AI 與 LLM 整合計劃
平台主打 feature 提案——接入 LLM，24/7 分析收返嚟嘅 sensor 同營運數據，自動偵測異常、評估成因、派工單，仲會自動接住客人投訴。呢頁係計劃草案，傾清楚先加入 PRD／ARD。
提案 v0.1 · 傾好先入 PRD／ARD · 未改動任何設計文件
點解要做
由「被動等報修」變成「主動發現、自動應變」嘅 AI 營運中心。
主動偵測，唔使等人報
LLM 加規則引擎 24/7 睇住 sensor 數據（溫度、冷氣 status、能耗、設備狀態），一有異常自行浮出嚟，唔再依賴租戶或者員工先發現。
自動應變，快過人手
偵測到問題即刻評估成因、建議行動、自動開工單同通知員工；高風險先由人確認，其餘自動派，爭取黃金時間。
投訴即刻有人應
客人在 support page 投訴，系統即時回應安撫，同步拉現場數據分析，將一宗投訴變成完整 workflow，最後閉環兼入知識庫。
核心能力
六個核心模組，覆蓋「偵測 → 研判 → 行動 → 閉環」成條鏈。
持續 Telemetry 分析
溫度、冷氣 status、能耗、設備狀態自動入庫，長期規律自己學，睇得出咩先係「唔正常」。
異常偵測同分級
即時越界、趨勢 drift、設備組合異常，自動分 P1／P2／P3，嚴重嘅優先浮上嚟，唔會俾噪音淹沒。
Root-cause 評估
每個異常畀 1–2 個可能病因、原因分析同證據鏈，唔係淨係話「有問題」——係話埋點解。
建議行動＋自動派單
跟住建議點做，自動開工單、指派啱嘅團隊／承辦商、通知相關員工，SLA 起錶即有記錄。
投訴自動回應
接住 support page 投訴，即時回覆安撫、收集線索、承諾跟進，全程留低完整記錄。
閉環追蹤＋事後檢討
工單完工自動對返 sensor 數據驗證修復，更新知識庫，下次同類問題更快搞掂。
投訴自動回應流程
實例：shopping mall 租戶喺 support page 投訴「店舖冷氣不足」——由收到投訴到閉環嘅完整流程。
收到投訴
客人在 support page 提交「冷氣不足」；系統自動分類「冷氣／舒適度」，開個案並派發 case no. FM-2026-0912。
回應安撫客人
AI 即時回覆：多謝反映、已立案、會盡快調查。語氣自然、有品牌 tone，唔似機械人。
收集 context
自動請客人確認鋪位號（未填就以 account 帶出 B-12），同時開始預載該位置嘅現場數據，唔使客人等。
分析現場環境
拉投訴位置附近 sensor：室溫、出風口溫度、AHU-12 運行狀態、設定值比實際、近 30 分鐘趨勢，一次過對齊。
Root-cause 評估
綜合 sensor ＋ 工單歷史 ＋ 天氣數據，出 1–2 個可能原因，附評估：邊個機會大、點解。
建議行動＋派工單
自動建立工單 WO-4821、指派機電承辦商、通知當值員工；SLA 起錶，每一步有時間戳。
跟進客人
工單每有進展自動同步客人；完工後再確認「凍唔凍返」，客人唔使追問。
事後檢討
對返數據驗證修復（室溫回落、壓差回復），記入知識庫，將成因同處理方法回饋模型——下次同類問題更快。
異常偵測引擎設計
三層由快到慢、由硬到軟，夾埋先出結論——每一層都可以獨立運作。
規則引擎 · 硬指標
溫度超 28°C、設備離線、能耗突升——即時、確定、唔使 AI 都照行。用嚟做最後防線同驗證其他層嘅結論。
ML 異常偵測 · 學正常
以歷史數據學習「正常 pattern」，納入季節、人流、天氣；偏離正常即出 signal，附 confidence 分數。
LLM 研判 · 跨數據推理
將 sensor、工單歷史、天氣、日曆組合，回答「點解會咁」；輸出 1–2 個 probable cause、證據鏈同行動建議。
安全／生命／全場冷氣失效——即時通知 ＋ 自動開單，執行前要人確認。
影響營運同舒適——自動開單，批次通知當值員工。
潛在風險／趨勢——入 backlog，每日 AI 簡報提醒。
系統架構
喺現有 platform 之上加四樣嘢：Telemetry Ingest、LLM Gateway、Workflow Engine、Notification。
Portal 前端（現有平台頁面）
儀表板 · 警報中心 · 投訴頁 · 工單 · 設定——AI 結果全部浮現喺現有頁面，用戶唔使學新嘢。
API Gateway
統一入口——認證、rate limit、路由、audit；LLM 同 workflow 都經呢度出入。
Telemetry Ingest
收 sensor 數據（溫度／冷氣／能耗／狀態），標準化入庫。
規則引擎
硬指標即時警報，無 AI 都照行嘅最後防線。
LLM Gateway
Model provider 管理、retry／fallback、prompt 版本、成本控制。
Workflow Engine
「偵測 → 研判 → 派單 → 跟進」編排成可審計流程。
Notification
Email／App push／Webhook，通知員工、承辦商同客人。
雲端 LLM
GPT／Claude 等——負責推理、研判同對話生成。
本地模型 fallback
敏感數據同離線保障——規則引擎優先，模型做後備。
時間序列 DB
sensor 歷史數據，供偵測同趨勢分析。
營運 DB
工單、站點、用戶、權限——現有數據。
向量庫
知識庫、歷史案例——RAG 檢索，令 AI 有得參考。
LLM Gateway 統一管 model provider、prompt 版本、成本同 fallback——換模型唔使郁 workflow。
Workflow Engine 將成條鏈編排成一張有時間戳嘅流程圖，每一步邊個做、做咗乜都追得到。
加咗 LLM 之後仲可以做到啲乜
除咗核心偵測同投訴流程，呢啲方向都係自然延伸——按業務優先度可以逐個執。
預測性維護
由「壞咗先知」變成「早幾日預警」，零件同技工預先安排。
能源優化助手
自然語言問能耗，AI 自動搵慳電機會（例如非繁忙時段調低冷氣）。
每日 AI 簡報
朝早自動總結尋日工單、異常、風險同今日要留意嘅嘢。
自然語言報修
同事或租戶一句話開單，AI 自動補齊地點、類別、優先級。
承辦商表現洞察
LLM 讀完工記錄，出品質、準時率、回頭率 insight。
前線知識庫
員工問「部冷水機點 reset」「邊度攞鎖匙」，即刻有答案。
合規／SLA 檢查
自動對比 SLA 同合規要求，臨界前自動預警。
跨站點學習
一個站發現嘅 pattern 幫到同類型站點——模型越用越準。
實施路線圖
分五階段，每階段有明確驗收點——建議揀一個試點站點逐步上，跑通先擴。
2–4 週
- LLM Gateway 上線
- Telemetry 入庫
- 規則引擎警報
驗收：數據落庫、基礎警報出到。
4–8 週 · MVP
- 異常偵測＋分級
- 警報中心整合
- 人工確認 gate
驗收：P1 警報即時彈出。
8–12 週
- Root-cause 報告
- 自動開單／派工
- 員工通知
驗收：偵測 → 工單全自動。
12–16 週
- 投訴自動回應
- 端到端 scenario
- 知識庫回饋
驗收：投訴流程全自動閉環。
16 週+
- 預測性維護
- 能源助理
- 跨站點學習
驗收：試點站點預警超前。
風險同治理
自動化愈多，把關愈重要——呢四條係底線。
人機把關
自動派單設 threshold；P1／涉及安全嘅行動，一定要人確認先執行，AI 只負責建議同準備。
防幻覺
AI 結論必須附證據同 confidence，scope 限定喺已知數據，唔准亂估；無數據支持就明講「未能確定」。
數據私隱
sensor 數據去識別化，投訴內容有權限控制；所有 AI 判斷全程可稽核。
成本同穩定性
Prompt 快取、model router、rate limit；LLM 故障時規則引擎照常運作，平台唔會停。