AI Agent 在客服中心的應用：來電分流、知識庫、語音轉文字與品質分析實戰指南

客服中心每天都在打同一場仗：電話一直響、客戶問來問去都是那幾題、訊息湧進來分不清誰該接、通話結束還要手動打一堆記錄，月底主管再花好幾天抽聽錄音做品質考核。明明是規則最清楚、話術最標準的工作環節，第一線卻最容易塞車、最常加班、最常漏件。2026 年讓客服「用更少人、出更少錯」的關鍵，就是把這些重複文書交給 AI Agent。

這篇要解決的問題：教你把客服中心最耗時的四件事——來電與訊息分流、知識庫查找、語音轉文字、品質分析——交給 AI Agent，照著做就能上線。 適合誰讀：客服中心主管、線上客服與電話客服人員、電商與服務業的營運主管，以及只有幾個人也想把客服做穩的中小企業老闆，不需要寫程式的背景。 讀完你會得到：四大場景的實作步驟、可複製的 Prompt、一張完整的 Workflow 流程圖，以及台灣電商客服中心導入前後的成果數據與護欄設計。

免責聲明：本文聚焦客服「作業流程自動化」的 How-to，內容屬一般營運管理參考。文中所有 Prompt 與範例不構成任何法律建議，亦不代表特定退換貨或保固條款的正式解釋。通話錄音、轉寫與品質分析涉及個資與勞動考核，須由具備資格的法務與人資人員審核，並依《個人資料保護法》及公司告知與同意政策辦理。

為什麼客服中心特別適合 AI Agent

客服中心有一個共同特徵：進線量極大、標準答案寫得清清楚楚、但繁瑣到容易出錯。

客服每天接到的問題，八成是「我的訂單到哪了」「這個怎麼退」「為什麼還沒出貨」這類有標準答案的題目；該怎麼分案、什麼狀況要轉哪一組，早就寫在作業手冊裡，問題是尖峰時段沒人有空一通通判斷；通話結束後要打的記錄、要標的客戶情緒、要追的待辦，內容也都明確，難在量太大、打字打不完；月底的品質考核標準也清楚，難在主管不可能聽完每一通。

這些「邏輯不難、體力很重」的工作，正是 AI Agent 的甜蜜點。它不會喊累、不會在第 200 通電話時失去耐心、半夜的訊息也能先分好類。把這些苦工交出去，客服就能把時間移去做真正需要人味的事：安撫情緒、處理複雜申訴、化解爭議。

要先澄清一個常見誤解：AI Agent 不是要取代客服的判斷與溫度，而是當第一道篩子與第一支筆。它負責把成千上萬通電話與訊息，縮減成「幾通需要你親自處理的案件」，最終回應客戶、答應方案的永遠是人。這也是讓 AI 能安全進客服的前提。想更深入理解 AI Agent 如何安全讀取你的內部知識而不外洩，可以延伸閱讀 什麼是 MCP。

核心概念：客服中心 4 大 AI Agent 場景

很多人聽到「AI 做客服」就擔心它亂答應、亂講話。關鍵在於：讓 AI 做分流、查找、轉寫與評分，不讓 AI 做最終承諾。下面這張表把四個場景的分工講清楚。

一句話記住核心觀念：AI 是放大鏡，不是裁判官。它把人從「大海撈針」變成「只看被圈起來的針」。這個定位在客服尤其重要——對客戶的承諾無法外包給 AI，但分案、查資料、打記錄、聽錄音這些前置作業可以。

客服知識庫之所以是基礎，是因為客服回答最怕「自由發揮」。我們要用 RAG 把 Agent 鎖在「只能根據官方產品說明、退換貨政策與標準話術回答」，查不到就誠實說不知道並轉真人，每則回覆都附上出處，這樣才不會把客戶帶歪。

實際教學：四步驟把 AI Agent 接進客服中心

下面用四個步驟，帶你從零把 AI Agent 接進客服流程。每一步都假設你沒有工程團隊，用得到的工具都是 ChatGPT、Claude 這類對話式 AI，加上 n8n、Make 這類低程式串接工具。

Step 1：盤點最耗時的環節，挑一個先做

先別想著一次自動化全部。打開你的客服月報，找出佔用最多工時、規則又最清楚的環節。多數客服中心的答案落在這四類：分案、查答案、打記錄、做品質考核。

實務建議從「來電與訊息分流」或「語音轉文字記錄」其中一個先試水溫，因為這兩件規則最清楚、最不碰承諾，出錯成本最低，最容易讓團隊看到效果、建立信心。等流程穩了，再往知識庫回覆與品質分析推進。

Step 2：建立客服知識庫，當 Agent 唯一的事實來源

這是整套系統的地基。把以下文件整理成結構清楚的文字檔（每篇一個主題、開頭寫明適用情境）：

• 產品與服務說明：規格、適用對象、使用方式。
• 退換貨與保固政策：條件、天數、例外、所需文件。
• 標準作業流程：什麼狀況轉哪一組、什麼狀況必須轉真人。
• 標準話術庫：常見問題的官方回覆與安撫用語。

重點是把它變成 Agent 唯一可引用的事實來源。沒有這層，AI 就會憑印象答，這在客服是大忌。知識庫的整理方式可以參考 RAG 是什麼。

Step 3：設計來電與訊息分流

讓 Agent 讀進線的第一句話或第一則訊息，判斷意圖、分到對的小組，並附上一段建議開場話術給接手的客服。把意圖分成五類：一般查詢、申訴抱怨、退款退貨、技術支援、需轉真人。

關鍵護欄：只要訊息出現情緒激動、提到法律或媒體、要求高額補償，一律標記「優先轉資深真人」，不讓 AI 接話。

Step 4：導入語音轉文字與通話摘要

通話結束（或進行中）把錄音丟給轉寫工具產出逐字稿，再交給 Agent 做三件事：濃縮成 5 行重點摘要、列出待辦事項、標記客戶情緒（平和／不滿／憤怒）。客服只要核對、補一兩句判斷就能存檔，不必再從頭打字。

Step 5：上線品質分析與護欄

把每天的通話逐字稿批次餵給 Agent，依你訂的標準（有沒有自我介紹、有沒有正確引用政策、語氣是否得體、是否確認問題已解決）打分，並挑出「分數異常或情緒爆點」的少數通話交主管複聽。主管聽完才是最終評核，AI 分數只是幫你縮小範圍。同時設定每週把「AI 答不出來」的問題回補進知識庫，系統會越用越準。

範例：Prompt 與 Workflow

以下提供一段可直接複製修改的分流 Prompt，搭配一張文字版流程圖，讓你把整套流程串起來。

可複製的來電分流 Prompt

你是某電商客服中心的「進線分流助理」。請依照以下規則判讀客戶訊息，只能依據我提供的分流規則與知識庫，不可自行承諾任何方案。

【分流規則】
1. 一般查詢（訂單進度、商品問題）→ 派「客服一組」
2. 退款退貨（要退錢、要退貨換貨）→ 派「售後組」
3. 技術支援（帳號、App、付款失敗）→ 派「技術組」
4. 申訴抱怨（不滿、客訴）→ 派「申訴組」
5. 需轉真人（情緒激動、提到法律或媒體、要求高額補償、超出知識庫範圍）→ 標記「優先轉資深真人」

【輸出格式】
- 意圖分類：（五類擇一）
- 派工小組：
- 緊急程度：低／中／高
- 建議開場話術：（一句，台灣口語、有禮貌）
- 依據：（引用的知識庫條目，沒有就寫「需人工確認」）

【客戶訊息】
（貼上客戶的來電轉寫或訊息）

把「電商」「小組名稱」「分流規則」換成你公司的設定，就能直接用。建議先拿 50 則歷史訊息測試，校準到分類正確率穩定後再上線。

Workflow 文字版流程圖

客戶進線（電話／線上訊息）
        ↓
語音轉文字（電話才需要）→ 逐字稿
        ↓
AI 分流 Agent 判讀意圖
        ↓
   ┌────────┴────────┐
是「需轉真人」？        否
   ↓                  ↓
優先轉資深客服      派到對應小組
   │                  ↓
   │            AI 從知識庫產回覆初稿（附出處）
   │                  ↓
   │            客服確認／調整語氣後送出
   └────────┬─────────┘
            ↓
   通話／對話結束 → AI 產摘要＋待辦＋情緒標記
            ↓
   客服核對後存檔
            ↓
   每日批次：AI 品質評分 → 挑異常案件
            ↓
   主管複聽異常案件做最終評核
            ↓
   每週：把答不出來的問題回補知識庫

這張圖的精神是：AI 在前面把量壓下來，人在關鍵節點把關。分流、查找、轉寫、評分由 AI 做，承諾客戶與最終評核由人做。

常見錯誤

錯誤一：直接讓 AI 對客戶承諾退款或補償。 這是最危險的一步。AI 一旦答應了具體金額或方案，事後翻盤更傷客戶關係。正確做法是讓 AI 只產建議話術，由有授權的人確認後送出。

錯誤二：沒建知識庫就上線。 沒有事實來源，AI 會憑印象瞎掰退換貨天數、保固條件，看起來流暢卻全是錯的。先把知識庫做好，再讓 AI 回答。

錯誤三：把 AI 品質分數當成考核定論。 AI 評分會誤判語氣、聽不出客戶其實很滿意的反話。它的角色是幫主管縮小複聽範圍，不是發考績。一定要保留人工複聽與同仁申訴機制。

錯誤四：錄音轉寫沒處理個資與同意。 把含信用卡號、身分證字號的逐字稿直接丟進公開 AI，是踩個資紅線。要選不拿資料訓練的企業方案、輸入前遮蔽敏感欄位，並確認已取得客戶錄音同意。

錯誤五：一次想全自動，結果全線崩。 想一口氣讓 AI 接管所有客服，沒人複核，出包就是一片。務必從一個低風險環節開始，跑穩了再擴大。

最佳實務

• 先做低風險環節：從分流、語音轉文字這種不碰承諾的工作起步，建立信心再推進到回覆與品質分析。
• 知識庫是唯一事實來源：所有回覆都要附出處，查不到就誠實說不知道並轉真人，杜絕自由發揮。
• 人類守住承諾節點：退款、補償、合約變更一律由有授權的人拍板，AI 只給建議。
• 保留複聽與申訴：AI 品質分數只縮範圍，最終評核由主管聽過錄音再定，並讓同仁能申訴。
• 每週回補知識庫：把 AI 答不出來、答錯的問題整理回知識庫，讓系統越用越準。
• 去識別化再輸入：遮蔽身分證字號、卡號、地址等敏感資料，並選不拿資料訓練的企業方案。

實際案例：台灣電商客服中心的導入前後

以一家位於台中、約 20 人的中型電商客服中心為例（情境改編，數據為示意級距）。他們主打居家生活商品，旺季每天進線破千，痛點很典型：尖峰分案塞車、新人答不準、通話後記錄打到加班、品質考核每月只抽聽得到 3% 的電話。

導入前：來電與線上訊息混在一起，靠資深客服手動分案，尖峰時客戶平均等 4 分鐘才被分到對的人；新人因為不熟政策，退換貨問題常答錯，造成二次客訴；每通電話結束要花 3 到 5 分鐘手打記錄；主管每月只能抽聽約 3% 的通話做品質考核，漏掉很多該關注的案件。

導入做法：先用 Step 2 把產品、退換貨政策、話術整理成知識庫；接著上線 Step 3 的分流 Agent，把訊息與來電轉寫後自動分到五個小組；同時導入語音轉文字＋摘要，讓客服收到一份現成的通話記錄草稿；最後跑 Step 5 的品質分析，AI 對全部通話評分、挑出異常交主管複聽。整套用 ChatGPT 加 n8n 串接，沒有自建系統。

導入後成果（示意）：

更關鍵的是質的改變：客服不再被分案與打字綁住，能把心力放在安撫情緒、處理複雜申訴上，整體客訴升級率下降，團隊加班也減少。這呼應了前面的原創觀點——AI 接走的是體力活，留給人的是需要溫度與判斷的對話。客服的價值不在打字快，而在那一句讓客戶氣消的話，這部分 AI 取代不了，也不該取代。

結論

客服中心導入 AI Agent，不是要做一個「無人客服」去頂替真人，而是把分流、查找、轉寫、評分這四件最耗時又最容易出錯的苦工交出去，讓人專注在真正需要同理與判斷的對話上。

記住三句話：讓 AI 做分流查找轉寫評分、不讓 AI 做最終承諾；知識庫是唯一事實來源、回覆一律附出處；人類守住承諾與評核兩個節點。從一個低風險環節開始，跑穩了再擴大，你的客服就能用更少人、出更少錯，還把人味留下來。

下一步，建議你先動手把退換貨政策與常見問答整理成第一版知識庫，再拿本文的分流 Prompt 用 50 則歷史訊息測試。想進一步把流程自動串接，可以參考 工作流知識庫，或從 AI Agent 是什麼 補齊整體觀念。

❓ 常見問題 FAQ

🔗 延伸閱讀

• AI Agent 是什麼？從入門到實戰
• RAG 是什麼？讓 AI 只根據你的資料回答
• 什麼是 MCP？讓 AI 安全連你的資料
• ChatGPT 提示詞入門指南
• 工作流知識庫