在公部門資訊單位的日常維運中，我們常常面臨一個看似矛盾的困境：我們擁有極為完善的監控系統，卻依然在浩瀚的告警資訊中迷失方向。每天一早打開 libreNMS（Network Management System）儀表板(如圖1)，迎面而來的是數以百計的紅燈與黃燈，這些告警有的來自設備的短暫連線波動，有的來自例行性的備份作業，還有許多是已知但尚未處理的低風險事件。

對於第一線的值班工程師而言，監控系統跳出大量告警已是家常便飯。然而，告警並不等於真正的風險。有些是誤報，有些是已知狀態，有些則是真正需要優先處理的致命問題。當人力有限且業務繁重時，我們面臨最困難的挑戰，往往不是「有沒有資料可以看」，而是「能不能從海量資料中，快速看出處理的優先順序」。每天花費大量時間在確認與過濾無效告警，不僅消耗了同仁的精力，也可能讓我們錯失了真正危急的異常徵兆。

為了解決這個痛點，我們開始思考：既然系統已經收集了足夠的數據，我們是否能引進一個「24 小時不打瞌睡的值班同事」，來幫忙做第一輪的資料整理與判讀？這個想法促成了「智能網管備忘錄（AI-Net Memo）」的誕生。這不是要用 AI 來取代現有的監控系統，更不是要取代工程師的專業判斷，而是要改變我們與監控系統互動的方式——從「被動看告警」變成「主動得到交班備忘錄」。

在這個架構中，我們將大家熟知的 LibreNMS 系統（就像是資訊設備的健康檢查系統），透過 API（像是讓系統把資料主動交給 AI 看的資料窗口）連接到我們自行開發的 AI Agent（一位 24 小時待命、不會疲倦的值班助理）。我們利用 Claude Code 作為開發助手，快速打造出 FastAPI 網頁儀表板，並在本地端部署 Ollama 與 Gemma 4模型，負責把大量生硬的告警轉成簡短、可執行的處理摘要。

名詞小辭典：讓技術語言更親近

這套機制的運作方式非常直觀。系統設定為每 30 分鐘自動啟動一次，AI Agent 會透過 API 撈取 LibreNMS 上所有的告警資訊與系統狀態。接著，Gemma 4模型會根據我們預先設定的提示詞與判斷邏輯，對這些告警進行分類、去重與重要性排序。

最終呈現出來的，不再是落落長的告警列表，而是一份精煉的「值班交班備忘錄」(如圖2)。這份備忘錄會明確列出前 8 個需要優先處理的項目，並針對每一項異常提供簡要的說明。更重要的是，AI 會根據歷史經驗與知識庫，提醒工程師「先做什麼」（例如先下指令檢查特定程序），並標示出「不處理會有什麼後果」。這樣的設計，大幅降低了工程師的認知負擔，讓他們一接班就能迅速掌握全局，將寶貴的時間投入在實質的決策與問題排除上。

這套系統上線後不久，就展現了它的實質價值。在一次例行的自動分析中，AI Agent 在眾多告警中特別標示出了一台 IP 為 10.70.35.254 的設備。系統畫面顯示(如圖3)，這台設備的 CPU 負載長時間超過 90%（loading over 90%），同時有多個介面呈現 down 的狀態，但也有部分介面正常 up。

如果是傳統的看告警模式，這個 CPU 飆高(如圖4)的訊息可能被淹沒在其他介面斷線的告警海中。然而，AI 的分析直接點出了問題的核心，並給出了明確的建議。

AI Agent 分析摘要（10.70.35.254）

經由這份備忘錄的提醒，值班同仁立刻與 SI（系統整合）團隊進行確認。經過追查，證實 10.70.35.254 是匯集所有無線網路基地台 AP 的重要交換器。這個發現至關重要，因為如果該設備因為 CPU 滿載而當機，可能造成本署及各分署的 iTaiwan 無法使用，進而嚴重影響洽公民眾使用網路的權益。

這個真實案例完美詮釋了 AI Agent 的價值。它的價值不在於「看起來很聰明」或是能寫出多複雜的程式碼，而在於它能協助我們提前發現那些在日常繁雜維運中，極可能被忽略的潛在風險。

許多人在談論 AI 導入時，常有一種迷思，認為 AI 會自動解決所有的故障，甚至取代工程師的工作。但在公部門的資訊維運場域中，我們深刻體會到：真正的智慧化是「人機協作」，而非「人機取代」。

AI Agent 擅長的是不知疲倦地進行第一輪的資料整理、過濾雜訊與初步排序；而人類工程師擅長的，則是根據組織脈絡、過往經驗與當下情境，做出最終的判斷與處置。AI 給出的是建議與備忘錄，而按下修復按鈕、聯絡廠商、評估業務影響的，依然是具備專業素養的資訊人員。這種分工模式，不僅提升了處理效率，也讓工程師從枯燥的盯螢幕工作中解放出來，轉而從事更具價值的工作。

換個比喻來說，AI Agent 就像是一位勤奮的實習生，他會幫你把所有的郵件分類好、把緊急的事項貼上紅色標籤，並且準備好一份摘要報告放在你的桌上。但最終要怎麼回覆、如何決策，依然是你這位有經驗的主管職責。這樣的搭配，才是 AI 在公部門落地最務實的樣貌。

「智能網管備忘錄」只是一個起點。當我們成功將監控數據與 AI 語言模型串接後，未來的延伸應用充滿無限可能。以下整理幾個值得期待的方向：

這一切的基礎，都建立在我們願意踏出第一步，讓 AI 成為我們日常維運的得力助手。每一個小小的自動化，都是邁向智慧維運的重要里程碑。

AI 導入的關鍵，從來不是買最貴的工具或追求最炫的技術，而是從一個真實的痛點開始。回顧這次「智能網管備忘錄」的實作經驗，我們整理了幾個心得與大家分享：

1.　先從資料已經存在的系統開始：例如我們選擇了已穩定運作的 LibreNMS，省去了重新佈建感測器的麻煩，讓導入成本降到最低。
2.　先讓 AI 做摘要與排序：不要一開始就期望 AI 自動處置故障，先從提供交班備忘錄這樣低風險、可人工複核的任務做起，逐步建立信任。
3.　重視工程師的備註與經驗：AI 需要人類經驗來補足脈絡，系統中工程師的處理紀錄與備註，是訓練 AI 判斷邏輯最寶貴的養分。
4.　減少沒人想做的重複性工作：最好的 AI 導入不是新增工作，而是把重複判讀、資料整理交給 AI，讓人負責確認、決策與處置，把時間還給真正有價值的事。

讓 AI Agent 成為 24 小時不打瞌睡的值班同事，公部門也能以低成本、可落地的方式，逐步邁向主動預警的智慧維運新時代。AI 賦能的起點，不在於技術有多先進，而在於我們是否願意從一個真實的問題出發，讓科技真正服務於人。