用 AI 建客服知識庫與 FAQ：從顧客問題萃取常見問答、持續更新

週一早上九點，客服信箱已經躺了四十封信。你點開前五封：「請問運費多少？」「七天鑑賞期是從下單算還是到貨算？」「我要退貨，運費誰出？」「發票可以改成公司抬頭嗎？」——這些問題，你的團隊上週回過，上上週也回過，而且官網明明就有寫，只是顧客找不到、或寫得不夠清楚。

更尷尬的是，老闆問「那我們官網 FAQ 不是有寫嗎？」你打開一看：那份 FAQ 是三年前開站時隨手寫的十題，裡面還留著早就停售的方案，而顧客現在最常問的那三題，一題都沒有。

這篇要解決的問題：教你反過來做 FAQ——不是憑想像寫，而是先從真實顧客問題（客服對話、Email、評論、退貨單）萃取「大家真的在問什麼」，再用 AI 寫成精準的 FAQ 與客服知識庫，最後建一條「每週自動補洞」的更新流程，讓它越用越準。

適合誰讀：天天回重複問題的客服與小編、想降低客服量的電商與服務業老闆、負責官網內容的行銷／營運，以及任何想把「客服經驗」系統化留下來的人。不需要會寫程式也能開始。

讀完你會得到：一套從蒐集到上線的五步驟方法、三個可直接複製的 Prompt（問題萃取＋分群、答案整理、問答護欄）、一張客服知識庫 Workflow 流程圖，以及一個台灣電商導入前後的成果數據。

為什麼大多數 FAQ 都是「寫給自己看的」？

絕大多數公司的 FAQ 是這樣誕生的：開站前，行銷同事關在會議室想了一下午「顧客大概會問什麼」，列了十題，上線，然後再也沒人碰。

問題出在源頭：這份 FAQ 的素材來自「我們以為」，不是「顧客真的問」。結果就是三個老毛病：

第一，漏掉最痛的高頻問題。員工太熟悉自己的產品，會自動跳過「這還用問嗎」的基本問題——但運費、退貨自付與否、發票怎麼開，恰恰是顧客最在意、客訴最多的。你覺得理所當然，顧客一頭霧水。

第二，用詞跟顧客對不上。你寫「商品鑑賞期」，顧客搜的是「可以退嗎」；你寫「物流時效」，顧客問「幾天會到」。FAQ 用的是內部術語，顧客根本搜不到，自然找不到答案，只好打電話、寫信進來。

第三，寫完就死，沒有更新機制。商品換了、活動結束了、退貨政策改了，FAQ 還停在三年前。顧客照著舊 FAQ 操作，反而被誤導，客服還得花更多力氣善後——過期的 FAQ 比沒有 FAQ 更危險。

真正能降低客服量的 FAQ，做法剛好相反：從真實顧客問題出發，由高頻往低頻補，並且有一條讓它持續更新的迴圈。AI 在這裡的價值，不是幫你「想」問題，而是幫你從成百上千則雜亂對話裡，快速把「大家其實在問同一件事」整理出來。

核心概念：FAQ 不是「寫出來的」，是「萃取出來的」

把客服知識庫想成蓋一座圖書館。傳統做法是館長憑印象決定要放哪些書；正確做法是先看讀者實際來借什麼、找什麼，再決定書架怎麼排。顧客的每一通電話、每一封信、每一則負評，都是在告訴你「他想借哪本書卻找不到」。

下面這張表，對照「憑想像寫」和「從問題萃取」兩種做法的差別：

另一個核心觀念是 RAG（檢索增強生成）：讓問答機器人回答顧客前，先去你整理好的知識庫裡「查資料」，再根據查到的內容作答，而不是憑模型自己的記憶亂講。這是讓 AI 客服「不亂編」的關鍵，詳細原理可參考 RAG 是什麼？檢索增強生成一篇看懂。簡單記一句話：沒有 RAG 的 AI 客服是在背書，有 RAG 的 AI 客服是在查書。

實際教學：五步驟把零散問題變成會回答的知識庫

Step 1：蒐集真實問題語料

先別急著寫答案，先收集「顧客到底問了什麼」。把以下來源的原始文字匯整成一份清單：

• 客服 Email、線上客服對話紀錄
• 官網「聯絡我們」表單送出的問題
• 商品評論、Google 評論、社群私訊
• 退貨／退款單上的「原因」欄（這是金礦，藏著最真實的不滿）
• 客服同事「最常被問的問題」口頭清單

重點：保留顧客的原話，不要先幫他翻譯成術語。「這個可以洗嗎」就照抄，別改成「商品清潔保養須知」。原話才是顧客真正會搜尋的字。

蒐集前先做一件事：去識別化。把姓名、電話、訂單編號、地址換成代號，只留問題內容，保護顧客隱私也降低資安風險。

Step 2：用 AI 分群與排序

幾百則問題攤在面前，人工分類會瘋掉。把它們貼給 AI，請它做兩件事：把問同一件事的合併成一群、依出現次數排序。

例如「怎麼退貨」「退貨要錢嗎」「七天鑑賞期怎麼算」「不滿意可以退嗎」其實是同一群（退貨），AI 會幫你合併並算出這群被問了幾次。這一步直接決定你的工作優先序——先寫被問最多次的那五群，效益最大。

排序時除了「次數」，也讓 AI 標一個「情緒強度」：被問很多次又很生氣的（例如運費爭議），優先處理。

Step 3：萃取標準答案

有了問題群，接下來要填正確答案。答案的來源是你現有的真實資料：退換貨政策、商品頁、出貨 SOP、合約條款——不是讓 AI 自由發揮。把這些資料連同問題群一起餵給 AI，請它整理成統一格式：

問題（用顧客的原話）→ 一句話結論 → 詳細說明 → 下一步該怎麼做

「一句話結論」很重要：顧客想要的是「可以，七天內、運費你出」這種直球，而不是先讀三段政策條文。先給答案，再給細節。

每一條 FAQ 都要標上「最後更新日」與「負責人」，這是後面維護的依據。

Step 4：接上問答層與護欄

整理好的 FAQ，可以兩種用法：直接更新到官網 FAQ 頁，或餵進問答機器人做即時自助問答。要做機器人，務必上 RAG 架構＋護欄：

• 先檢索再作答：顧客提問時，先從知識庫找最相關的條目，再根據它回答。
• 找不到就轉真人：知識庫沒有的，不要硬掰，直接說「這題我幫你轉真人客服」。
• 附出處：回答時標明依據哪一條 FAQ，方便事後查核與更新。

護欄的具體寫法，看 Step 對應的 Prompt（下一段）。關於完整的客服機器人搭建，可延伸閱讀 打造企業 AI 客服機器人。

Step 5：建立每週補洞迴圈

這是最多人忽略、卻最決定成敗的一步。FAQ 不是專案，是流程。 設計一條每週迴圈：

1. 把這週「機器人答不出、轉真人」的問題自動匯出成清單。
2. 把「答錯被客訴」「新上架商品、新活動、新政策」一併列入。
3. 內容負責人花 30 分鐘，把這些補進或修進知識庫。
4. 標更新日，舊條目過期就下架。

這樣一來，顧客每問一個你還沒回答的問題，都在幫你把知識庫補得更完整。三個月後，它會準到讓你驚訝。

範例：Prompt 與 Workflow

以下三個 Prompt 對應 Step 2、3、4，可直接複製使用。

Prompt 1｜問題分群與排序（對應 Step 2）

你是資深客服分析師。以下是我們蒐集的顧客原始問題（已去識別化）：
"""
{貼上你的問題清單，一行一則}
"""

請你完成：
1. 把語意相同的問題合併成「問題群」，每群給一個顧客聽得懂的名稱。
2. 統計每一群出現的次數，由多到少排序。
3. 每群標一個「情緒強度」：高／中／低（顧客是否明顯不滿）。
4. 列出每群裡 3 個最具代表性的顧客原話（保留口語，不要改成術語）。

用表格輸出：群名 | 次數 | 情緒強度 | 代表原話。
最後用一句話告訴我：應該優先處理哪 5 群，為什麼。

Prompt 2｜萃取標準答案（對應 Step 3）

你是我們公司的客服內容編輯。以下是「問題群」與我們的「官方資料」：

問題群：{貼上一個問題群與代表原話}
官方資料（退換貨政策／商品頁／SOP）：
"""
{貼上相關政策原文}
"""

請依官方資料寫一條 FAQ，嚴格遵守：
- 只能根據上面的官方資料，不可自行補充或臆測。
- 找不到依據的部分，標註「待補：需向 ___ 確認」。
- 格式：①問題（用顧客原話）②一句話結論（直接給答案）
  ③詳細說明 ④下一步該怎麼做。
- 用台灣口語、親切但專業，不要官腔，不要簡體字。
最後補一行：建議的「最後更新日」與「內容負責人」欄位。

Prompt 3｜問答機器人護欄（對應 Step 4，當作 System Prompt）

你是本公司的客服助理。回答規則（不可違反）：
1. 只能依據【知識庫】內容回答，不得使用知識庫以外的資訊或自行推測。
2. 知識庫找得到答案：先給一句話結論，再補細節，並附上來源條目名稱。
3. 知識庫找不到、或牽涉個人訂單／退款金額／客訴爭議：
   不要猜，回覆「這個問題我幫您轉接真人客服，請稍候」。
4. 語氣親切、用台灣口語繁體中文，一次只回答一個問題。
5. 不承諾政策未明文的事（例如額外折扣、加快出貨）。

【知識庫】
"""
{檢索系統帶入最相關的 FAQ 條目}
"""

Workflow 流程圖（文字版）

顧客提問（信／聊天室／官網）
        ↓
〔語料蒐集〕匯整對話、Email、評論、退貨原因 → 去識別化
        ↓
〔AI 分群排序〕Prompt 1：合併同義問題、依次數＋情緒排序
        ↓
〔萃取答案〕Prompt 2：從官方資料整理成「結論→說明→下一步」
        ↓
〔知識庫〕每條標：來源、更新日、負責人
        ↓
〔問答層＋護欄〕Prompt 3：RAG 先檢索 → 找到就答附出處／找不到轉真人
        ↓                                   ↓
   顧客拿到答案（自助解決）            未答問題自動回流
        ↓                                   ↓
        └───────────〔每週補洞迴圈〕←─────────┘
          補新問題、修錯答案、下架過期條目

這條 Workflow 的精神是：右邊那條「未答問題回流」的虛線，才是讓知識庫活著的血管。 沒有它，知識庫就是一份會過期的靜態文件。想把這類流程串成自動化，可參考 現成 Prompt 食譜庫 找對應模板。

常見錯誤

錯誤一：憑空想問題，不看真實語料。 這是最根本的錯。沒有真實對話當基礎，你寫的 FAQ 永遠在回答「沒人問的問題」。先蒐集，再寫。

錯誤二：答案寫得像法律條文。 顧客要的是「可以退、運費我們出」，不是三段政策原文。先給一句話結論，細節放後面。

錯誤三：把 AI 當成答案來源。 讓 AI 自由發揮寫 FAQ，它會「聽起來很合理地」編出你根本沒有的政策。AI 只能整理你既有的資料，標準答案永遠來自官方文件。

錯誤四：沒上護欄就讓機器人對外。 沒有「找不到就轉真人」的護欄，AI 客服遇到不會的就硬掰，一旦對顧客承諾了不存在的折扣或退款，後果你來收。

錯誤五：上線後就不管了。 FAQ 最大的死法是「做完了」。沒有每週補洞迴圈，三個月後它就開始給顧客錯資訊。

錯誤六：個資直接餵 AI。 客服對話裡全是姓名、電話、訂單編號，處理前一定要去識別化。

最佳實務

• 由高頻往低頻補，不要追求一次寫完。 先把被問最多的 10 群寫到位，就能擋掉大半客服量；長尾問題交給每週迴圈慢慢補。
• 沿用顧客的原話當問題標題。 「可以退嗎」比「商品鑑賞期說明」更容易被搜到。SEO 與站內搜尋都吃這套。
• 每條 FAQ 都標更新日與負責人。 沒有負責人的內容必然腐爛。把維護責任綁到人。
• 一句話結論放最前面。 顧客的耐心只有三秒，先給答案。
• 機器人答不出就乾脆轉真人。 「我不知道但幫你轉接」比「亂答」更能保住信任。
• 把退貨／負評原因當 FAQ 雷達。 顧客抱怨最多的地方，就是 FAQ 最該補的地方。
• 定期回頭看數據。 哪些 FAQ 點擊高、哪些問題還在進客服，用數據決定下一輪補哪裡。

實際案例：台灣保養品電商的客服轉型

背景：台中一家自有品牌保養品電商，月訂單約 3,500 筆，客服只有 2 人。官網 FAQ 停在開站時寫的 12 題，旺季時客服信箱一天進 80 封，回到晚上十點還回不完，平均首次回覆時間超過 8 小時，顧客在評論裡抱怨「問問題都沒人回」。

導入前的痛點：

• 客服每天有近六成時間在回重複問題：運費、退貨自付與否、保存期限、能不能改地址。
• 官網 FAQ 沒人維護，停售品項還掛在上面，顧客照著問反而更亂。
• 兩位客服只要一人請假，回覆時間直接爆掉。

導入做法（完全照本文五步驟，花了約三週）：

1. 蒐集語料：匯出近三個月共 2,400 則客服對話與 180 則退貨原因，去識別化。
2. AI 分群：用 Prompt 1 跑出 31 個問題群，前 8 群就佔了總提問量的 64%。
3. 萃取答案：用 Prompt 2 從退換貨政策與商品頁整理出 8 條主力 FAQ＋22 條長尾，全部標更新日與負責人。
4. 接問答層：在官網客服掛上 RAG 問答機器人，套 Prompt 3 護欄，答不出一律轉真人。
5. 每週補洞：每週五由一位客服花 30 分鐘，把「轉真人」清單補進知識庫。

導入後的成果數據（導入後第二個月對比導入前）：

關鍵心得：老闆原本以為要花大錢買系統，後來發現最大的收穫來自前三步「純手動用 AI 整理」——光是把真實問題萃取成精準 FAQ 更新到官網，重複問題就先掉了一截。機器人是加分，真正的功臣是「終於回答了顧客真的在問的問題」。而能維持成效的，是那條每週 30 分鐘的補洞迴圈——他們說：「以前覺得 30 分鐘很煩，現在覺得這是投報率最高的 30 分鐘。」

數據為個案情境之示意，實際成效因產業、商品複雜度與導入投入而異，僅供參考。

結論

好的客服知識庫，從來不是「想出來」的，而是從顧客真實的問題裡萃取、再持續補洞養大的。把這篇的方法收斂成三句話：

第一，反過來做——先蒐集真實問題、用 AI 分群排序，先回答「被問最多、最讓人生氣」的那幾題，效益最大。

第二，答案來自官方資料，AI 只負責整理與護欄——用 RAG 先查再答、找不到就轉真人、附出處，才不會亂編而砸了招牌。

第三，維護迴圈比第一版內容更重要——一條每週 30 分鐘的補洞流程，能讓 FAQ 越用越準；沒有它，再漂亮的知識庫三個月就腐爛。

你不需要先有工程師、也不需要先買系統。今天就可以把上週的客服對話貼進 AI，跑一次 Prompt 1，看看顧客「真正在問什麼」——很可能第一眼就看到一題你 FAQ 裡根本沒寫、卻被問了幾十次的問題。從那一題開始補，就是你客服知識庫的第一塊磚。

❓ 常見問題 FAQ

🔗 延伸閱讀

• 用 AI 打造公司內部知識庫
• 打造企業 AI 客服機器人
• RAG 是什麼？檢索增強生成一篇看懂
• AI Agent 是什麼？一篇看懂
• 現成 Prompt 食譜庫