「我們想做 AI 客服，但又怕客人覺得冷冰冰——到底該怎麼選？」
這是我接到最多的諮詢問題。答案不是「選 AI」或「選真人」，而是：兩者各做各擅長的事。
AI 客服 vs 真人客服：哪裡不一樣？
| 比較項目 | AI 客服 | 真人客服 |
|---|---|---|
| 回應速度 | 毫秒級，24/7 不休息 | 依排班，離峰可能等待 |
| 成本 | 固定建置費，邊際成本極低 | 人力成本隨量擴張 |
| 處理量 | 同時無限對話 | 一人同時 3–5 組上限 |
| 複雜問題 | 需靠知識庫，無法臨機應變 | 彈性高，可主動安撫情緒 |
| 個人化 | 依對話歷史個人化，但有限 | 人情味強，高價值客戶首選 |
| 錯誤風險 | 可能答錯，需定期維護知識庫 | 可能前後不一致，需培訓 |
沒有哪一邊是絕對勝出的。真正的問題是：你的客服場景屬於哪一類？
三種場景，三種建議
場景一：高頻、低複雜度的詢問
電商訂單查詢、餐廳營業時間、產品規格比較——這類問題答案固定、量大、重複性高。
建議：以 AI 客服為主。可 24 小時即時回覆，邊際成本低，常見問題不必等待人工。
場景二：需要判斷與談判的情境
退貨糾紛、客訴處理、大客戶洽談——這類需要情緒智慧、授權彈性、快速決策。
建議：真人為主，AI 輔助。AI 負責整理對話摘要、查詢歷史訂單，讓真人客服專注在解決問題上。
場景三：初步篩選 + 深度服務的混合流程
諮詢型產品（保險、課程、B2B 服務）——第一輪詢問量大，但最終需要專人跟進。
建議：AI 做初篩 + 轉接真人。Bot 收集需求、判斷優先級，高意向客戶直接轉給業務。這正是本站 LINE Bot 的設計邏輯。
混合模型怎麼設計？
最務實的架構是這樣：
用戶訊息
↓
AI Bot 判斷意圖
├─ 標準問題 → 直接回答
├─ 複雜問題 → 回答 + 提示可轉真人
└─ 明確要求真人 → 推播通知業務，留下聯絡方式關鍵設計原則：
- 永遠讓用戶知道他在跟 AI 說話——不要假裝是真人，信任感反而更高
- 轉接要無縫——AI 收集完資訊再轉，不要讓客戶重複說一遍
- 知識庫要定期更新——AI 答錯的根本原因通常是知識庫過時，不是 AI 不夠聰明
技術段落：LINE Bot 混合客服架構
以 Cloudflare Workers + LINE Messaging API 為例：
核心元件：
- Webhook 接收：每則訊息觸發 Worker，毫秒內處理
- RAG 知識庫：Cloudflare Vectorize 向量搜尋，從文件庫找相關段落
- LLM 生成：DeepSeek Chat 根據知識庫內容組成回覆
- 對話記憶：Cloudflare KV 儲存最近 12 則對話，30 分鐘 TTL
- 轉接機制：偵測到「我要找真人」「轉客服」→ 推播通知業務
轉接真人的實作：
// 偵測轉接意圖
const handoffTriggers = /轉客服|真人|找人|我要投訴/;
if (handoffTriggers.test(userText)) {
await notifyAgent(userId, conversationSummary);
await replyText(token, replyToken, '已通知專人，我們會在上班時間內與您聯繫 🙏');
}成本估算（月費）：
- Cloudflare Workers：免費額度通常夠用，超出約 $5/月
- DeepSeek API：每百萬 token 約 $0.14，中小型客服月費約 $10–30
- LINE Messaging API：每月 200 則免費，超出約 $0.013/則
導入前的三個關鍵決策
- 知識庫從哪來？ FAQ 文件、產品規格、過去對話紀錄——有了這些才能讓 AI 答得準
- 誰負責維護？ AI 客服不是裝好就不用管，至少每季更新一次知識庫
- 成效怎麼量？ 建議追蹤：自助解決率、平均回應時間、轉接真人比例
開始之前，先聊聊你的場景
每個品牌的客服場景都不一樣。你目前一天大概有多少客服訊息？最常被問的是哪幾類問題？
加入 LINE Bot 直接告訴我，我可以幫你評估適合的架構和大概的建置成本。如果偏好 Email 討論，也可以到聯絡頁面留下資訊。