AI 工具开发

我们做的 AI 应用类型

• AI 客服 / 智能助理（LINE、网站、Slack）
• AI 语音接听与派单（电话即时语音对话、自动建单）
• 企业知识库问答系统（员工问内部文件、SOP）
• 文件处理自动化（合约审阅、发票辨识、报表整理）
• 客制化 GPT / Claude 助理（特定领域知识）

技术选择弹性

• 不绑定单一 AI 厂商：整合 GPT、Claude、Gemini，依任务选最适合的模型
• 部署弹性：可用云端 API，也可把开源模型部署在客户自有服务器（资料不外流）
• 完整原始码交付，不收长期授权费
• 与 LINE、Slack 及自有后端系统的集成经验

AI 客服准不准？关键在 RAG，把答案关进你自己的知识库

客户最担心的一句话通常是「AI 会不会乱讲」。会，这是语言模型的本质——它天生会为了把话讲顺而编造（业界称为「幻觉 hallucination」）。我们的做法不是假装这问题没有，而是用 RAG（检索增强生成）把它压到可接受的范围：先把你的产品文件、FAQ、SOP 切成小段、建立向量索引，使用者提问时系统先「查资料」再让 AI「照着查到的内容回答」，并附上引用来源。答不到的就老实说「这题我帮你转专人」，而不是硬掰。我们会把丑话讲在前面：RAG 是把错误率降下来、让答案可追溯，不是保证零错误——真正高风险的问答（金额、法遵、医疗）我们一定保留人工把关。

AI 答不出来时怎么办：转真人与对话流程设计

一个好的 AI 客服，价值不只在「它答得出的部分」，更在「它答不出时的处理」。我们在设计时会先划出升级（escalation）规则：连续两次答非所问、使用者出现情绪字眼、或问到金流与退款这类敏感问题，就自动带着完整对话纪录转给真人，让客户不必从头再问一次。对话流程本身采混合式——固定流程（查订单、预约、报修）走规则确保精准，开放问题才交给 AI，并靠意图辨识与多轮记忆让它听得懂上下文（使用者先问「退货」、再问「几天到」，系统知道两句讲的是同一件事）。纯决策树太死板、纯放生给 AI 又容易失控，这条中间路线才是实务上跑得稳的做法。

我们的观点：先算 ROI，别为了 AI 而 AI

这两年最常见的状况，是老板看了新闻觉得「我们也该导入 AI」，但说不清楚要解决什么问题。我们的做法刚好相反：先找那个「重复、耗人力、又有明确规则」的环节下手，因为那里的投资报酬最容易算得出来。举个我们自己做的例子——花莲计程车车队每天大量电话叫车，接线是高度重复的人力工作，我们替它做了 AI 语音接听（即时语音对话、自动辨识地标、直接建单派车），这种地方导入 AI 才划算。反过来，如果只是想要一个「看起来很厉害」的 AI，我们会老实跟你说别花这个钱。

实际做过的 AI 案子

我们交付过的 AI 应用包括：GoGoCha 花莲计程车的 AI 电话接听与 SmartDispatcherV2 智慧派单后端；恋爱互动游戏《Alive》的多模型编排（Claude／Gemini／OpenAI）与 7 维情绪系统，已上架 iOS／Android；以及中医诊所的 LINE 预约系统（含并发控制与大量 E2E 测试）。这些都是上线运行中的真实系统，不是 demo。