為什麼知識庫決定 AI 客服的成敗？
現在主流的 AI 客服採用檢索增強生成（RAG）架構：客戶提問後，系統先從知識庫「找出最相關的段落」，再交給大型語言模型組織成回答。這代表兩件事——AI 找不到段落就會亂猜或推託；找到的段落寫得含糊，回答就會跟著含糊。模型再聰明，也無法回答你沒寫進去的營業時間。
換句話說，AI 客服的品質上限由知識庫決定，模型只影響表達方式。導入預算的分配應該是：七成時間整理知識庫，三成時間調整流程與串接。
知識庫必備的五類內容
| 類型 | 內容 | 常見缺漏 |
|---|---|---|
| 產品與服務 | 品項、規格、價格、方案差異、適用對象 | 只有型錄文案，沒寫「哪一種適合誰」 |
| 流程與步驟 | 預約、下單、退換貨、報修、付款方式 | 步驟寫在員工腦中，從未文字化 |
| 政策與規則 | 保固、取消條款、營業時間、服務範圍 | 規則有例外，但例外沒寫 |
| 情境對話 | 客戶常見問法與標準回應 | 只寫官方用語，沒收錄口語問法 |
| 不回答清單 | 醫療診斷、法律意見、競品比較、內部資訊 | 沒設邊界，AI 什麼都答 |
第五類最常被忽略，卻是風險最高的一塊。診所的 AI 客服不能替病人判斷症狀、保險經紀的 AI 不能承諾理賠結果，這些「該轉真人」的邊界要明確寫進知識庫，並指定轉接方式。
AI 讀得懂的撰寫格式
一段一問題
每個知識條目只回答一個問題，標題直接用客戶會問的問句：「可以刷卡分期嗎？」比「付款方式說明」好用得多，因為檢索是以語意相似度比對，問句對問句的命中率最高。
把條件寫死
「視情況而定」「請洽門市」是知識庫的毒藥。正確寫法是把條件列出：「單筆滿 3,000 元可分 3 期零利率；未滿 3,000 元不提供分期。」AI 只能複述你給的規則，模糊的輸入必然產生模糊的輸出。
長度與分段
每個條目 150 到 300 字最理想。太短缺乏上下文，太長會讓檢索抓到不相關的片段。一份 3,000 字的退換貨政策，應拆成「退貨期限」「退貨條件」「退款時程」「不可退商品」等獨立條目。
同義詞與口語
台灣客戶問「可以貨到付款嗎」也會問「能不能收到再付」「有沒有 COD」。在條目中加入常見的同義說法，能大幅提升檢索命中率。這些口語問法的最佳來源，是過去半年的真人客服對話紀錄。
版本與日期
每個條目標註最後更新日期與負責人。價格、活動、營業時間這類會變動的資訊，另建「時效性條目」清單，每月固定檢查。
上線前的測試方法
從真實客服紀錄抽出 50 個問題（涵蓋五類內容，並刻意放入 10 個「應該轉真人」的問題），逐題測試並記錄三種結果：答對、答錯、該轉沒轉。答對率 85% 以上、「該轉沒轉」為零，才建議正式開放。答錯的題目回頭修知識庫，而不是調模型參數——這是我們反覆驗證過的順序。
94iplay 實務觀察
我們為一家連鎖美容業者導入 LINE AI 客服時，第一版知識庫直接搬官網文案，測試答對率只有 61%。問題集中在三處：療程價格在官網與門市不一致、預約規則沒寫「當日取消」怎麼處理、以及客戶用「做臉」提問但知識庫只寫「臉部護理」。重新依本文格式整理後，第二版答對率提升到 91%，真人客服的訊息量減少約六成。經驗告訴我們：知識庫整理的過程，往往也是企業第一次把自己的規則講清楚。
每月維護節奏
上線不是終點。每月做一次四步循環：從後台匯出 AI 回答「找不到資料」或客戶追問「不是這個意思」的對話；判斷是知識缺漏還是寫法問題並修訂；用原本的 50 題測試題加上新問題重測；發布更新。多數企業在第三個月後，未答率會穩定在 5% 以下。
常見問題 FAQ
知識庫要多大才夠？
不看數量看覆蓋率。中小企業通常 80 到 150 個條目就能覆蓋九成的客戶問題；重點是每個條目寫清楚，而不是條目多。
可以直接上傳 PDF 型錄嗎？
可以當補充來源，但不能當主體。PDF 的版面、表格與圖片文字在檢索時常被切碎，主要問答仍建議整理成結構化的條目。
知識庫要用什麼工具管理？
Google Sheets 或 Notion 就能起步，重點是有「問題、答案、條件、更新日、負責人」五個欄位，並能用 n8n 之類的工作流自動同步到 AI 客服系統。
AI 答錯造成客訴誰負責？
企業負責，這也是為什麼「不回答清單」與轉真人機制必須在上線前就設定。涉及金額、健康、法律的問題一律轉真人，是我們的標準建議。
結語
AI 客服導入的真正工程，是把散落在員工腦中、LINE 群組與舊型錄裡的知識，整理成一份清楚、有邊界、可維護的文件。做好這件事，AI 只是把它二十四小時說出來而已。
想評估企業的 AI 客服導入與知識庫建置，歡迎參考 94iplay 的 AI 客服解決方案（https://www.94iplay.com/服務項目/ai-客服解決方案/）或與我們聯繫（https://www.94iplay.com/聯絡我們/）。
參考資料
- Anthropic. Retrieval augmented generation guide. https://docs.claude.com/en/docs/build-with-claude/retrieval-augmented-generation
- OpenAI. Retrieval best practices. https://platform.openai.com/docs/guides/retrieval
- LINE Developers. Messaging API overview. https://developers.line.biz/en/docs/messaging-api/overview/
- Google Cloud. What is RAG? https://cloud.google.com/use-cases/retrieval-augmented-generation
- n8n Documentation. Vector store nodes. https://docs.n8n.io/integrations/builtin/cluster-nodes/root-nodes/n8n-nodes-langchain.vectorstoreinmemory/
