怎麼打造自己的 AI 客服機器人：用知識庫＋RAG，不寫程式也能從整理 FAQ 做到上線

每天上班第一件事，是把客服信箱裡那二十幾封「運費怎麼算」「可以改地址嗎」「幾天到貨」重看一遍、再貼一次同樣的答案——這幾乎是每個台灣中小企業客服的日常。問題不難，但量大、又零碎，把人活活拖在重複勞動裡。這篇文章要帶你做一件具體的事：用知識庫加上 RAG 技術，打造一台會回答你公司問題的 AI 客服機器人，而且全程不寫程式。

誰適合讀：電商店長、餐飲與服務業老闆、行政與客服主管，只要你有一份「常被問的問題」，就能照著做。讀完你會得到：一套從整理 FAQ、清洗知識庫、建立檢索、設計回覆規則到接上官網與 LINE 上線的完整步驟，外加可直接複製的 Prompt、文字版 Workflow 流程圖、進階優化技巧，以及一個台灣店家導入前後的真實成果對照。

為什麼你該自己做一台 AI 客服機器人

很多老闆對「AI 客服」的印象還停在十年前那種關鍵字機器人：客人打「退貨」就跳一段罐頭文字，稍微換個問法就完全答非所問，最後還是得人工接手。那種東西不但沒省到事，還常常把客人惹毛。

但 2024 年之後的生成式 AI 客服已經完全不同。它能理解語意、查你自己的資料、用自然語言回答，處理同義詞與各種長尾問法都游刃有餘。重點是，過去這種系統動輒要找工程團隊、花幾十萬建置；現在靠低程式碼平台，一個行政人員花幾天整理資料就能上線。這也是為什麼「不寫程式」這件事如此關鍵——若你想先建立沒有工程背景也能上手的觀念，可搭配閱讀 不寫程式打造 AI Agent。

對台灣中小企業來說，自己做一台的價值很實際：

• 接住第一線重複詢問：運費、到貨、規格、營業時間這類問題佔了客服量的大宗，全交給機器人 24 小時回，真人只處理真正需要判斷的個案。
• 不漏接、不下班：晚上十點的詢問也立刻有回應，對轉換率影響很大，尤其電商。台灣消費者習慣在下班後逛 LINE 與官網下單，這段時間沒人回，等於把訂單拱手讓給競品。
• 知識留在公司：所有答案都來自你的知識庫，不會因為客服離職就流失。這份知識庫本身就是公司的資產，建好之後還能延伸用在內部教育訓練。

如果你想先搞懂背後的技術原理，建議搭配閱讀 RAG 是什麼？知識庫客服實作；想看 AI 客服在更完整的代理架構下怎麼運作，可參考 AI 客服代理：用 Agent 接住第一線詢問。

核心概念：知識庫＋RAG 是怎麼運作的

要做出「會回答你公司問題」的機器人，關鍵不是模型有多聰明，而是怎麼把你的資料餵給它。這就是 RAG（檢索增強生成）在做的事。

打個比方：通用大模型像一個讀過全世界書、但從沒看過你公司內部文件的超級店員。你問他「我們家七天鑑賞期含不含假日」，他只能憑「一般行情」亂猜。RAG 的做法，等於在他回答之前，先塞一本你公司的工作手冊到他手上，要求他「只准照這本書回答，書裡沒寫的就說你要去問主管」。

整個流程拆開來看：

你不需要懂向量數學，只要記住一句話：機器人的答案品質，九成取決於你的知識庫整理得好不好。 平台會幫你處理切塊、向量化、檢索這些技術細節；你的工作是把「對的資料」用「對的格式」準備好。關於知識庫該怎麼結構化、用什麼格式存最有效，AI 知識庫怎麼建？ 有更完整的方法論；而把散落的對話與政策轉成乾淨的一問一答，最省力的做法是借助 FAQ Builder 這類工具先批次產出草稿，再人工校對。

別把三種「機器人」搞混

很多人一開始會在三個概念之間打結，先用一張表分清楚：

大多數店家的甜蜜點是中間這一格：先做好 RAG 問答客服，等流程跑順、資料養肥了，再決定要不要往「能動作的代理」升級。

實際教學：五步打造你的 AI 客服機器人

下面以低程式碼平台（如 Dify、Coze 或 n8n 的知識庫節點）為例，流程在各平台大同小異。

Step 1：盤點並整理你的 FAQ

打開客服信箱、LINE 官方帳號的對話紀錄、過去的客訴單，把最常被問的 30 到 50 個問題抓出來。不要憑印象，直接去翻真實對話。一個實用做法：把過去三個月的客服對話倒出來，依主題分群，你會發現八成的問題集中在十幾種類型。

整理成一問一答的清單，每題標好正確且最新的答案。這一步看似瑣碎，卻是整台機器人的地基。如果你連從哪裡下手都覺得頭痛，可以直接把對話紀錄丟給 FAQ Builder，讓它先幫你分群、草擬問答，你只要做最後的事實校對，能省下大半天的苦工。

Step 2：清洗與切塊知識庫

把要餵給機器人的資料做三件事：

1. 刪過期：去年的優惠活動、舊版退換貨政策一律拿掉，留著只會讓機器人講錯。
2. 統一格式：盡量整理成「一個問題＋一個答案」或一段不超過數百字的小段落。RAG 檢索的單位是「段落」，段落越聚焦，撈得越準。
3. 去歧義：避免一段文字裡塞太多主題。例如把「運費」「退貨」「到貨時間」拆成三段，而不是一大段全寫在一起。

切塊（chunking）的好壞會直接決定檢索準度，這部分的原理與更細的策略，建議讀 RAG 是什麼 與 AI 知識庫怎麼建？，把段落大小、重疊比例這些參數一次搞懂。

Step 3：建立向量索引與檢索

在平台建一個「知識庫」，把整理好的文件上傳。平台會自動把文件切塊、轉成向量。接著設定檢索參數，新手用以下預設即可：

• 召回段落數（Top K）：3 到 5 段。太少可能漏資訊，太多會稀釋重點。
• 相似度門檻：設一個下限，低於門檻代表「知識庫裡其實沒這題」，方便後面做兜底。

上傳後務必自己丟幾個問題測試，看撈回來的段落對不對。

Step 4：設計客服 Prompt 與兜底規則

這是決定機器人「會不會亂講」的關鍵。你要在系統 Prompt 裡明確規範角色、語氣，以及最重要的——沒有資料時的行為。完整 Prompt 範例見下一段。核心原則：限定只依知識庫回答、找不到就誠實說不知道並轉真人、敏感問題（金額、退費、個資）一律轉專人。

語氣與人設不是裝飾，而是品牌的一部分。同一套知識庫，講起話來可以像冷冰冰的公告，也可以像體貼的店員——差別全在 Prompt 怎麼定義人格。想把這層做到位，幫 AI 客服設計人格與語氣 有一整套可套用的寫法；如果想連回覆的固定句型一起標準化，客服話術腳本 則提供現成的台灣情境範本。

Step 5：接上通路並上線監控

把機器人接到客人真正會用的地方：

• 官網聊天視窗：多數平台提供一段嵌入碼，貼進網站即可。
• LINE 官方帳號：透過平台的 LINE 串接設定 Webhook，台灣客人最常用。

上線不是終點。請每週導出機器人答錯或轉真人的紀錄，把缺的問題補進知識庫、把答錯的段落修正，這個「看紀錄、補資料」的循環會讓機器人越用越準。

範例：Prompt 與 Workflow

以下是一段可直接複製、適合台灣中小企業的客服機器人系統 Prompt。把括號內容換成你自己的資訊即可。

你是「（品牌名稱）」的線上客服助理，服務台灣顧客。

【回答規則】
1. 你只能根據下方【知識庫資料】回答，不可自行臆測或補充知識庫沒有的內容。
2. 知識庫中找不到答案時，回覆：「這個問題我需要請專人為您確認，已為您轉接客服，請稍候。」並標記 need_human=true。
3. 涉及金額、退費、訂單異動、個人資料的問題，一律轉真人，不要自行承諾。
4. 語氣親切、簡潔、有禮，使用台灣用語與繁體中文，每則回覆控制在 3 句內。
5. 若答案來自特定文件，在結尾標註（依據：文件名稱），方便顧客查核。

【知識庫資料】
{{檢索到的段落}}

【顧客問題】
{{使用者輸入}}

請依規則回答。

如果你想再加上人格與品牌口吻，可以在第 4 條前面插入一段人設描述，例如「你的個性溫暖但專業，像一位熟悉商品的資深門市同仁」。更完整的人格塑造範本見 AI 客服人格設計。

文字版 Workflow 流程圖（一眼看懂整條對話怎麼跑）：

顧客在官網／LINE 發問
        ↓
將問題轉成向量，從知識庫檢索 Top 3~5 段
        ↓
相似度有達門檻？
   ├─ 否 → 回覆「轉專人」＋通知客服（need_human=true）
   ↓ 是
把檢索段落塞進客服 Prompt，交給模型生成回答
        ↓
答案是否涉及金額／退費／個資？
   ├─ 是 → 轉真人接手
   ↓ 否
回覆顧客（附引用來源）
        ↓
記錄這次對話（問題、答案、是否轉真人）
        ↓
每週導出紀錄 → 補知識庫、修正答錯段落（持續優化）

想把這套流程接到更多自動化動作（例如建工單、寫進 Google 試算表），可以參考 可套用的自動化工作流藍圖。

進階：更深入的一層

把基本款做穩之後，下面這幾招能把準確率與體驗再拉高一個層級。它們不需要寫程式，但能讓你的客服從「堪用」進化到「好用」。

1. 用混合檢索補語意檢索的盲點

純向量（語意）檢索很懂同義詞，卻常在精確字串上吃虧——例如商品型號「KW-300」「會員等級 VIP3」這種專有名詞，語意相近的雜訊容易蓋過正確段落。解法是開啟平台的「混合檢索（Hybrid Search）」，同時用關鍵字比對與向量相似度，再重新排序。多數平台只要勾選一個選項，準確率就有感提升。

2. 加一層 Rerank 重排序

檢索回來的 Top K 段落，順序不一定是最相關的在最前面。多撈幾段（例如 Top 10）再用 rerank 模型重排，把真正最相關的兩三段往前推、塞進 Prompt，能明顯減少答非所問。這也是低程式碼平台常見的內建選項。

3. 用對照表管理你的兜底層級

兜底不是「會 / 不會轉真人」這麼二元，建議分級設計：

4. 想讓客服「會動作」，再往代理升級

問答做順之後，下一步常是讓 AI 能查即時訂單、改地址、建工單。這需要讓 AI 能呼叫你的後台，標準做法是透過 MCP 把系統工具安全地接給 AI，或用平台的工具節點串 API。這時你的客服就從「會回答」進化成「會做事」的代理，完整架構請見 AI 客服代理。提醒：涉及金額與個資的動作，仍應保留人工確認。

5. 給一組你該每週盯的指標

把模糊的「越用越準」變成可量化的儀表板，建議至少追蹤：

• 自助解決率：機器人未轉真人就結束的對話佔比，是核心 KPI。
• 轉真人率與原因分布：哪一類問題最常轉真人，就是下週補知識庫的優先順序。
• 答錯／被糾正次數：顧客回「不是這個意思」「你講錯了」的次數。
• 平均首次回覆時間：上線前後對照，最容易向老闆證明效益。

常見錯誤

• 知識庫一次塞太多、太雜：把整本五十頁產品手冊整份丟進去，不切塊、不分段，結果檢索老是撈到不相干段落。寧可少而精，先放最常問的核心問題。
• 沒設兜底規則：忘了寫「找不到就轉真人」，機器人為了「有回答」就開始編，講錯公司規定反而引發客訴。
• Prompt 沒限定資料來源：沒寫「只能依知識庫回答」，模型就會自由發揮，把它訓練時的通用知識當成你的公司政策。
• 上線就放著不管：不看答錯紀錄、不補資料，機器人永遠停在第一天的水準。優化循環才是 AI 客服的精髓。
• 用 AI 處理不該它處理的事：把退費金額、訂單修改這類需要負責任的判斷也交給機器人，風險很高。這類一律轉真人。
• 一次想做到完美才上線：先用最常問的 20 題上線，再逐週擴充，比關起門來整理三個月才推出實際得多。
• 忽略語氣與人設：只顧答對、不管口吻，結果機器人冷冰冰像在念公告，顧客反而更想找真人。語氣是體驗的一半，做法見 AI 客服人格設計。

最佳實務

• 從一個窄場景開始：先只做「物流與訂單查詢」這一類，做穩了再擴到退換貨、產品諮詢。範圍小，知識庫好控管，準確率也高。
• 一問一答格式優先：知識庫盡量整理成 FAQ 形式，這是 RAG 檢索效果最好的格式。
• 保留人機交接的順暢度：轉真人時要把對話脈絡一起帶給客服，別讓顧客重講一遍。
• 每週固定回顧：把「機器人答錯」「顧客重複問」「轉真人」三類紀錄當成優化清單。
• 讓非技術同仁也能更新：知識庫用試算表或平台後台維護，行政人員就能自己改，不必每次都找人。
• 標準化常用話術：開場白、轉真人說法、致歉語句先寫成固定範本，語氣才一致，可參考 客服話術腳本。
• 敏感領域加免責：若你的客服會碰到金融、法律、醫療相關問題，務必設定轉真人並加註提醒。

免責聲明：本文提供的是技術實作方法。若你的 AI 客服涉及金融商品、保險、法律諮詢或醫療健康等專業領域，相關回覆可能受主管機關規範，請務必由專業人員審核內容並明確標示「僅供參考、不構成專業建議」，必要時諮詢法律與合規專家。

實際案例：台中一家寢具電商的 AI 客服上線

情境：台中一家中型寢具電商，主力在自有官網與 LINE 銷售。旺季（換季與雙11）詢問量暴增，兩名客服每天被「尺寸怎麼選」「水洗會不會縮」「幾天到貨」「可以退嗎」這類問題淹沒，回覆常拖到隔天，客人等不及就退單。

導入做法：他們沒有工程師，由行政主管主導，照本文流程操作。先從過去三個月的 LINE 對話與客服信箱撈出最常問的 45 個問題，整理成一問一答；用低程式碼平台建知識庫，設定 Top 5 檢索與轉真人兜底；客服 Prompt 限定只依知識庫回答、退費與訂單異動一律轉真人；最後接上官網聊天視窗與 LINE 官方帳號。前後約花了五個工作天。

導入前後對照與成果數據（上線後第二個月統計）：

關鍵心得：他們一開始想把所有產品的每個細節都塞進知識庫，反而檢索很亂；後來改成「先把運費、到貨、退換貨、尺寸這四大類做精」，準確率立刻拉高。真正花時間的不是技術，而是把 FAQ 整理乾淨。上線後每週看一次答錯紀錄、補三五題，兩個月後機器人已經能穩定接住近七成詢問，真人終於能回去處理真正需要溫度的客訴與銷售。

第二階段（上線三個月後）：他們把混合檢索打開，又把商品型號這類專有名詞單獨建成一張對照表，型號類問題的答錯率明顯下降；接著評估要不要讓機器人直接查物流即時狀態，於是開始研究用 MCP 串接出貨系統，朝「會動作的代理」邁進。換句話說，這台客服不是做完就停，而是沿著「問答 → 加強檢索 → 加上動作」的路徑，一階一階長大。

結論

打造一台會回答公司問題的 AI 客服機器人，門檻已經比你想的低很多。它的成敗不在模型多強，而在你有沒有把知識庫整理好、有沒有設好兜底規則、有沒有持續看紀錄優化。

把這篇的五步走完——盤點 FAQ、清洗切塊、建立檢索、設計 Prompt 與兜底、接通路上線——再加上進階的混合檢索、rerank 與分級兜底，你就有了一台能 24 小時擋下重複詢問、又講得有品牌感的機器人，讓真人把時間留給更有價值的事。

下一步建議：先讀 RAG 是什麼？知識庫客服實作 把原理補齊，再依 AI 知識庫怎麼建？ 把資料底子打穩；想讓機器人開口就有溫度，別漏掉 AI 客服人格設計。需要顧問協助規劃導入，也歡迎透過 聯絡我們 與 AgentAI 智庫聊聊。

❓ 常見問題 FAQ

🔗 延伸閱讀

• RAG 是什麼？知識庫客服實作
• AI 客服代理：用 Agent 接住第一線詢問
• AI 知識庫怎麼建？
• 用 AI 整理 FAQ：FAQ Builder
• 不寫程式打造 AI Agent