AI Agent 客服實戰：意圖分流＋RAG 知識庫，把人力成本砍半

這篇文章解決一個具體問題：第一線客服每天被重複問題淹沒，回應慢、人力貴、夜間沒人顧。 如果你是電商營運、客服主管或正在評估 AI 導入的 PM，讀完你會知道如何用 AI Agent 做「意圖分流＋RAG 知識庫＋自動轉真人」的客服系統。我們不講工具規格，只講怎麼把它做出來、怎麼上線、台灣企業實際省下多少成本。

為什麼客服需要 AI Agent？

客服是最容易被「重複勞動」拖垮的部門。根據多數台灣電商的進線資料，「我的訂單到哪了」「怎麼退換貨」「運費怎麼算」這類問題往往佔了 6 到 7 成。客服人員一天回上百次同樣的話，既無聊又容易出錯，半夜進線又只能等隔天上班才回。尤其遇到雙 11、母親節檔期，進線量可能瞬間翻三到五倍，臨時加派人手也吸收不了爆量，回應時間從 30 分鐘惡化到半天以上，客訴就跟著湧進來。

傳統的解法是「關鍵字機器人」：使用者打「退貨」就跳出固定話術。但這種做法很脆弱——客戶打「我想把東西退掉」「不想要了怎麼辦」就比對不到，最後還是丟給真人。結果機器人變成擺設，客戶更火大。

AI Agent 客服的不同之處在於：它能理解語意而非比對字串、能跨輪對話記住上下文、能自己去知識庫查資料再回答，而且能判斷自己什麼時候答不出來、該轉真人。這四件事合起來，才是真正能降低人力成本的客服自動化。如果你想先動手做出一個會對話的雛形，可以從 從零打造一個 AI 聊天機器人 入門，再回來把它升級成具備分流與檢索能力的客服 Agent。

核心概念：客服 Agent 的四個齒輪

一套能用的 AI 客服，不是「丟一個聊天機器人」就好，而是四個元件互相咬合。

用一個比喻：意圖分流像是總機，先問「您要找哪個部門」；RAG 知識庫像是資料室，真人去翻檔案找答案；對話生成像是客服的嘴巴，把答案講得讓人聽得懂；轉真人機制則是主管，遇到搞不定的就接手。少了任何一個，這套系統都會卡住。

其中 RAG（檢索增強生成）是最關鍵的防呆設計——它強迫 Agent「先查到資料才能回答」，沒查到就不准亂講。RAG 為什麼能壓住幻覺、向量檢索背後的原理是什麼，建議搭配 RAG 是什麼？檢索增強生成一篇看懂 一起理解，那篇把「切塊、向量化、檢索、重排序」每一步都拆得很細，這裡只聚焦在客服場景怎麼用。

客服 Agent vs 傳統聊天機器人：一張表看懂差異

很多人卡在「我已經有 LINE 官方帳號的關鍵字自動回覆，為什麼還要做 AI Agent」。下面這張對照表把兩者的本質差別攤開：

結論很清楚：關鍵字機器人適合「少數、固定、低風險」的問答；一旦你的進線量大、問法多變、又怕講錯政策出事，就該升級成 AI Agent。

實際教學

Step 1：盤點高頻問題，建立知識庫

別急著找工具。先做一件最樸實的事：把近三個月的客服對話（LINE、Email、線上客服紀錄）匯出，依問題類型分類，統計出 Top 20 高頻問題。

你會發現大約 20 個問題就涵蓋了 7 成進線。把這些問題的標準答案整理成結構化文件，例如：

• 退換貨政策（天數、條件、流程、運費負擔）
• 物流時效與查件方式
• 付款方式與發票
• 會員與優惠規則

每個主題寫成獨立段落、語意完整，這是 RAG 檢索準確率的地基。知識庫品質決定 AI 客服的上限。如果你不想從零手刻，AI FAQ 產生器 可以把雜亂的客服紀錄半自動整理成一問一答的結構，省下大量人工分類的時間。

Step 2：設計意圖分流

讓 Agent 在回答前，先把進線訊息分成幾個明確類別。最實用的分法是四類：

• 查詢類：問資訊（運費、政策、規格）→ 走 RAG 回答
• 操作類：要做動作（查訂單、改地址）→ 接後台 API
• 客訴／情緒類：抱怨、生氣、要退款 → 直接轉真人
• 無法判斷：模糊或超出範圍 → 轉真人

分流是整套系統的交通號誌。分對了，後面才不會用錯處理邏輯。

Step 3：接上 RAG 檢索

把 Step 1 的知識庫切成小段落（每段約 200 到 500 字），轉成向量存進向量資料庫。當客戶提問時，先用問題去檢索最相關的 3 到 5 段，再把這些段落塞進 Prompt，要求 Agent 只能根據這些段落回答。

關鍵原則：檢索不到相關內容，就老實說「這部分我幫您轉接專人」，絕不憑空生成。切塊大小、相似度門檻、要不要做重排序，這些調校細節直接影響檢索命中率，RAG 是什麼 一文有完整的參數調校建議，建議照著它的方法做 A/B 測試。

Step 4：設定信心門檻與轉真人

這是企業最在意的安全閥。設兩道關卡：

1. 檢索分數門檻：最相關段落的相似度低於某值（例如 0.75），代表知識庫沒這題 → 轉真人。
2. 回覆信心判斷：讓 Agent 自評「我有多確定」，不確定就轉。

轉真人時務必帶上對話摘要給真人客服，客戶最討厭轉接後又要從頭講一遍。

Step 5：上線監控與每週迭代

上線不是終點。每週看四個數字：自動解決率、轉真人率、平均回應時間、滿意度。把「轉真人」與「答錯」的對話撈出來，回補知識庫缺口。一兩個月後自動解決率會明顯爬升。當進線量大到需要把「分流、回答、品管」分成不同角色處理，或要整合電話進線，可以參考 AI Agent 電話客服中心 的架構，把文字與語音通道收進同一套知識庫。

進階：更深入的一層

做到「自動解決 6 到 8 成」之後，多數團隊會撞到一道隱形天花板：剩下那兩三成不是知識庫補幾篇文章就能解決的，而是牽涉到人格一致性、跨通道記憶、與真人客服的交棒品質。這一段談的就是把客服 Agent 從「堪用」推到「好用」的三件進階工。

第一，給 Agent 一個穩定的人格與語氣。 同一個問題，冷冰冰回「依本公司退貨政策，恕不受理」和溫和回「這款因為是貼身衣物，依規定無法退換，不過我幫您看看有沒有其他方案」，客戶感受天差地遠。人格不是寫在每則回覆裡，而是在系統 Prompt 統一定義語氣、自稱、emoji 使用尺度，才不會這則親切下則生硬。怎麼把品牌調性穩定地灌進 Agent，AI 聊天機器人的人格設定 有一套可複製的人格設定框架，客服場景特別吃這套。

第二，把「話術」當成可版控的資產來管理。 退款拒絕、缺貨致歉、催單安撫，這些高頻又敏感的情境，回得好不好直接決定客訴會不會升級。與其讓 Agent 每次即興發揮，不如把這些情境寫成標準話術腳本，當成知識庫的一部分檢索出來。AI 客服話術腳本怎麼寫 提供了情緒安撫、拒絕、補償三類話術的範本結構，照著建一套，回覆品質會穩定很多。

第三，設計「交棒品質」而非只設計「轉真人觸發」。 很多人只做到「信心低就轉真人」，卻忽略轉過去之後真人接得順不順。一次好的交棒要帶三樣東西：對話全文摘要、Agent 已嘗試過的方案、以及它判斷該轉的原因。下面用一張表，把「合格」與「優秀」的轉真人機制攤開對照：

舉一個更具體的台灣情境：一家美妝電商在 RAG 加上「最後更新日」欄位後發現，約 12% 的轉真人其實是 Agent 引用到三個月前的舊運費政策、不敢回——補上更新機制後，這 12% 直接轉成自動解決，等於沒多寫一篇知識庫就把自動解決率從 68% 拉到接近 78%。這類「隱形漏水點」往往藏在資料治理，而不是模型本身。

範例：Prompt 與 Workflow

以下是一個可直接複製、調整的客服 Agent 系統 Prompt（含意圖分流與 RAG 防呆）：

你是「台灣電商客服 AI」，負責回覆顧客的中文訊息。請嚴格遵守規則。

【第一步：意圖分流】先把顧客訊息分類為以下其一，並在內部標記：
- QUERY（查資訊：運費、退換貨、規格、時效）
- ACTION（要操作：查訂單、改地址、取消訂單）
- COMPLAINT（客訴、生氣、要求退款、提到「投訴/檢舉/退費」）
- UNKNOWN（無法判斷或超出範圍）

【第二步：依意圖處理】
- COMPLAINT 或 UNKNOWN → 不要嘗試自行回答，直接輸出：
  「ESCALATE：已為您轉接專人，請稍候。」並附上對話摘要。
- QUERY → 只能根據下方<知識庫片段>回答，禁止使用片段以外的資訊。
  若片段中找不到答案，輸出「ESCALATE：此問題需專人協助」。
- ACTION → 需要呼叫後台時，輸出標準化指令：CALL_TOOL(訂單查詢, 訂單編號)。

【語氣規則】用繁體中文、台灣口語、有禮貌、簡潔；一次回覆不超過 4 句；
不確定就轉真人，絕不編造政策、金額或時效。

<知識庫片段>
{{此處由 RAG 系統自動填入檢索到的 3-5 段內容}}
</知識庫片段>

顧客訊息：{{user_message}}

進階版可以在分流後多加一個「轉真人交棒」的子 Prompt，要求 Agent 在 ESCALATE 時自動產出結構化摘要：

【轉真人時，請輸出以下交棒卡片】
- 客戶問題摘要：（一句話）
- 已嘗試方案：（Agent 試過但未解決的內容）
- 轉接原因：（信心不足／情緒偵測／超出範圍）
- 建議優先度：（高／中／低，依情緒與訂單金額判斷）

對應的客服處理 Workflow，用文字流程圖呈現：

顧客進線訊息 ↓ 意圖分流（QUERY／ACTION／COMPLAINT／UNKNOWN） ↓ 是 COMPLAINT 或 UNKNOWN？ → 是 → 產出交棒卡片 → 帶摘要轉真人客服 → 結束 ↓ 否 是 ACTION？ → 是 → 呼叫後台 API 取資料 → 生成回覆 ↓ 否（QUERY） RAG 檢索知識庫（取 Top 3-5 段，檢查最後更新日） ↓ 檢索分數 ≧ 門檻？ → 否 → 產出交棒卡片 → 轉真人客服 ↓ 是 依檢索內容生成回覆 → 回覆顧客 ↓ 記錄對話 → 標記是否解決 → 每週回補知識庫

想看更多可複製的流程設計，可逛 Workflow 知識庫 與 Recipe 範例庫，裡面有現成的客服分流與 RAG 串接範本可以直接套。

常見錯誤

• 沒做 RAG 就讓 Agent 自由回答：最致命的錯。Agent 會把運費、退貨天數講錯，等於用 AI 製造客訴。一定要用知識庫綁住它，原理見 RAG 是什麼。
• 把客訴也丟給 AI 處理：情緒性案件交給 AI，只會讓客戶更火。意圖分流時就該把客訴攔下來轉真人。
• 轉真人時沒帶上下文：客戶被迫重講一次問題，體驗比沒有 AI 還糟。轉接一定要附對話摘要。
• 知識庫建完就不管了：政策會變、新問題會冒出來。不每週迭代，自動解決率會逐月下滑。
• 一上線就追求 100% 自動化：不切實際。健康的目標是自動解決 6 到 8 成、其餘乾淨地轉真人。
• 人格時冷時熱：沒有統一語氣設定，會讓品牌感很碎，補強方法見 AI 聊天機器人的人格設定。

最佳實務

• 先窄後寬：第一版只接「查詢類」高頻問題，穩了再擴大到操作類。
• 明確的轉真人路徑：每個情境都要有「答不出來就轉真人」的出口，沒有死胡同。
• 保留人在迴路（Human-in-the-loop）：涉及退款金額、帳號變更等高風險操作，讓真人覆核。
• 回覆要短、要有出口：每則回覆附上「需要真人嗎？」按鈕，把選擇權留給客戶。
• 資料治理先行：知識庫含個資或內部政策時，做好權限與遮罩。企業全面導入的治理重點可參考 企業 AI Agent 導入指南。
• 話術資產化：把高頻敏感情境寫成標準腳本納入知識庫，做法見 AI 客服話術腳本怎麼寫。

實際案例：台灣中型電商客服導入

一家台灣中型服飾電商，旺季每天進線約 1,200 則，5 位客服人員處理，平均回應要等 3 小時以上，夜間完全無人回覆。他們導入「意圖分流＋RAG 知識庫＋自動轉真人」的客服 Agent，先只處理查詢類問題。

導入前 vs 導入後：

關鍵不在「裁掉客服」，而是把 5 人中重複勞動的部分自動化，讓人力轉向高價值案件。重複的「訂單到哪了」由 Agent 秒回，客訴與情緒案件則乾淨地轉給真人，整體人力成本相當於減少約 50%，滿意度反而上升。

值得一提的是第二階段：這家電商把客服 Agent 接上訂單系統做「操作類」自動化後，又多吃下約 15% 的「查訂單／改地址」進線，自動解決率從 68% 推到約 81%；但他們刻意保留退款與帳號變更需真人覆核，守住風險底線。電商情境怎麼把客服、選品推薦、訂單追蹤串成一條龍，見 AI Agent 在電商的應用。

免責聲明：本文涉及的退款、發票等流程僅為客服情境示意，不構成法律或財稅建議；實際政策請依各企業規範與相關法令辦理。

結論

AI Agent 客服真正的價值，不是「換一個更聰明的聊天機器人」，而是用意圖分流把問題導對方向、用RAG 知識庫確保答案正確、用自動轉真人守住客戶體驗的底線。把這三件事做好，再補上人格一致性與高品質交棒，你就能把客服人力從重複問題中解放出來，回應時間從數小時降到秒級，人力成本砍半。

建議的下一步：今天就去匯出你的客服紀錄，整理出 Top 20 問題——這是整套系統最值錢的地基。接著延伸閱讀 RAG 是什麼 把檢索做穩，照 企業 AI Agent 導入指南 規劃資料治理與權限，再到 Recipe 範例庫 找現成流程直接套用。有導入需求也可以透過 聯絡我們 進一步討論。

❓ 常見問題 FAQ

🔗 延伸閱讀

• AI Agent 在電商的應用實戰
• RAG 是什麼？檢索增強生成一篇看懂
• 從零打造一個 AI 聊天機器人
• 企業 AI Agent 導入指南
• AI 客服話術腳本怎麼寫