系統發生異常時，我們通常會經過幾個步驟：

發現異常 → 查看監控 → 找 Log → 判斷問題 → 處理

這些流程本身沒有什麼問題，但真正花時間的地方，常常是在「把資訊找齊」。

例如 CPU 突然升高，我們可能還要繼續確認 Memory、Disk、Process、Service，甚至再去翻當下的 Log，才能慢慢判斷發生什麼事情。

所以這次要做的平台，我希望先把這些資訊串起來。

先決定第一版要做到什麼

因為只有 30 天，我不打算一開始就做得很複雜。

第一版先完成四件事情：

可以看到主機狀態
主機異常時可以產生告警
把異常資訊整理成一筆事件
讓 AI 協助整理可能原因與排查方向

換句話說，第一版的流程會像這樣：

Server
↓
監控主機狀態
↓
發現異常
↓
產生告警
↓
整理監控資訊與 Log
↓
AI 協助分析

這就是目前整個專案最核心的流程。

架構先簡單畫出來

目前預計會使用幾個主要元件：

          ┌──────────────┐
          │    Server    │
          └──────┬───────┘
                 │
              Metrics
                 │
          ┌──────▼───────┐
          │  Prometheus  │
          └──────┬───────┘
                 │
          ┌──────▼───────┐
          │   Grafana    │
          └──────────────┘

Server / Alert / Log
│
▼
┌─────────────────┐
│ Python / FastAPI│
└────────┬────────┘
│
▼
┌─────────────────┐
│ Database │
└────────┬────────┘
│
▼
┌─────────────────┐
│ AI Analysis │
└─────────────────┘

目前先不用把這張圖想得太複雜。

每一個元件都有自己的工作。

Prometheus：負責收監控資料

Prometheus 主要負責收集主機的監控指標，例如：

CPU
Memory
Disk
Network

也就是先回答第一個問題：

現在主機的狀態怎麼樣？

Grafana：把監控資料顯示出來

有了監控數字之後，還需要一個比較方便查看的介面。

所以會使用 Grafana 做 Dashboard。

之後就可以直接看到：

Server01

CPU 35%
Memory 62%
Disk 71%

當主機數量增加時，也不需要一台一台登入查看。

Python / FastAPI：負責事件處理

這一層會是這次比較主要的實作部分。

假設今天收到一個：

Server01 CPU 超過 90%

系統不只是把「CPU 90%」丟給 AI。

而是先把相關資訊整理起來，例如：

Hostname：Server01
CPU：95%
Memory：72%
Disk：65%
時間：2026-08-29 15:30
事件：High CPU Usage

之後如果有 Log，也可以一起補進來。

整理完成後，再交給 AI 分析。

AI 先負責「協助判斷」

這次我不打算讓 AI 一開始就直接控制 Server。

例如 AI 發現服務異常，就自動 Restart Service。

這種功能雖然很有趣，但第一版先不做。

目前 AI 的角色比較單純：

把已經收集好的故障資訊整理成比較容易理解的內容。

例如：

可能原因：
某個 Process 持續占用大量 CPU。

建議排查：

1. 查看 CPU 使用率最高的 Process
2. 確認近期是否有程式更新
3. 查看同一時間是否出現 Error Log

最後還是由維運人員決定要怎麼處理。

我覺得這樣比較符合實際使用情境，也比較容易一步一步把系統完成。

先求能跑，再慢慢增加功能

目前第一版架構可以簡單整理成：

Prometheus → 監控
Grafana → Dashboard
Python → 事件整理
Database → 保存紀錄
AI → 協助分析

這次不追求一開始就做成完整的企業級平台。

先把：

監控 → 告警 → 整理資訊 → AI 分析

這條流程真的跑起來，再往後增加功能。

至少這樣 30 天結束的時候，不會只剩下一堆裝好的工具，而是真的有一套可以操作的東西。