從 ITSM 工單墓地挖掘隱藏知識

在大型企業的 IT 服務管理（ITSM）環境中，每月都會解決數千張事件工單。每張工單都記錄了症狀、根因與解決方式，然而這些寶貴資訊往往只停留在工單歷史，無法自動流入知識庫（Knowledge Base）。相對地，現有的知識庫又面臨重複文章、內容過時與品質參差不齊的問題，讓支援工程師在搜尋答案時必須在近似的草稿間苦苦掙扎。

KnowledgeForge 的雙向循環設計

KnowledgeForge 以 AWS 為底層建構，同時處理「從工單生成新知」與「精煉既有知識」兩大任務，形成閉環。其核心流程如下：

生成子系統：利用 Amazon Bedrock（生成式 AI 服務）將相似工單聚類，產出草稿文章與根因分析報告。
精煉子系統：對所有文章（新產生與既有）執行四步驟——分類、重複檢測、品質評分、弱點修補。
- 重複檢測採用 Amazon S3 Vectors（S3 的向量搜尋功能），將每篇文章向量化後比對相似度，快速找出重複內容。
- 品質評分與內容改善則由 Bedrock 生成的模型提供建議，提升文字的完整性與可讀性。
審核與上線：最終稿交由 ServiceNow（ITSM 平台）的知識管理者審核，確保人為把關後才正式發布。

整個流程由 AWS Step Functions（工作流編排服務）協調，各階段的觸發、錯誤處理與狀態管理皆在此完成，確保大規模文件處理的可靠性與可觀測性。

為何選擇這些 AWS 元件

Amazon Bedrock 提供最新的大型語言模型（LLM），可在不自行訓練的前提下完成文章生成與內容潤飾，縮短開發週期。
S3 Vectors 直接在物件儲存層面支援向量索引，省去額外建置向量資料庫的成本，同時享有 S3 的高耐久與安全性。
Step Functions 以圖形化的狀態機方式描述複雜流程，讓開發團隊能清晰追蹤每一步的執行結果，並在需要時快速加入重試或分支邏輯。

未來展望與讀者啟示

KnowledgeForge 展示了 從「沉默的工單」到可搜尋的知識資產 的完整路徑，為企業 IT 支援部門提供了可持續的知識循環機制。未來若將此模式擴展至其他類型的服務請求（如變更單、問題單），或結合多語言模型支援跨國團隊，將進一步提升組織的問題解決效率與創新速度。

對於正考慮在雲端建置大規模文件處理管線的技術主管而言，本文提供的 AWS 服務組合與設計模式，是一套可直接復用的參考藍圖。透過自動化挖掘與持續精煉，企業不僅能降低重複勞動，亦能將散落在工單中的隱形智慧，轉化為全員共享的資產。