# FIRST LINE AI 完全手冊
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。
{% hint style="success" %} 💡 **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。 {% endhint %} ## **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。 | {% hint style="info" %} 💡 **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。 {% endhint %} #### **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

| {% hint style="info" %} 💡 **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。 {% endhint %} 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` | {% hint style="info" %} 💡 **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。 {% endhint %} *** ## **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。 | {% hint style="info" %} 💡 **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。 {% endhint %} *** 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。 --- # Agent Instructions: Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter: ``` GET https://help.firstline.cc/feature/chatbot/first-line-ai-wan-quan-shou-ce.md?ask= ``` The question should be specific, self-contained, and written in natural language. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.