為什麼台灣中小企業適合做 LINE Bot + AI?（背景）
台灣智慧型手機用戶幾乎人人有 LINE(NCC、市調普遍指出滲透率 9 成以上),中小企業的客戶溝通大多落在 LINE 上——這個現象台灣特別明顯。
對比歐美企業愛用的 Web Chat、Email 自動化，LINE Bot 是台灣特有的優勢路徑：
- 客戶不用切換 App——不需要 onboard 新工具
- 整合官方帳號生態——已存在的客戶關係不用重建
- MessagingAPI 成熟——LINE 提供完整文件、SDK、Webhook 機制
但坑也多，主要是「AI 胡謅承諾」「介面費用失控」「整合複雜度」。這篇講怎麼避坑。
AI Chatbot 通用入門 是綜覽，這篇專注 LINE 場景。
核心架構
[LINE 用戶傳訊]
↓
[LINE Messaging API]
↓ Webhook POST
[你的伺服器(Node.js / Python)]
↓
[預處理:過濾、辨識意圖]
↓
[路由到合適的 LLM(Claude / GPT / 本地)]
↓
[加入 RAG 上下文(向量資料庫查找)]
↓
[LLM 生成回應]
↓
[後處理:格式化、防護檢查]
↓
[Reply API 回到 LINE]
↓
[LINE 用戶看到回覆]幾個關鍵限制:
- HTTPS 必須——LINE Webhook 不接 HTTP，需有 SSL
- 回應時間 < 1 秒——超過 LINE 會重送，可能導致重複回覆
- 冪等性——同一 message_id 重複收到時，不能重複回覆（用 Redis 紀錄已處理 ID）
模型選擇分層
不要全用旗艦模型——介面費用會爆。做分層:
| 任務類型 | 推薦模型 | 介面成本（每百萬詞元） |
|---|---|---|
| 簡單 FAQ、訂單查詢 | GPT-4o-mini、Claude Haiku | 約 USD 0.15 |
| 一般客服對話 | Claude Sonnet、GPT-4o | 約 USD 3 |
| 複雜決策、合約解讀 | Claude 4.7、GPT-5 | 約 USD 15 |
| 本地隱私敏感 | Llama 4(Ollama 跑) | 0（自架成本） |
路由邏輯(Pseudocode):
def route_to_model(user_message, context):
if is_simple_faq(user_message):
return "claude-haiku-4-5"
if has_sensitive_info(user_message):
return "llama-4-local" # 本地跑保隱私
if requires_deep_reasoning(context):
return "claude-sonnet-4-6"
return "gpt-4o-mini" # 預設加上 Redis 快取：同樣的問題 24 小時內重複出現，直接回快取答案，不再調 LLM。
RAG 是必做
純 LLM 不認識你的公司——不知道你的產品價格、不知道你的退貨政策、不知道你的客服 SOP。RAG 把「公司知識」灌進去。
最簡 RAG 架構:
- 準備知識庫：整理產品手冊、訂單條款、客服 SOP 成 markdown 或文字
- 向量化：用 OpenAI Embeddings 或 nomic-embed-text 把文字轉成向量
- 存向量資料庫：小規模（< 100 萬向量）用 pgvector 即可
- 查詢時檢索：用戶問問題 → 把問題向量化 → 找最相關的 5 段知識 → 連同問題餵給 LLM
防止 LLM 胡謅 system prompt:
你是 [公司名] 的客服 AI。回答時嚴格遵守:
1. 只回答以下提供的「公司知識」內,不要編造
2. 如果問題超出提供的知識範圍,回「這個問題我幫您轉真人客服」
3. 不要承諾「保證」「絕對」「100%」這些詞
4. 涉及退款、訂單狀態查詢的問題,直接轉人工
公司知識:[RAG 檢索出來的相關段落]人機協作觸發條件
純 AI 客服在某些場景仍會出包。設計「自動轉真人」的觸發條件:
- 信心值低——LLM 對答案不確定（可用 Logprobs 或 self-reflection 偵測）
- 負面情緒——用戶訊息含「生氣」「投訴」「很差」等情緒詞
- 敏感關鍵字——「退款」「法律」「檢舉」「詐騙」自動轉
- 連續 3 次答非所問——用戶反覆說「不對」「我不是這個意思」自動轉
轉真人後，把整段對話歷史 + AI 答案 + 用戶情緒分析，整理成 markdown 送給真人客服。真人不用重看一遍對話就能上手。
成本控制實戰
3 個必做:
- Redis 快取：重複問題 24 小時內回快取，可節省 30-50% 介面成本
- 分層路由:80% 用便宜模型，20% 用旗艦，平均成本可從 USD 3 降到 USD 0.5 / 百萬 tokens
- 訊息長度限制：用戶單次訊息超過 2000 字截斷或拒絕，避免超長提示燒錢
監控指標（每月看）:
- 每用戶平均介面成本
- 轉真人客服比例（目標 15-30%，過低代表 AI 過度自信，過高代表 RAG 不夠）
- 用戶滿意度（每次對話結束發 1-5 分快速調查）
對台灣中小企業的具體建議
適合導入的場景:
- 電商（產品查詢、運費、退換貨）
- 餐飲訂位（常見問題、菜單推薦）
- 保險、金融（基礎產品資訊，複雜決策仍轉真人）
- 補習班、醫美（課程資訊、預約查詢）
不適合導入的場景:
- 高客單價諮詢（豪宅、汽車——客戶要真人介紹）
- 情感類（婚禮、葬儀社——AI 冷冰冰）
- 緊急醫療（風險太高）
典型導入時間 + 預算（中小企業）:
- 簡單版（只回 FAQ）:2-4 週、NT$50,000-100,000
- 完整版（含 RAG、訂單查詢、人機協作）:8-12 週、NT$300,000-500,000
外包還是自做？台灣有不少 LINE Bot + AI 整合服務商，中小企業多半外包划算。自做的話需要至少 1 位後端工程師全職 2 個月。
💡 Mason 的判斷
LINE Bot + AI 對台灣中小企業是「最具體可落地的 AI 應用」之一。我看到的成功 / 失敗模式：
成功的共通點:
- 先做小（只回 5 種常見問題），用順了再擴大
- 設清楚的「AI 邊界」——明確哪些不能問、哪些必轉人工
- 持續更新 RAG 知識庫——產品改了、SOP 改了，RAG 也要重新向量化
失敗的共通點:
- 想一次做大——「讓 AI 處理所有客服問題」，結果 bug 一堆、用戶體驗差
- 沒準備真人後援——AI 答不出就讓用戶卡住，客戶反而流失
- 沒監控成本——介面費用月底才看，發現超預算 5-10 倍
對「沒有資訊團隊的小公司」:直接用市面上的 LINE AI 客服 SaaS（超人氣、麥當勞線上、CYBERBIZ AI），不要自己做。 對「有 1-2 位工程師的中型公司」:自己做，但用 LangChain 或 LlamaIndex 加速，不要從零造輪子。
❓ FAQ
LINE Bot 介面費用是怎麼算的？
兩部分：(1) LINE Messaging API 訊息費（免費版每月 500 則免費；Pro 版 NT$880 / 月 + 額外訊息費）、(2) AI 模型介面費（看你用什麼模型）。對中小企業:LINE 訊息費通常不是主要，AI 介面費才是大宗——做好分層路由 + 快取最關鍵。
LINE Bot 能不能取得用戶個資？
可以，但要遵守台灣個資法 + LINE Platform Policy。取得方式:(1) 用戶主動傳訊息（電話、Email、地址）、(2) 取得 LINE Login 授權（可拿到 profile）、(3) 客戶要求查詢時主動詢問。絕對不要:用 OCR 偷掃用戶傳的證件、把用戶資料丟給海外 AI 介面但沒簽 DPA。
自己做 vs 用市面上的 SaaS，差多少？
自己做：彈性高、客製深、長期成本低，但初期投入大(2-3 個月開發 + 持續維護) 用 SaaS：上線快（1-2 週）、月費低(NT$3,000-30,000)，但客製能力有限，長期月費 24 個月後超過自做成本 判斷:月處理 < 10,000 訊息選 SaaS,月處理 > 50,000 或需要深度客製選自做。中間區段看你有沒有現成工程師。