如何用 AI Agent 自動化客戶服務
客服是中小企業最痛的點:請人貴、外包品質差不穩定、自己做又沒時間。
這篇教學,我會展示一個完整可運作的 AI 客服系統架構。實際成本每月 $50-150 USD,能處理 5,000+ 個客服案件。
系統架構總覽
客戶訊息(Email/Slack/Web Widget)
↓
n8n Webhook 接收
↓
AI 分類(詢價/投訴/技術問題/其他)
↓
├─ 簡單問題 → AI 直接回覆(用 FAQ 知識庫)
├─ 中等複雜 → AI 摘要 + 派工單給人類客服
└─ 複雜/緊急 → 立即通知 on-call 工程師
↓
所有對話記錄到向量資料庫(pgvector)
↓
自動生成每週客服報告
Step 1:選擇技術棧
| 元件 | 推薦 | 替代方案 |
|---|---|---|
| 工作流引擎 | n8n(自架) | Make, Zapier |
| LLM | GPT-4o-mini(便宜) / Claude Sonnet | Gemini Flash |
| 向量資料庫 | pgvector + Postgres | Pinecone, Qdrant |
| 客服介面 | Tawk.to(免費) | Intercom, Crisp |
| 通知 | Slack | Email, Discord |
Step 2:n8n 工作流設計
這是核心 workflow 的偽代碼:
// Webhook 接收
const message = $input.item.json.body;
// Step 1: AI 分類
const classification = await llm.complete({
model: "gpt-4o-mini",
prompt: `分類這則客服訊息到以下類別之一:
- inquiry(詢價)
- complaint(投訴)
- technical(技術問題)
- other(其他)
訊息:${message.text}
只回傳類別名稱,不要解釋。`
});
// Step 2: 根據類別分流
switch(classification) {
case 'inquiry':
// 用知識庫檢索回覆
const answer = await ragQuery(message.text);
await sendReply(message.from, answer);
break;
case 'complaint':
// 派工單 + 通知主管
await createTicket(message);
await slack.notify('#cs-complaints', message);
break;
case 'technical':
// 派工單給工程師
await createTicket(message, assignTo: 'tech-team');
break;
default:
await slack.notify('#cs-inbox', message);
}
Step 3:知識庫建立(RAG)
# 把所有 FAQ 文件丟進 Postgres + pgvector
psql -d customer_service << EOF
CREATE EXTENSION vector;
CREATE TABLE documents (
id SERIAL PRIMARY KEY,
content TEXT,
embedding vector(1536)
);
-- 用 OpenAI embedding 把每個段落轉成向量
INSERT INTO documents (content, embedding)
SELECT
chunk_text,
openai_embed(chunk_text)
FROM faq_documents;
EOF
n8n 用 pgvector 節點做相似度搜尋,把 top 3 相關段落餵給 LLM。
Step 4:Prompt 工程(這是成敗關鍵)
好的 system prompt:
你是 [公司名] 的客服助理 [名字]。
回答規則:
1. 用繁體中文,語氣親切但不卑微
2. 如果不確定答案,不要編造,說「我幫你轉給專人確認」
3. 投訴類訊息,先道歉,再說明處理流程
4. 不要透露你是 AI,除非客戶直接問
5. 回答控制在 200 字以內
產品資訊:
[貼上你的產品 FAQ]
退款政策:
[貼上你的退款政策]
壞的 prompt(很多人這樣寫):
你是客服,回答客戶問題。
後者會讓 AI 自由發揮,容易出包。
Step 5:成本真實試算
假設每月 5,000 個客服對話,平均每個對話 3 輪:
| 項目 | 計算 | 月成本 |
|---|---|---|
| GPT-4o-mini 分類 | 5,000 次 × $0.0001 | $0.50 |
| GPT-4o 回覆 | 5,000 × 3 round × $0.002 | $30 |
| Embedding | 5,000 × $0.00002 | $0.10 |
| pgvector + Postgres | 自架 VPS 分攤 | $5 |
| n8n 自架 | Hetzner CPX21(€5.9/月) | $6.5 |
| 總計 | $42 USD/月 |
對比:同樣工作量請一個兼職客服月薪 NT$25,000-35,000(約 $770-1,100 USD)。
省 95%。
Step 6:踩坑指南(這些我全都踩過)
坑 1:AI 會瞎回答
解法:所有回答都加「這個資訊來自我們的 FAQ,如果需要更詳細請聯絡客服」的引導語。
坑 2:敏感資訊外洩
解法:客戶 email/電話/地址進 LLM 前先 mask,只送純文字內容。
坑 3:API 限流
解法:n8n 加 retry 邏輯 + 排隊,不要讓 1,000 個請求同時打 LLM。
坑 4:客戶抱怨「機器人沒溫度」
解法:投訴類自動轉真人,不要讓 AI 處理情緒性議題。
坑 5:知識庫過時
解法:每月自動 cron job 提醒更新,新產品上線一定要更新 FAQ。
Step 7:監控指標(KPI)
部署後第一個月盯這些:
- 自動化率(AI 直接解決的比例):目標 > 60%
- 客戶滿意度(CSAT):目標 > 4.0/5.0
- 平均回覆時間:目標 < 5 分鐘
- 升級率(轉人工的比例):目標 < 30%
Step 8:擴展路線圖
- Month 1:純文字客服(這篇教學)
- Month 2:加語音(Whisper + ElevenLabs)
- Month 3:加多語言(自動偵測 + 翻譯)
- Month 4:加 proactive(AI 主動聯絡沈默客戶)
- Month 5:完整 agent(AI 可以查訂單、退款、開帳號)
結論
AI 客服不是未來,是 2026 年的標配。5,000 個案件每月 $42 USD,這個 ROI 沒有任何理由不做。
先跑 MVP,再優化。不要追求完美。