M06.04｜聊天機器人建置：不寫程式也能做客服 AI
用對話流程設計工具，行銷人員也能做出智慧客服
本講學習重點
規則式機器人：依關鍵字/選項觸發，快速可靠，但彈性低
AI 驅動機器人：NLU 理解意圖，語意相近的問法都能處理
NLU (Natural Language Understanding)：從使用者輸入提取意圖和實體
Dialogflow：Google 雲端服務，整合 Google 生態，適合多通道部署
Botpress：開源可自建，資料隱私可控，適合有技術能力的企業
對話設計原則：短回應、清楚按鈕、永遠有後路、知道自己的邊界、轉接人工
🎙️ Podcast（中文）
一句話搞懂
聊天機器人建置平台讓你用「設計對話流程」的方式取代「寫程式」，從定義「客戶可能問什麼」到「機器人該怎麼回答」，全部在視覺化介面上完成。
白話解說
規則式 vs AI 驅動：兩種完全不同的思路
聊天機器人的演化經歷了兩個截然不同的世代。第一代規則式機器人的運作方式像是一棵決策樹：使用者選擇選項 A，機器人顯示 A 的回覆；使用者輸入包含「退貨」這個關鍵字，機器人跳到退貨流程。這種方式的優點是可靠——你完全清楚在每種輸入下機器人會說什麼——缺點是僵硬，使用者稍微換個說法（把「退貨」說成「東西壞掉想換新的」），機器人就可能完全無法理解。
第二代 AI 驅動機器人引入了 NLU（Natural Language Understanding，自然語言理解）技術。NLU 的核心能力是「意圖識別（Intent Recognition）」：即使使用者用不同的說法表達同一個需求，機器人都能正確辨識背後的意圖。比如：「我想退貨」、「這個東西壞掉了」、「幫我申請退款」，在 NLU 看來都屬於同一個意圖「申請退貨」，可以觸發同一個處理流程。
NLU 的三個核心元素
理解 AI 聊天機器人的運作，需要掌握三個關鍵概念：
意圖（Intent）：使用者想要做什麼。例如「查詢訂單狀態」、「申請退款」、「詢問門市地址」。你在建置平台上為每個意圖提供十到二十個不同說法的範例（稱為「訓練語句」），AI 模型學習後就能辨識使用者的問題屬於哪個意圖。
實體（Entity）：意圖中的關鍵參數。例如「查詢訂單 #12345 的狀態」中，「#12345」是訂單號碼實體；「我想退掉昨天買的藍色外套」中，「藍色外套」是商品實體、「昨天」是時間實體。
後備（Fallback）：當機器人無法辨識使用者的意圖時，觸發的預設回應。一個設計良好的後備不是說「我不懂你在說什麼」，而是提供幫助性的引導，例如「抱歉我沒有理解您的問題，您是想要 1. 查詢訂單 2. 申請退款 3. 聯繫客服？」
主流建置平台各有特色
Dialogflow（Google）是目前全球最廣泛使用的聊天機器人建置平台之一，擁有 CX（客戶體驗版，企業級）和 ES（Essentials，標準版）兩個版本。它支援 30+ 種語言的 NLU、可以直接整合 Google Assistant、以及透過 Webhook 連接後端系統。Dialogflow 的優勢在於 Google 的 NLU 品質和廣泛的整合生態系，適合想快速部署多通道（網頁、LINE、Facebook、Google Assistant）機器人的組織。
Botpress 是開源的聊天機器人平台，最大的優點是完全可自行部署（Self-hosted），資料完全不離開你的伺服器，特別適合對資料隱私有嚴格要求的組織（如醫療、法律、金融機構）。Botpress 的視覺化流程設計器功能完整，同時提供雲端版本（含免費額度）和開源版本，技術社群活躍。
Microsoft Bot Framework + Power Virtual Agents 是 Microsoft 生態系的聊天機器人解決方案。Power Virtual Agents 提供高度直覺化的 No-Code 介面，適合業務人員直接建立，並可與 Teams、SharePoint、Microsoft 365 深度整合，是已使用 Microsoft 生態系企業的自然選擇。
LINE Bot（LINE Messaging API） 在台灣市場特別重要。LINE 官方帳號 2.0 提供基礎的聊天機器人功能（圖文選單、快速回覆），若需要更複雜的 AI 對話能力，可以結合 Dialogflow 或 Botpress 的 NLU 後端，透過 LINE Messaging API 整合。
對話設計的五個核心原則
建置聊天機器人最容易犯的錯誤，不是技術問題，而是對話設計問題。好的對話設計遵循以下原則：
- 短而清楚：每次回覆控制在三至四行以內，必要時分多則訊息傳送，避免一次丟出大量文字
- 提供選項按鈕：降低使用者的輸入負擔，快速回覆按鈕讓常見操作一鍵完成
- 永遠有後路：每個流程都要有「回主選單」的出口，不要讓使用者陷入死胡同
- 知道自己的邊界：機器人不能處理的問題，要誠實說明並提供替代方案
- 順暢轉接人工：當問題超出機器人能力時，能夠將完整對話紀錄無縫轉給真人客服
應用場景
| 產業 | 機器人類型 | 主要功能 | 整合通道 | 成效指標 |
|---|---|---|---|---|
| 零售電商 | 訂單查詢 + 退換貨 | 查詢訂單狀態、啟動退款流程 | LINE、網頁 | 降低客服來電量 40% |
| 餐飲連鎖 | 訂位 + 外帶點餐 | 收集訂位資訊、接受預訂 | LINE 官方帳號 | 24h 接受訂位，節省電話人力 |
| 銀行金融 | FAQ + 帳戶查詢 | 回答常見問題、轉介業務專員 | 網頁、App 內嵌 | 80% 常見問題自動解決 |
| 人資部門 | 招募諮詢機器人 | 解答職缺問題、收集基本履歷 | 官網、LINE | 篩選率提升，面試邀約更精準 |
| 醫療診所 | 預約掛號助理 | 查詢門診時間、線上預約掛號 | LINE、Botpress 自建 | 電話預約量降低 60% |
| 教育機構 | 課程諮詢機器人 | 回答課程問題、引導報名流程 | Facebook、網頁 | 潛在學員轉換率提升 |
常見誤區
誤區 1：「AI 聊天機器人可以回答所有問題，不需要人工客服」
這是最危險的期待管理失誤。目前的聊天機器人，即使是結合大型語言模型的最新版本，在特定場景下仍然有明確的限制：處理情緒化的客訴、判斷複雜的個案例外、進行需要同理心的溝通、以及應對機器人訓練資料中從未出現過的全新問題。聊天機器人最好的定位是「第一線篩選和自動化標準流程」，而非「取代所有人工客服」。一個成熟的設計應該是：80% 的標準問題由機器人處理，20% 的複雜問題轉接真人，真人客服因此得以專注在真正需要人類判斷的案例上。
誤區 2：「機器人上線後不需要維護，會自己越來越聰明」
許多人誤以為 AI 聊天機器人像人一樣，在和客戶對話的過程中會自動學習、自動進步。事實上，大多數商業聊天機器人平台採用的是靜態訓練模型——它在上線時的能力就是它的上限，不會因為對話多了就自動改進。要讓機器人越來越好，必須定期人工分析「後備觸發日誌」（即機器人回答不了的對話），找出高頻出現的未覆蓋問題，新增對應的意圖和訓練語句，然後重新訓練和部署。建議每個月至少做一次這樣的「機器人健診」。
誤區 3：「只要複製競爭對手的機器人功能，就能達到同樣的效果」
聊天機器人的成效很大程度上取決於對話資料的品質。你的競爭對手用了三年真實客戶對話資料訓練的 NLU 模型，你複製了他的問答設計，但沒有他的訓練資料，機器人的意圖辨識準確率可能會相差甚遠。更重要的是，對話設計必須配合你的品牌語氣和客戶特性。一家親子教育品牌的機器人應該使用溫暖、鼓勵性的語調，一家科技 B2B 公司的機器人則應該精準、專業、少廢話。複製功能容易，複製適合自己的對話設計需要真正了解自己的客戶。
小練習
練習 1：意圖設計練習
你要為一家線上花店建立一個 LINE 聊天機器人。請設計出五個核心「意圖（Intent）」，並為每個意圖提供三個不同說法的訓練語句（讓 AI 學習辨識）：
查看答案
**意圖 1：查詢花束價格** - 訓練語句：「你們的玫瑰花束多少錢？」、「有沒有 500 元以內的方案？」、「情人節花束的價格是多少？」 **意圖 2：訂購花束** - 訓練語句：「我要訂一束花」、「幫我下單買花」、「我想買花送給媽媽」 **意圖 3：查詢訂單狀態** - 訓練語句：「我的花送到了嗎？」、「訂單什麼時候出貨？」、「我昨天訂的花在哪裡？」 **意圖 4：客製化需求** - 訓練語句：「可以幫我寫卡片嗎？」、「我要指定放向日葵」、「能不能做成手提盒的包裝？」 **意圖 5：當日配送查詢** - 訓練語句：「今天下午可以送到嗎？」、「有急件服務嗎？」、「幾點前下單可以今天到？」 **關鍵設計重點**： - 每個意圖至少需要 10-20 個訓練語句，這裡只是示範最少量 - 訓練語句應涵蓋正式、口語、甚至錯字的各種說法 - 要為「訂購」意圖定義「實體」：花束種類、數量、收件人、送達時間練習 2：後備流程設計
一個設計良好的後備（Fallback）機制是聊天機器人使用者體驗的關鍵。請針對以下三種「機器人無法理解」的情境，設計一個適當的後備回覆文字，並說明後備的設計原則：
| 情境 | 使用者輸入 | 請設計後備回覆 |
|---|---|---|
| A | 「你們可以辦喪禮的花嗎？」（超出花店機器人設計範圍） | ？ |
| B | 「asdfghjkl」（測試/亂打） | ？ |
| C | 「我上次在你們這邊買的花三天就枯了，我很不高興」（客訴情緒化） | ？ |