客服信箱每天收到付款、技術問題、合作邀請與垃圾訊息，人工分流花時間，直接讓 agent 自動回覆又怕它承諾退款或把客訴送錯人。Make AI Agent 適合放在中間：讀取訊息、查一小份政策、輸出分類建議，後面的寫入與通知仍由可預測的 Scenario 執行。
第一個版本只處理「分類、摘要、建議負責人」，不寄信、不退款、不關閉 ticket。今天先建立一條測試 Scenario，匯入十封匿名舊信並只輸出 JSON；人工核對分類後，再擴到 50 封基準集。涉及金錢、法律、個資或負面客訴，一律送人工審核。
先確認方案與 beta 邊界
Make 官方把 2026 年 2 月 2 日推出的版本稱為 Make AI Agent (New)，目前仍是 open beta，功能與定價可能調整。所有方案都能使用 Make’s AI Provider；付費方案可建立自有 provider connection，例如 OpenAI 或 Anthropic Claude。
Make AI Agent 是雲端 SaaS orchestration 功能，沒有可下載的模型參數規模，也不是 open-weight 軟體；Make 平台授權與你所選模型 provider 的權重／商用授權是兩件事。需要特定模型大小、資料訓練或開放授權時，應回到 OpenAI、Anthropic 或其他 provider 的 model card 與條款確認。
選 Make’s AI Provider 時，Make 依 operation 與 AI tokens 動態扣 credits。使用自有 provider 時，Make 的 agent run 通常按 operation 扣 credit，模型 tokens 由供應商另外計費；knowledge 建檔仍可能產生 embedding tokens。開始前先看帳號內 Credit usage，不要沿用舊文章的 operations 或固定月費估算。
需要自架、版本控制與程式化細節，可比較 n8n AI Agent 工作流；想快速使用既有 SaaS 動作，也可看 Zapier Agents。完整平台差異放在 AI 自動化工具比較。
哪一段交給 Agent
固定欄位轉換、每日同步、資料備份與已知條件通知，繼續使用標準 Scenario。輸入是自然語言、表達方式很多，而且需要在有限選項中判斷時，才交給 Agent，例如 ticket 分類、lead 初步標記或長信摘要。
一條穩定的客服流程可拆成三層：Gmail 或 helpdesk trigger 取得訊息；Agent 只輸出分類、優先度、摘要、負責團隊與是否需人工；後面的 router、schema 檢查、寫入 helpdesk、Slack 通知由標準 modules 完成。Agent 回傳不合法時，直接走 manual_review 分支，不要求它在同一次 run 無限重試。
六步建立客服分流 Agent
第一步：先定義成功與禁區。 成功條件可寫成「50 封測試信中，付款與資安類不得漏標，高風險訊息全部進人工佇列」。禁區列明不得寄信、退款、刪除資料、揭露客戶資訊或猜測政策。
第二步：建立 Scenario 與 trigger。 在 Scenario Builder 加入 Gmail、helpdesk 或 webhook trigger，再放入 Make AI Agent (New) > Run an agent。即時資料放 Input；PDF、圖片等一次性檔案要由前一個 module 下載後，以 binary data 映射進 Input files。
第三步：寫可測試的 Instructions。 官方建議包含完整步驟、每一步要用的 tool、knowledge 名稱、guardrails、正常輸出與例外範例。工具名稱要和 instructions 完全一致，避免「查客戶」與「更新客戶」看起來過度相似。
角色：你是客服分流助理，只提供分類建議，不對外回覆或修改客戶資料。
流程：
1. 讀取 ticket_subject 與 ticket_body。
2. 必要時使用 lookup_support_policy，只查與此問題相關的政策。
3. 從 billing、technical、security、sales、partnership、other 選一類。
4. 若涉及退款、法律、資安、個資、威脅或分類不確定，needs_human_review 必須為 true。
5. 僅輸出指定 JSON，不加入 Markdown 或額外說明。
輸出：
{
"category": "billing | technical | security | sales | partnership | other",
"priority": "low | medium | high",
"summary": "80 字內繁體中文摘要",
"owner": "support | finance | security | sales",
"needs_human_review": true,
"reason": "一句可供內部檢查的理由"
}第四步：只加必要 tools。 單一動作使用 module tool，Make 會替它建立所需的 tool scenario；需要多個 modules、filters 與自訂 inputs／outputs時，建立 scenario tool，啟用並設為 On demand，回傳資料時以 Return outputs 結束。只有 Make apps 無法提供能力時才接 MCP，並逐一勾選所需工具。
第一版可只加唯讀的 lookup_support_policy。不要同時開放「查客戶、更新客戶、寄信、退款、刪除 ticket」；工具越多，傳給模型的名稱與描述越多，token、誤選與權限風險都會上升。
第五步：加入小而乾淨的 Knowledge。 放目前有效的分類規則、升級條件與產品詞彙，文件標明版本和負責人。常用的大型文字檔放 knowledge；每次 run 才出現的附件放 input file。用 Knowledge 的 Query 模組先測能否找到正確段落，再讓 Agent 自行檢索。
第六步：測試、驗證與 fallback。 在 Testing & Training chat 和實際 Scenario 都跑相同測試集。Reasoning tab 檢查 agent 使用了哪些 input 與 tools；Output 的 Metadata／Execution steps 查看完整執行。輸出通過 JSON schema 且非高風險才進 router，其餘送人工佇列並保存原始訊息與失敗原因。
Module、Scenario 與 MCP 怎麼選
Module tool 適合一次查詢或單一動作，例如搜尋 Airtable 記錄。設定快，Make 會自動建立底層 scenario；若日後要加入 filters 或多步驟，可轉成一般 scenario。
Scenario tool 適合「查客戶後再整理訂單」這類多步驟流程。你必須明確定義 inputs、outputs、名稱與描述，並設為 On demand。Agent 只看到清楚的業務動作，不必直接接觸底層每一個 module。
MCP tool 適合現有 Make app 沒有的外部能力。不要按 Select All；多個 MCP server 與 tools 會提高 token 使用，也擴大 prompt injection 後可被利用的動作範圍。
Credits 怎麼估
一個 Agent run 的總成本可能包含 Run an agent operation、AI input／output tokens、被呼叫 tool 的 operations，以及 knowledge 建檔的 AI／embedding tokens。Testing & Training chat 也會消耗 credit，工具每執行一次還會再計 operation。
先用這個方式估一週：
每週成本基礎量 =
agent runs
+ tool calls
+ testing chat operations
+ Make AI Provider 的 token credits
+ knowledge 建檔／更新 credits
使用自有 provider 時，再加供應商的 token 費用。在 50 封測試信中記錄平均 tool calls、token 與人工處理分鐘數，再乘真實週量。若 agent 常反覆查同一份 knowledge 或呼叫錯 tool，先修 description 和 instructions；換便宜模型只能降低單價，無法修正浪費的流程。
上線前的安全檢查
Make 官方提醒 LLM 可能洩露 PII、遭 prompt hacking，或忽略明確 guardrails。只把工作所需資料傳入 Agent：查行事曆可提供 free／busy，不必暴露完整標題與與會者；需要更新 CRM 時，可把允許欄位固定在 scenario tool 裡，不讓模型自行決定任意欄位。
將退款、刪除、付款、外部寄信、合約承諾與權限變更保留人工確認。對每個寫入 tool 設 idempotency、金額或筆數上限、允許的狀態值與 audit log。Agent 無法解析、knowledge 沒答案、tool timeout 或信心不足時，必須有 deterministic fallback。
常見問題
Make AI Agent (New) 已經正式版了嗎？
截至 2026 年 7 月 13 日仍是 open beta，官方表示功能與定價可能改變。適合小範圍試跑，正式流程要保留監控、人工審核與替代路徑。
免費方案可以使用 Make AI Agent 嗎？
可以使用 Make’s AI Provider。自有 OpenAI、Anthropic Claude 等 provider connection 需要付費方案，實際可選模型與 credits 以帳號介面和官方文件為準。
Make AI Agent 的 reasoning 可以當稽核證據嗎？
它適合找出 input、tool 與 instructions 的問題，也能查看 execution steps；模型展示的推理不保證完整或正確。正式稽核仍應保留實際輸入、tool call、輸出、人工核准與系統變更紀錄。
Knowledge 放越多文件會越準嗎？
不一定。過期、重複或互相矛盾的文件會增加檢索與判斷困難，也會產生 embedding 和 token 成本。每份文件應有用途、版本、負責人與更新規則。
Make AI Agent 可以直接自動回覆客戶嗎？
技術上可透過 tool 寄信，但第一版應只產生草稿並交人工確認。等測試涵蓋高風險、模糊與惡意輸入，再對低風險類別逐步開放，而且要保留撤回與停用機制。
官方資料
- Make：Introduction to Make AI Agent (New)
- Make：Create your first AI agent
- Make：Make AI Agent (New) best practices
- Make：Credit usage for AI agents
- Make：Input files for AI agents
- Make：Knowledge app modules