name: ops-incident-major-analysis
description: |
重大事故复盘分析报表，面向 FO/BO Leader。分析重大事故 (P1/P2) 的影响面与时间线、根因与控制点、改进项闭环追踪；支持单次复盘与横向对比。支持 DOCX 和 HTML 输出，中英文双语。

触发条件 / Trigger conditions:
- 中文: "分析工单 {order_number}"、"复盘事故"、"事故分析"、"重大事件复盘"
- English: "Analyze incident {order_number}", "Incident postmortem", "Major incident review"

使用场景 / Use when:
- 需要对特定重大事故进行复盘分析
- 审视事故处理流程，识别瓶颈与延迟
- 为复盘会议准备分析报告
- 横向对比多个重大事故

重大事故复盘分析 (ops-incident-major-analysis)

目标用户

FO/BO Leader

报表内容

• 影响面与时间线 (基于轨迹)
• 根因与控制点分析
• 改进项闭环追踪
• 支持单次复盘与横向对比

数据依赖

• 输入文件: Incidents-exported.xlsx、IncidentTrail.json
• 数据规范: 见 references/reference.md

输出格式

• DOCX (可编辑文档)
• HTML (Web 展示)

语言检测

默认: 英文 (--language en)

中文输出: 使用 --language zh 当:

• 用户消息包含中文字符
• 用户明确要求 "中文报告"、"中文版"

执行流程

1. 从用户请求中解析工单号
2. 加载事件数据 (JSON 格式)
3. 执行分析:
4. 时间分析: 响应时间、解决时间、各阶段时长、SLA 合规
5. 流程分析: 升级、转派、交接、参与人员
6. 问题检测: 使用规则引擎识别问题
7. AI 洞察: 使用 LLM 生成建议
8. 生成报表 (HTML + DOCX)
9. 返回报表路径

使用方式

cd scripts
python generate_report.py <order_number> [--language en|zh] [--no-llm]

示例:

# 英文报告 (含 LLM 分析)
python generate_report.py INC20250115001

# 中文报告
python generate_report.py INC20250115001 --language zh

# 不使用 LLM (仅规则分析)
python generate_report.py INC20250115001 --no-llm

输入数据格式

事件数据必须是 data/ 目录下的 JSON 文件。完整 schema 见 references/reference.md。

必需结构:

{
  "incident": {
    "order_number": "INC20250115001",
    "title": "事件标题",
    "priority": "P1",
    "category": "Database",
    "status": "Resolved",
    "created_at": "2025-01-15T09:15:00+08:00",
    "resolved_at": "2025-01-15T12:45:00+08:00",
    "affected_systems": ["System A", "System B"],
    "sla": { "response_minutes": 15, "resolution_hours": 2 }
  },
  "timeline": [
    { "timestamp": "...", "event": "created|assigned|escalated|...", "actor": "...", "detail": "..." }
  ]
}

输出文件

报表生成在 output/ 目录:

• Major_Incident_Analysis_{order_number}_EN.html
• Major_Incident_Analysis_{order_number}_ZH.html
• Major_Incident_Analysis_{order_number}_EN.docx
• Major_Incident_Analysis_{order_number}_ZH.docx

报表章节

1. 事件概览 - 基本信息、状态、受影响系统、SLA 状态
2. 时间线 - 事件逐条分解，带时长指示
3. 时间分析 - 响应时间、解决时间、各阶段时长
4. 流程分析 - 升级、转派、参与人员
5. 发现的问题 - 识别的问题及严重级别
6. AI 洞察 - LLM 生成的评估、亮点、建议、预防措施

配置

创建 .env 文件:

LLM_API_KEY=your_api_key
LLM_BASE_URL=https://api.deepseek.com/v1
LLM_MODEL=deepseek-chat