串接 LINE、n8n、RAG 向量資料庫與 AI，客戶在 LINE 上詢問產品、價格、交期時自動分流並回覆， 並把詢問同步通知內部。本頁為純前端互動展示。
AI 的回答行為不寫死在程式裡，而是由四段式情境設定驅動： 觸發條件 → 資訊收集 → API 工具 → 回覆規則。 每個情境可獨立設定優先度、必填欄位與可用資料源，新增情境不需改程式碼。 點左側情境，右側流程即時切換。
每通對話結束後，AI 依 B2B 客製禮品的業務邏輯自動貼標： 客戶單位別、產業、詢價金額帶、數量級距、交期急迫度與問題類型。 這些標籤讓「客服對話」變成可分析的市場與 TA 數據，而不只是聊天紀錄。
RAG 會答錯，所以除了「答得出來」，更重要的是答錯時系統知不知道。 以下三層機制在客訴發生前先攔下問題，並把低分案例回饋成優化建議。
AI 回覆送出後另跑一次獨立回查：比對回覆內容與引用的資料來源是否一致， 發現引用不到來源或數字對不上，立即標記並通知內部確認。
每則回覆依正確性、完整度、語氣、是否越權承諾四項自動評分， 低於門檻自動進入複審佇列，不等客訴才發現問題。
累積低分與轉人工案例後，系統彙整出優化建議： 哪些問題常答不好、哪份資料需要補、哪個情境該調整回覆規則。
先用編號／關鍵字做精準比對，命中就直接回覆；找不到才動用 AI 語意搜尋，同時顧到準確度與運算成本。
變動少的 FAQ／產品／牌價以批次方式同步為「冷資料」，查詢時走「熱資料」快取與向量索引，明顯降低回應延遲。
沒有對應牌價時不臆測價格，改提示「需人工確認」並自動建立宜搭詢價單，避免報錯價造成商業風險。
客戶詢問同步通知內部群組，重要詢價與需人工處理的案件不漏接。
把上萬筆產品建成記憶體索引（編號／分類／關鍵詞），並用檔案 mtime／size 判斷是否重建，避免每次查詢重讀整份資料、大幅降低延遲。
獨立完成從系統設計、多平台整合到生產化維運的 B2B 智能客服：以 RAG 與分層檢索確保回覆準確、 將報價風險與 API 成本納入設計，讓常見詢問自動化處理，把人力集中在真正需要人工的高價值客戶。
串接 LINE Messaging API、n8n 自動化流程、向量資料庫與 AI 生成模型， 並整合 宜搭表單與內部群組通知，串起「客戶詢問 → 自動回覆 → 內部跟進」的完整閉環。
將 FAQ 與產品知識向量化建立索引，依問題語意檢索相關內容後再交給模型生成回答， 讓回覆有所本、可控、可追溯，而非單純讓模型自由發揮。
設計多層檢索：精準比對優先、語意搜尋為後備，並以冷熱資料分層與本地快取 減少不必要的向量運算與外部呼叫，同時改善回應速度與 API 成本。
針對報價情境採保守策略，無對應牌價即轉人工並自動建單， 把「AI 答錯造成的營運風險」納入系統設計，而不只是追求看起來會回答。
處理 webhook 簽章驗證、訊息去抖動、增量資料同步與本地快照索引等生產細節， 並以自動化測試守住關鍵行為（產品編號不被語意搜尋覆蓋、報價不亂估），確保穩定可維護。
先以 n8n 快速驗證可行性並上線，再為了效能、成本與可控性 重構為可維護的服務——兼具「快速落地」與「長期可維運」兩種能力。
＊ 實際的檢索邏輯、資料結構、prompt 與門檻參數屬營運 know-how，未公開於本展示，可於面談時進一步說明。