AI 客服不再是早期那種依賴制式回應的聊天機器人，而是一套能理解語意、判斷情境並執行動作的智慧化客服系統。為了讓企業在實際場景中保持可控、可調整、可量化，我們將 AI 能力拆分成三大核心角色，並以多個專職代理人負責不同任務，而不是倚賴單一、全能卻難以管理的巨型模型。
這樣的設計讓每個代理人都能專注於一個明確目的：整理、判斷或執行。好處是更高的精準度、更低的成本消耗、行為可預測，也能依需求靈活組合，打造真正貼近現場流程的 AI 客服體驗。
FIRST LINE AI 是一個無需程式碼的構建工具，讓團隊能在最短時間內建立智慧化工作流程，把繁瑣的人工任務交給 AI 自動化處理，並直接部署在日常工作的脈絡中。
透過智慧工作流程，你能自動化重複性任務，把時間釋放給更具策略性的工作，同時讓 AI 無縫融入既有流程，不需調整架構即可立即提升效率。這些流程基於清楚規則運作，AI 依據自然語言指示進行分析與處理，加上 FIRST LINE 直覺的無程式碼介面與規則引擎整合，能讓企業在幾分鐘內完成一條可用、可控、可維護的 AI 流程。
💡 部分進階設定將於 2025 Q4 上線
以下提到的部分設定將在 2025 Q4 正式推出。我們會持續擴充可用能力，打造更完整、更具彈性的 AI 工作流程體驗。
整備者 — 讓雜訊變成可用資料的第一線成員
整備者負責將顧客提供的非結構化素材，文字、對話、圖片—轉成系統可運用的清晰資訊，通常是整個流程的資料入口。它由兩個節點組成：AI 自訂代理人（文字）與AI 影像代理人（圖像），分別處理不同型態的原始資料，確保後續所有自動化能站在正確、乾淨的起點上運作。
AI 自訂代理人
專注在文字整理，能將冗長對話、客服紀錄與工單內容整理成結構化資訊，包括摘要、關鍵欄位抽取、格式化輸出等。透過客製邏輯設定，它能依不同部門需求產出一致且可用的資料，避免人工重複整理並降低遺漏或誤解風險。它在旅程中的角色是「文字訊息的整流器」，讓所有後續 AI 都能基於最乾淨的輸入進行判斷與回覆。
| 設定名稱 | 用途說明 | 範例／補充 |
|---|---|---|
| 交談訊息數 | 決定 AI 在執行任務時會參考多少則先前對話內容。若此節點只需依指令運作、不需上下文，可選「不包含訊息」，減少干擾。 | 可選：不包含訊息、近 1 則、近 5 則、近 10 則、近 20 則、最近大多訊息。 |
| 自訂指令 | 說明此 AI 的用途、行為與禁止事項，用來鎖定它只做「內容處理／整理」，而不額外查詢知識庫或產品資料。 | 範例：彙整訊息、抽取顧客資訊、整理成條列；提醒「僅處理現有內容，不需補充外部資訊」。 |
| 變數名稱 | 指定此節點輸出的整體結果要儲存到哪個變數，供後續節點引用。 | 例：feedback、summary、clean_content。 |
| 自訂輸出 | 定義此節點要輸出的「欄位結構」。可新增多個屬性（最多 5 個），每個屬性都可以指定名稱、型別與提示文字，AI 會依這個結構產出結果，方便後續以變數方式使用。 | 開啟後可新增 1–5 個屬性，例如：屬性名稱：customer_name，型別：文字，提示：「顧客名稱，只保留一個名字」。後續可用 {{ response.customer_name }} 讀取。 |
💡 自訂代理人也能做輕量判斷
AI 自訂代理人除了整理內容，也適合用在單一步驟的簡易判斷。例如可直接輸出 status，並依情境填入如 return、order 等結論欄位，再交給後續的變數判斷節點處理。當邏輯只需產出一個明確結果時，自訂代理人即可同時完成「整理＋判斷」，避免流程中堆疊過多 AI 判斷代理人。
AI 影像代理人
則負責處理圖片資訊，例如商品照片、發票、故障畫面等，並自動萃取型號、序號、金額、日期或損壞位置等必要欄位。它能將圖片內容直接轉換成可機器處理的格式，減少人工判讀差異並加速問題定位。它在旅程中扮演「視覺資料的解碼者」，確保所有影像素材不再只是附件，而是能被後續流程真正使用的資料來源。
| 設定名稱 | 用途說明 | 範例／補充 |
|---|---|---|
| 自訂指令 | 指定此影像代理人需要從圖片中偵測、辨識或萃取的資訊。用於告訴 AI 應取得哪些欄位、內容格式、需避免的誤判等。 | 範例： – 偵測商品型號、序號 – 辨識收據金額、日期、品項 – 萃取損壞部位、狀況描述 |
| 儲存變數名稱（image_analyzer） | 定義 AI 分析完影像後，結果要儲存在哪個變數，供後續節點（如解析者或回答代理人）使用。 | 常見命名：image_data、parsed_image、feedback |
| 自訂輸出 | 依需求定義影像分析後的固定結構輸出。可設定最多 5 個欄位，每個欄位包含「屬性名稱、型別、提示」等子設定，讓 AI 依指定格式穩定輸出資料。 | 例： 欄位 1： product_model（文字）提示：「從圖片上辨識的商品型號」欄位 2： price（數字）提示：「收據上的總金額」後續可用 {{ response.product_model }} 讀取 |
💡 影像代理人能啟動「圖片 → 問題 → 回答」的組合技
AI 影像代理人不只能做資料萃取，也能用在更實用的情境，例如名片辨識、產品辨識，或從圖片找出主要物件後推測顧客可能的詢問內容。再搭配 AI 回答代理人，就能形成「圖片 → 自動判讀 → 自動回答」的組合技，讓顧客只需上傳一張圖，系統就能自動給出最可能的解答與下一步建議。
整體而言，整備者讓原始訊息變得可判斷、可回答、可自動化，是整條服務流程能順利運作的基底。
解析者 — 讀懂「這段話到底想幹嘛」
解析者負責從複雜訊息中抓出顧客的真實意圖、情緒狀態與必要條件，並轉換成系統可直接採用的判定結果，例如「退貨意圖＝true」「需要補資料＝true」。它是整個流程裡的關鍵過濾器，將模糊敘述變成可操作的訊號。
AI 判斷代理人
這個代理人專門負責邏輯判斷、意圖分類與狀態標記，是整體旅程中的「意圖識別核心」。
解析者的典型用途包括：辨識退貨、購買、預約等意圖；判讀負向或緊急情緒；以及自動驅動後續流程，例如加入標籤、優先分派或發送補資料訊息。透過信心門檻與複合邏輯設定，解析者讓系統在每一次進線中都能快速、可靠地判定「下一步該怎麼做」，提升整體處理效率與一致性。
| 設定名稱 | 用途說明 | 範例／補充 |
|---|---|---|
| 判斷文字訊息範圍 | 決定判斷邏輯要參考多少上文，以降低誤判。若意圖來自最近一兩句，可縮小範圍；若需依對話脈絡判斷，可使用較多訊息。 | 可選： — 近 1 則 — 近 5 則 — 近 10 則 — 近 20 則 — 最近大多訊息 |
| 判斷意圖 | 定義 AI 要檢查的條件、情境或邏輯，包括簡單意圖（如「是否想退貨」）到複合判斷（多條件 AND / OR）。 | 範例： — 判斷是否為退貨意圖 — 判斷顧客是否表達負向情緒— 若缺少必要資訊則標記為需補充資料 |
| 預設判斷符合（啟用／關閉） | 當 AI 因為無法判讀、資訊不足、或訊息含有敏感內容而拒絕分析時，系統是否要自動將判斷結果視為「符合」。可用於避免流程中斷。 | 建議用途： — 若流程不能中斷，可啟用 — 若判斷需高度精準，建議關閉 |
| 變數名稱（feedback） | 儲存 AI 的分析結論或解釋文字，方便後續節點使用（例如路由、標籤、提醒專員）。 | 常見命名方式：intent_result、analysis、feedback |
💡 判斷邏輯越明確，結果越穩定
與其寫「判斷顧客是否想退貨」，不如明確告訴 AI：「若訊息包含退貨、不要了、商品有問題等字眼，即判為退貨意圖。」明確條件能顯著降低誤判機率。
執行者 — 負責執行對應動作
執行者的角色是將資訊轉化為行動。它負責查詢資料、比對知識庫並組合可直接提供給顧客的回覆，確保問題在第一時間得到準確、完整且一致的答案。無論是產品使用方式、訂單進度或門市資訊，執行者都能即時回應，並避免人工查表與重複確認。
AI 回答代理人
這個代理人負責檢索知識庫、生成回覆、控管內容風險，是整個流程中的「答案交付核心」。
執行者的常見用途包含 FAQ 即時回答、支援客服在繁忙時段維持一致的回覆品質、多語系與跨平台的自動應答等。透過連結最新資料來源，它能大幅減少錯誤資訊與過期回答，同時在遇到不該回答的敏感內容時，自動拒答以維持品牌安全。
整體而言，執行者負責把每一筆需求都快速落地成「正確的答案」。讓顧客不必等待、客服不必重複查詢，使整條旅程在關鍵節點上更流暢、更可信。
| 設定名稱 | 用途說明 | 範例／補充 |
|---|---|---|
| 資料來源 | 指定回覆內容從哪裡取得。AI 僅會依據這些來源回答，不會自行猜測或補資訊。 | 可選： — 知識庫 — 產品 — AI 訓練資源 ※ 若來源包含仇恨/暴力/性/自傷等敏感內容，系統會自動禁止採納。 |
| 指定知識庫分類 / 子分類 | 限縮 AI 檢索的知識範圍，避免搜尋過廣造成不精準回答。 | 例：分類「物流」、子分類「遲延說明」。 |
| 找不到資訊時回覆訊息 | 當知識庫找不到答案或內容無法回覆時，所使用的預設 fallback 訊息。 | 例：「抱歉，目前查不到相關資訊，若需要真人協助可輸入：轉接真人。」 |
| 等待中訊息 | AI 檢索資料期間顯示的提示文字，用於降低等待焦慮。可設定多筆，輪流顯示。 | 例： — Thinking… 🤔 — 讓我查一下資料… |
| 回饋設定（啟用/關閉） | 啟用後，AI 回覆訊息後會要求顧客回饋「有幫助／無幫助」，支援後續流程。 | 用於評估回答品質、收集客戶體驗。 |
| 回饋訊息 | 顯示於回答後的回饋問題。 | 例：「以上資訊對你有幫助嗎？」 |
| 回饋選項 | 顧客能快速選擇的回覆按鈕。 | 預設： — 有幫助 👍（值＝1） — 轉接真人 🧑（值＝-1） |
| 使用指定變數（進階） | 若顧客資料已由先前節點寫入變數，可使用該變數內容做檢索，而非依照最新對話。 | 適合：從影像/判斷節點取得資料後再依據此資料查詢。 |
| 對話角色（風格化回覆） | 讓 AI 依據角色風格生成回覆（語氣、個性），增加互動感，但可能減少可控性。 | 範例角色：專業客服、幽默客服、冷靜技術支援等。 |
| 儲存顧客回饋 | 將「有幫助/無幫助」的結果儲存到變數（1 或 -1），可用於流程路由或後續分析。 | 例：變數名稱：faq_feedback |
| 夾帶知識庫分享連結（啟用/關閉） | 回覆中會附上來源文章連結，提高透明度、可信度，方便顧客確認細節。 | 適用於售後 FAQ、使用說明、政策類資訊。 |
💡 回答代理人可藉由分類篩選提升回覆精準度
若流程在前面已利用判斷節點區分了顧客意圖（例如退貨、查詢、物流等），AI 回答代理人就能依據這些結果，透過「指定分類／子分類」來縮小檢索範圍，只從最相關的知識庫區段找答案。這能有效避免回覆過廣、資訊偏移等問題，讓回答更聚焦、更可靠。
一名酒商的顧客透過 LINE 傳來一張酒瓶照片，影像代理人即可自動辨識品牌、年份與產區等資訊，並將結果交給回答代理人；AI 會在產品資料中搜尋最接近的品項，立即回覆顧客相關資訊或推薦選項。整個流程無需人工介入，顧客只需傳一張照片，就能獲得完整且一致的回覆。
同樣的模式，也能運用在飯店訂房場景。顧客輸入「我想預訂 9 月 15 號雙人房，還有空房嗎？」後，自訂代理人會先整理出日期、房型、人數等必要欄位，判斷代理人識別「預訂意圖」並確認資訊是否完整；若資料齊全，便立即透過 API 查詢空房狀態並回覆預訂方案；若不完整，AI 會主動補問，協助顧客完成後續流程。
在這些服務情境中，AI 不再只是輔助，而是流程中的正式成員。透過「整序者、解析者、執行者」三種明確分工與多個可控代理人的組合，企業能打造一套真正可落地、可維護、可持續優化的 AI 客服系統。它比將所有能力塞進單一模型更務實，也能確保每個節點都有清楚目的，行為更可控。
最終，AI 的價值不在於規模，而在於是否能在每一次顧客互動中，帶來更高的準確性、更短的處理時間與更一致的服務品質。透過明確分工的代理人架構，企業離這個目標也就更近一步。
