
- 來源追溯：清楚標示原始發布群組與轉發時間點
跨群組比對：選擇檢索範圍啟動去重分析。
比對結果：列出高度相似訊息，支援單筆或批次忽略處理。
7. Jira 智慧查重與 JQL 自動生成
在建立新工單前，手動查詢 Jira 歷史案件往往繁瑣。 Jira 智慧搜尋模組自動從對話中提取技術關鍵字，並組裝為 JQL 語法查詢已存在的工單：
- 關鍵字提取：自動識別硬體、網路、系統代碼等專業詞彙
- JQL 語法組裝：自動生成對應的 Jira Query Language
- 歷史工單列表：顯示工單狀態（In Review / To Do / Done）避免重複開立
一鍵觸發查重：自動提取選中對話之關鍵字。
查重結果：點擊即可直達 Jira 工單詳情確認進度。
8. 優先級自動判定與批次套用 (Priority Assessment)
面對未分類的大量即時訊息，優先度鑑定功能會評估所有未指派且非 Done/Ignore 的訊息，依據問題影響範圍建議 High / Normal 優先級並附帶判定理由：
一鍵啟動優先級評估。
評估結果：附帶判定依據，確認後可批次寫回資料庫。
9. SOP 知識庫萃取 (Knowledge Extraction)
技術排除與火線救援的處置過程，可透過對話選取一鍵提煉為標準 SOP 或 FAQ 草稿，人工審閱後即可納入團隊長期知識庫：
勾選多則相關排障對話，點選轉為知識資產。
萃取視窗：左側為原始對話，右側為生成的 Q&A 編輯器。
10. FAQ 沉浸式圖文排版與 Vision 辨識
知識庫支援沉浸式圖文排版與 AI Vision 圖片內容辨識。上傳之錯誤截圖會自動生成語意描述並嵌入 Markdown，使截圖內容亦能納入向量搜尋索引：
 格式儲存，確保向量 Embedding 包含圖中錯誤代碼與介面特徵。
Vision 辨識：自動將截圖中的錯誤訊息轉為可檢索文字。
沉浸式閱讀：完整圖文排版，排障 SOP 清楚明瞭。
11. 向量檢索與 RAG 雙模引擎架構
知識庫採用 Qdrant 本地向量資料庫 搭配 text-embedding-3-small (1536 維度)，結合餘弦相似度演算法，解決傳統關鍵字精準匹配的限制：
語意理解 (Semantic)
捕捉多種描述之等價意圖（如「無法連線」與「網路斷線」均能正確命中同一條目）。
增量平行同步 (Smart Sync)
僅對異動資料進行向量更新，採用多執行緒平行處理，同步效率相較循序寫入提升 5 倍。
毫秒級檢索
Qdrant 向量檢索耗時控制在 0.5 秒以內，迅速回傳 Top K 候選問答。
Token 截斷保護
配置長度上限（Max 7,777 tokens）自動截斷，避免超長文本造成無謂的 API 消耗。
text-embedding-3-small (1536 dims) | Qdrant Engine (localhost) | 余弦相似度 (Cosine Similarity)
12. 雙模搜尋引擎：語意檢索 vs RAG 統整
依據查詢需求將檢索解耦為兩種模式，使用者可在「毫秒級響應」與「上下文統整」間自由選擇：
語意搜尋 (Semantic Search)
直接進行向量餘弦相似度匹配，列出最接近的 FAQ 條目。適合需要快速查找原文的使用者。
⚡ 延遲 ~0.5sAI 回答 (RAG Generation)
檢索 Top K 條目後作為 Context 注入 LLM，自動統整產出結構化解答。適合複雜跨條目問題。
⏱️ 延遲 ~3.0s| 比較項目 | 🔍 語意搜尋 (Semantic) | ✨ AI 回答 (RAG) |
|---|---|---|
| 產出格式 | FAQ 候選列表 + 相似度分數 | LLM 統整後的直接解答 |
| 計算階段 | 單階段 (向量比對) | 雙階段 (向量比對 + LLM 推論) |
| 適用情境 | 快速瀏覽、查找精確 SOP 原文 | 複合情境問題、需要綜合判斷 |
語意搜尋模式：快速列出相似度最高之條目供人工比對。
AI 回答模式：自動彙整相關上下文並產生完整回答。
13. RAG 與向量核心參數配置
系統開放核心檢索與推論參數之動態調校，便於依據實務場景優化召回率與精確率：
語意檢索參數
- 相似度門檻 (Threshold)：0.0~1.0 依需求微調精確度。
- 最大回傳數 (Top K)：預設 5 筆候選上下文。
RAG 推論參數
- 系統提示詞 (System Prompt)：規範回答邊界與格式。
- 模型切換：Azure OpenAI / Gemini 動態切換。
系統效能配置
- Embedding 模型：text-embedding-3-small (1536d)。
- 同步並發數：控制批次同步寫入速率。
RAG 參數視窗：調整 Top K 與 Prompt 角色設定。
Embedding 設置：配置向量庫增量同步與截斷上限。
系列回顧與工程實踐總結
本三部曲系列完整展示了從 Line 即時訊息採集、Jira 工單自動化派案，到 RAG 向量知識庫萃取的完整演進過程：
Ep.1 對話資產化
- 對話與檔案持久備份
- 關鍵字高亮檢索
- Jira 狀態即時同步
Ep.2 自動化工單
- Inline 微派工與備註
- 一鍵 AI 生成 Jira 工單
- Line Push 即時催單機制
Ep.3 智慧維運與 RAG
- 群組情緒溫度計監控
- SOP 知識萃取與 Vision 辨識
- Qdrant 向量雙模搜尋
專案核心價值在於透過快速原型驗證（Vibe Coding）與標準化工程邊界，將零散的通訊對話轉化為高可靠、可追溯且具備語意檢索能力的維運資產。