你的知識庫決定 AI 客服的智商——怎麼餵資料才不會養出白痴

你花了錢做 AI 客服，結果它最常說的一句話是「很抱歉，我無法回答」

這是我聽過最多的抱怨。老闆花了十幾萬做 AI 客服系統，上線第一週，客戶問「你們的 A 方案跟 B 方案差在哪」，AI 回答「很抱歉，我目前無法提供這方面的資訊，建議您聯繫客服人員」。

客戶的反應：「所以這個機器人到底有什麼用？」

老闆的反應：「AI 果然還不行。」

兩個人都搞錯重點了。問題不在 AI 模型笨，在你餵進去的資料根本沒有答案。

這就像你請了一個記憶力超強的實習生，但只給他一份過期的產品目錄和一堆格式混亂的 Word 檔，然後期望他能回答客戶的任何問題。他當然答不出來——不是他笨，是你沒給他東西。

同一個模型，知識庫品質差五倍

我做過一個實驗：同一個 AI 模型（Claude Sonnet），接上兩套不同品質的知識庫，回答同樣 50 個客戶問題。

結果：

同一個模型，差距是 2.4 倍的正確率、3.2 倍的成本。模型沒換，唯一的變數是知識庫怎麼整理。

更恐怖的是「幻覺」那一行——亂餵的版本有四分之一的回答看起來很有自信，但內容是錯的。AI 不會說「我不確定」，它會很流暢地編一個聽起來合理但完全錯誤的答案。你的客戶信了，然後你就有客訴了。

三個決定 AI 客服智商的維度

維度一：格式——AI 讀得懂，不代表讀得準

大部分公司丟進知識庫的是什麼？PDF、Word、PPT、網頁截圖、甚至掃描的紙本文件。

AI 確實能「讀」這些格式，但讀的品質天差地遠：

一家餐廳把菜單的 PDF 丟進知識庫，結果 AI 把「招牌牛肉麵 $180」讀成「招牌牛肉 麵 $18 0」，客戶問價格，AI 回答 18 元。

不是 AI 的錯。是你給它的格式讓它讀錯了。

最低成本的改善：把核心資料轉成純文字或 Markdown。不用全部轉，先轉最常被問到的前 20 個問題涵蓋的內容就好。這一步通常花半天到一天，但可以讓正確率從 40% 跳到 75%。

維度二：粒度——一份文件回答一個問題

這是最反直覺的一點。

很多公司的做法：把整本產品手冊（200 頁）丟進知識庫，覺得「反正 AI 會自己找」。

問題是 AI 找答案的方式叫 RAG（Retrieval-Augmented Generation）——它不是讀完整本書再回答你，而是先搜尋最相關的幾個段落，只把這幾段送進 AI 模型。

搜尋的單位越大，精準度越低。想像你在圖書館找一個食譜：

• 搜尋單位是「整本書」→ 找到《中華料理大全》，但你要的「番茄炒蛋」在第 387 頁，AI 可能沒看到那頁
• 搜尋單位是「一個章節」→ 找到「家常菜」章節，範圍小多了
• 搜尋單位是「一道菜的食譜」→ 直接命中

知識庫的理想粒度：一個段落回答一個具體問題。

實務上怎麼做：

1. 把大文件拆成小段落。每段 200-500 字，圍繞一個具體主題。
2. 每段加上標題。標題要像客戶會問的問題：「A 方案和 B 方案的差別」比「產品比較表」好。
3. 重複的背景資訊不要刪。每段都應該能獨立被理解，不能假設讀者看過前面的內容。

一家保險公司把 80 頁的保單條款拆成 150 個「一問一答」段落後，AI 的正確回答率從 38% 跳到 79%。工作量大概是兩個人花三天。

維度三：更新頻率——過期的答案比沒有答案更危險

這是最多人忽略的。

知識庫建好那天，內容是對的。三個月後呢？價格改了、方案調了、新產品上了、舊功能下架了。

AI 不知道資料過期了。它會用過期的資訊，很有自信地回答客戶。

一個真實場景：某公司去年底調了價格，但知識庫裡還是舊價格。AI 告訴客戶「這個方案每月 $990」，客戶下單後發現實際收費 $1,290。客訴、退款、信任崩塌——全部因為一個沒更新的數字。

最低限度的防護：

1. 設定更新週期。核心資料（價格、方案、政策）至少每月檢查一次。
2. 加上時效標記。在知識庫段落裡寫「此價格更新於 2026 年 4 月」，AI 被問到時至少可以提醒客戶「這是 X 月的資訊，建議確認最新價格」。
3. 有人負責。不是 IT 部門的事，是最了解業務變動的那個人的事。通常是業務主管或客服主管。

快速自檢清單：你的知識庫及格嗎？

在花錢升級模型或換廠商之前，先跑這五題：

五題裡如果有三題不及格，你的 AI 客服問題八成不在模型，在知識庫。換更貴的模型不會變好，整理資料才會。

我怎麼幫客戶做這件事

通常分三步：

第一步：盤點（免費，聊 LINE 就行）

你把現有的資料丟給我看——可能是一堆 PDF、一個 Google Drive、或者你的官網。我幫你快速評估：哪些可以直接用、哪些要轉格式、哪些要拆段、哪些根本不該放進知識庫。

這一步不用花錢，通常十分鐘就有初步結論。

第二步：整理（最花時間，但最值得）

根據盤點結果，把核心資料轉成 AI 能精準讀取的格式。這步可以你自己做（我教你方法），也可以我來做。

通常 20-30 個核心主題的整理，工期大概 2-5 天。

第三步：接上 AI 並持續校準

整理好的知識庫接上 LINE Bot，跑一週的真實對話，看哪些問題還是答不好，再針對性補資料。

大部分客戶在第二步就會感受到巨大差異——同一個 AI 系統，換了知識庫，突然變聰明了。不是魔法，是你終於給了它正確的原料。

你的 AI 客服「笨」，可能只是餓了

AI 模型是引擎，知識庫是燃料。你不會因為車跑不動就換引擎——先看油箱裡裝的是不是對的油。

如果你已經有 AI 客服但效果不好，或者正在評估要不要做——加 LINE 跟我聊，把你目前的資料狀況大概描述一下。我可以幫你判斷問題在哪一層，以及最小成本的改善方案是什麼。

大部分情況下，花三天整理資料，效果比花三萬換模型好。