小團隊要做到「全天候回應客戶」，最常卡住的不是意願，而是人力。火心壬新創股份有限公司的小型團隊，需要全天候回應客戶常見問題，並依對話意圖分流給合適的人員。我們為他們建置了一個 LLM 驅動的 LINE 官方帳號機器人，以下是這個案例的需求、做法與技術選型。
需求：小團隊、全天候、能分流
依我們公開的案例內容，火心壬新創股份有限公司的小型團隊需要全天候回應客戶常見問題，並依對話意圖分流給合適的人員。客戶的詢問不會只在上班時間出現，這對人力有限的小團隊來說是很實際的壓力。
除了「回覆常見問題」之外，另一個需求是「分流」：不是所有問題都適合機器人自己處理，遇到需要人判斷、牽涉個案細節，或對話情境比較複雜的狀況，要能依對話意圖判斷並轉接給真人，而不是讓客戶卡在機器人的制式回覆裡反覆打轉、得不到解決。
我們做了什麼
我們為火心壬建置了一個以 LLM 驅動的 LINE 官方帳號機器人，核心功能是自動回覆常見問題、依對話意圖分流，並在需要時把對話轉接給真人。整體設計的邏輯是讓機器人先承接大部分重複性高的詢問，把人力留給真正需要人判斷的情境，藉此讓小團隊也能全天候回應客戶。
採用技術
這個案例採用的技術組合是 LINE Messaging API（負責串接 LINE 官方帳號的訊息收送）、LLM（負責理解訪客意圖並產生回覆）、RAG 檢索增強生成，以及自動回覆邏輯（處理常見問題的即時回應）。
其中 RAG 這個環節的用意，是讓機器人的回覆能依據特定知識內容作答，而不只是憑模型本身的一般知識回答——對客服情境來說，這代表回覆可以貼近客戶真實會問到的產品或服務細節，而不是給出泛泛而談、聽起來合理但不夠具體的回答。搭配意圖分流，機器人可以先判斷這則訊息是常見問題還是需要人工介入的情境，再決定要自己回覆還是轉真人，是這個案例裡「自動化」與「人味」之間的分工方式。
上線狀態
這個專案已經上線，案例頁列出的網址是 mars-zen.com。
這個案例說明了什麼
這篇案例刻意沒有附上採用人數、回應時間改善幅度或專案時程等數字——這些細節不在這個案例目前公開的內容範圍內，與其編一個聽起來合理的數字，我們選擇不寫。可以一般化來說的是：小團隊、選擇客戶原本就在用的既有管道、加上一個懂得判斷自己極限而適時轉真人的機器人，我們認為這個組合值得當成一種獨立的 AI Agent 專案類型來看待，而不是把企業級客服系統直接縮小版套用。
一般化的導入流程
如果您也在評估類似的 LINE Bot AI Agent 專案，一般會經過以下幾個階段，實際時程與工作項目仍須依個別專案需求而定：
- 釐清需求與範圍：先盤點客戶最常詢問的問題類型，以及哪些情境必須轉真人處理，而不是先急著挑技術——先挑技術容易做出一個回答了沒人在問的問題的系統。
- 確認技術組合：依需求決定是否需要 LLM、是否需要 RAG 讓回覆有明確知識依據、要不要做意圖分流。不是每個情境都三者都需要，範圍小又固定的 FAQ 機器人可能完全不需要 RAG，但知識內容龐大又常更新的情境幾乎都需要。
- 串接 LINE Messaging API：處理官方帳號的訊息收送與整合，這是後續所有功能都要架在上面的管道層。
- 設計分流與轉真人邏輯：讓機器人知道什麼情境該自己回、什麼情境該轉接，也要讓轉真人的過程對客戶來說夠順暢，而不是像重新開始一次對話。
- 上線並持續調整：上線後依實際對話內容調整常見問題的涵蓋範圍與分流規則，因為上線前規劃得再周全，也很難完全預測機器人正式面對客戶後，實際會被問到什麼。
下一步
如果您的團隊也面臨類似的挑戰——人力有限，但客戶詢問需要隨時有人回應——歡迎參考我們的 AI Agent 導入服務，或直接聯絡我們，聊聊您的情境適合怎麼樣的技術組合。