聊天機器人
說明早期以 NLP 與詞彙比對為主的知識庫聊天機器人設定，以及在目前 LLM AI 架構下的適用情境與遷移建議。
概述
本頁介紹的是 FIRST LINE 早期知識庫聊天機器人的問答方式。這套機制主要透過自然語言處理（NLP）、關鍵字、詞庫與「使用者語句」協助系統判斷客戶問題，並將問題匹配至適合的知識庫文章。
這類設定在既有流程中仍可繼續使用，特別適合規則明確、問法固定，或企業希望自行維護關鍵字與匹配邏輯的情境。
隨著 FIRST LINE 已提供以大型語言模型（LLM）為基礎的 AI 回答功能，詞庫與大量「使用者語句」通常已不再是建立知識型聊天機器人的必要前置設定。
如果正在建立新的聊天機器人流程，或準備重新整理既有的知識庫問答流程，建議優先評估 AI 回答代理人。AI 可以直接依指定知識庫等資料來源理解客戶問題與近期對話內容，再產生回答，通常能減少大量例句、同義詞與關鍵字的人工維護工作。
傳統 NLP 與 AI 回答有什麼不同？
傳統 NLP 架構主要依賴事先整理好的文字特徵，例如關鍵字、同義詞、專有名詞與常見問句，再依相似程度尋找最接近的知識庫文章。
因此，如果客戶的問法變化很大，企業通常需要持續補充使用者語句或詞庫內容，才能提高匹配率。
目前的 AI 回答功能則可以利用 LLM 理解較完整的語意與上下文，並直接從指定的知識來源尋找資訊後組織回答。使用者不一定要事先列出每一種可能問法，維護重點會逐漸從「補關鍵字與例句」轉為「確保知識內容正確、完整且容易理解」。
客戶問法固定、規則明確
適合
適合
客戶可能使用大量不同說法
需要持續補充例句與詞彙
較適合
希望理解前後文與較自然的問題
能力較有限
較適合
希望完全依固定匹配邏輯運作
較適合
需依 AI 節點設定控制
知識內容經常更新
需同步檢查例句與匹配結果
通常以維護知識來源為主
AI 並不代表所有情境都應移除傳統規則。若企業有需要精確控制的固定流程、關鍵字指令或明確分流條件，仍可以保留規則型節點，再將需要理解自然語言或回答知識問題的部分交給 AI 處理。
建議如何從舊流程轉移到 AI？
如果目前已經透過本頁的詞庫與使用者語句建立大量知識庫問答，可以分階段轉移，不需要一次移除所有既有設定。
先確認知識庫文章內容：檢查目前用來回答問題的文章是否正確、完整，並移除過期資訊。
挑選一部分問答流程改用 AI 回答代理人：可先從問法變化較大、需要理解上下文的常見問題開始。
指定 AI 使用的知識來源：在 AI 回答代理人中設定知識庫或特定分類，限制回答範圍。
設定找不到答案時的處理方式：例如進入其他腳本、提供選項或轉派真人專員，避免 AI 無法回答時中斷服務流程。
觀察實際回答效果後逐步縮減舊設定：當 AI 已能穩定處理某類問題後，再評估是否需要繼續維護原本的大量使用者語句與詞庫。
AI 回答代理人會依節點所設定的資料來源尋找相關資訊，並搭配近期對話內容理解客戶目前的問題。如果無法取得明確答案，也可以依照節點中的「沒有答案」設定接續其他流程。
舊式 NLP 設定：提高命中率與精準度
以下設定主要適用於仍使用傳統 NLP 知識庫匹配方式的既有流程。
知識庫搜尋功能會透過自然語言處理（NLP）技術，嘗試理解並處理顧客訊息中的關鍵字，再將客戶查詢與知識庫中的相關內容進行匹配。
由於不同企業或行業可能使用特定術語或用語習慣，若仍使用這套匹配方式，可以透過詞庫與使用者語句補充系統需要辨識的專有名詞與常見問法，以提高命中率。
詞庫
你可以透過「應用程式」中的「聊天機器人」分類，點擊「詞庫」以新增更多專有名詞，這有助於舊式 NLP 匹配機制理解企業特定用語。
例如，若客戶輸入「要如何進行作空」，而「作空」屬於企業領域中的特殊用語，可以新增一個「股票」分類，並加入「作空」這個名詞，協助系統辨識這類訊息。
使用者語句
使用者語句是提供給傳統 NLP 匹配機制的常見問法範例。系統會參考這些語句、知識庫文章標題及內文，評估客戶問題與文章之間的匹配程度。
例如，可以設定：
什麼時候會收到
東西幾天會到
包裹幾天內會到
包裹三天內會到嗎
包裹預定送達的日期及時間嗎
包裹什麼時候送到
當客戶詢問「請問我的包裹何時能送達？」或「我想查詢我的包裹何時會送到」時，系統會依這些語句中的相關文字與知識庫內容進行模糊匹配，再選擇匹配度較高的文章。
也就是說，客戶的問題不需要與設定的使用者語句完全相同，但如果問法變化超出原本可辨識的範圍，就可能需要額外補充例句或詞彙。
仍要保留人工服務的出口
無論使用傳統 NLP 或 AI 回答，都不建議假設自動化可以處理所有客戶問題。
建議在交談腳本中保留找不到答案、需要人工判斷或客戶主動要求真人服務時的後續流程，例如提供「聯繫真人客服」選項或轉派至服務佇列。
這樣可以在自動化無法提供適合答案時，讓服務順利交由專員接續處理。
最後更新於