角色： IT 工程師 + 陳志豪（IT 主管）
場景： 核心交換機故障，5 分鐘內 Graylog 和 LibreNMS 湧入 100 筆警報，IT 團隊看板一片紅
橫跨模組： Integration → Incident → AI Native → Dashboard

---

背景

泰國廠的核心交換機（Core Switch）在凌晨突然故障。由於這台交換機連接了資料庫伺服器群和應用伺服器群，故障後 5 分鐘內，Graylog 和 LibreNMS 分別偵測到大量異常——application timeout、port down、CPU spike、memory alert、各服務 connection refused——總計湧入約 100 筆警報。

沒有 Arova 的情況下，IT 團隊看到看板一片紅，需要逐筆檢視 100 筆警報、手動分類、猜測根因，耗時 2-4 小時。

---

旅程步驟

Stage 1：大量警報湧入（0-2 分鐘）

使用者情緒： 🔴 系統警報爆炸，以前這種情況要花半天才能理清

涉及模組： Integration（Webhook 接收）、Incident（IN-001 自動建立）

---

Stage 2：AI 降噪（自動，30-60 秒）

使用者情緒： 🟡→🟢 AI 在 1 分鐘內將 100 筆警報精煉為 3 個事件

涉及模組： AI Native（AIN-011 Correlation Agent）、Incident（IN-009 告警合併）

---

Stage 3：IT 主管看到的畫面

IT 主管陳志豪打開 Dashboard，看到的不是一片紅的警報，而是清晰的 3 個事件卡片：

陳志豪一眼就知道：優先處理 Core Switch，DB 和 App 的問題是連帶的。

使用者情緒： 🟢 恐慌消散，清晰的優先順序帶來從容感

涉及模組： Dashboard（DB-001, DB-014）、AI Native（AIN-001 AI 簡報）

→ Wireframe： page-dashboard（AI 每日摘要 + 待處理事件）

---

Stage 4：聚焦處理（10-30 分鐘）

使用者情緒： 🟢 聚焦在根因，不被警報海淹沒，一次修復連帶解決所有問題

涉及模組： Incident（IN-006, IN-007）、AI Native（AIN-011, AIN-024）、Integration（recovery webhook）

→ Wireframe： page-detail（根因/衍生標籤 + 批次 resolve）

Unhappy path：AI 標錯根因 / 批次 resolve 誤關獨立事件

本次 AI 標註 INC-001 為根因、INC-002/003 為衍生都是對的。但 AI 不保證每次都準，若 Alert Storm 中 AI 誤把某個獨立事件標為「衍生」，批次 resolve 時會連帶把它錯誤關閉。兩道防線避免這種誤操作：

1. 人工覆寫根因 / 衍生關係（IN-019）：

• 在 Alert Storm 事件列表每條的右鍵選單中，工程師可選：
  • 「解除衍生關係」：該事件脫離根因連結變為獨立事件，不會被批次 resolve 連帶關閉
  • 「變更根因為 INC-XXX」：將所有衍生關係轉移至新根因，原根因可降為衍生或獨立
  • 「設為根因」：升級衍生或獨立事件為根因角色
• 所有覆寫動作寫入雙方時間軸與稽核日誌，並計入 AI 回饋訊號（拆分 / 覆寫 → negative）

2. 批次 Resolve 強制 Preview（IN-020）：

• 點「批次 Resolve」不會直接執行，而是先顯示 preview dialog
• Dialog 列出所有衍生事件：ID / 標題 / 狀態 / AI 信心度
• 預設全選；工程師對任何一條不確定的都可以 uncheck 移除
• 只有勾選者被 resolve，未勾選者保留原狀態
• 不支援「記住我的選擇」（每次 Alert Storm 衍生判定差異大，記住會造成誤關）

場景示例：若其中 INC-003 其實是另一起獨立的 App 記憶體洩漏（與 Switch 無關），工程師在 preview 看到 INC-003 的 AI 信心度僅 0.6，uncheck 後單獨處理，避免被連帶錯誤關閉。

---

旅程摘要

Stage	動作	花費時間	模組
1	100 筆警報湧入	0-2 分鐘	Integration
2	AI 降噪：100 → 3 個事件	30-60 秒	AI Native + Incident
3	IT 主管看到精煉後的 Dashboard	即時	Dashboard
4	修復根因 + 批次 resolve 衍生事件	10-30 分鐘	Incident + AI Native

---

全程數據

指標	使用 Arova 前	使用 Arova 後
警報湧入	5 分鐘內 100 筆	5 分鐘內 100 筆（一樣）
人工分類時間	2-4 小時（逐筆檢視）	30-60 秒（AI 自動）
需查看的警報數	100 筆逐筆看	3 個精煉事件
找到根因時間	1-2 小時（猜測 + 試誤）	1-5 分鐘（AI 標註根因）
結案操作	逐筆關閉 100 筆	批次 resolve 3 個事件
全程 MTTR	2-4 小時	30 分鐘

---

核心價值

這是 Arova AI-native 架構最強的展示情境。PagerDuty AIOps 和 BigPanda 的核心賣點是 Alert Storm 降噪，但它們都是 SaaS-only。Arova 在地端也能做到——所有資料不離開客戶環境，完全符合金融業合規要求。