AI 工具開發

我們做的 AI 應用類型

• AI 客服 / 智能助理（LINE、網站、Slack）
• AI 語音接聽與派單（電話即時語音對話、自動建單）
• 企業知識庫問答系統（員工問內部文件、SOP）
• 文件處理自動化（合約審閱、發票辨識、報表整理）
• 客製化 GPT / Claude 助理（特定領域知識）

技術選擇彈性

• 不綁定單一 AI 廠商：整合 GPT、Claude、Gemini，依任務選最適合的模型
• 部署彈性：可用雲端 API，也可把開源模型部署在客戶自有伺服器（資料不外流）
• 完整原始碼交付，不收長期授權費
• 與 LINE、Slack 及自有後端系統的串接經驗

AI 客服準不準？關鍵在 RAG，把答案關進你自己的知識庫

客戶最擔心的一句話通常是「AI 會不會亂講」。會，這是語言模型的本質——它天生會為了把話講順而編造（業界稱為「幻覺 hallucination」）。我們的做法不是假裝這問題沒有，而是用 RAG（檢索增強生成）把它壓到可接受的範圍：先把你的產品文件、FAQ、SOP 切成小段、建立向量索引，使用者提問時系統先「查資料」再讓 AI「照著查到的內容回答」，並附上引用來源。答不到的就老實說「這題我幫你轉專人」，而不是硬掰。我們會把醜話講在前面：RAG 是把錯誤率降下來、讓答案可追溯，不是保證零錯誤——真正高風險的問答（金額、法遵、醫療）我們一定保留人工把關。

AI 答不出來時怎麼辦：轉真人與對話流程設計

一個好的 AI 客服，價值不只在「它答得出的部分」，更在「它答不出時的處理」。我們在設計時會先劃出升級（escalation）規則：連續兩次答非所問、使用者出現情緒字眼、或問到金流與退款這類敏感問題，就自動帶著完整對話紀錄轉給真人，讓客戶不必從頭再問一次。對話流程本身採混合式——固定流程（查訂單、預約、報修）走規則確保精準，開放問題才交給 AI，並靠意圖辨識與多輪記憶讓它聽得懂上下文（使用者先問「退貨」、再問「幾天到」，系統知道兩句講的是同一件事）。純決策樹太死板、純放生給 AI 又容易失控，這條中間路線才是實務上跑得穩的做法。

我們的觀點：先算 ROI，別為了 AI 而 AI

這兩年最常見的狀況，是老闆看了新聞覺得「我們也該導入 AI」，但說不清楚要解決什麼問題。我們的做法剛好相反：先找那個「重複、耗人力、又有明確規則」的環節下手，因為那裡的投資報酬最容易算得出來。舉個我們自己做的例子——花蓮計程車車隊每天大量電話叫車，接線是高度重複的人力工作，我們替它做了 AI 語音接聽（即時語音對話、自動辨識地標、直接建單派車），這種地方導入 AI 才划算。反過來，如果只是想要一個「看起來很厲害」的 AI，我們會老實跟你說別花這個錢。

實際做過的 AI 案子

我們交付過的 AI 應用包括：GoGoCha 花蓮計程車的 AI 電話接聽與 SmartDispatcherV2 智慧派單後端；戀愛互動遊戲《Alive》的多模型編排（Claude／Gemini／OpenAI）與 7 維情緒系統，已上架 iOS／Android；以及中醫診所的 LINE 預約系統（含併發控制與大量 E2E 測試）。這些都是上線運行中的真實系統，不是 demo。