[{"data":1,"prerenderedAt":7261},["ShallowReactive",2],{"blog-list":3},[4,538,1137,1402,1786,2093,2410,2644,2866,3102,3635,3900,4243,4491,4682,4984,5482,5901,6325,6627,6930],{"id":5,"title":6,"body":7,"date":526,"description":527,"extension":528,"meta":529,"navigation":530,"path":531,"seo":532,"stem":533,"tags":534,"__hash__":537},"blog\u002Fblog\u002Fstt-postedit-leverage.md","我測了兩天，證明「換更好的引擎」降了一個錯誤",{"type":8,"value":9,"toc":512},"minimark",[10,18,21,24,27,30,34,37,40,43,46,90,93,95,99,102,105,108,111,114,117,120,122,126,129,132,135,138,145,147,151,154,157,160,163,166,169,171,175,178,181,252,255,258,261,264,267,270,275,277,281,284,287,290,335,338,341,344,347,350,411,414,417,420,422,425,428,431,437,440,442,446,449,452,455,458,464,467,470,472,475,478,481,484,487,490,492,495,498,501],[11,12,13],"p",{},[14,15],"img",{"alt":16,"src":17},"一個人專心轉動一個巨大的旋鈕，旁邊有個不起眼的小開關才是真正接上電路的那個","\u002Fblog\u002Fimages\u002Fstt-postedit-leverage-hero.png",[11,19,20],{},"準備錄實驗素材那天，我打開對話視窗跟他說：等一下每段話講兩次，第一次按鍵盤右下角那個麥克風。",[11,22,23],{},"他回我：iPhone 有那個東西？",[11,25,26],{},"那一刻我的實驗死了。我設計了三組對照，其中一組叫「現況組」——而現況組從來不存在。我查了程式碼，確認過那個功能該怎麼運作；我沒查的是，這個人根本沒在用它。",[28,29],"hr",{},[31,32,33],"h2",{"id":33},"我原本要測什麼",[11,35,36],{},"我在幫自己的知識庫系統做語音輸入。走路的時候按住講一段話，鬆手，它應該變成當天的紀錄。",[11,38,39],{},"聽不聽得懂從來不是重點。真正卡住的是專有名詞——人名、專案代號、自己發明的縮寫——這些字在通用語音模型的訓練資料裡幾乎不存在，它只會挑一個發音接近的常見詞給你。我紀錄裡有個團隊代號，十次有九次被聽成一個完全無關的詞，每次都要人工回去改。",[11,41,42],{},"摩擦沒有被消除，只是被搬到後面去了。",[11,44,45],{},"所以我打算換一顆更好的引擎。手上有一台自架的推論機器，跑著比手機內建大得多的模型，端點打得通。剩下的就是證明它比較好。",[47,48,49,62],"table",{},[50,51,52],"thead",{},[53,54,55,59],"tr",{},[56,57,58],"th",{},"組",[56,60,61],{},"內容",[63,64,65,74,82],"tbody",{},[53,66,67,71],{},[68,69,70],"td",{},"A",[68,72,73],{},"手機內建聽寫（現況）",[53,75,76,79],{},[68,77,78],{},"B",[68,80,81],{},"自架引擎的原始輸出",[53,83,84,87],{},[68,85,86],{},"C",[68,88,89],{},"B 再加一層「帶知識庫上下文的語意後修」",[11,91,92],{},"有基準、有單一變數推進、有最終方案。這個設計是錯的，而且錯得很不明顯——我要繞很久才會發現。",[28,94],{},[31,96,98],{"id":97},"第一次翻車我查了程式碼沒查人","第一次翻車：我查了程式碼，沒查人",[11,100,101],{},"上面那個對話發生在正式開錄前十分鐘。",[11,103,104],{},"我對 A 組的認知是「使用者現在就是這樣輸入的」。這個認知從哪來？我 grep 了 bot 的原始碼，確認它怎麼處理進來的訊息——這一步做對了。",[11,106,107],{},"我沒做的是問一句「你平常是怎麼傳的」。",[11,109,110],{},"他從來沒用過鍵盤聽寫，一直是長壓輸入欄那個麥克風傳語音訊息。而 bot 的 handler 只認文字、照片、文件三種——語音訊息進來，沒有任何一段程式碼接得住。它們被靜默丟棄，而且不回任何訊息。",[11,112,113],{},"所以他過去每一次「用講的記一下」，都以為記進去了，實際上一句話都沒留下。這個洞比實驗本身嚴重，我當天先把它補起來：不轉錄，先存檔，至少不再遺失。",[11,115,116],{},"至於實驗，A 組不再是「現況」了。它變成一個從沒被試過的候選方案：如果手機內建聽寫夠準，最省事的解法是使用者改變操作習慣，一行程式碼都不用寫。",[11,118,119],{},"這個角色轉換，後來變成整件事的關鍵。",[28,121],{},[31,123,125],{"id":124},"第二次翻車我的系統污染了我自己的對照組","第二次翻車：我的系統污染了我自己的對照組",[11,127,128],{},"錄第一段的時候。",[11,130,131],{},"A 組的文字要進到知識庫裡才好比對，所以我讓他直接傳進去。傳進去之後我打開檔案一看——專有名詞已經被自動改對了，句子還被重新整理成條列。",[11,133,134],{},"原因很蠢，但值得記：我的知識庫本身就掛著一層路由，任何進來的文字都會被 LLM 順過一次，順便修正專有名詞、整理成結構。這是我自己設計的，每天都在用，好用到我完全忘了它存在。",[11,136,137],{},"等於 A 組在進場之前，就先被 C 組處理過一次了。原文不可復原，那一段只能重念。我把 A 組改走一條專用旁路——訊息開頭帶特定前綴就原文逐字落檔，禁止校正、禁止結構化。",[11,139,140,144],{},[141,142,143],"strong",{},"基礎設施會自己動手，它從來不是一根安靜的管子。"," 還有一層更麻煩的含意：這條路由平常就在自動校正我所有的紀錄，意味著知識庫裡既有的文字都不是原始輸入。以後拿它們當語料的分析，都得先記得這件事。",[28,146],{},[31,148,150],{"id":149},"第三次翻車差點把-kill-線設計掉","第三次翻車：差點把 kill 線設計掉",[11,152,153],{},"C 組的後修要由誰來做？最順手的當然是我自己——直到我想起朗讀腳本是我寫的，每一段的標準答案我都知道。我來做後修，那叫開卷考。",[11,155,156],{},"分數虛高還算小事。真正致命的是誤修數會恆為 0。",[11,158,159],{},"先解釋一下誤修。後修層是一個 LLM，它讀轉錄出來的文字，用知識庫的上下文判斷哪些詞被聽錯了。它會修對，也會把本來對的改成錯的——冷門正確詞被改成常見詞，這是這類方案最真實的風險。而且誤修比漏修危險：漏修的錯誤讀起來很怪，一眼看得出來；誤修的錯誤讀起來很通順，只是它是假的。",[11,161,162],{},"我的 kill 線有兩條，第二條就是「誤修數超過修對數的三分之一就收掉」。",[11,164,165],{},"如果由知道答案的人來做後修，這條線永遠不會被觸發。我等於在實驗開始前，先把自己最想量的那個風險刪掉了。",[11,167,168],{},"改由一個沒看過腳本的 agent 執行，只給它知識庫的專有名詞表——上線後它拿得到的東西——和轉錄的原始輸出。",[28,170],{},[31,172,174],{"id":173},"分數出來了然後兩條線同時成立","分數出來了，然後兩條線同時成立",[11,176,177],{},"15 段素材，每段 15 到 40 秒，在走路的時候錄的。刻意不在安靜房間念稿，那會同時高估所有組別，測不出差距。",[11,179,180],{},"評分不用 WER。中文的 WER 對這個問題沒有鑑別度——斷詞、同音字、贅字全部會污染分數。我改成數三種錯誤：專有名詞錯幾個、數字錯幾個、語意被破壞幾處。",[47,182,183,201],{},[50,184,185],{},[53,186,187,189,192,195,198],{},[56,188,58],{},[56,190,191],{},"專名",[56,193,194],{},"數字",[56,196,197],{},"語意",[56,199,200],{},"合計",[63,202,203,220,237],{},[53,204,205,208,211,214,217],{},[68,206,207],{},"A（手機內建）",[68,209,210],{},"31",[68,212,213],{},"3",[68,215,216],{},"7",[68,218,219],{},"41",[53,221,222,225,228,231,234],{},[68,223,224],{},"B（自架引擎）",[68,226,227],{},"24",[68,229,230],{},"1",[68,232,233],{},"4",[68,235,236],{},"29",[53,238,239,242,245,247,249],{},[68,240,241],{},"C（B + 後修）",[68,243,244],{},"0",[68,246,230],{},[68,248,230],{},[68,250,251],{},"2",[11,253,254],{},"C 組修對 27 處，誤修 0 處。",[11,256,257],{},"然後我盯著這張表看了很久，因為它同時觸發了兩件相反的事。",[11,259,260],{},"成功指標達成：我事前寫的成功線是「C 的專名錯誤 ≤ A 的一半，且誤修 = 0」。0 ≤ 15.5，誤修 0，過了。",[11,262,263],{},"kill 線也觸發了：另一條 kill 線是「B 的專名錯誤 ≥ A 的 70%」。A 是 31，70% 是 21.7，B 是 24。觸發。",[11,265,266],{},"兩條線在問不同的問題，所以它們可以同時成立。",[11,268,269],{},"kill 線問的是「換引擎有沒有用」——幾乎沒有。B 比 A 只降 23%，落在我開工前就寫死的噪音區間裡：兩組音檔不同源，只有兩倍以上的量級差距才算有效信號。成功線問的是「加後修有沒有用」——41 降到 2。",[11,271,272],{},[141,273,274],{},"價值來源是後修層，不是引擎。",[28,276],{},[31,278,280],{"id":279},"但我還是不能歸因因為第四格從來沒被測過","但我還是不能歸因，因為第四格從來沒被測過",[11,282,283],{},"上面那個結論其實還站不太住。",[11,285,286],{},"因為 C 相對 A 同時改了兩件事：換了引擎，又加了後修。C 大勝，我沒辦法把功勞分開。B 比 A 只好一點點是強烈的暗示——但只是暗示。",[11,288,289],{},"畫成 2×2 就很清楚了：",[47,291,292,304],{},[50,293,294],{},[53,295,296,298,301],{},[56,297],{},[56,299,300],{},"不加後修",[56,302,303],{},"加後修",[63,305,306,322],{},[53,307,308,313,316],{},[68,309,310],{},[141,311,312],{},"不換引擎",[68,314,315],{},"A ✅",[68,317,318,319],{},"❌ ",[141,320,321],{},"從沒測過",[53,323,324,329,332],{},[68,325,326],{},[141,327,328],{},"換引擎",[68,330,331],{},"B ✅",[68,333,334],{},"C ✅",[11,336,337],{},"我測了三格。缺的那格是「不換引擎、只加後修」——也就是最便宜的那一格。",[11,339,340],{},"遞增疊加的設計為什麼會騙人？因為相鄰兩臂之間確實只差一個變數：A 到 B 只換引擎，B 到 C 只加後修。它感覺起來像對照實驗。但整體看，它只是三個點在測一條線，永遠算不出「不換引擎的條件下，後修自己值多少」。",[11,342,343],{},"而如果後修自己就夠了，換引擎那一整條的工程成本全是浪費——外部服務依賴、音檔上傳管線，還有簡繁轉換（那顆引擎會偶發吐簡體字，15 段裡有兩段）。",[11,345,346],{},"補這一格幾乎免費：A 組的輸出還在，後修流程做 C 組時已經建好，套上去跑一次就好。",[11,348,349],{},"我跑了。",[47,351,352,365],{},[50,353,354],{},[53,355,356,358,360,362],{},[56,357],{},[56,359,300],{},[56,361,303],{},[56,363,364],{},"換引擎效果",[63,366,367,381,395],{},[53,368,369,374,376,378],{},[68,370,371],{},[141,372,373],{},"手機內建",[68,375,219],{},[68,377,213],{},[68,379,380],{},"−38",[53,382,383,388,390,392],{},[68,384,385],{},[141,386,387],{},"自架引擎",[68,389,236],{},[68,391,251],{},[68,393,394],{},"−27",[53,396,397,401,404,409],{},[68,398,399],{},[141,400,364],{},[68,402,403],{},"−12",[68,405,406],{},[141,407,408],{},"−1",[68,410],{},[11,412,413],{},"後修層降 27 到 38 個錯誤。換引擎在沒有後修時降 12 個，在有後修的條件下降 1 個。",[11,415,416],{},"一個。",[11,418,419],{},"我為了那個「1」，原本準備蓋一整條管線。",[28,421],{},[31,423,424],{"id":424},"為什麼後修層贏這麼多",[11,426,427],{},"因為它做的是純語音模型結構上做不到的事。",[11,429,430],{},"那個 agent 修對的四處裡，有這些：一個不存在的英文詞被還原成某專案的代號、一個發音相近的詞被改成「優化」、一串被聽成「R P 一八」的東西被還原成健身術語的「RPE 8」。",[11,432,433,434],{},"這些靠的全是語意推斷。它讀知識庫裡的上下文，判斷「在這個人的紀錄裡，這個位置該出現的是什麼」。",[141,435,436],{},"任何純語音引擎都做不到，因為它們沒有你的知識庫。",[11,438,439],{},"還有一個更窄的判準：如果你要換的那顆引擎沒有提供餵入領域詞彙的介面，那換誰都差不多。我測的那顆就是這樣，端點只吃音檔和語言參數，沒地方塞人名。",[28,441],{},[31,443,445],{"id":444},"最後一次翻車四格量的都是同一個指標","最後一次翻車：四格量的都是同一個指標",[11,447,448],{},"我根據 2×2 做了裁決：走最便宜的那格，手機內建聽寫加後修層。外部服務不用碰了，音檔管線省下來，連簡繁轉換這個坑都直接不存在。",[11,450,451],{},"然後拿去給使用者複核，被推翻了。",[11,453,454],{},"理由一句話就說完：手機內建聽寫這條路，前提是他要改變操作習慣。而整場實驗從頭到尾，A 組之所以存在，就是因為他從來沒用過那個功能。",[11,456,457],{},"語音訊息是按住、講、放開。鍵盤聽寫要開輸入框、點麥克風、盯著文字跑完、按送出——走路的時候還得看螢幕。我算的是一次性的工程成本，沒算每天都要付的摩擦成本。",[11,459,460,463],{},[141,461,462],{},"2×2 拆對了變數，但四格量的都是同一個指標：錯誤數。"," 當候選方案真正的差異在別的維度上，只比主指標就會選錯。",[11,465,466],{},"實驗的結論本身沒變——後修是槓桿，引擎不影響準度。改的是推論：既然引擎不影響準度，這一維就該由摩擦決定，而摩擦這維是自架引擎贏。零行為改變，音檔本來就在存，邊際成本只剩一個 HTTP call。",[11,468,469],{},"最後上線的是「語音訊息 → 自架引擎 → 後修層」。隔天用同樣那 15 段素材對生產環境做了一次盲評：誤修 0，三類錯誤合計 3。實驗量到的東西在生產上重現了。",[28,471],{},[31,473,474],{"id":474},"如果你也在調同一顆旋鈕",[11,476,477],{},"我從這兩天帶走三條，都是給下一次的我。",[11,479,480],{},"第一條寫成規則：任何「換掉 X，而且加上 Y」的假設，開工前先畫 2×2，確認四格都會被測到。真有一格不打算測，那就在筆記上明寫「不測哪格、因此哪個主效應無法歸因」——讓它是個判斷，不是疏忽。",[11,482,483],{},"四格全量同一個指標，等於沒量到候選方案真正的差異。這是我這次栽得最重的地方——沒被量到的那一維，通常就是最後推翻你的那一維。",[11,485,486],{},"還有一條沒那麼漂亮。查程式碼只告訴我系統能做什麼，沒告訴我人實際上在做什麼，我把前者做對了，後者整個漏掉。",[11,488,489],{},"有件事值得帶出這個故事之外：大部分「模型不夠聰明」的狀況，其實是模型不知道你的業務在講什麼。它不知道你的產品叫什麼、你的客戶怎麼稱呼那個流程、內部那個三個字的縮寫是什麼意思。換一顆更大的模型救不了這件事。你得把自己的上下文餵給它。",[28,491],{},[31,493,494],{"id":494},"如果你正在評估這件事",[11,496,497],{},"如果你手上有一個 AI 功能準確率卡住，而現在的討論是「要不要換更貴的模型」，那大概值得先停一下。是它聽不清楚，還是它不知道你在講什麼？這兩件事的解法完全不一樣，成本差一個量級。",[11,499,500],{},"我做技術諮詢，這類「先確認問題在哪」的對話通常十分鐘就有結論。沒有簡報，不賣套裝方案，如果你的狀況根本不用動 AI 我也會直說。",[11,502,503,504,511],{},"到 ",[505,506,510],"a",{"href":507,"rel":508},"https:\u002F\u002Fmattchang.dev",[509],"nofollow","mattchang.dev"," 加我的 LINE，直接描述你的狀況就好。那個帳號本身也是我自己蓋的——你跟它對話的體驗，就是你正在評估的那個東西的 live demo。",{"title":513,"searchDepth":514,"depth":514,"links":515},"",2,[516,517,518,519,520,521,522,523,524,525],{"id":33,"depth":514,"text":33},{"id":97,"depth":514,"text":98},{"id":124,"depth":514,"text":125},{"id":149,"depth":514,"text":150},{"id":173,"depth":514,"text":174},{"id":279,"depth":514,"text":280},{"id":424,"depth":514,"text":424},{"id":444,"depth":514,"text":445},{"id":474,"depth":514,"text":474},{"id":494,"depth":514,"text":494},"2026-08-05","AI 功能不夠準，第一個念頭通常是換模型。我為此設計了一場對照實驗，結果換引擎只降 1 個錯誤，真正把 41 降到 2 的是我原本當配角的那一層。這是實驗設計怎麼騙我、以及我怎麼發現的完整過程。","md",{},true,"\u002Fblog\u002Fstt-postedit-leverage",{"title":6,"description":527},"blog\u002Fstt-postedit-leverage",[535,536],"claude-code","experiment-design","zIpkLaGim0pcHQJvstOwSdcsdWMODNqfAUQnL3wBDtY",{"id":539,"title":540,"body":541,"date":1128,"description":1129,"extension":528,"meta":1130,"navigation":530,"path":1131,"seo":1132,"stem":1133,"tags":1134,"__hash__":1136},"blog\u002Fblog\u002Fgreen-light-is-not-verification.md","綠燈不等於驗證：同一個專案裡，同一種失敗形狀重複了四次",{"type":8,"value":542,"toc":1113},[543,549,557,559,563,566,572,574,578,587,606,612,615,618,623,625,629,632,642,657,667,682,685,688,695,713,716,718,722,729,740,743,750,771,784,787,790,800,804,807,820,830,837,847,854,861,863,867,881,884,903,910,916,919,926,940,944,955,965,968,970,973,976,1033,1039,1042,1048,1054,1060,1067,1069,1073,1076,1079,1086,1094,1096,1100,1103,1106],[11,544,545],{},[14,546],{"alt":547,"src":548},"四個打勾的 checkbox，後面的路徑都斷在半空中","\u002Fblog\u002Fimages\u002Fgreen-light-is-not-verification-hero.png",[11,550,551,552,556],{},"172 個測試全綠。",[553,554,555],"code",{},"send_message"," 的 checkbox 打了勾。專案筆記上寫著「DC-4 done」。實際上這個功能從來沒有真的送出過一則訊息——三個 bug 疊在一起，全被 mock adapter 遮住。而這只是同一個專案裡的第一次。接下來兩天內，同一種失敗形狀又出現了三次，每次穿不同的偽裝。",[28,558],{},[31,560,562],{"id":561},"專案背景一句話","專案背景：一句話",[11,564,565],{},"我把自己在用的 LINE TUI 工具泛化成一套聊天基礎建設，叫 chatmux——一個 daemon 管多個平台 adapter，資料落地成 SQLite + JSONL，對外用 MCP 暴露給 Claude Code 和 Neovim。現在是三個 public repo，1637 則訊息、143 個對話在裡面跑著。",[11,567,568,569],{},"寫程式的部分不是這篇的重點。",[141,570,571],{},"這篇是關於我四次以為自己驗證完了。",[28,573],{},[31,575,577],{"id":576},"第一次mock-綠燈","第一次：mock 綠燈",[11,579,580,582,583,586],{},[553,581,555],{}," 這條路徑跨三層：MCP tool 層組 request、core 轉發給 adapter、adapter 呼叫 linejs 的 ",[553,584,585],{},"sendCompactMessage","。",[11,588,589,590,593,594,597,598,601,602,605],{},"三個 bug 剛好一層一個。tool 層送出的 payload 少了 ",[553,591,592],{},"content"," wrapper，直接丟 ",[553,595,596],{},"{ chat_id, text }","；adapter 把 ",[553,599,600],{},"sendCompactMessage(to, text)"," 當兩個參數傳，但 linejs 要的是一個物件；chat_id 的 ",[553,603,604],{},"line:"," prefix 沒被剝掉。",[11,607,608,609,611],{},"三個都不會被測到。因為每一層的測試對面都是 mock：mock adapter 不檢查 payload 有沒有 wrapper，mock 的 ",[553,610,585],{}," 不在意你傳幾個參數，測試裡的 chat_id 本來就沒帶 prefix。",[11,613,614],{},"三層都綠。整條鏈是斷的。",[11,616,617],{},"後來是為了另一件事跑端對端 spike，才發現這個功能從沒送出過任何東西。補的方式是一個 env-gated 的 live integration test，走真實 linejs、真的發一則訊息給自己。然後做 mutation check：把三個 bug 其中一個還原回去，確認測試會紅，再還原回來確認回綠。",[11,619,620],{},[141,621,622],{},"測試要證明自己有牙，不能只證明自己會綠。",[28,624],{},[31,626,628],{"id":627},"第二次文件寫得很合理","第二次：文件寫得很合理",[11,630,631],{},"chatmux 的招牌是「MCP-native」，旗艦 demo 是「Claude Code 直接當 client 讀你的聊天記錄」。v0.1 的驗收清單上，這條打了勾。",[11,633,634,635,638,639],{},"問題是 MCP server 只 ",[553,636,637],{},"listen(socketPath)","——綁死在 unix socket 上。而 MCP spec 只定義兩種標準 transport：stdio 和 streamable HTTP。",[141,640,641],{},"Claude Code 根本沒有一個欄位可以填 unix socket。",[11,643,644,645,648,649,652,653,656],{},"那 README 和 ",[553,646,647],{},"docs\u002Fmcp-interface.md"," 裡教人填的那段 ",[553,650,651],{},"\"socketPath\": \"...\""," config 是什麼？是一段讀起來完全合理、但從來沒有任何人跑過的設定。當初驗收是用 Bun 的 ",[553,654,655],{},"fetch({ unix })"," 自己打 unix socket 打通的——那是 Bun 專有能力，Claude Code 沒有。",[11,658,659,660,663,664,586],{},"補的方式是加一個 TCP listener（只綁 ",[553,661,662],{},"127.0.0.1","），unix socket 保留給 Neovim 側的 sidecar。這次先寫失敗測試，而",[141,665,666],{},"紅燈的形狀本身給了我一個沒預期到的資訊",[11,668,669,670,673,674,677,678,681],{},"舊的 ",[553,671,672],{},"startMcpServer"," signature 收一個 string，我把新的 options 物件直接丟進 ",[553,675,676],{},"httpServer.listen()","，Node 竟然接受了——結果綁在 ",[553,679,680],{},"*:47717","，所有網路介面。七個測試裡四個「意外通過」，三個紅。",[11,683,684],{},"想清楚這意味著什麼：如果我的測試只斷言「TCP 連得上」，這個把全部聊天記錄暴露到區網的 bind 會全綠通過。",[11,686,687],{},"所以那次之後我寫斷言會多列一條：這個東西不該綁到哪裡去。",[11,689,690,691,694],{},"完成判定我這次沒有用測試綠燈，而是真的跑 ",[553,692,693],{},"claude mcp add --transport http","，開一個 headless Claude Code session、刻意只給 read-only tool，讓它對真實資料查詢。",[11,696,697,698,701,702,705,706,705,709,712],{},"差點又栽在這裡。第一輪 ",[553,699,700],{},"search_messages"," 查「會議」回 0 hits。0 hits 可能是真陰性——語料裡就是沒這個詞；也可能是 CJK 全文搜尋壞掉，而那個形狀跟前面兩次一模一樣。我用語料中已知存在的詞複驗：",[553,703,704],{},"stale_ratio"," 93 hits、",[553,707,708],{},"過高",[553,710,711],{},"報價"," 139 hits。CJK 正常，「會議」是真陰性。",[11,714,715],{},"CJK 搜尋是好的，「會議」就是真的沒出現過——但我沒查第二次，就不會知道是哪一個。",[28,717],{},[31,719,721],{"id":720},"第三次宣告-optional","第三次：宣告 optional",[11,723,724,725,728],{},"寫第二個 adapter 的時候，我刻意不看第一個 adapter 的原始碼，只照 ",[553,726,727],{},"adapter-protocol.md"," 蓋。換語言、換 repo、換平台語義。",[11,730,731,732,735,736,739],{},"這招很有效——逼出 21 條 LINE 特有假設，其中 5 條是「文件沒寫但行為存在」的隱式假設。協定升到 v0.2，最招牌的一條裁決是把 ",[553,733,734],{},"get_message_boxes","（一個 LINE 專有 API）改成 optional：adapter 不支援就回 ",[553,737,738],{},"-32601","，core 跳過。",[11,741,742],{},"看起來很泛化。三個問題疊在一起。",[11,744,745,746,749],{},"第一個是小的：偵測用字串比對錯誤訊息，沒有讀 JSON-RPC 的 ",[553,747,748],{},"error.code","。第三方 adapter 換個措辭就會被當成硬失敗。",[11,751,752,753,756,757,760,761,763,764,767,768,770],{},"更麻煩的是，",[141,754,755],{},"文件承諾的 fallback 寫不通","。文件說 core 會「直接用 ",[553,758,759],{},"get_chats"," 結果做 backfill 排序」，但 ",[553,762,759],{}," 的 response schema 裡沒有任何時間欄位，而 backfill 就是 ",[553,765,766],{},"ORDER BY last_message_at DESC","。誠實回 ",[553,769,738],{}," 的 adapter 會拿到全部 chat 的排序欄位為 NULL，冷啟動的 500 則預算花在隨機對話上。",[11,772,773,774,776,777,780,781,783],{},"最意外的一條：Telegram adapter 也實作了 ",[553,775,734],{},"。內容是 ",[553,778,779],{},"get_dialogs()"," 的第二份包裝，跟它自己的 ",[553,782,759],{}," 同源。所以那條 fallback 路徑一次都沒被執行過，零測試守衛。",[11,785,786],{},"而表面證據看起來像泛化成功——兩個平台的 adapter 都跑得起來。",[11,788,789],{},"判準其實很簡單：要問的是「沒支援的那一邊會怎樣」，不是「有沒有人支援」。第二個實作如果是第一個的複製，泛化程度是零。",[11,791,792,793,795,796,799],{},"閉環的做法是把 Telegram 那份刪掉，讓 fallback 第一次真的被走過，同時給 ",[553,794,759],{}," 加 optional 的 ",[553,797,798],{},"last_message_at","，協定升 v0.3。",[801,802,803],"h3",{"id":803},"舊資料會替你演出已被刪除的元件",[11,805,806],{},"這條線最險的一步在驗證方法，不在程式碼。",[11,808,809,810,812,813,816,817,819],{},"我的 DB 裡 Telegram 那些 chat 的 ",[553,811,798],{}," ",[141,814,815],{},"已經有舊值","——過去 ",[553,818,734],{}," 寫進去的。刪掉 handler 之後，在現有 data dir 上跑，一切正常。排序完全看不出退化。",[11,821,822,823,826,827,829],{},"要換一個乾淨的 ",[553,824,825],{},"CHATMUX_DATA_DIR"," 冷啟動，才看得到真相。結果是 30 個 chat、30 筆 non-null、0 筆假值，回填順序與 ",[553,828,766],{}," 的前五名逐位相同。",[11,831,832,833,836],{},"推廣出去：",[141,834,835],{},"任何「移除資料來源」的改動，都必須在沒有該來源歷史殘留的環境驗證。"," 刪 cache 層、換 migration、移除 denormalized 欄位——舊資料都會扮演那個已經被你刪掉的元件。",[11,838,839,840,843,844,846],{},"而同一條線上，我還差點自己製造一個一樣的掩護。為了保護既有值不被 null 覆寫，我寫了 ",[553,841,842],{},"MAX(COALESCE(a,0), COALESCE(b,0))","。意圖是對的。副作用是：兩者皆 null 時它會寫入 epoch 0，而我的驗證判準正是「",[553,845,798],{}," 有值」。",[11,848,849,850,853],{},"也就是說，防呆機制差點讓驗證判準自己失效。外層包一個 ",[553,851,852],{},"NULLIF(..., 0)","，讓「沒有訊號」保持 NULL、讓退化看得見。",[11,855,856,857,860],{},"抓到這個不是因為更小心。是因為問了一句：",[141,858,859],{},"這個判準在功能完全壞掉的時候，會不會仍然通過？"," 會通過的判準不是判準。",[28,862],{},[31,864,866],{"id":865},"第四次掃描零命中","第四次：掃描零命中",[11,868,869,870,873,874,873,877,880],{},"三個 repo 要轉 public。開工前的 pre-flight 掃描報告寫得很乾淨：憑證檔案（",[553,871,872],{},".env","、",[553,875,876],{},"*.session",[553,878,879],{},"data\u002F","）全歷史從未被 commit、無真實個資、不需要重寫歷史。",[11,882,883],{},"實際上有三處洩漏。",[11,885,886,887,890,891,894,895,898,899,902],{},"第一處是真實的 Telegram ",[553,888,889],{},"API_ID"," \u002F ",[553,892,893],{},"API_HASH","，硬寫成常數放在一個 integration 測試檔裡。不是 placeholder，是真值。",[553,896,897],{},"git log -S"," 查出來是某個 commit 引入的，",[141,900,901],{},"至今仍在 HEAD","——十三個 commit 裡最後七個都含它。改 HEAD 不夠，public 之後任何人都能從 history 撈出來。",[11,904,905,906,909],{},"第二處是真實的 Telegram user ID，寫在 ",[553,907,908],{},"docs\u002Ftesting.md"," 的範例裡。第三處是真實的 LINE user ID，寫在另一個 repo 的 spike 註解裡。",[11,911,912,913],{},"為什麼掃描報「乾淨」？",[141,914,915],{},"因為它掃的是憑證「檔案」和「姓名／電話／email」，inline 憑證常數和平台帳號 ID 不在字典裡。",[11,917,918],{},"零命中只證明你搜的那些東西不在。",[11,920,921,922,925],{},"這次的運氣是時間差。憑證是在 push 之前十分鐘發現的。Telegram 的 ",[553,923,924],{},"api_hash"," 沒有 rotate 機制，推出去就是永久的；而當時 repo 還沒有 remote、沒有任何下游 clone，所以重寫歷史的成本是零。晚十分鐘發現，就會變成「已公開的憑證 + 無法撤銷的金鑰」。",[11,927,928,929,932,933],{},"順手記一條在 repo 文件裡的告誡：",[553,930,931],{},"describe.skipIf"," 不保護任何東西。",[141,934,935,936,939],{},"被 skip 的測試一樣會被 commit、push，一樣會被 ",[553,937,938],{},"git log -p"," 讀到。",[801,941,943],{"id":942},"驗證乾淨的方法有兩層而且都不看本機","驗證乾淨的方法有兩層，而且都不看本機",[11,945,946,947,950,951,954],{},"第一層：不看本機工作區，從 GitHub ",[141,948,949],{},"重新 clone","，再對四個敏感字串跑 ",[553,952,953],{},"git log --all -S","。三個 repo 全部 0 命中。",[11,956,957,958,961,962,586],{},"但這只證明「現在可達的歷史是乾淨的」。GitHub 會保留曾經 push 過的 unreachable object——舊 SHA 的 URL 照樣打得開。所以第二層：用 ",[553,959,960],{},"gh api repos\u002F\u003Cowner>\u002F\u003Crepo>\u002Fcommits\u002F\u003Csha>"," 去打那四個重寫前的 SHA，全部回 ",[141,963,964],{},"422 No commit found",[11,966,967],{},"這才證明含憑證的舊 commit 從來沒抵達過 GitHub。",[28,969],{},[31,971,972],{"id":972},"四次的共同結構",[11,974,975],{},"機械檢查通過（測試綠／文件合理／掃描零命中）→ 宣稱完成（checkbox 打勾）→ 真實路徑從沒被執行過 → 事後覆核才發現。",[47,977,978,991],{},[50,979,980],{},[53,981,982,985,988],{},[56,983,984],{},"次",[56,986,987],{},"偽裝",[56,989,990],{},"實際上沒被驗證的是",[63,992,993,1003,1013,1023],{},[53,994,995,997,1000],{},[68,996,230],{},[68,998,999],{},"172 test 全綠",[68,1001,1002],{},"三層都對著 mock，整條鏈沒跑過",[53,1004,1005,1007,1010],{},[68,1006,251],{},[68,1008,1009],{},"文件的 config 讀起來合理",[68,1011,1012],{},"沒有任何 client 用那個欄位連過",[53,1014,1015,1017,1020],{},[68,1016,213],{},[68,1018,1019],{},"標了 optional、兩個 adapter 都跑得起來",[68,1021,1022],{},"fallback 路徑一次都沒走過",[53,1024,1025,1027,1030],{},[68,1026,233],{},[68,1028,1029],{},"pre-flight 掃描零命中",[68,1031,1032],{},"掃描字典裡沒有那三種東西",[11,1034,1035,1036],{},"四次的偽裝完全不同。共同結構只有一句：",[141,1037,1038],{},"我驗證的是「我想到的東西」，不是「實際會發生的事」。",[11,1040,1041],{},"三條可以直接拿去用的判準——",[11,1043,1044,1047],{},[141,1045,1046],{},"一、這個判準在功能完全壞掉時，會不會仍然通過？"," 會通過的就不是判準。epoch 0 冒充「有值」，mock 冒充「送出去了」，都是這個問題沒問。",[11,1049,1050,1053],{},[141,1051,1052],{},"二、退路拿不拿得到它需要的東西？"," 標 optional、寫 fallback、留 degraded mode——只寫清楚主路徑不算，要問「不做那件事的人，用什麼替代」。答不出來的 optional 是把責任丟給別人，還讓文件看起來很泛化。",[11,1055,1056,1059],{},[141,1057,1058],{},"三、零命中只證明你搜的東西不在。"," 掃描、grep、空結果，全部適用。要嘛擴充搜尋維度，要嘛用已知存在的東西複驗一次。",[11,1061,1062,1063,1066],{},"順帶一個規模參考：這條線從 172 個測試走到 235 個，",[553,1064,1065],{},"tsc --noEmit"," 的 19 個既有 error 從頭到尾沒有增加，協定從 v0.1 走到 v0.3。四次修正沒有一次是靠「更小心」，全部是靠換一個會露出真相的驗證環境。",[28,1068],{},[31,1070,1072],{"id":1071},"誰抓到的這件事得講清楚","誰抓到的，這件事得講清楚",[11,1074,1075],{},"四次都是在宣稱完成之後才被抓到的，但抓到的人不是同一個。",[11,1077,1078],{},"前三次是我在督導 session 裡覆核時發現的——讀 AI 寫的完成報告，看到「checkbox 全勾、測試全綠」，然後問下一句：這條路徑真的被執行過嗎。第四次不是我，是執行 session 自己在做別的事（把範例配置裡的絕對路徑去個人化）時順手掃到憑證的。",[11,1080,1081,1082,1085],{},"我不想把這寫成「人類監督 AI」的漂亮故事。真實的分工比較尷尬：",[141,1083,1084],{},"AI 很擅長讓機械檢查通過，也很擅長把「檢查通過」寫成「完成」。而我很擅長在它交報告時偷懶不追問。"," 四次裡有三次，是因為我剛好在覆核而不是剛好在趕進度。",[11,1087,1088,1089],{},"專案在這裡，包括那四次的完整施工紀錄都在 repo 的追蹤文件裡：",[505,1090,1093],{"href":1091,"rel":1092},"https:\u002F\u002Fgithub.com\u002Fechoedinvoker\u002Fchatmux",[509],"github.com\u002Fechoedinvoker\u002Fchatmux",[28,1095],{},[31,1097,1099],{"id":1098},"如果你的團隊也在用-ai-寫程式","如果你的團隊也在用 AI 寫程式",[11,1101,1102],{},"那你大概已經遇過這個問題了：AI 交回來的東西測試全綠、報告寫得很漂亮，但你不確定它到底有沒有真的跑過那條路徑。而你沒有時間逐條追問。",[11,1104,1105],{},"如果你正在把 AI coding 導進團隊流程，卡在「怎麼定完成判定」這一關，可以找我聊——沒有簡報，也不賣套裝方案，先確認你的問題長什麼形狀再談解法。加 LINE 直接描述你的狀況就好，十分鐘大概就能知道值不值得繼續談。",[11,1107,1108,1109,1112],{},"我的顧問 LINE 本身就是我自己做的：",[505,1110,510],{"href":507,"rel":1111},[509],"。你跟它的對話，就是你正在評估的那個東西的 live demo。",{"title":513,"searchDepth":514,"depth":514,"links":1114},[1115,1116,1117,1118,1122,1125,1126,1127],{"id":561,"depth":514,"text":562},{"id":576,"depth":514,"text":577},{"id":627,"depth":514,"text":628},{"id":720,"depth":514,"text":721,"children":1119},[1120],{"id":803,"depth":1121,"text":803},3,{"id":865,"depth":514,"text":866,"children":1123},[1124],{"id":942,"depth":1121,"text":943},{"id":972,"depth":514,"text":972},{"id":1071,"depth":514,"text":1072},{"id":1098,"depth":514,"text":1099},"2026-07-25","測試全綠、checkbox 打勾、文件寫好——然後發現那條路徑從來沒被執行過。我在同一個開源專案裡踩了四次，每次偽裝不同。這是四次的拆解和三條可以直接套用的驗證判準。",{},"\u002Fblog\u002Fgreen-light-is-not-verification",{"title":540,"description":1129},"blog\u002Fgreen-light-is-not-verification",[1135,535],"testing","AQYTq3yLEjhzx1qrTXoxIPQwj7ex1RmzrEqKrbEDLVk",{"id":1138,"title":1139,"body":1140,"date":1392,"description":1393,"extension":528,"meta":1394,"navigation":530,"path":1395,"seo":1396,"stem":1397,"tags":1398,"__hash__":1401},"blog\u002Fblog\u002Fdgx-spark-self-hosted-llm.md","我把部門唯一的 AI 主機搞掛了：自建 LLM 推理四個月實錄",{"type":8,"value":1141,"toc":1384},[1142,1148,1151,1154,1156,1159,1162,1165,1168,1170,1174,1180,1183,1232,1235,1242,1249,1252,1255,1258,1260,1263,1270,1273,1297,1300,1302,1306,1312,1315,1318,1320,1324,1327,1337,1340,1349,1352,1354,1357,1360,1374,1377],[11,1143,1144],{},[14,1145],{"alt":1146,"src":1147},"深夜機房裡，記憶體量表爆表的 AI 主機，與走向電源鍵的人","\u002Fblog\u002Fimages\u002Fdgx-spark-self-hosted-llm-hero.png",[11,1149,1150],{},"五月的一個下午，我把部門唯一一台 AI 主機搞到完全沒反應。SSH 連不上，跑在上面的服務全部陪葬，最後是請 IT 走進機房、按下電源鍵，才把它救回來。",[11,1152,1153],{},"起因是我在啟動指令裡加了一個看起來很合理的 flag。",[28,1155],{},[31,1157,1158],{"id":1158},"這台機器是怎麼來的",[11,1160,1161],{},"三月中，部門進了一台 NVIDIA DGX Spark——128GB 統一記憶體的小型 AI 主機。我們拿它跑幾個內部服務：文字向量化的 embedding 模型、一個 31B 的語言模型、還有會議語音轉錄。我是兩個管理員的其中一個。",[11,1163,1164],{},"自建的理由很實際：內部文件不想丟給外部 API，批次任務跑雲端模型又太貴。一台機器放機房，內網打 API，聽起來很美好。",[11,1166,1167],{},"前兩個月也確實很美好。",[28,1169],{},[31,1171,1173],{"id":1172},"一個-flag一台屍體","一個 flag，一台屍體",[11,1175,1176,1177,586],{},"五月中，我要在這台機器上評估一個新的本地推理引擎，模型檔 Q2 量化後 ",[141,1178,1179],{},"81GB",[11,1181,1182],{},"機器的記憶體當時長這樣：",[47,1184,1185,1195],{},[50,1186,1187],{},[53,1188,1189,1192],{},[56,1190,1191],{},"佔用",[56,1193,1194],{},"大小",[63,1196,1197,1205,1213,1221],{},[53,1198,1199,1202],{},[68,1200,1201],{},"31B 語言模型",[68,1203,1204],{},"~67GB",[53,1206,1207,1210],{},[68,1208,1209],{},"Embedding 模型",[68,1211,1212],{},"~20GB",[53,1214,1215,1218],{},[68,1216,1217],{},"語音轉錄",[68,1219,1220],{},"~4GB",[53,1222,1223,1227],{},[68,1224,1225],{},[141,1226,200],{},[68,1228,1229],{},[141,1230,1231],{},"~91GB \u002F 128GB",[11,1233,1234],{},"81GB 塞不進剩下的空間，所以我先停掉 67GB 的那隻騰位置。到這裡都照規矩來。",[11,1236,1237,1238,1241],{},"然後我在啟動指令加了 ",[553,1239,1240],{},"--warm-weights","。這個 flag 的意思是：啟動時先把整份權重讀進記憶體「暖機」，第一次推理就不用等。聽起來很貼心，在獨立顯卡的機器上也確實是。",[11,1243,1244,1245,1248],{},"但這台機器是統一記憶體架構（UMA）：CPU 和 GPU 共用同一塊 ",[141,1246,1247],{},"128GB","。81GB 的權重一次灌進來，跟作業系統自己要用的記憶體搶同一塊實體空間，page fault 風暴直接把整個系統壓死。我手上沒有完整的驗屍報告，事後推測是連 SSH daemon 要的那一點記憶體都擠不出來——總之機器沒有變慢，它是直接失聯，連進去救的機會都沒有。",[11,1250,1251],{},"機房裡的機器，死得很安靜。",[11,1253,1254],{},"沒有畫面、沒有警報，你只會發現所有東西都 timeout。最後的解法很土：請 IT 走過去按電源鍵。",[11,1256,1257],{},"修正方式反而很不刺激：拿掉那個 flag，改用 lazy load。第一次推理慢一點，但機器不會死。那天我學到的一行字：在共用記憶體的機器上，任何「一次載入全部」的操作都是在賭命。",[28,1259],{},[31,1261,1262],{"id":1262},"同一天的第二個坑",[11,1264,1265,1266,1269],{},"機器活過來之後，我要把先前停掉的服務開回去，才發現第二件事：之前有服務是用 ",[553,1267,1268],{},"docker stop"," 停的，重開機後容器直接消失。它是 systemd 管的服務但沒設開機自啟，docker 層面看起來就是「不見了」。",[11,1271,1272],{},"那天之後，部門在 Slack 開了一個 channel 訂規矩，四條：",[1274,1275,1276,1284,1287,1290],"ol",{},[1277,1278,1279,1280,1283],"li",{},"動手前先 ",[553,1281,1282],{},"free -h"," 看記憶體",[1277,1285,1286],{},"要載入模型，先估算記憶體用量",[1277,1288,1289],{},"要關別人的服務，先在 channel 喊一聲",[1277,1291,1292,1293,1296],{},"操作服務一律走 ",[553,1294,1295],{},"systemctl","，不碰 docker 指令",[11,1298,1299],{},"四條全是翻車換來的。沒有一條是裝機那天想得到的。",[28,1301],{},[31,1303,1305],{"id":1304},"它又躺了一次這次不是我的錯","它又躺了一次，這次不是我的錯",[11,1307,1308,1311],{},[553,1309,1310],{},"nvidia-smi"," 說找不到 GPU，三個服務全掛——這是本週某天早上這台機器給我的見面禮。前一天只做了一件事：例行的系統 kernel 升級。",[11,1313,1314],{},"查下去才發現：新 kernel 對應的 GPU driver 模組沒被裝上，因為套件庫索引太舊，安裝時默默 404。更麻煩的是裝完不能熱載入，driver 的 firmware 要在開機流程初始化，所以必須再重開一次機。中間那包 221MB 的 driver，從公司網路抓只有 77~256 kB\u002Fs，光下載就等了 15 分鐘。",[11,1316,1317],{},"服務掛了一個上午。這種故障不會寫在任何採購簡報裡。",[28,1319],{},[31,1321,1323],{"id":1322},"數字現實它到底能跑什麼","數字現實：它到底能跑什麼",[11,1325,1326],{},"四個月下來，最值錢的其實是幾個數字。",[11,1328,1329,1330,1333,1334,586],{},"我實測那顆 81GB 的 Q2 模型，生成速度 ",[141,1331,1332],{},"13.75 token\u002Fs","。常駐的 31B 模型更慢：按規格換算大約 7 token\u002Fs，這不是我跑分跑出來的數字，但跟日常體感一致。用 7 token\u002Fs 算，一個 300 token 的回覆要等 ",[141,1335,1336],{},"40 秒上下",[11,1338,1339],{},"所以這台機器的能與不能，界線很清楚：",[1341,1342,1343,1346],"ul",{},[1277,1344,1345],{},"❌ 任何要給使用者即時回覆的場景。40 秒的等待，什麼產品都撐不住",[1277,1347,1348],{},"✅ 不趕時間的批次任務：離線跑評測、內部文件處理、embedding 向量化",[11,1350,1351],{},"我們後來的分工就是這樣：embedding 留在這台機器上跑，需要即時回覆的路徑走雲端 API。自建不是替代雲端，是跟雲端分工。這個結論值四個月。",[28,1353],{},[31,1355,1356],{"id":1356},"如果你的公司也在考慮這件事",[11,1358,1359],{},"買機器的錢是整件事裡最小的成本。真正的成本是這些問題有沒有人接：",[1341,1361,1362,1365,1368,1371],{},[1277,1363,1364],{},"誰懂統一記憶體的行為？（不懂的話，一個 flag 就能讓它躺平）",[1277,1366,1367],{},"記憶體預算誰管？多人共用時誰協調？",[1277,1369,1370],{},"kernel 升級、driver 掛掉，誰半夜爬起來修？",[1277,1372,1373],{},"你要跑的工作負載，它的推理速度真的撐得起嗎？",[11,1375,1376],{},"這四題沒有一題寫在規格表上，而我們是用四個月的翻車換來的答案。",[11,1378,1379,1380,1383],{},"如果你的公司正在評估自建 AI 主機或本地 LLM 推理，不管是為了資料不出門，還是想省 API 費用，都一樣：先別急著下單。把你的使用場景丟給我——",[505,1381,510],{"href":507,"rel":1382},[509]," 上有我的 LINE，不用準備簡報，描述你想拿它做什麼就好。十分鐘，你就會知道該買、該租、還是該繼續用 API。",{"title":513,"searchDepth":514,"depth":514,"links":1385},[1386,1387,1388,1389,1390,1391],{"id":1158,"depth":514,"text":1158},{"id":1172,"depth":514,"text":1173},{"id":1262,"depth":514,"text":1262},{"id":1304,"depth":514,"text":1305},{"id":1322,"depth":514,"text":1323},{"id":1356,"depth":514,"text":1356},"2026-07-13","一台 128GB 統一記憶體的 AI 主機進了部門。四個月裡我把它搞到 SSH 無回應、容器消失、GPU driver 全掛。這是自建 LLM 推理的真實成本清單。",{},"\u002Fblog\u002Fdgx-spark-self-hosted-llm",{"title":1139,"description":1393},"blog\u002Fdgx-spark-self-hosted-llm",[1399,1400],"ai-infra","llm","VjEP5pxzq2jyb7_-sTEDPiuOt-wFVsikM_ZM_WiASnE",{"id":1403,"title":1404,"body":1405,"date":1774,"description":1775,"extension":528,"meta":1776,"navigation":530,"path":1777,"seo":1778,"stem":1779,"tags":1780,"__hash__":1785},"blog\u002Fblog\u002Fai-customer-service-quality-check.md","你的 AI 客服真的有在答對嗎？不用買平台，三步驟品質檢查",{"type":8,"value":1406,"toc":1765},[1407,1411,1414,1417,1420,1423,1428,1430,1434,1437,1444,1451,1458,1461,1475,1478,1480,1484,1487,1490,1496,1499,1502,1505,1522,1525,1528,1534,1537,1543,1546,1548,1552,1555,1558,1569,1572,1575,1578,1581,1584,1587,1589,1593,1596,1602,1605,1608,1611,1614,1617,1623,1626,1629,1632,1637,1640,1643,1646,1648,1652,1655,1660,1663,1668,1671,1733,1736,1741,1744,1747,1749,1753,1756,1759,1762],[31,1408,1410],{"id":1409},"感覺還不錯是最危險的一句話","「感覺還不錯」是最危險的一句話",[11,1412,1413],{},"上個月一個老闆跟我說：「AI 客服上線三個月了，感覺還不錯。」我問他：「你怎麼知道不錯？」他愣了三秒。",[11,1415,1416],{},"「沒有客訴啊。」",[11,1418,1419],{},"這句話很危險。因為 AI 客服回錯的時候，客人通常不會客訴——他們會直接離開。",[11,1421,1422],{},"你想想自己的經驗：上次你跟某個品牌的客服機器人聊，它回了一個明顯文不對題的答案，你做了什麼？寫信投訴？還是直接關掉，去 Google 找別家？",[11,1424,1425],{},[141,1426,1427],{},"「沒有客訴」不等於「回答正確」。它只代表你不知道 AI 答錯了幾次。",[28,1429],{},[31,1431,1433],{"id":1432},"ai-客服有三種回錯方式多數老闆只知道第一種","AI 客服有三種回錯方式，多數老闆只知道第一種",[11,1435,1436],{},"第一種最明顯：AI 說「我無法回答」。這你看得到，也知道要修。",[11,1438,1439,1440,1443],{},"第二種比較陰：",[141,1441,1442],{},"AI 很有自信地回了一個錯誤答案","。語氣流暢、格式漂亮，但內容是錯的。客人信了，下單後才發現價格不對、方案不對、條件不對。客訴來的時候你以為是業務問題，其實是 AI 餵了過期資料。",[11,1445,1446,1447,1450],{},"第三種最難抓：",[141,1448,1449],{},"AI 回答了，但沒有回答到重點","。客人問「A 方案跟 B 方案差在哪」，AI 把兩個方案各自的介紹貼了一遍，但沒有做比較。客人看完覺得「這 AI 好像有回答但我還是不懂」，然後離開。",[11,1452,1453,1454,1457],{},"一個做房產租賃 AI 助手的團隊，認真翻了 100 條真實對話紀錄。結果：",[141,1455,1456],{},"40 條有問題","。不是系統當機那種問題——是看起來正常但內容有坑。",[11,1459,1460],{},"其中包括：",[1341,1462,1463,1466,1469,1472],{},[1277,1464,1465],{},"客人說「浴室不要連到臥室」，AI 推薦了浴室連著臥室的房型",[1277,1467,1468],{},"AI 說「我幫你確認」，但後續什麼都沒做",[1277,1470,1471],{},"回覆裡帶 markdown 格式符號，但客人是用簡訊收到的，畫面全是亂碼",[1277,1473,1474],{},"客人明顯需要轉人工，AI 繼續硬聊",[11,1476,1477],{},"這些錯，你不翻對話紀錄永遠不會知道。",[28,1479],{},[31,1481,1483],{"id":1482},"你不需要-eval-平台你需要先看-100-條對話","你不需要 eval 平台，你需要先看 100 條對話",[11,1485,1486],{},"很多廠商會跟你說：AI 品質管理需要 eval 平台、需要 LLM judge、需要自動化監控。",[11,1488,1489],{},"沒有錯。但那是第三步。",[11,1491,1492,1493,586],{},"第一步便宜到不行：",[141,1494,1495],{},"找一個懂你業務的人，花兩三天，看 100 條 AI 對話紀錄",[11,1497,1498],{},"不是掃一眼「大致 OK」，是逐條看、逐條寫筆記。看到問題就記下來：「這條回錯了」「這條格式壞了」「這條應該轉人工但沒有」。不用分析原因，先記下來就好。歸類可以之後再做。",[11,1500,1501],{},"做法很像寫便利貼——看到什麼就貼一張，不用排序。",[11,1503,1504],{},"100 條看完，你手上會有一堆散亂的筆記。下一步是把它們分組：",[1341,1506,1507,1510,1513,1516,1519],{},[1277,1508,1509],{},"「格式錯誤」（回覆帶亂碼、排版跑掉）",[1277,1511,1512],{},"「資料過期」（價格、方案已改但 AI 不知道）",[1277,1514,1515],{},"「該轉人工沒轉」",[1277,1517,1518],{},"「有回答但沒回答到重點」",[1277,1520,1521],{},"「直接編造不存在的資訊」",[11,1523,1524],{},"5-6 組就夠了。別貪多。",[11,1526,1527],{},"分完之後數一下每組幾條。",[11,1529,1530,1531],{},"這時候你就有一張表：你的 AI 客服最常犯哪種錯、各佔幾成。",[141,1532,1533],{},"不是感覺，是數字。",[11,1535,1536],{},"重點來了：做這件事的人不能是工程師。",[11,1538,1539,1540],{},"工程師不一定知道「浴室連臥室」對租客是什麼意思，也不一定知道你的方案 A 和方案 B 差在哪裡。AI 客服的錯誤很多不是技術錯，是業務邏輯錯、使用者體驗錯。",[141,1541,1542],{},"最了解你客戶在意什麼的那個人，才看得出 AI 哪裡出包。",[11,1544,1545],{},"通常是業務主管或客服主管。有些公司是老闆自己。",[28,1547],{},[31,1549,1551],{"id":1550},"先修笨的再修難的","先修笨的，再修難的",[11,1553,1554],{},"你手上有了那張錯誤分布表，下一步不是找人做「AI 品質評估系統」。",[11,1556,1557],{},"先看哪些錯誤根本不需要 AI 幫你抓。",[1341,1559,1560,1563,1566],{},[1277,1561,1562],{},"回覆裡不應該出現 markdown 符號？寫一條規則自動檢查，成本趨近於零。不用工程師",[1277,1564,1565],{},"價格資料超過三個月沒更新？設一個提醒，每月檢查",[1277,1567,1568],{},"營業時間問題一定要回答到具體時間？寫一個檢查項",[11,1570,1571],{},"這些是規則檢查（廠商有時候叫它 code-based eval）。不用呼叫 AI、不用花 LLM 費用、結果百分之百確定。你可能覺得這太簡單了。",[11,1573,1574],{},"就是太簡單。我花了好一陣子才接受這件事。",[11,1576,1577],{},"但這些「笨」錯誤，破壞信任的速度最快。客人被報錯價格造成的傷害，比 AI 語氣不夠自然大一百倍。先把地板鋪好，再談裝潢。",[11,1579,1580],{},"真正需要 AI 來判斷的，是語境相關的問題：客人明顯在抱怨但 AI 沒有偵測到、對話應該轉人工但 AI 繼續自動回覆。還有一種最難抓——AI 說的技術上沒錯，但對這個客人的具體情況根本不適用。",[11,1582,1583],{},"這才是硬仗。",[11,1585,1586],{},"這些才需要用另一個 AI 來做品質判斷（業界叫 LLM judge），成本也更高。但我自己看過的幾個系統，修完笨錯誤後，剩下需要 AI judge 的通常不超過三成。",[28,1588],{},[31,1590,1592],{"id":1591},"_90-準確率的品質報告可能在騙你","90% 準確率的品質報告，可能在騙你",[11,1594,1595],{},"我自己踩過這個坑。",[11,1597,1598,1599,586],{},"去年我在公司內部做一個 AI 品質評估系統，用 LLM 來自動判斷 AI 產出有沒有錯。設計了八類錯誤、寫了一堆 prompt、跑了校準測試。結果：",[141,1600,1601],{},"八類裡面只有一類通過校準",[11,1603,1604],{},"那唯一通過的一類，偵測邏輯簡單到用 ESLint 規則也能抓到。",[11,1606,1607],{},"花了那麼多功夫，最後發現：LLM judge 能可靠判斷的問題，往往便宜的規則檢查也做得到；真正需要 LLM 理解力才能判的問題，LLM 也判不準——因為它缺少只有你的業務專家才知道的 context。",[11,1609,1610],{},"這個教訓之後，每次有人問我 AI 品質評估，我第一句都是：別急著自動化。",[11,1612,1613],{},"但就算你過了我踩的那個坑，還有一個更基本的陷阱。",[11,1615,1616],{},"假設你的 AI 客服真正答錯的比例是 10%。你找了一個 AI judge 來自動判斷每條對話有沒有問題。",[11,1618,1619,1620,586],{},"這個 judge 的策略很簡單：",[141,1621,1622],{},"每條都判「沒問題」",[11,1624,1625],{},"準確率多少？90%。",[11,1627,1628],{},"因為 90% 的對話本來就沒問題，它全判對了。剩下 10% 答錯的，它全部漏掉——但在整體統計上，90% 看起來很漂亮。你老闆看到報表，覺得品質很好。",[11,1630,1631],{},"三個月後客訴爆了。",[11,1633,1634],{},[141,1635,1636],{},"整體準確率是垃圾指標。",[11,1638,1639],{},"你要看的是兩件事：真正有問題的對話，AI 抓到了幾成？沒問題的對話，有沒有被誤判？",[11,1641,1642],{},"一個永遠說「沒問題」的 AI judge，抓到真正問題的比例是零。它完全沒有在保護你。",[11,1644,1645],{},"怎麼驗？拿你之前人工看的那 100 條對話，其中你標了「有問題」的那些，看 AI judge 判對幾條。40 條問題對話它只抓到 5 條？這個 judge 沒有用。不管整體準確率多漂亮。",[28,1647],{},[31,1649,1651],{"id":1650},"三步驟品質檢查你明天就能開始","三步驟品質檢查：你明天就能開始",[11,1653,1654],{},"不用買平台，也不用懂 AI。找廠商更不必急。",[11,1656,1657],{},[141,1658,1659],{},"第一步：撈對話紀錄",[11,1661,1662],{},"打開你的 AI 客服後台，匯出最近一個月的對話紀錄。大部分系統都有匯出功能，不管是 LINE Bot、網站 chatbot 還是其他平台。如果系統沒有匯出功能——恭喜你，你已經找到第一個問題了。我遇過一個客戶後台連對話紀錄都看不到，那天下午我就知道他的品質問題不是 AI 的事。",[11,1664,1665],{},[141,1666,1667],{},"第二步：找你最懂客戶的人，看 100 條",[11,1669,1670],{},"不用全看。隨機抽 100 條，逐條標記：",[47,1672,1673,1683],{},[50,1674,1675],{},[53,1676,1677,1680],{},[56,1678,1679],{},"標記",[56,1681,1682],{},"意思",[63,1684,1685,1693,1701,1709,1717,1725],{},[53,1686,1687,1690],{},[68,1688,1689],{},"OK",[68,1691,1692],{},"回答正確且完整",[53,1694,1695,1698],{},[68,1696,1697],{},"格式壞了",[68,1699,1700],{},"亂碼、排版錯、渠道不匹配",[53,1702,1703,1706],{},[68,1704,1705],{},"答錯",[68,1707,1708],{},"內容有誤（價格、方案、政策）",[53,1710,1711,1714],{},[68,1712,1713],{},"沒答到",[68,1715,1716],{},"有回覆但沒回答到核心問題",[53,1718,1719,1722],{},[68,1720,1721],{},"該轉沒轉",[68,1723,1724],{},"應該轉人工但繼續自動回覆",[53,1726,1727,1730],{},[68,1728,1729],{},"亂掰",[68,1731,1732],{},"編造不存在的資訊",[11,1734,1735],{},"100 條大概花 3-4 小時。看完你會有一張錯誤分布表。",[11,1737,1738],{},[141,1739,1740],{},"第三步：先修成本最低的",[11,1742,1743],{},"錯誤分布表裡，先挑能用規則自動擋的（格式檢查、價格比對、必填欄位）。這些修完，你的 AI 客服品質通常會跳一個等級——因為最傷信任的笨錯誤被擋掉了。",[11,1745,1746],{},"剩下需要判斷力的錯誤（該不該轉人工、回答是否貼題），才需要更進階的方案。到這步再找人討論也不遲。",[28,1748],{},[31,1750,1752],{"id":1751},"你有在監控你的-ai-客服嗎","你有在監控你的 AI 客服嗎？",[11,1754,1755],{},"如果你的 AI 客服已經上線超過一個月，而你從來沒有翻過對話紀錄——現在就是開始的時候。",[11,1757,1758],{},"不是因為系統一定有問題。是因為你不知道有沒有問題，這件事本身就是問題。",[11,1760,1761],{},"如果你不確定從哪裡開始、不確定你的系統有沒有記錄對話、或者看了紀錄但不知道怎麼判斷——加這個網站的 LINE，描述你目前的 AI 客服類型和遇到的狀況。我會幫你看一下對話紀錄的結構，告訴你第一步該修什麼。",[11,1763,1764],{},"十分鐘，免費，不推銷。你加好友後丟問題給它，它怎麼回你，就是你在評估的那個東西。",{"title":513,"searchDepth":514,"depth":514,"links":1766},[1767,1768,1769,1770,1771,1772,1773],{"id":1409,"depth":514,"text":1410},{"id":1432,"depth":514,"text":1433},{"id":1482,"depth":514,"text":1483},{"id":1550,"depth":514,"text":1551},{"id":1591,"depth":514,"text":1592},{"id":1650,"depth":514,"text":1651},{"id":1751,"depth":514,"text":1752},"2026-06-23","AI 客服上線後，大部分老闆靠「沒有客訴」判斷品質。但 AI 回錯的時候客人直接離開，不會告訴你。這篇教你不花錢，用 100 條對話紀錄找出 AI 在哪裡出包。",{},"\u002Fblog\u002Fai-customer-service-quality-check",{"title":1404,"description":1775},"blog\u002Fai-customer-service-quality-check",[1781,1782,1783,1784],"ai","smb","customer-service","evaluation","PEPRRvW7WpVghqqsbzIb0eq03K4ApWu2rbPWTiX-Bx0",{"id":1787,"title":1788,"body":1789,"date":2084,"description":2085,"extension":528,"meta":2086,"navigation":530,"path":2087,"seo":2088,"stem":2089,"tags":2090,"__hash__":2092},"blog\u002Fblog\u002Fwebsite-content-conversion.md","你的網站文章幫讀者把問題解決完了——然後他走了",{"type":8,"value":1790,"toc":2070},[1791,1797,1801,1804,1807,1810,1813,1818,1820,1824,1827,1830,1833,1840,1842,1846,1849,1852,1858,1861,1864,1867,1872,1875,1880,1883,1886,1888,1891,1894,1897,1901,1908,1911,1914,1917,1920,1924,1927,1930,1933,1952,1955,1959,1962,1965,1968,1975,1979,1982,1985,1992,1994,1998,2001,2004,2009,2012,2015,2018,2020,2023,2026,2032,2035,2049,2052,2055,2057,2061,2064,2067],[11,1792,1793],{},[14,1794],{"alt":1795,"src":1796},"讀者看完你的文章，帶走了答案——然後離開了","\u002Fblog\u002Fimages\u002Fwebsite-content-conversion-hero.png",[31,1798,1800],{"id":1799},"排名有上line-零訊息","排名有上，LINE 零訊息",[11,1802,1803],{},"你找了一家行銷公司，花了八萬做內容站。三個月後，Google Search Console 有曲線了——曝光五千次、點擊兩百。你覺得不錯，然後打開 LINE——零訊息。問行銷公司，他們說「排名有上啊，要不要加投廣告？」",[11,1805,1806],{},"你追加了廣告預算。又過兩個月，曝光一萬次，點擊五百。",[11,1808,1809],{},"LINE 還是零。",[11,1811,1812],{},"這不是個案。這是我跟中小企業主聊天時最常聽到的版本。他們的 SEO 做得不差，文章也不爛——有些甚至寫得很專業。問題不在 SEO 技術。",[11,1814,1815],{},[141,1816,1817],{},"問題在文章太好了。",[28,1819],{},[31,1821,1823],{"id":1822},"什麼叫太好了","什麼叫「太好了」",[11,1825,1826],{},"這不是反話。你的文章認真回答了讀者的問題——LINE Bot 怎麼做、知識庫怎麼選、網站要多少錢。讀者看完了，學到東西了，覺得很有收穫。",[11,1828,1829],{},"然後關掉網頁。",[11,1831,1832],{},"因為你幫他把問題解決完了。他不需要你了。",[11,1834,1835,1836,1839],{},"這就是大部分中小企業官網內容的核心矛盾：",[141,1837,1838],{},"你花錢請人寫的文章，在幫讀者省掉找你的理由","。文章越「有價值」——讀者越沒理由留下來。",[28,1841],{},[31,1843,1845],{"id":1844},"百科型文章-vs-顧問型文章","百科型文章 vs 顧問型文章",[11,1847,1848],{},"同一個主題，兩種寫法差距很大。",[11,1850,1851],{},"拿「LINE Bot 要多少錢」當例子。百科型寫法是這樣：",[1853,1854,1855],"blockquote",{},[11,1856,1857],{},"LINE Bot 的建置成本取決於功能複雜度。簡易問答機器人約 3-5 萬，具備 AI 對話功能的系統約 10-30 萬，包含知識庫整合的完整方案約 30-80 萬。",[11,1859,1860],{},"資訊正確。格式工整。讀者看完知道價格範圍了。",[11,1862,1863],{},"走了。",[11,1865,1866],{},"顧問型寫法：",[1853,1868,1869],{},[11,1870,1871],{},"被報過三種價，每種差一個零？很正常——因為「LINE Bot」三個字能裝的東西差十倍。一個自動回罐頭訊息的 bot，三萬做完沒問題。但如果你要它聽懂客人在問什麼、去知識庫翻答案再組回覆，那不是同一個東西。我自己做的那個，每則回覆成本 0.3 到 15 元——對，十倍差距，取決於客人問的是「營業時間」還是「我的預算適合什麼方案」。",[11,1873,1874],{},"你大概已經感覺到了。",[11,1876,1877],{},[141,1878,1879],{},"第一種在回答問題，第二種在描述你的處境。",[11,1881,1882],{},"讀者想找你，不是因為你回答了他的問題——他可以問 ChatGPT。他想找你，是因為他覺得你理解他的困境，而且你可能有辦法幫他想清楚。",[11,1884,1885],{},"百科型文章能幫你拿到 Google 排名。但讀者看完以後會主動加你 LINE 的，是顧問型。大部分中小企業的官網只有前者。",[28,1887],{},[31,1889,1890],{"id":1890},"一篇能帶來客人的文章需要四樣東西",[11,1892,1893],{},"我自己經營一個技術諮詢網站，上面累積了 16 篇文章。前 3 篇我也是寫百科型——認認真真把 LINE Bot 架構、知識庫比較、網站選型全部解釋清楚。排名有上，但沒人找我。後來我把寫法改成痛點驅動型，大概從每個月零詢問變成每週一兩個人主動加 LINE 問問題。",[11,1895,1896],{},"這不是文采，是工程。",[801,1898,1900],{"id":1899},"老闆滑到第三行就關掉了因為第一段沒有他","老闆滑到第三行就關掉了——因為第一段沒有他",[11,1902,1903,1904,1907],{},"讀者在手機上點進你的文章。他的大腦正在做一件事：",[141,1905,1906],{},"找理由關掉","。你有大概三秒的時間。",[11,1909,1910],{},"不是用精彩文筆留住他——是用他正在經歷的場景。",[11,1912,1913],{},"「你找了一家行銷公司，花了八萬做內容站⋯⋯」——老闆看到「八萬」就停下來了，因為他也花了差不多的錢。",[11,1915,1916],{},"「本文將探討中小企業網站內容策略的關鍵要素」——老闆還沒讀完就滑走了。",[11,1918,1919],{},"一個有場景，一個在自我介紹。差別就這樣。",[801,1921,1923],{"id":1922},"每一段有一個讀者能-picture-的東西","每一段有一個讀者能 picture 的東西",[11,1925,1926],{},"純概念解說是內容的毒藥。",[11,1928,1929],{},"「SEO 需要時間」——多少時間？「成本不低」——多少錢？「效果不錯」——數字呢？讀者的大腦不處理抽象敘述，它處理畫面。",[11,1931,1932],{},"怎麼製造畫面：",[1341,1934,1935,1940,1946],{},[1277,1936,1937,1939],{},[141,1938,194],{},"：LINE 免費方案每月 200 則 Push 訊息，大約夠 40 個訪客各聊五輪",[1277,1941,1942,1945],{},[141,1943,1944],{},"場景","：老闆娘一邊回 LINE 一邊剪頭髮，客人等了四十分鐘",[1277,1947,1948,1951],{},[141,1949,1950],{},"踩坑紀錄","：我自己的網站曾經把 canonical 網址指到一個第三方域名。等於告訴 Google 爬蟲「去那邊看才對」，我的流量被送給別人。直到某天手動 curl 檢查 header 才發現——不是一天，是跑了好幾週",[11,1953,1954],{},"有這些，讀者才會從隨便掃兩眼變成真的在讀。沒有這些，你的文章就是一面牆，眼睛在上面滑過但腦子沒進去。",[801,1956,1958],{"id":1957},"你的文章結尾是不是在跟讀者道別","你的文章結尾是不是在跟讀者道別？",[11,1960,1961],{},"大部分文章結尾寫的是：「希望對你有幫助。如果有問題歡迎聯繫我們。」",[11,1963,1964],{},"讀者怎麼做？什麼都不做。",[11,1966,1967],{},"「有問題聯繫我們」不是一個動作，是一個模糊邀請。讀者不知道什麼問題才夠格聯繫。不確定要不要花錢。怕被推銷。三個理由就夠他關掉了。",[11,1969,1970,1971,1974],{},"有效的結尾是給讀者一個",[141,1972,1973],{},"自我診斷清單","，讓他判斷自己需不需要找人。清單本身就是價值——就算他不找你，他也帶走了一個工具。而帶走工具的人，比帶走知識的人更可能回來。",[801,1976,1978],{"id":1977},"cta-不是推銷是把門打開","CTA 不是推銷，是把門打開",[11,1980,1981],{},"「加 LINE 免費諮詢」太像廣告。六個字沒有一個字在講讀者的情境。",[11,1983,1984],{},"「你的官網有文章但三個月了沒人聯繫你？截圖首頁和一篇你覺得最好的文章，加 LINE 丟給我看。十分鐘就能看出你的內容在做什麼。」",[11,1986,1987,1988,1991],{},"差在哪？",[141,1989,1990],{},"有自我篩選","——讀者會先問自己「我是不是三個月沒人聯繫」，如果是，他覺得你在對他說話。加上「十分鐘就能看出」——他知道不會被拉去聽一小時銷售簡報。",[28,1993],{},[31,1995,1997],{"id":1996},"技術-seo-做滿分也救不了爛內容","技術 SEO 做滿分，也救不了爛內容",[11,1999,2000],{},"順帶講一件事。",[11,2002,2003],{},"我自己的網站用 Lighthouse（Google 的網頁技術評分工具）跑分：效能 98、無障礙 100、最佳做法 100、SEO 100。技術上幾乎沒什麼可以再改的。",[11,2005,2006],{},[141,2007,2008],{},"滿分。",[11,2010,2011],{},"但這個滿分只代表 meta tag、sitemap、canonical 這些技術設定正確——它不管你寫了什麼。很多中小企業找工程師做完網站，工程師拿這張截圖給你看「SEO 滿分」，你以為搞定了。",[11,2013,2014],{},"搞定個鬼。",[11,2016,2017],{},"SEO 分數代表你的房子結構合格。有沒有人想住進來，取決於你在裡面放了什麼家具。",[28,2019],{},[31,2021,2022],{"id":2022},"你可能不需要更多文章",[11,2024,2025],{},"行銷公司通常會建議「持續產出內容」。",[11,2027,2028,2029,586],{},"這句話本身沒問題。但在你現有的文章還不會帶客人的情況下，",[141,2030,2031],{},"寫更多同類型文章只是在把同一個錯誤複製十遍",[11,2033,2034],{},"先回去改你已經有排名的那幾篇。一篇一篇用這四個問題過：",[1274,2036,2037,2040,2043,2046],{},[1277,2038,2039],{},"打開你的文章，第一段在講讀者的處境，還是在介紹你要講什麼？",[1277,2041,2042],{},"整篇有沒有至少一個具體數字——不是「成本不低」，是「八萬」「三個月」「零訊息」？",[1277,2044,2045],{},"有沒有講一個失敗經驗，或承認某個缺點？",[1277,2047,2048],{},"結尾有沒有一個低壓力的具體下一步——不是「聯繫我們」？",[11,2050,2051],{},"四題都沒有的文章，在幫 Google 建索引，不是在幫你找客人。",[11,2053,2054],{},"一篇 1500 字的舊文章，針對這四點改，大約兩小時，不需要重寫。但改對了的一篇，比十篇新的百科型文章更值錢。你現在有流量。缺的是客人。",[28,2056],{},[31,2058,2060],{"id":2059},"想讓我看一眼你的網站內容","想讓我看一眼你的網站內容？",[11,2062,2063],{},"如果你的官網有文章、有排名，但三個月了沒人加 LINE、沒人填表、沒人打電話——問題很可能不在 SEO。",[11,2065,2066],{},"加這個網站的 LINE，截圖你的首頁和一篇你覺得寫得最好的文章，丟給我看。十分鐘就能看出你的內容到底在「回答問題」還是在「建立信任」。",[11,2068,2069],{},"不賣方案、不推套裝。看完覺得自己能改就自己改，覺得需要幫忙再聊。",{"title":513,"searchDepth":514,"depth":514,"links":2071},[2072,2073,2074,2075,2081,2082,2083],{"id":1799,"depth":514,"text":1800},{"id":1822,"depth":514,"text":1823},{"id":1844,"depth":514,"text":1845},{"id":1890,"depth":514,"text":1890,"children":2076},[2077,2078,2079,2080],{"id":1899,"depth":1121,"text":1900},{"id":1922,"depth":1121,"text":1923},{"id":1957,"depth":1121,"text":1958},{"id":1977,"depth":1121,"text":1978},{"id":1996,"depth":514,"text":1997},{"id":2022,"depth":514,"text":2022},{"id":2059,"depth":514,"text":2060},"2026-06-18","官網有 SEO 排名、文章也有人看，但為什麼沒人加 LINE、沒人打電話？因為你的內容在回答問題，不在建立信任。四個檢查點判斷你的網站內容到底在幫你還是在幫讀者離開。",{},"\u002Fblog\u002Fwebsite-content-conversion",{"title":1788,"description":2085},"blog\u002Fwebsite-content-conversion",[2091,1782,592],"web","Or-IA_vcZY0TPeUQQo8S0NulJnluMTHfRQxmI6F5b5o",{"id":2094,"title":2095,"body":2096,"date":2401,"description":2402,"extension":528,"meta":2403,"navigation":530,"path":2404,"seo":2405,"stem":2406,"tags":2407,"__hash__":2409},"blog\u002Fblog\u002Ftool-graveyard-ai-bot.md","你的工具不是不好用——是沒人想打開它",{"type":8,"value":2097,"toc":2391},[2098,2104,2107,2110,2113,2116,2118,2122,2125,2128,2131,2142,2145,2148,2151,2153,2157,2164,2167,2170,2173,2176,2183,2185,2189,2192,2195,2198,2201,2204,2207,2210,2213,2220,2223,2225,2228,2231,2236,2239,2246,2249,2254,2257,2260,2262,2266,2269,2272,2275,2325,2332,2334,2337,2340,2343,2346,2353,2360,2363,2365,2368,2371,2374,2380,2385,2388],[11,2099,2100],{},[14,2101],{"alt":2102,"src":2103},"工具廢墟：被遺棄的管理工具 vs 活躍的 AI Bot","\u002Fblog\u002Fimages\u002Ftool-graveyard-hero.png",[31,2105,2106],{"id":2106},"每家公司都有一個工具廢墟",[11,2108,2109],{},"我們公司用 Jira。",[11,2111,2112],{},"導入的時候很認真——開帳號、設權限、建 Board、寫使用教學。三個月後，唯一還在更新 Jira 的人是 PM。工程師會議中答應「好我等下更新」，然後回座位就忘了。QA 報 bug 直接丟 Slack，不開 ticket。老闆問「這個 Sprint 做完了嗎」，Board 上還擺著三週前的狀態。",[11,2114,2115],{},"我以為是我們公司的問題。後來跟其他中小企業聊，發現幾乎每家都有同一個工具廢墟。工具不同，實情一樣。",[28,2117],{},[31,2119,2121],{"id":2120},"不是工具爛是用本身就有成本","不是工具爛，是「用」本身就有成本",[11,2123,2124],{},"你在 CRM 裡更新一筆客戶狀態，需要幾步？",[11,2126,2127],{},"打開瀏覽器、登入、找到那筆客戶、點編輯、改狀態、寫備註、存檔。七步。每一步都只花幾秒，但加起來夠讓一個忙碌的業務想著「等下再弄」——然後一天就過了。",[11,2129,2130],{},"這不是員工不配合。是每一步操作都是摩擦，摩擦累積到一定程度，人就不做了。",[11,2132,2133,2134,2137,2138,2141],{},"2020 年《Journal of Medical Internet Research》刊了一篇減重追蹤研究（PMC9795401），結論很殘忍：「簡化核取清單」的依從性是 ",[141,2135,2136],{},"97%","，「詳細記錄」的依從性是 ",[141,2139,2140],{},"49%","。結果呢？兩組的實際減重成效沒有顯著差異。記得更精確，沒換來更好的結果，反倒砍半了持續性。",[11,2143,2144],{},"工具也一樣。功能越完整，操作越精細，用的人越少。",[11,2146,2147],{},"你以為問題是「選錯工具」，所以換了一套又一套。從 Trello 換到 Asana，從 Asana 換到 Notion，從 Notion 換到 Monday。每次上線第一週都很美好。",[11,2149,2150],{},"第四週又是同一個劇本。",[28,2152],{},[31,2154,2156],{"id":2155},"_78-的員工已經在用自己的工具了","78% 的員工已經在用自己的工具了",[11,2158,2159,2160,2163],{},"SAP 和 WalkMe 在 2025 年聯合發布的《Digital Adoption Report》（樣本 1,000 人）數字很尖銳：",[141,2161,2162],{},"78% 的員工承認在用公司沒核准的 AI 工具","。原因？60% 說「官方工具太慢了」。",[11,2165,2166],{},"員工在用行動表態。",[11,2168,2169],{},"他們用 ChatGPT 回客戶信、用 Gemini 整理會議紀錄、用 Claude 寫報告。不是因為這些工具特別厲害，而是因為——打開對話框、打字、按送出。三步。",[11,2171,2172],{},"對比一下公司的 CRM：登入、找客戶、開編輯、選欄位、填值、存檔、關分頁。七步。",[11,2174,2175],{},"你給員工一個三步的選項和一個七步的選項，他們每次都會選三步。不管你開幾次教育訓練。",[11,2177,2178,2179,2182],{},"更扎心的數字：同一份調查發現 ",[141,2180,2181],{},"33% 的員工從未使用過公司指定的官方工具","。連開都沒開過。你不只是在跟員工的惰性對抗，你是在跟人類行為的基本定律對抗。",[28,2184],{},[31,2186,2188],{"id":2187},"摩擦的敵人不是更好的工具是更短的路徑","摩擦的敵人不是更好的工具，是更短的路徑",[11,2190,2191],{},"大部分公司面對工具沒人用，第一反應是「換一個更好用的」。",[11,2193,2194],{},"不會有用。",[11,2196,2197],{},"因為問題不在工具的介面設計。問題在於**「人操作工具」這個行為本身就是摩擦源**。不管 UI 多漂亮，只要你還需要打開一個 app、找到一個按鈕、填一個表單，那就有步驟。步驟就是摩擦。摩擦就是放棄的理由。",[11,2199,2200],{},"你需要的是更短的路徑——短到不像在「用工具」。",[11,2202,2203],{},"想像一下這個場景：業務剛掛完電話，在 LINE 群組裡打了一行「王先生已確認三月份續約，下週一簽約」。",[11,2205,2206],{},"如果這行字能自動變成 CRM 裡的一筆更新，業務需要做幾步？",[11,2208,2209],{},"零步。",[11,2211,2212],{},"他已經做完了。他以為自己只是在群組報告進度，但 CRM 已經更新了。",[11,2214,2215,2216,2219],{},"這就是 AI Bot 做的事：",[141,2217,2218],{},"把「對話」變成「操作」","。不用學介面、不用記欄位、不用刻意去做「更新」。",[11,2221,2222],{},"說話就是操作。沒了。",[28,2224],{},[31,2226,2227],{"id":2227},"我自己試了兩個實驗",[11,2229,2230],{},"講理論大家都會。讓我告訴你實際發生了什麼。",[11,2232,2233],{},[141,2234,2235],{},"實驗一：部門 Slack Bot",[11,2237,2238],{},"我在公司部門裡架了一個 Claude Bot，串接 Slack。最初的目標很簡單——讓同事可以在 Slack 裡 @bot 查技術知識庫，不用自己翻文件。",[11,2240,2241,2242,2245],{},"上線第一天就發現了一件事：",[141,2243,2244],{},"沒人需要教學","。因為他們本來就在 Slack 裡打字，@bot 只是多打兩個字。不用開新視窗、不用登入另一個系統、不用記介面怎麼操作。聊天就是操作。",[11,2247,2248],{},"後來把功能擴展到整理 thread 對話、自動產出會議紀錄文件，使用率也沒掉。因為使用者的操作永遠只有一件事：在聊天室裡打字。",[11,2250,2251],{},[141,2252,2253],{},"實驗二：我自己的行為紀錄",[11,2255,2256],{},"我用 Telegram 記錄每天的飲食、運動、工作。之前試過 MyFitnessPal、Cronometer，每次都撐不過兩週。原因？要開 app、搜食物、選份量、確認——六步。對一個下班已經很累的人來說，六步就是放棄的理由。",[11,2258,2259],{},"改成 Telegram 之後一切變了。隨手打「吃了排骨便當」「深蹲 60×8 三組」，AI 負責把自然語言拆成結構化數據。四個多月，沒斷過。飲食追蹤的研究（PMC8900900）說 87% 的人在十週內放棄，而我用的方法唯一的差別就是少了五個步驟。",[28,2261],{},[31,2263,2265],{"id":2264},"想試的話從哪裡開始","想試的話，從哪裡開始",[11,2267,2268],{},"你不需要把所有系統砍掉重練。在現有工具上面蓋一層「對話介面」就好，讓操作從七步變成一步。",[11,2270,2271],{},"我通常建議從最讓人抓狂的那個工具開始——你一說就知道是哪個，就是那個每次開 Weekly 都要跟大家念「拜託更新一下」的那個。CRM、專案管理、知識庫，通常其中一個。",[11,2273,2274],{},"找到之後，不要想著把整套工具搬進聊天室。那只是換個地方複雜。挑那個工具裡最常需要做的 2-3 個操作就好：",[47,2276,2277,2290],{},[50,2278,2279],{},[53,2280,2281,2284,2287],{},[56,2282,2283],{},"工具",[56,2285,2286],{},"痛點操作",[56,2288,2289],{},"對話化之後",[63,2291,2292,2303,2314],{},[53,2293,2294,2297,2300],{},[68,2295,2296],{},"CRM",[68,2298,2299],{},"更新客戶狀態",[68,2301,2302],{},"在群組說「王先生確認續約」→ Bot 自動更新",[53,2304,2305,2308,2311],{},[68,2306,2307],{},"專案管理",[68,2309,2310],{},"更新 task 進度",[68,2312,2313],{},"在群組說「搜尋功能做完了」→ Bot 自動改狀態",[53,2315,2316,2319,2322],{},[68,2317,2318],{},"知識庫",[68,2320,2321],{},"找文件",[68,2323,2324],{},"@bot「報價單範本」→ 三秒內貼連結，不用自己翻資料夾",[11,2326,2327,2328,2331],{},"然後觀察三週。不要量「大家覺得好不好用」——量",[141,2329,2330],{},"更新頻率","。CRM 從每週更新一次變成每天？摩擦消滅了。沒變？你嵌入的操作不對，換一個重來。",[28,2333],{},[31,2335,2336],{"id":2336},"為什麼現在該做這件事",[11,2338,2339],{},"兩年前要做一個能理解自然語言並操作工具的 Bot，你需要一個 AI 團隊、半年開發時間、六位數預算。",[11,2341,2342],{},"現在不用了。",[11,2344,2345],{},"2026 年的 AI 模型（Claude、GPT-4o、Gemini）原生就有工具串接能力。一個熟練的開發者，一到兩週就能做出一個串接你現有系統的 AI Bot。LINE Bot、Slack Bot、Telegram Bot——你的團隊在哪裡聊天，Bot 就可以嵌在哪裡。",[11,2347,2348,2349,2352],{},"成本也很透明。我自己的 AI LINE Bot 跑了一個多月，",[141,2350,2351],{},"AI 回覆的月成本不到 NT$30","——比一杯超商美式還便宜。不是省幾個人力的那種省，是原本根本不存在的成本項目，現在多了一項但低到你不會注意。",[11,2354,2355,2356,2359],{},"但有一個前提：",[141,2357,2358],{},"AI Bot 的效果完全取決於你的操作邏輯夠不夠清楚","。如果你自己都搞不清楚 CRM 裡客戶狀態有哪幾種、什麼時候該改，Bot 只會幫你加速混亂。工具不能修的東西，Bot 也不能。",[11,2361,2362],{},"關鍵不是「AI 能不能做這件事」。AI 早就能了。關鍵是你什麼時候把那個七步的操作壓成一步。",[28,2364],{},[31,2366,2367],{"id":2367},"如果你的公司也有工具廢墟",[11,2369,2370],{},"你可能覺得你公司的情況比較特殊。78% 的公司都這樣覺得，然後發現問題是一樣的。",[11,2372,2373],{},"但還有另一本帳你可能沒算：工具沒人用這件事，每個月讓你損失多少時間和資訊？CRM 三個月沒更新、知識庫只有你自己在寫、專案管理變成你一個人的 Excel——這些不只是「沒效率」，是你花了錢買的工具正在以每月訂閱費的速度燒你的現金，而你什麼都沒拿到。",[11,2375,2376,2379],{},[141,2377,2378],{},"如果你也被工具廢墟困住","，加我的 LINE Bot，直接貼這句話給它：",[1853,2381,2382],{},[11,2383,2384],{},"「我公司 __ 人，用 __ 這個工具，最大問題是沒人更新。」",[11,2386,2387],{},"它 24 小時都在。填空送出，它會根據你的情況做初步判斷。需要更深入的再跟我本人約時間。",[11,2389,2390],{},"不用準備簡報。三分鐘就知道值不值得繼續聊。",{"title":513,"searchDepth":514,"depth":514,"links":2392},[2393,2394,2395,2396,2397,2398,2399,2400],{"id":2106,"depth":514,"text":2106},{"id":2120,"depth":514,"text":2121},{"id":2155,"depth":514,"text":2156},{"id":2187,"depth":514,"text":2188},{"id":2227,"depth":514,"text":2227},{"id":2264,"depth":514,"text":2265},{"id":2336,"depth":514,"text":2336},{"id":2367,"depth":514,"text":2367},"2026-06-16","CRM、Jira、知識庫⋯⋯三個月後沒人更新，不是員工不配合，是「用」這件事本身有成本。78% 的員工寧可用未核准工具也不碰公司的——問題出在操作摩擦，而 AI Bot 正在消滅它。",{},"\u002Fblog\u002Ftool-graveyard-ai-bot",{"title":2095,"description":2402},"blog\u002Ftool-graveyard-ai-bot",[1781,1782,2408],"productivity","cW1hyRIuDDth5yjyMDqXoTe3iNwk6oLFrdnIgmvRqUY",{"id":2411,"title":2412,"body":2413,"date":2635,"description":2636,"extension":528,"meta":2637,"navigation":530,"path":2638,"seo":2639,"stem":2640,"tags":2641,"__hash__":2643},"blog\u002Fblog\u002Fai-tco-iceberg.md","AI 專案的報價單只有三成是真的——剩下七成，沒人跟你說",{"type":8,"value":2414,"toc":2627},[2415,2418,2421,2424,2430,2432,2436,2439,2442,2445,2448,2453,2455,2458,2464,2467,2470,2473,2479,2482,2485,2488,2491,2493,2497,2500,2503,2509,2512,2515,2521,2524,2526,2530,2536,2539,2542,2547,2550,2553,2555,2559,2562,2569,2580,2583,2590,2593,2595,2598,2601,2604,2615,2618,2621],[11,2416,2417],{},"老闆聽完報價，三十萬，點頭。系統按時上線、功能都正常、AI 也真的會回話。",[11,2419,2420],{},"一年後他算帳，發現花了九十萬。",[11,2422,2423],{},"多出來的六十萬不在報價單裡。員工要培訓、流程要改、出了問題要有人盯、舊系統要退場——每一項都合理，每一項都沒人事先跟他說。他不是被騙，是沒人幫他看見水面下的那塊冰山。",[11,2425,2426],{},[14,2427],{"alt":2428,"src":2429},"AI 專案的 TCO 冰山：技術成本只是露出水面的那一角","\u002Fblog\u002Fimages\u002Fai-tco-iceberg-hero.png",[28,2431],{},[31,2433,2435],{"id":2434},"三成看得見七成藏水下","三成看得見，七成藏水下",[11,2437,2438],{},"Accenture 有個說法叫 30\u002F70 法則：AI 專案裡看得見的技術成本——伺服器、軟體授權、模型開發、工程師工時——只佔總成本的 30%。",[11,2440,2441],{},"剩下 70%？",[11,2443,2444],{},"員工培訓、工作流程改造、變革管理。三個聽起來不像在花錢的東西，加起來是技術費用的兩倍多。",[11,2446,2447],{},"我接觸過的案子裡，最後實際花費超出報價一倍以上的不在少數。不是因為廠商刻意灌水——大部分廠商自己也只會算技術那部分。他們交付系統，不是「讓你公司真的用起來」。",[11,2449,2450],{},[141,2451,2452],{},"那七成，沒有人的報價單會列。",[28,2454],{},[31,2456,2457],{"id":2457},"七成到底花在哪",[11,2459,2460,2463],{},[141,2461,2462],{},"培訓不是教怎麼點按鈕。"," 你買了一套 AI 客服系統，培訓不是「打開後台，點這裡，設定這個」就結束。真正的培訓是讓客服人員相信 AI 回答的東西可以信、讓主管學會看 AI 的對話紀錄判斷品質、讓所有人知道 AI 答不好的時候誰來接手。",[11,2465,2466],{},"這要時間。兩週到三個月不等，看你公司有多少人的工作方式要改。",[11,2468,2469],{},"更常見的情況是流程改造直接被跳過。舊系統還在、舊 SOP 還在、舊的 LINE 群組還在——員工發現同時用新系統和舊方式比較安全，兩邊都不會被罵。結果新系統變成多一個要開的頁面。",[11,2471,2472],{},"我在自己公司導入 AI 工具的時候踩過這個坑。系統部署好了、功能都正常，但同事還是用原本的方式做事。",[11,2474,2475,2476],{},"原因很簡單：",[141,2477,2478],{},"沒人幫他們把舊流程正式退場。",[11,2480,2481],{},"後來我花了比部署多兩倍的時間，一個一個場景去確認「這個步驟以後用新工具，舊的停掉」，才真正跑起來。",[11,2483,2484],{},"部署花一天。讓人用起來，花了兩個月。",[11,2486,2487],{},"「我用了十年的 Excel 很好啊，為什麼要換？」「AI 出錯了誰負責？」「是不是要裁員了？」——這些問題沒有技術答案。這就是變革管理，也是整塊冰山裡最貴的那一層。",[11,2489,2490],{},"這些問題不處理，系統不會被用。不被用的系統，再便宜都是浪費。",[28,2492],{},[31,2494,2496],{"id":2495},"klarna-的七百人教訓","Klarna 的七百人教訓",[11,2498,2499],{},"2024 年初，Klarna 宣布 AI 客服取代了 700 個全職客服。AI 處理了三分之二到四分之三的客戶互動。公司宣稱大成功。",[11,2501,2502],{},"十四個月後，他們把真人全部招回來。",[11,2504,2505,2506],{},"CEO Sebastian Siemiatkowski 對 Bloomberg 說：",[141,2507,2508],{},"「成本導向是錯的。」",[11,2510,2511],{},"Klarna 犯了一個聽起來很低級的錯：他們量了「AI 攔截多少來電」——轉移率，路由指標。但沒量「客戶的問題有沒有被解決」——解決率，品質指標。",[11,2513,2514],{},"更要命的是客戶不會馬上抱怨。他們默默忍受六到十二個月，然後默默離開。等 Klarna 發現數字不對，來不及了。",[11,2516,2517,2518],{},"省下七百人的薪水很好算。失去的客戶信任值多少？",[141,2519,2520],{},"算不出來。",[11,2522,2523],{},"Klarna 年營收幾十億美金，有最好的工程師。他們的技術沒問題——問題在只看見了冰山上面那 30%。你的公司規模可能是 Klarna 的千分之一，但踩進同一個坑的機率一模一樣。",[28,2525],{},[31,2527,2529],{"id":2528},"_95-的試點對損益表零影響","95% 的試點對損益表零影響",[11,2531,2532,2533],{},"MIT Sloan 的 NANDA Study（2025）數字更殘忍：",[141,2534,2535],{},"95% 的 AI pilot 無法產出對公司損益表有影響的成果。",[11,2537,2538],{},"技術上大部分都成功了。模型跑得動、Demo 好看、老闆滿意點頭。但從 pilot 到真正影響營收或成本，中間隔了培訓、流程、人、組織慣性。",[11,2540,2541],{},"同一份研究還有一個數據：用外部廠商做好的 AI 工具，成功率 67%。自己從零建的，33%。",[11,2543,2544],{},[141,2545,2546],{},"差兩倍。",[11,2548,2549],{},"外部工具本身沒有比較厲害。差別在自建的時候，你除了技術開發，還得自己扛維護、整合、變革管理——就是那 70%。買現成的，至少有人幫你扛了一部分。",[11,2551,2552],{},"但這不是說「買就對了」。如果你公司已經有一套跑了兩年的自建工具，你踩過的坑、累積的經驗，比外購後從頭適應更值錢。67\u002F33 講的是從零開始建的風險。已經驗證過的東西，改比買更划算。",[28,2554],{},[31,2556,2558],{"id":2557},"怎麼不變成那-95","怎麼不變成那 95%",[11,2560,2561],{},"有個做法叫 Stage-Gating——把 AI 導入拆成三個階段，每個階段之間設一道門。過不了就停。",[11,2563,2564,2565,2568],{},"第一關只問一個問題：技術上做不做得到？這是 ",[141,2566,2567],{},"PoC（概念驗證）","，四到六週，十到三十萬。KPI 只有一個——模型準確率夠不夠。做不到？停損。三十萬的學費比三百萬便宜太多。",[11,2570,2571,2572,2575,2576,2579],{},"過了技術關，才進 ",[141,2573,2574],{},"Pilot（小規模試行）","。三到六個月，但 KPI 完全不同——不再看技術指標，看的是",[141,2577,2578],{},"使用者採用率","。你的員工到底用不用？不是「有帳號」，是「每天開」。目標 70% 以上。",[11,2581,2582],{},"這裡是分水嶺。技術可行不代表商業可行。",[11,2584,2585,2586,2589],{},"Pilot 過了，才輪到 ",[141,2587,2588],{},"Scale（全面擴展）","——也才值得投大錢。六到十二個月，看完整的財務 ROI。",[11,2591,2592],{},"大部分失敗的 AI 專案，是在第一階段就直接跳到第三階段。技術 Demo 成功 → 老闆興奮 → 全面推 → 三個月後沒人用。跳過 Pilot，等於跳過那 70% 的檢驗。",[28,2594],{},[31,2596,2597],{"id":2597},"你需要的不是更便宜的報價",[11,2599,2600],{},"如果你正在評估要不要做 AI——先別比價。",[11,2602,2603],{},"問拿報價給你的那個人三件事：",[1274,2605,2606,2609,2612],{},[1277,2607,2608],{},"你的報價包含員工培訓和流程改造嗎？還是只有系統交付？",[1277,2610,2611],{},"上線後第一個月，誰負責確認系統真的被用了？",[1277,2613,2614],{},"三年的總成本你能估嗎？",[11,2616,2617],{},"三題都答得出來的廠商，至少知道冰山長什麼樣。答不出來？你拿到的只是三成的報價。",[11,2619,2620],{},"問得出來是第一步。聽得懂他的回答是真話還是唬爛——那就是第二步要找人幫你聽的事。",[11,2622,2623,2624],{},"如果你想在花錢之前，先有人幫你看一眼完整的冰山——加這個網站的 LINE，描述你想解決的問題。丟訊息就好，不用排會議。有時候看完，我會直接說現在還不是時候——但那也是你付得起的學費。",[141,2625,2626],{},"先確認這筆錢值不值得花，再討論花多少。",{"title":513,"searchDepth":514,"depth":514,"links":2628},[2629,2630,2631,2632,2633,2634],{"id":2434,"depth":514,"text":2435},{"id":2457,"depth":514,"text":2457},{"id":2495,"depth":514,"text":2496},{"id":2528,"depth":514,"text":2529},{"id":2557,"depth":514,"text":2558},{"id":2597,"depth":514,"text":2597},"2026-05-28","Accenture 說技術成本只佔 AI 專案總成本的 30%。MIT 說 95% 的 AI 試點對損益表零影響。你正在看的那份報價單，可能只是冰山上面那一角。",{},"\u002Fblog\u002Fai-tco-iceberg",{"title":2412,"description":2636},"blog\u002Fai-tco-iceberg",[1781,1782,2642],"cost","169yzoTP5qElPvlZ7zkjNoCjFMoRgZWddFEGsGBzJ6o",{"id":2645,"title":2646,"body":2647,"date":2857,"description":2858,"extension":528,"meta":2859,"navigation":530,"path":2860,"seo":2861,"stem":2862,"tags":2863,"__hash__":2865},"blog\u002Fblog\u002Fhiring-engineers-in-ai-era.md","AI 都會寫程式了，你還在用舊標準找工程師？",{"type":8,"value":2648,"toc":2845},[2649,2653,2656,2659,2662,2665,2667,2671,2674,2677,2680,2683,2686,2689,2692,2694,2698,2701,2704,2707,2710,2713,2716,2723,2726,2729,2731,2735,2738,2744,2747,2750,2752,2756,2759,2763,2766,2772,2776,2779,2782,2785,2789,2792,2795,2797,2801,2804,2807,2810,2813,2816,2819,2825,2828,2831,2833,2836,2839,2842],[2650,2651,2646],"h1",{"id":2652},"ai-都會寫程式了你還在用舊標準找工程師",[11,2654,2655],{},"你怎麼判斷一個工程師到底行不行？",[11,2657,2658],{},"看履歷上寫了幾個框架？看 GitHub 有幾顆星？問他會不會 React、會不會 Python、有沒有用過 AWS？",[11,2660,2661],{},"沒用了。",[11,2663,2664],{},"這些問題在 2024 年還算有用。到了 2026 年，答案全部都是：AI 會。",[28,2666],{},[31,2668,2670],{"id":2669},"會寫-code已經不值錢了","「會寫 code」已經不值錢了",[11,2672,2673],{},"我自己就是最好的例子。",[11,2675,2676],{},"三月的某個下午，我要幫一個 Shopify 商店做一個商品掃描工具。問題是，那個工具要用 Remix 框架——一個我連官網都沒點開過的東西。",[11,2678,2679],{},"我打開 Claude，花了大概四個小時，從零到可以跑。不是做個 Hello World，是掃描 17 個商品、算出 AI Readiness Score 那種等級的功能。",[11,2681,2682],{},"四小時。零基礎。",[11,2684,2685],{},"這不是什麼天才故事。這是 2026 年任何一個有基本技術 sense 的人，配一個 AI 工具，都做得到的事。",[11,2687,2688],{},"所以當你面試一個工程師，問他「會不會 Remix」「會不會 Next.js」「有沒有串過 Stripe」——你其實在問一個 AI 花三分鐘就能回答的問題。框架語法、API 串接、樣板程式碼，這些東西在 2026 年的市場價值趨近於零。",[11,2690,2691],{},"它們還在，只是不值錢了。AI 已經把它們變成免費的空氣。",[28,2693],{},[31,2695,2697],{"id":2696},"危險的不是不會寫是寫了不知道在寫什麼","危險的不是不會寫，是寫了不知道在寫什麼",[11,2699,2700],{},"真正可怕的故事不是「工程師不會寫 code」。是「他用 AI 寫了一堆 code，但不知道那些 code 在幹嘛」。",[11,2702,2703],{},"2024 年底，有人用 AI 做了一個叫 Moltbook 的社交平台——功能完整、畫面漂亮、幾天就上線。Demo 很順。後來資安研究員拆開一看：",[11,2705,2706],{},"門沒鎖。",[11,2708,2709],{},"Supabase 的權限控制沒開、API key 直接寫死在前端程式碼裡——任何人打開瀏覽器的開發者工具，就能看到所有用戶的資料。不是駭客入侵。是根本沒設防。",[11,2711,2712],{},"那個開發者不是菜鳥。他能用 AI 工具快速產出成品。但他不懂資料庫的權限控制，因為那段 code 不是他寫的——他不知道要檢查什麼。",[11,2714,2715],{},"我自己也踩過類似的坑。早期用 AI 交出一份功能完整的系統，客戶問我授權設計的邏輯時，我愣住了——那段不是我寫的，我沒辦法解釋為什麼是這樣設計的。",[11,2717,2718,2719,2722],{},"那次之後我學到一件事：",[141,2720,2721],{},"AI 產出程式碼的速度，遠超過你理解程式碼的速度。"," 這個落差就是外包最大的風險。",[11,2724,2725],{},"你收到的東西可能跑得很順、看起來很專業。但裡面有沒有安全漏洞、架構有沒有問題、半年後會不會爆炸——你不知道，他可能也不知道。",[11,2727,2728],{},"這才是問題。",[28,2730],{},[31,2732,2734],{"id":2733},"你該找的不是會寫的人是會判斷的人","你該找的，不是「會寫」的人，是「會判斷」的人",[11,2736,2737],{},"工程師的核心能力已經不一樣了。框架語法早就不值錢——值錢的是知道什麼時候不該用某個框架。資料流設計更難替代，系統怎麼傳資料、誰能讀誰能寫，這種東西 AI 沒辦法替你想。debug 也變了，AI 一天噴一千行，你得一眼判斷問題在哪層，不然根本看不完。",[11,2739,2740,2741],{},"簡單說：",[141,2742,2743],{},"答案已經變得很廉價，判斷才是昂貴的。",[11,2745,2746],{},"以前一天手寫 100 行 code，逐行 review 還行。現在 AI 一天噴 1,000 行以上，你不可能逐行看。真正有用的工程師，是那個看了 AI 產出後能說「這段的權限控制有問題」「這個架構撐不到一萬個用戶」的人。",[11,2748,2749],{},"能判斷 AI 寫的東西對不對，才是真正值錢的。",[28,2751],{},[31,2753,2755],{"id":2754},"三個-ai-替代不了的能力","三個 AI 替代不了的能力",[11,2757,2758],{},"如果你正在找外包或面試工程師，與其問他會幾個框架，不如看這三件事。",[801,2760,2762],{"id":2761},"他問你的第一個問題就能看出他懂多少","他問你的第一個問題，就能看出他懂多少",[11,2764,2765],{},"你跟他說「幫我做一個會員系統」，他如果二話不說就開工——危險。好的工程師會先問你：未來要不要加第三方登入？會員資料要存多久？同時在線人數大概多少？",[11,2767,2768,2769],{},"這些問題你可能答不出來。沒關係。",[141,2770,2771],{},"重點是他有沒有問。",[801,2773,2775],{"id":2774},"更糟的是你拿到交件之後根本不知道要問什麼","更糟的是，你拿到交件之後根本不知道要問什麼",[11,2777,2778],{},"我遇過一個案子：接手前一手外包留下來的專案，問對方「這段為什麼這樣寫」，對方只能說「AI 幫我寫的，功能可以跑」。",[11,2780,2781],{},"功能可以跑。門也沒鎖。",[11,2783,2784],{},"讓他用一句話說清楚這段程式碼要幹嘛。說不出來的，說真的，就不用談了。",[801,2786,2788],{"id":2787},"最後一件事反而最難從履歷看出來","最後一件事，反而最難從履歷看出來",[11,2790,2791],{},"最貴的工程師不是什麼都說好的。是那個跟你說「你要的這個功能，用這個架構半年後一定出問題」的人。我第一次遇到敢這樣講的工程師，當下有點不舒服。後來才發現，他幫我省了至少十萬的重建費。",[11,2793,2794],{},"AI 不會跟你說不行。它照你要的產出東西，從不挑戰你的假設。判斷什麼時候該拒絕需求、什麼時候該改方向——這是人的工作。",[28,2796],{},[31,2798,2800],{"id":2799},"便宜的外包可能是最貴的選擇","便宜的外包，可能是最貴的選擇",[11,2802,2803],{},"回到現實。",[11,2805,2806],{},"你在外包平台上看到兩個報價：一個 8 萬，一個 3 萬。3 萬的說他三天交件。8 萬的說他要先花一週釐清需求。",[11,2808,2809],{},"直覺上，3 萬的看起來很划算。",[11,2811,2812],{},"但這個直覺會害你。",[11,2814,2815],{},"如果那個 3 萬的工程師，做法跟那個社交平台的開發者一樣——用 AI 快速產出、不做安全設定、不處理架構設計——你拿到的是一個定時炸彈。",[11,2817,2818],{},"等到使用者資料外洩、系統撐不住流量、或是下一個接手的工程師跟你說「這整個要打掉重寫」，你花的就不是 3 萬了。",[11,2820,2821,2822],{},"粗估下來，",[141,2823,2824],{},"3 萬 + 重建的 15 萬 + 信譽損失。",[11,2826,2827],{},"那個要花一週釐清需求的人，其實正在做最重要的工作：搞清楚你真正需要什麼、哪些地方會出問題、怎麼設計才不會半年後爆炸。",[11,2829,2830],{},"這就是判斷力的價格。",[28,2832],{},[31,2834,2835],{"id":2835},"怎麼開始",[11,2837,2838],{},"如果你最近正好在看報價單、面試工程師，但看不懂對方寫的那些技術名詞——報價單上那些詞到底在保護你，還是在糊弄你，你需要有人先幫你篩一輪。",[11,2840,2841],{},"我做了一個 LINE Bot，專門幹這件事。把外包報價單丟給它、把工程師的提案貼給它看，它會幫你問出那些你不知道該問的問題。它答不了所有問題——架構選型這種深的東西還是要人談。但報價單裡的術語，它先幫你篩一輪。",[11,2843,2844],{},"免費，不賣方案，不會有人打電話給你推銷。加好友，把報價單貼過去，看它第一個問題問什麼。那個問題，可能就是你漏掉的那個風險。",{"title":513,"searchDepth":514,"depth":514,"links":2846},[2847,2848,2849,2850,2855,2856],{"id":2669,"depth":514,"text":2670},{"id":2696,"depth":514,"text":2697},{"id":2733,"depth":514,"text":2734},{"id":2754,"depth":514,"text":2755,"children":2851},[2852,2853,2854],{"id":2761,"depth":1121,"text":2762},{"id":2774,"depth":1121,"text":2775},{"id":2787,"depth":1121,"text":2788},{"id":2799,"depth":514,"text":2800},{"id":2835,"depth":514,"text":2835},"2026-05-20","會 React、會 Python、用過 AWS——這些能力 AI 都有了。中小企業找外包或招人，該看的不是框架清單，是三個 AI 替代不了的能力。附一個外包翻車的真實案例。",{},"\u002Fblog\u002Fhiring-engineers-in-ai-era",{"title":2646,"description":2858},"blog\u002Fhiring-engineers-in-ai-era",[1781,2864],"consulting","QMR6JsHpJaj0-z2Gm0aRj94lLYZlMktg-m9HNPPVqe4",{"id":2867,"title":2868,"body":2869,"date":3093,"description":3094,"extension":528,"meta":3095,"navigation":530,"path":3096,"seo":3097,"stem":3098,"tags":3099,"__hash__":3101},"blog\u002Fblog\u002Fline-customer-service-accountability.md","你的 LINE 客服不是缺 AI，而是缺訊息責任歸屬",{"type":8,"value":2870,"toc":3084},[2871,2875,2878,2881,2884,2886,2889,2892,2895,2898,2901,2903,2907,2910,2913,2916,2919,2924,2926,2930,2933,2938,2941,2946,2949,2954,2957,2960,2965,2968,2971,2973,2976,2979,2982,2985,2988,2991,2994,2996,3000,3003,3053,3056,3063,3066,3068,3072,3075,3078,3081],[31,2872,2874],{"id":2873},"三個帳號一個客服沒有人知道誰在跟誰說話","三個帳號，一個客服，沒有人知道誰在跟誰說話",[11,2876,2877],{},"你的客服每天早上打開 LINE，面前有三個官方帳號。食品的、飲料的、冷凍的。客人問了一句「上次那個起司還有嗎？」——她記得是食品的客人，但她現在開著飲料的帳號。",[11,2879,2880],{},"切換，找到對話，回覆。花了三十秒。",[11,2882,2883],{},"但如果她記錯了呢？客人收到一個完全陌生的品牌名傳來的訊息。信任感，就在那三十秒斷掉了。",[28,2885],{},[31,2887,2888],{"id":2888},"這不是人的問題",[11,2890,2891],{},"很多老闆遇到客服出包，第一反應是「加強訓練」或「開早會盯一下」。",[11,2893,2894],{},"沒用。",[11,2896,2897],{},"問題不在客服不認真。問題在你讓一個人同時操作三個帳號，靠記憶判斷每個訊息該用哪個身份回。這跟讓會計在三台電腦上同時開三間公司的帳本一樣——就算她再細心，混帳只是時間問題。",[11,2899,2900],{},"我幫一個食品飲料經銷商做 LINE OA 統一收件匣的時候，他們的客服已經在這個狀態下工作了至少半年。不是因為團隊差，是因為 LINE OA 本身的設計就沒有多帳號統一管理的功能。你得自己蓋。",[28,2902],{},[31,2904,2906],{"id":2905},"ai-解決的是回答的問題不是誰負責的問題","AI 解決的是「回答」的問題，不是「誰負責」的問題",[11,2908,2909],{},"最近很多中小企業主聽到客服卡住，第一個念頭是「是不是該上 AI」。",[11,2911,2912],{},"跑了幾間中小企業的客服現場之後，我現在一聽到「客服出問題」，第一個問的不是要不要上 AI——是「你的訊息都在同一個地方嗎？」幾乎每次答案都是沒有。",[11,2914,2915],{},"AI 能幫你自動回常見問題、24 小時不休息，這沒問題。但你裝了 chatbot 三個月後回頭看——訊息還是會漏、客服還是會撞車、出事的時候還是查不到是誰回的。",[11,2917,2918],{},"AI 管「怎麼回」。但「誰來回、用哪個帳號回、回了以後有沒有紀錄」，它管不了。",[11,2920,2921],{},[141,2922,2923],{},"這三個問題——身份、責任、稽核——才是多帳號客服真正卡住的地方。",[28,2925],{},[31,2927,2929],{"id":2928},"四個檢查點你的-line-客服流程有沒有漏洞","四個檢查點：你的 LINE 客服流程有沒有漏洞",[11,2931,2932],{},"不需要找顧問，自己花五分鐘回答這四個問題：",[11,2934,2935],{},[141,2936,2937],{},"1. 你有幾個 LINE 官方帳號？",[11,2939,2940],{},"一個的話，基本不會有混線問題。兩個以上，風險就開始了。特別是同一組客服輪流操作不同帳號的時候——每一次切換都是一次混線機會。",[11,2942,2943],{},[141,2944,2945],{},"2. 你的客服能不能回答「這則訊息是誰回的」？",[11,2947,2948],{},"打開 LINE OA 的對話紀錄，隨便挑一個月前的訊息，問你的客服：這則是誰回的？如果答案是「不確定」，你現在就缺稽核。不是可有可無的功能，是出事的時候你唯一的證據。",[11,2950,2951],{},[141,2952,2953],{},"最難防的是第三個：同一個客人被兩個客服同時回。",[11,2955,2956],{},"想像一下，客人打開 LINE，看到兩則不同人發的訊息，語氣不一樣、說法不一樣。她不會覺得「你們效率真好」——她會覺得這家公司很亂。",[11,2958,2959],{},"一個客人同一時間只能被一個客服回覆，這種鎖定機制不是進階功能。是防撞車。",[11,2961,2962],{},[141,2963,2964],{},"最後一個容易忽略的：客服下班後，訊息進來有人接嗎？",[11,2966,2967],{},"客服下班、系統更新、網路斷線——LINE 上的訊息照常進來。我遇過一個案例，客人週五晚上問了問題，週一早上才看到回覆，中間直接在 Google 留了一星。這題如果你有值班或自動回覆機制，算過關；沒有的話，先記著。",[11,2969,2970],{},"前三題是結構問題，第四題是營運問題。如果前三題有兩題以上答不出來，你需要的不是 AI，是一套讓訊息進同一個地方、讓每個動作都有紀錄的系統。",[28,2972],{},[31,2974,2975],{"id":2975},"統一收件匣在做什麼",[11,2977,2978],{},"聽起來很複雜，其實最直觀的改變就是畫面——所有 OA 的訊息進同一個收件匣，每個對話旁邊標著來源顏色。藍色是食品、橘色是飲料、綠色是冷凍。不用切帳號，一眼就知道這是誰的客人。",[11,2980,2981],{},"回覆的時候，客服只管打字、按送出。系統自動用正確的帳號發送，就算客服搞混也發不到別的品牌去。",[11,2983,2984],{},"但這些都還不是最重要的。最重要的是每個操作留紀錄——誰回的、幾點回的、用哪個帳號回的。不是為了監控客服，是為了出事的時候三十秒找到答案。",[11,2986,2987],{},"我幫那個食品飲料經銷商蓋第一版的時候，收發訊息半天就搞定了。真正花時間的是鎖定機制：一個客人同一時間只能被一個客服回覆，超時自動釋放，被搶走的人畫面即時更新。",[11,2989,2990],{},"前後修了五輪 bug。",[11,2992,2993],{},"五輪。但這五輪的意思是：做完之後，三個客服同時看同一個對話，不會撞車。這種穩定性不是裝完就有的，是工程調出來的。",[28,2995],{},[31,2997,2999],{"id":2998},"需要多少錢多少時間","需要多少錢、多少時間",[11,3001,3002],{},"先講結論：比你想的便宜很多，但比「裝一個 chatbot」複雜。",[47,3004,3005,3018],{},[50,3006,3007],{},[53,3008,3009,3012,3015],{},[56,3010,3011],{},"類型",[56,3013,3014],{},"工期",[56,3016,3017],{},"月維運",[63,3019,3020,3031,3042],{},[53,3021,3022,3025,3028],{},[68,3023,3024],{},"只做統一收件匣（收發 + 防混線 + 稽核）",[68,3026,3027],{},"1-2 週",[68,3029,3030],{},"NT$200-500（伺服器費）",[53,3032,3033,3036,3039],{},[68,3034,3035],{},"加上 AI 自動回覆",[68,3037,3038],{},"3-4 週",[68,3040,3041],{},"NT$500-3,000（含 LLM 費用）",[53,3043,3044,3047,3050],{},[68,3045,3046],{},"完整客服系統（排班、報表、SLA）",[68,3048,3049],{},"1-3 月",[68,3051,3052],{},"依規模",[11,3054,3055],{},"實際案例：我幫那個食品飲料經銷商做，從開工到部署上線 11 天，包含鎖定機制那五輪 bug。",[11,3057,3058,3059,3062],{},"LINE 平台本身的費用：免費方案 Push 訊息 200 則\u002F月。一個客人對話五輪就是五則。",[141,3060,3061],{},"200 則 = 大約 40 個客人的對話量。"," 超過的話，付費方案 NT$800-4,500\u002F月（LINE 官方 2025 定價）。",[11,3064,3065],{},"重點是：統一收件匣的核心——防混線、稽核、鎖定——不需要 AI，也不需要付 LLM 費用。這些是純工程問題，做一次就穩定了。",[28,3067],{},[31,3069,3071],{"id":3070},"如果你也有多個-line-oa","如果你也有多個 LINE OA",[11,3073,3074],{},"如果你只有一個 OA、客服一個人，現在不用碰這個。統一收件匣在兩個帳號 + 兩個以上客服之前，是過度設計。",[11,3076,3077],{},"但如果你有兩個以上 OA，回去看那四個檢查點。有兩個以上答不出來，你的客服流程有一個結構性的風險——不是人不夠認真，是系統沒有幫他們擋住混線和漏訊。",[11,3079,3080],{},"如果你想知道這對你的規模有沒有意義，加這個網站的 LINE，描述你目前的帳號數量、客服人數和最常出狀況的場景。我會告訴你值不值得做、要花多少時間、成本怎麼算。",[11,3082,3083],{},"整個對話過程本身就是你正在評估的那個服務的 demo。免費，十分鐘就知道答案。",{"title":513,"searchDepth":514,"depth":514,"links":3085},[3086,3087,3088,3089,3090,3091,3092],{"id":2873,"depth":514,"text":2874},{"id":2888,"depth":514,"text":2888},{"id":2905,"depth":514,"text":2906},{"id":2928,"depth":514,"text":2929},{"id":2975,"depth":514,"text":2975},{"id":2998,"depth":514,"text":2999},{"id":3070,"depth":514,"text":3071},"2026-05-14","多個 LINE OA、多人輪班客服最常見的問題不是回覆速度，而是沒人知道誰在回誰。四個檢查點判斷你需不需要統一收件匣。",{},"\u002Fblog\u002Fline-customer-service-accountability",{"title":2868,"description":3094},"blog\u002Fline-customer-service-accountability",[3100,1782,1783],"line-bot","7KrS4nH_Ktc0T93Mutm4L0HaOzaL-teIMFD9jmBfSeI",{"id":3103,"title":3104,"body":3105,"date":3624,"description":3625,"extension":528,"meta":3626,"navigation":530,"path":3627,"seo":3628,"stem":3629,"tags":3630,"__hash__":3634},"blog\u002Fblog\u002Fnofap-science-truth.md","你以為你對色情上癮了？科學說你可能搞錯了",{"type":8,"value":3106,"toc":3612},[3107,3110,3113,3116,3121,3132,3134,3138,3141,3146,3149,3163,3166,3172,3175,3177,3181,3184,3187,3196,3199,3205,3211,3217,3223,3251,3257,3259,3263,3266,3273,3283,3290,3293,3296,3299,3301,3305,3311,3317,3323,3333,3339,3345,3347,3351,3354,3357,3362,3369,3372,3378,3390,3393,3396,3398,3402,3405,3411,3424,3434,3441,3447,3449,3453,3456,3463,3466,3472,3474,3478,3481,3484,3489,3496,3501,3512,3519,3524,3527,3532,3535,3538,3540,3543],[31,3108,3109],{"id":3109},"這篇文章要幫你做的事",[11,3111,3112],{},"如果你正在 NoFap，或正在考慮加入，或剛剛 relapse 然後覺得自己是個廢物——先停下來讀完這篇。",[11,3114,3115],{},"我花了兩週把 NoFap 社群引用的所有核心研究全部找出來讀過一遍。不是讀社群轉述的版本，是讀原始論文。結論不是「色情無害」也不是「NoFap 是邪教」——是一個比兩邊都無聊但更準確的中間地帶。",[11,3117,3118],{},[141,3119,3120],{},"先講結論，後面給證據：",[1274,3122,3123,3126,3129],{},[1277,3124,3125],{},"色情使用對大約 6-11% 的男性確實構成困擾——這是真的",[1277,3127,3128],{},"NoFap 社群對這個問題的解釋幾乎全部錯了",[1277,3130,3131],{},"社群本身可能正在製造它聲稱要治療的問題",[28,3133],{},[31,3135,3137],{"id":3136},"禁慾-7-天睪固酮提升-45關於這件事","「禁慾 7 天睪固酮提升 45%」——關於這件事",[11,3139,3140],{},"這是 NoFap 社群傳播最廣的「科學事實」。你在任何一個 NoFap 討論串裡都會看到這個數字。它來自哪裡？",[11,3142,3143],{},[141,3144,3145],{},"一篇 2003 年的中國研究，28 個人，已經被撤稿了。",[11,3147,3148],{},"Jiang et al. 2003 讓 28 名男性禁慾，每天量血清睪固酮。第 7 天確實出現一個峰值——145.7% 的基線。但接下來發生了兩件社群絕對不會告訴你的事：",[1274,3150,3151,3157],{},[1277,3152,3153,3156],{},[141,3154,3155],{},"峰值只出現一次","。同一批受試者再禁慾 7 天，第二輪的峰值沒有重現。連他自己的數據都無法自我複製",[1277,3158,3159,3162],{},[141,3160,3161],{},"這篇論文在 2021 年被撤稿","。原因是重複發表——同樣的研究先在中文期刊發過一次。撤稿原因雖然不是造假，但一篇 N=28、效應不可複製的論文，在學術上的可信度本來就極低",[11,3164,3165],{},"然後呢？社群把「已撤稿」解讀為「學術界在壓制真相」，更加堅定地引用這篇論文。",[11,3167,3168,3171],{},[141,3169,3170],{},"真正的內分泌學怎麼說？"," 多項研究（包括 2021 年的 RCT pilot）顯示，短期禁慾不會產生臨床上有意義的睪固酮變化。你的 HPG 軸（下丘腦-垂體-性腺軸）是一個精密的負反饋系統——即使有暫時波動也會迅速恢復。正常男性的睪固酮日內波動（早晨高、傍晚低）幅度就有 30-40%，遠大於任何禁慾研究觀察到的效應。",[11,3173,3174],{},"你的睪固酮不會因為你不打手槍就變高。",[28,3176],{},[31,3178,3180],{"id":3179},"色情像毒品一樣改變你的大腦關於這件事","「色情像毒品一樣改變你的大腦」——關於這件事",[11,3182,3183],{},"NoFap 社群的核心敘事是：色情劫持了你的多巴胺系統，就像古柯鹼一樣重塑你的大腦，需要 90 天的「重啟」來恢復。",[11,3185,3186],{},"這個敘事的源頭是 Gary Wilson 的《Your Brain on Porn》和他 2012 年的 TEDx 演講。Wilson 不是科學家——他沒有學術職位、沒有發表過任何同行評審論文。他的方法是把真實的科學研究串連成一個看似完整的因果鏈條：",[1853,3188,3189],{},[11,3190,3191,3192,3195],{},"老鼠重複性交 → 大腦中一種叫 ΔFosB 的蛋白累積 → 神經可塑性改變\n",[141,3193,3194],{},"所以","：你看色情 → 同樣的蛋白累積 → 你的大腦被「重塑」→ 你上癮了",[11,3197,3198],{},"每一塊磚頭可能是真的，但蓋出來的房子不是。",[11,3200,3201,3204],{},[141,3202,3203],{},"問題一：ΔFosB 無法在活人腦中測量。"," 所有 ΔFosB 證據都來自對老鼠做手術、植入基因、死後解剖。我們完全不知道你看色情的時候 ΔFosB 發生了什麼，因為目前的技術根本做不到這件事。",[11,3206,3207,3210],{},[141,3208,3209],{},"問題二：性行為是自然獎賞，不是毒品。"," ΔFosB 對所有高度愉悅的自然獎賞都有反應——吃巧克力、跑步、做愛都會觸發。如果 ΔFosB 累積 = 成癮，那跑馬拉松的人也是「運動成癮者」。Wilson 選擇性地只對色情使用這個框架。",[11,3212,3213,3216],{},[141,3214,3215],{},"問題三：老鼠在交配，不是在看螢幕。"," 研究是老鼠真的在做愛——觸覺、嗅覺、射精的完整生理體驗。從「全身性行為的神經效應」外推到「盯著螢幕看影片」，是一個巨大的、未經驗證的跳躍。",[11,3218,3219,3222],{},[141,3220,3221],{},"那人類的腦成像研究呢？"," 有三篇最常被引用的：",[1341,3224,3225,3239,3245],{},[1277,3226,3227,3230,3231,3234,3235,3238],{},[141,3228,3229],{},"Kühn 2014","（N=64）：色情消費量越大，紋狀體灰質體積越小。聽起來嚇人？Kühn 自己說：「因果方向不明——較小的紋狀體可能是使用色情的",[141,3232,3233],{},"原因","而非",[141,3236,3237],{},"結果","。」社群只取了一個方向",[1277,3240,3241,3244],{},[141,3242,3243],{},"Voon 2014","（N=19）：有強迫性性行為的人對色情的「想要」更高但「喜歡」沒有更多——確實符合成癮的激勵顯著性模型。但 N=19 是臨床轉介樣本，不代表你",[1277,3246,3247,3250],{},[141,3248,3249],{},"Prause 2015","（N=122）：重度使用者對色情影像的大腦反應更低，不是更高。Prause 說這反駁成癮模型；支持者說這是「脫敏」。雙方吵得不可開交——同一組數據在不同框架下得出完全相反的結論",[11,3252,3253,3256],{},[141,3254,3255],{},"所有這些研究都是橫斷面的。"," 意思是：它們只告訴你「A 和 B 同時存在」，不能告訴你「A 導致了 B」。拿它們來宣稱「色情改變大腦」，就像說「有傘的人更常遇到下雨——所以帶傘會導致下雨」。",[28,3258],{},[31,3260,3262],{"id":3261},"色情讓你陽痿pied關於這件事","「色情讓你陽痿」（PIED）——關於這件事",[11,3264,3265],{},"這是 NoFap 最有說服力的宣稱：年輕男性看色情可以勃起，但面對真人不行。",[11,3267,3268,3269,3272],{},"確實有大型調查顯示問題性色情使用和勃起障礙之間存在",[141,3270,3271],{},"相關","。但——",[11,3274,3275,3278,3279,3282],{},[141,3276,3277],{},"Prause & Binnie 2022"," 在 669 名 NoFap 社群參與者中做了預測模型。結果：",[141,3280,3281],{},"焦慮預測了勃起問題，色情觀看頻率不是顯著預測因子。"," 在統計控制焦慮之後，色情的獨立效果消失了。",[11,3284,3285,3286,3289],{},"另一項實驗室研究發現，色情觀看量越大的男性，對真實伴侶的性反應",[141,3287,3288],{},"更強","——直接反駁「色情讓你對真人脫敏」的假說。",[11,3291,3292],{},"更要命的是：NoFap 社群本身可能在製造 PIED。機制很簡單——",[11,3294,3295],{},"社群告訴你「你可能有 PIED」→ 你跟真人互動時開始監控自己的勃起 → 焦慮本身抑制勃起 → 「果然是 PIED」",[11,3297,3298],{},"這是一個經典的自我實現預言。焦慮導致勃起障礙是性醫學中最古老、最穩健的發現之一（Masters & Johnson 1970 年代就確立了），根本不需要什麼新的神經科學機制。",[28,3300],{},[31,3302,3304],{"id":3303},"那為什麼-nofap-的人真的覺得變好了","那為什麼 NoFap 的人真的覺得變好了？",[11,3306,3307,3308,586],{},"問得好。「超能力」報告不是謊言——很多人確實感受到了改變。問題在",[141,3309,3310],{},"歸因",[11,3312,3313,3316],{},[141,3314,3315],{},"自我效能感","。你完成了一個困難的 30\u002F60\u002F90 天自我控制挑戰。那種「我做到了一件很難的事」的感覺確實會提升自信。但動力來源是「完成困難目標」，不是「保留精液」。如果挑戰換成「90 天每天跑步」，同樣的自信提升會出現。",[11,3318,3319,3322],{},[141,3320,3321],{},"羞恥減少","。如果你對色情有道德衝突（後面會講為什麼這很重要），停止使用直接消除了羞恥的來源。減少羞恥 → 社交更自然 → 人際互動改善 → 歸因為「禁慾超能力」。",[11,3324,3325,3328,3329,3332],{},[141,3326,3327],{},"時間重分配","。你之前每天花 2 小時看色情，現在這 2 小時拿去運動、學習、社交。生活品質的改善完全可以用",[141,3330,3331],{},"你做了別的事","來解釋，不需要任何神經科學理論。",[11,3334,3335,3338],{},[141,3336,3337],{},"安慰劑 + 確認偏誤","。社群的「重啟時間線」告訴你第 30 天「應該」感覺更好。你知道期望之後，就更可能注意到並放大任何正面變化。",[11,3340,3341,3342,586],{},"沒有任何一條 NoFap「超能力」宣稱有 RCT（隨機對照試驗）支持。零篇。2023 年一項 RCT（N=176）測試了 7 天色情禁慾的效果——禁慾組和對照組在渴望、正向情緒、戒斷症狀上",[141,3343,3344],{},"無顯著差異",[28,3346],{},[31,3348,3350],{"id":3349},"最重要的發現你覺得自己上癮可能是罪惡感造成的","最重要的發現：你覺得自己「上癮」，可能是罪惡感造成的",[11,3352,3353],{},"Bowling Green State University 的 Joshua Grubbs 花了十年研究一個問題：什麼預測了一個人「覺得自己對色情上癮」？",[11,3355,3356],{},"答案不是你以為的「使用頻率」。",[11,3358,3359],{},[141,3360,3361],{},"最強的預測因子是道德不一致——你的道德信念和你的行為之間的衝突。",[11,3363,3364,3365,3368],{},"具體來說：如果你既使用色情",[141,3366,3367],{},"又","認為色情是錯的，產生的認知失調會被體驗為「失控感」——而這種失控感被社群和部分治療師標籤為「成癮」。",[11,3370,3371],{},"Grubbs 2020 年用了 2,519 人的美國代表性樣本驗證這個模型：在高道德反對的人群中，同樣的使用頻率被感受為嚴重得多的「成癮」。在低道德反對的人群中，使用頻率對「自覺成癮」幾乎沒有預測力。",[11,3373,3374,3377],{},[141,3375,3376],{},"殺手鐧來了："," Grubbs 把同樣的模型套到其他行為上。結果——",[1341,3379,3380,3387],{},[1277,3381,3382,3383,3386],{},"菸草、非法藥物、處方藥物：道德不一致",[141,3384,3385],{},"不","預測自覺成癮",[1277,3388,3389],{},"只有色情和賭博：道德不一致預測自覺成癮",[11,3391,3392],{},"為什麼？因為菸草和鴉片類有生理戒斷症狀——你的身體會用很明確的信號告訴你「我確實上癮了」。但色情沒有。當缺乏客觀的成癮信號時，「我是不是上癮了？」這個判斷就被道德焦慮接管了。",[11,3394,3395],{},"這解釋了為什麼 NoFap 社群中宗教背景的參與者比例偏高。不是因為宗教者更容易「真的上癮」，而是因為道德衝突製造了更強烈的失控感。",[28,3397],{},[31,3399,3401],{"id":3400},"社群製造的傷害不只是沒有幫助","社群製造的傷害：不只是「沒有幫助」",[11,3403,3404],{},"到目前為止你可能覺得 NoFap 頂多是「沒用但無害」。不是的。",[11,3406,3407,3410],{},[141,3408,3409],{},"Prause & Binnie 2024"," 做了一項預註冊調查，587 名男性：",[1341,3412,3413,3418,3421],{},[1277,3414,3415],{},[141,3416,3417],{},"30% 的受訪者在最近一次 relapse 後報告了自殺意念",[1277,3419,3420],{},"論壇參與度越高，抑鬱、焦慮、勃起障礙報告越多",[1277,3422,3423],{},"論壇訪客中：88% 看到過 trolling、77% 看到厭女內容、49% 看到霸凌、43% 看到反 LGBT、32% 看到反猶太內容",[11,3425,3426,3429,3430,3433],{},[141,3427,3428],{},"Tanaka 2023"," 分析了 r\u002FNoFap 和兩個對照子版（r\u002Fpornfree、r\u002Fstopdrinking）十年來的暴力帖文。421 篇暴力帖文中，",[141,3431,3432],{},"94.3% 來自 r\u002FNoFap","。攻擊對象包括色情從業者、女性、科學家——特別是那些發表不利 NoFap 研究的科學家。",[11,3435,3436,3437,3440],{},"最令人不安的是 ",[141,3438,3439],{},"Dhat 症候群的跨文化傳播","。Dhat 症候群是一種以「精液流失恐懼」為核心的焦慮症，傳統上只在南亞文化中出現，因為需要「精液 = 生命力」的文化信念作為前提。2023 年，研究者首次在美國白人男性中記錄到這種症候群——來源就是 NoFap 和 Semen Retention 社群。",[11,3442,3443,3444],{},"社群通過 YouTube 和 Reddit 大量傳播道教\u002F印度教的精液信念，讓成員內化「射精 = 生命力流失」——然後這些人在射精後真的出現了焦慮、虛弱、罪惡感。",[141,3445,3446],{},"一個線上社群正在製造一種本來不會在這個文化中出現的可診斷焦慮症。",[28,3448],{},[31,3450,3452],{"id":3451},"_90-天重啟連數字的來源都是借的","「90 天重啟」——連數字的來源都是借的",[11,3454,3455],{},"最後講一下 NoFap 的核心療程：禁慾 90 天讓大腦「重置」。",[11,3457,3458,3459,3462],{},"「90 天」這個數字從哪來？不是任何色情研究——是",[141,3460,3461],{},"藥物成癮康復的標準建議","。美國國家藥物濫用研究所（NIDA）建議藥物戒斷至少 90 天。NoFap 直接把這個數字搬過來用，前提是「色情跟毒品一樣」——一個本身就沒被證實的前提。",[11,3464,3465],{},"Gary Wilson 事後用 ΔFosB 的半衰期（~6-8 週，來自老鼠）去合理化這個數字。但如前所述，我們不知道人腦中 ΔFosB 是否在色情使用中累積，更不知道它的半衰期是多久。",[11,3467,3468,3471],{},[141,3469,3470],{},"截至 2026 年，不存在任何控制研究直接測試 90 天色情禁慾的效果。"," 零篇。",[28,3473],{},[31,3475,3477],{"id":3476},"那我該怎麼辦","那我該怎麼辦？",[11,3479,3480],{},"如果你看完以上覺得「那色情完全沒問題嗎？」——不是。6-11% 的男性確實報告色情相關的困擾，問題性色情使用是真實存在的。ICD-11 已經將強迫性性行為障礙（CSBD）列為正式診斷。",[11,3482,3483],{},"但解法不是 NoFap。",[11,3485,3486],{},[141,3487,3488],{},"如果你只是覺得自己看太多色情：",[11,3490,3491,3492,3495],{},"最接近證據的中間立場是 ",[141,3493,3494],{},"NoPorn","——減少或停止色情，但不需要禁止自慰。問題性使用的證據集中在色情（高度新鮮的視覺刺激、無限量供應、容易升級），不在自慰本身。自慰在性醫學中被視為正常的、有益的性行為。",[11,3497,3498],{},[141,3499,3500],{},"如果你覺得自己「失控」：",[11,3502,3503,3504,3507,3508,3511],{},"先問自己：你的困擾是來自",[141,3505,3506],{},"實際的功能損害","（花太多時間、影響工作和關係），還是來自",[141,3509,3510],{},"道德衝突","（你覺得色情是錯的但你還是看了）？",[11,3513,3514,3515,3518],{},"如果是後者，你需要的不是禁慾，是",[141,3516,3517],{},"價值觀澄清","——這個道德信念是你自主選擇的，還是你從成長環境中繼承的？",[11,3520,3521],{},[141,3522,3523],{},"如果問題確實嚴重：",[11,3525,3526],{},"找一個受過循證訓練的治療師（心理師、精神科醫師），用 ACT（接受與承諾治療）或 CBT（認知行為治療）處理。這些療法有控制研究的支持，而且不會在你「失敗」的時候讓你產生自殺念頭。",[11,3528,3529],{},[141,3530,3531],{},"千萬不要做的事：",[11,3533,3534],{},"不要加入一個會在你手淫之後讓你覺得想死的社群。不要相信一個從未發表過同行評審論文的人對你的大腦做出的宣稱。不要用一個全有或全無的框架來評判自己——一次射精不代表你「歸零」了任何東西。",[11,3536,3537],{},"你的大腦沒有壞掉。你不需要 90 天來修復它。",[28,3539],{},[31,3541,3542],{"id":3542},"本文引用的主要研究",[1341,3544,3545,3557,3563,3569,3575,3581,3587,3593,3599,3606],{},[1277,3546,3547,3548,3551,3552,3556],{},"Jiang, M. et al. (2003, ",[141,3549,3550],{},"已撤稿","). A research on the relationship between ejaculation and serum testosterone level in men. ",[3553,3554,3555],"em",{},"J Zhejiang Univ-Sci A",".",[1277,3558,3559,3560,3556],{},"Kühn, S. & Gallinat, J. (2014). Brain structure and functional connectivity associated with pornography consumption. ",[3553,3561,3562],{},"JAMA Psychiatry",[1277,3564,3565,3566,3556],{},"Voon, V. et al. (2014). Neural correlates of sexual cue reactivity in individuals with and without CSB. ",[3553,3567,3568],{},"PLOS ONE",[1277,3570,3571,3572,3556],{},"Prause, N. et al. (2015). Modulation of late positive potentials by sexual images inconsistent with \"porn addiction.\" ",[3553,3573,3574],{},"Biological Psychology",[1277,3576,3577,3578,3556],{},"Grubbs, J.B. et al. (2020). Addiction or transgression? Moral incongruence and self-reported problematic pornography use. ",[3553,3579,3580],{},"Clinical Psychological Science",[1277,3582,3583,3584,3556],{},"Fernandez, D.P. et al. (2023). Effects of a 7-day pornography abstinence period: A randomized controlled study. ",[3553,3585,3586],{},"Archives of Sexual Behavior",[1277,3588,3589,3590,3556],{},"Prause, N. & Binnie, J. (2024). Iatrogenic effects of Reboot\u002FNoFap on public health. ",[3553,3591,3592],{},"Sexualities",[1277,3594,3595,3596,3556],{},"Tanaka, T. (2023). Violence on Reddit support forums unique to r\u002FNoFap. ",[3553,3597,3598],{},"Deviant Behavior",[1277,3600,3601,3602,3605],{},"Prause, N. (2023). Dhāt syndrome emerges in the United States from NoFap groups. ",[3553,3603,3604],{},"Int J Impotence Research"," (Nature).",[1277,3607,3608,3609,3556],{},"Garas, M. et al. (2025). No Nut November, temporary abstinence, and sexual wellbeing. ",[3553,3610,3611],{},"J Sexual Medicine",{"title":513,"searchDepth":514,"depth":514,"links":3613},[3614,3615,3616,3617,3618,3619,3620,3621,3622,3623],{"id":3109,"depth":514,"text":3109},{"id":3136,"depth":514,"text":3137},{"id":3179,"depth":514,"text":3180},{"id":3261,"depth":514,"text":3262},{"id":3303,"depth":514,"text":3304},{"id":3349,"depth":514,"text":3350},{"id":3400,"depth":514,"text":3401},{"id":3451,"depth":514,"text":3452},{"id":3476,"depth":514,"text":3477},{"id":3542,"depth":514,"text":3542},"2026-05-07","NoFap 社群告訴你禁慾 7 天睪固酮飆升 45%、90 天大腦重啟、色情像毒品一樣改變你的大腦。這些說法的科學基礎是一篇 N=28 已撤稿的論文、一堆老鼠實驗、和零篇控制研究。這篇文章把證據攤開來，不站任何一邊。",{},"\u002Fblog\u002Fnofap-science-truth",{"title":3104,"description":3625},"blog\u002Fnofap-science-truth",[3631,3632,3633],"psychology","neuroscience","sexuality","XgE-WudnGgm0B6xFg1g2VShGFMJIq86x1YzMKIQRsAA",{"id":3636,"title":3637,"body":3638,"date":3892,"description":3893,"extension":528,"meta":3894,"navigation":530,"path":3895,"seo":3896,"stem":3897,"tags":3898,"__hash__":3899},"blog\u002Fblog\u002Fstop-being-your-own-customer-service.md","你一個人撐客服撐多久了？",{"type":8,"value":3639,"toc":3881},[3640,3646,3650,3653,3656,3659,3662,3665,3667,3671,3674,3677,3680,3683,3686,3689,3691,3695,3698,3703,3706,3709,3715,3718,3720,3724,3730,3736,3739,3742,3745,3748,3751,3753,3757,3760,3763,3769,3775,3781,3784,3786,3789,3792,3797,3800,3803,3806,3809,3811,3815,3818,3821,3826,3829,3840,3846,3848,3851,3854,3857,3860,3863,3865,3869,3872,3875,3878],[11,3641,3642],{},[14,3643],{"alt":3644,"src":3645},"老闆娘一邊剪頭髮一邊回 LINE——你是不是也這樣？","\u002Fblog\u002Fimages\u002Fhero-stop-being-customer-service.png",[31,3647,3649],{"id":3648},"上個月我去剪頭髮等了四十分鐘","上個月我去剪頭髮，等了四十分鐘",[11,3651,3652],{},"不是因為生意太好排不到，是老闆娘一直在回 LINE。",[11,3654,3655],{},"剪到一半停下來打字，吹到一半又停下來看訊息。我坐在椅子上等她回完，她回完跟我說不好意思，然後剪兩刀又拿起手機。",[11,3657,3658],{},"我問她：「這些都是預約嗎？」",[11,3660,3661],{},"她說：「對啊，問幾點有空、問價錢、問停車怎麼走。每天都一樣的問題，但不回人家就跑掉了。」",[11,3663,3664],{},"我沒跟她推銷任何東西。但我回家後一直在想這件事。",[28,3666],{},[31,3668,3670],{"id":3669},"台灣的中小企業老闆有一個共同身份免費客服","台灣的中小企業老闆有一個共同身份：免費客服",[11,3672,3673],{},"你開店，你就是客服。你接案，你就是業務。你開公司請了三個人，那個「回 LINE 的人」八成還是你。",[11,3675,3676],{},"因為沒有人比你更了解自己的服務。客人問的問題，員工常常答不好，或者答完你還要再確認一次。乾脆自己來——反正「就是回個訊息而已」。",[11,3678,3679],{},"但你有沒有真的算過？",[11,3681,3682],{},"每天回 LINE 的時間加起來，一個小時？兩個小時？這些時間如果拿去接一個案子、多跑一個客戶、甚至只是好好吃一頓飯不被打斷——值多少？",[11,3684,3685],{},"我認識一個做室內設計的，每天光回「你們有在做商業空間嗎」「坪數大概要多少預算」「可以先看作品集嗎」這三個問題就快一小時。一模一樣的答案，每天重新打一次。",[11,3687,3688],{},"他不覺得這是問題。他覺得「做生意就是這樣」。",[28,3690],{},[31,3692,3694],{"id":3693},"做生意就是這樣這句話害了很多人","「做生意就是這樣」這句話害了很多人",[11,3696,3697],{},"你知道為什麼大公司都有客服部門嗎？不是因為他們有錢任性，是因為他們算過一筆帳：",[11,3699,3700],{},[141,3701,3702],{},"老闆的時間拿去做客服，是公司裡最貴的資源配置。",[11,3704,3705],{},"假設你的時間值一小時 800 塊好了（很多老闆遠不止）。每天花兩小時回 LINE 重複問題 = 每天燒 1,600。一個月 30 天 = 48,000。",[11,3707,3708],{},"四萬八。花在回「請問幾點營業」「有沒有停車位」「可以刷卡嗎」。",[11,3710,3711],{},[14,3712],{"alt":3713,"src":3714},"看似簡單的 LINE 訊息，正在悄悄花掉你每月 NT$48,000 的生產力","\u002Fblog\u002Fimages\u002Fhidden-cost-of-replying.png",[11,3716,3717],{},"你覺得「只是回個訊息」。其實你每個月在做將近五萬塊的免費勞動。",[28,3719],{},[31,3721,3723],{"id":3722},"問題不只是時間是你的注意力被切碎了","問題不只是時間，是你的注意力被切碎了",[11,3725,3726],{},[14,3727],{"alt":3728,"src":3729},"你的一天被「幾點開？」「多少錢？」切成了二十段","\u002Fblog\u002Fimages\u002Fattention-fragmentation.png",[11,3731,3732,3733,586],{},"回 LINE 最毒的地方不是花時間，是",[141,3734,3735],{},"打斷",[11,3737,3738],{},"你正在跟一個重要客戶開會，LINE 震動，你看一眼——「請問有外送嗎？」好，不重要。但你的注意力已經斷了，要花五到十分鐘才能重新進入剛才的對話狀態。",[11,3740,3741],{},"你正在寫報價單，LINE 震動——「明天下午三點可以嗎？」你回完，回去看螢幕，忘了剛才算到哪裡。",[11,3743,3744],{},"研究說每次被打斷，平均要 23 分鐘才能回到原本的專注狀態。如果你一天被 LINE 打斷十次，你那天基本上沒有任何一段超過二十分鐘的連續思考時間。",[11,3746,3747],{},"然後你晚上回到家覺得「今天好像很忙但什麼都沒做完」。",[11,3749,3750],{},"對，因為你的一天被「請問有沒有素食選項」切成了二十段。",[28,3752],{},[31,3754,3756],{"id":3755},"那我請一個人專門回不就好了","「那我請一個人專門回不就好了？」",[11,3758,3759],{},"可以。月薪加勞健保大概三萬五到四萬五。",[11,3761,3762],{},"但你馬上會遇到三個問題：",[11,3764,3765,3768],{},[141,3766,3767],{},"第一，他下班後誰回？"," 客人不會只在上班時間問問題。晚上十點傳一則「明天想預約」，你不回，明天早上他已經約了別家。",[11,3770,3771,3774],{},[141,3772,3773],{},"第二，他回得正確嗎？"," 你的服務細節、價格區間、例外情況——一個新人要多久才能回答得跟你一樣好？中間那些回錯的、客人不滿意的，代價算誰的？",[11,3776,3777,3780],{},[141,3778,3779],{},"第三，他請假怎麼辦？"," 週末呢？過年呢？那些時間你又變回那個「免費客服」。",[11,3782,3783],{},"請人不是不好，是解決不了「24 小時都要有人在」這個根本問題。",[28,3785],{},[31,3787,3788],{"id":3788},"其實你只需要解決一件事",[11,3790,3791],{},"回頭看你每天回的那些 LINE 訊息，有一個規律：",[11,3793,3794],{},[141,3795,3796],{},"八成以上是重複的問題。",[11,3798,3799],{},"幾點開？多少錢？在哪裡？可以預約嗎？怎麼過去？有沒有素食？可以帶寵物嗎？",[11,3801,3802],{},"這些問題的答案不會變。你今天回的跟上禮拜回的一模一樣。但你每次都要重新打字、重新組織語言、重新花三十秒到一分鐘處理。",[11,3804,3805],{},"如果這些問題有人幫你回——正確地回、禮貌地回、半夜三點也能回——你只需要處理那兩成「真的需要你本人判斷」的訊息。",[11,3807,3808],{},"你的工作量直接砍掉八成。",[28,3810],{},[31,3812,3814],{"id":3813},"我不是要跟你說你需要-ai","我不是要跟你說「你需要 AI」",[11,3816,3817],{},"老實說，你可能不需要 AI。很多重複問題用關鍵字比對加模板回覆就能解決，連 AI 都不用出動。",[11,3819,3820],{},"但重點不是用什麼技術。重點是：",[11,3822,3823],{},[141,3824,3825],{},"你有沒有意識到「自己回 LINE」這件事正在吃掉你最有價值的時間？",[11,3827,3828],{},"如果你已經意識到了，解法其實很多：",[1341,3830,3831,3834,3837],{},[1277,3832,3833],{},"最簡單的：LINE OA 內建的「自動回應訊息」，把十個最常問的問題設好關鍵字回覆。零成本，十分鐘設定完。你今天就可以做。",[1277,3835,3836],{},"中間的：接一個能理解問題的系統，不只是關鍵字比對，而是客人用不同方式問同一件事都能正確回答。",[1277,3838,3839],{},"完整的：一個讀過你所有服務資料的 AI 助手，能像你一樣回答問題，真的處理不了的才通知你。",[11,3841,3842,3843],{},"哪一層適合你，取決於你的客戶量和問題的複雜度。但第一步永遠是：",[141,3844,3845],{},"先把那些重複問題從你身上拿掉。",[28,3847],{},[31,3849,3850],{"id":3850},"一個數字讓你判斷",[11,3852,3853],{},"今天晚上，花五分鐘算一件事：",[11,3855,3856],{},"打開你的 LINE，往回滑一週的對話。數一下：這七天裡，有幾則訊息問的是「你以前已經回答過」的問題。",[11,3858,3859],{},"如果超過 50 則——你每個月至少花 10 小時在重複勞動。以你的時薪算，那是多少錢？",[11,3861,3862],{},"不用回答我，答案你自己知道就好。",[28,3864],{},[31,3866,3868],{"id":3867},"如果你好奇那種能幫我回-line-的東西長什麼樣","如果你好奇「那種能幫我回 LINE 的東西」長什麼樣",[11,3870,3871],{},"這篇文章下面有一個 LINE 的 QR code。",[11,3873,3874],{},"加好友之後，隨便問它一個問題——問我的服務內容、問價錢、問技術細節都行。它會回答你，而且回答得還不錯。",[11,3876,3877],{},"那個就是我自己用的系統。24 小時在線，讀過我所有的技術筆記，能回答八成的技術諮詢。只有真正需要報價或判斷可行性的對話，才會通知我接手。",[11,3879,3880],{},"你體驗完之後如果覺得「欸這個如果放在我的 LINE OA 上⋯⋯」——那我們可以聊聊。",{"title":513,"searchDepth":514,"depth":514,"links":3882},[3883,3884,3885,3886,3887,3888,3889,3890,3891],{"id":3648,"depth":514,"text":3649},{"id":3669,"depth":514,"text":3670},{"id":3693,"depth":514,"text":3694},{"id":3722,"depth":514,"text":3723},{"id":3755,"depth":514,"text":3756},{"id":3788,"depth":514,"text":3788},{"id":3813,"depth":514,"text":3814},{"id":3850,"depth":514,"text":3850},{"id":3867,"depth":514,"text":3868},"2026-05-06","不是要你導入 AI，是想問你一件事：你每天花幾個小時在回 LINE 上那些重複的問題？如果答案超過一小時，你正在用老闆的時薪做工讀生的事。",{},"\u002Fblog\u002Fstop-being-your-own-customer-service",{"title":3637,"description":3893},"blog\u002Fstop-being-your-own-customer-service",[3100,1782,2408],"m4mPAtvFRAObGEfL_XjGAMGVTRsLZRYnsVrs4PJJNmI",{"id":3901,"title":3902,"body":3903,"date":4235,"description":4236,"extension":528,"meta":4237,"navigation":530,"path":4238,"seo":4239,"stem":4240,"tags":4241,"__hash__":4242},"blog\u002Fblog\u002Fline-ai-agent-one-month.md","LINE 說 AI 代理時代到了——我自己先做了一個，這是上線後的真實體驗",{"type":8,"value":3904,"toc":4224},[3905,3909,3912,3915,3921,3924,3927,3931,3937,3940,3946,3949,3953,3956,3961,3987,3994,3998,4001,4006,4009,4012,4017,4020,4025,4028,4035,4038,4041,4047,4050,4056,4059,4079,4086,4090,4093,4098,4109,4112,4119,4124,4127,4130,4135,4138,4141,4148,4152,4155,4161,4164,4171,4174,4178,4183,4186,4191,4194,4199,4202,4205,4209,4212,4218,4221],[31,3906,3908],{"id":3907},"line-官方都在推了你還在手動回","LINE 官方都在推了，你還在手動回？",[11,3910,3911],{},"LINE 台灣去年底宣布進入「AI 代理時代」，今年陸續上線 AI 對話幫手、廣告自動化、甚至 NFC 碰一下領優惠券。2200 萬月活躍用戶，幾乎等於全台灣的人都在 LINE 上。",[11,3913,3914],{},"各種「AI 客服省 90% 人力成本」的新聞標題你大概也看過了。聽起來很美好。",[11,3916,3917,3918],{},"但我想問你一件事：",[141,3919,3920],{},"你有沒有真的跟一個 AI LINE Bot 對話超過三輪？",[11,3922,3923],{},"大部分人沒有。因為大部分 AI LINE Bot 的體驗是這樣的：你問了一個正常的問題，它回你一個制式回覆，你再追問，它開始鬼打牆。然後你去找真人。",[11,3925,3926],{},"三週前我自己做了一個 AI LINE Bot，讓它 24 小時接技術諮詢。不是 demo，是真的上線、真的有人來問問題。以下是上線後的真實體驗——AI 接得住的、接不住的、以及我為什麼不敢不設安全機制。",[31,3928,3930],{"id":3929},"成本長什麼樣一則回覆幾毛到十幾塊","成本長什麼樣：一則回覆幾毛到十幾塊",[11,3932,3933,3934,586],{},"先講最敏感的事：",[141,3935,3936],{},"錢",[11,3938,3939],{},"AI LINE Bot 的回覆成本取決於問題複雜度。簡單的問候或直接問答（「你能做什麼？」「LINE Bot 大概要多久？」），一則大概台幣一兩塊。需要 AI 去翻技術筆記、組織比較複雜的回答，會跳到幾塊到十幾塊。",[11,3941,3942,3943,586],{},"整體來說，以目前的諮詢量，",[141,3944,3945],{},"AI 回覆的月成本比一杯超商咖啡還便宜",[11,3947,3948],{},"但這有個大前提：我在架構上做了幾個選擇，讓成本壓在這個水位——後面會講是哪些。如果沒做這些選擇，同樣功能的月帳單可以翻好幾倍。",[31,3950,3952],{"id":3951},"ai-接得住的比我預期好很多","AI 接得住的：比我預期好很多",[11,3954,3955],{},"上線前最擔心的是 AI 會不會亂講話、答非所問。實際跑起來，結果比想像中好。",[11,3957,3958],{},[141,3959,3960],{},"接得住的場景：",[1341,3962,3963,3969,3975,3981],{},[1277,3964,3965,3968],{},[141,3966,3967],{},"「你能做什麼？」","——AI 讀我的技術筆記庫回答，講得比我自己介紹還清楚",[1277,3970,3971,3974],{},[141,3972,3973],{},"「LINE Bot 大概要多少錢？」","——AI 拆解成三個量級（FAQ bot \u002F 功能 bot \u002F AI bot），附工期和維運費",[1277,3976,3977,3980],{},[141,3978,3979],{},"「我想做一個預約系統，從哪裡開始？」","——AI 會反問業務類型、每月預約量、有沒有現成系統，不是直接甩方案",[1277,3982,3983,3986],{},[141,3984,3985],{},"模糊問法","——「我們公司的東西都找不太到」這種，AI 會判斷是在問知識庫，引導對方描述具體痛點",[11,3988,3989,3990,3993],{},"關鍵不是模型有多聰明，是",[141,3991,3992],{},"它有一整套技術筆記可以查","。一個空的 AI 什麼都不是；一個能讀你知識庫的 AI，才有能力回答你自己才知道的問題。",[31,3995,3997],{"id":3996},"ai-接不住的這些我必須自己來","AI 接不住的：這些我必須自己來",[11,3999,4000],{},"不是所有東西都能丟給 AI。上線後很快就發現，有幾類問題它明確接不住：",[11,4002,4003],{},[141,4004,4005],{},"1. 涉及報價和時程承諾",[11,4007,4008],{},"「這個大概多少錢？」AI 可以拆解成本結構，但不能替我報價。每個案子的變數太多——客戶的系統現況、期望品質、是否需要維護——AI 沒有足夠的判斷力做這個決定。",[11,4010,4011],{},"我的做法：AI 回答到「你的需求大概落在這個量級」之後，自動通知我接手。",[11,4013,4014],{},[141,4015,4016],{},"2. 客戶情緒不對的時候",[11,4018,4019],{},"有一次訪客連續問了三個問題，語氣越來越急。AI 察覺不到這個變化，還是用正常節奏回答。如果我沒有即時看到通知，對方可能覺得在跟機器人鬼打牆。",[11,4021,4022],{},[141,4023,4024],{},"3. 跨領域的複雜判斷",[11,4026,4027],{},"「我應該自己建系統還是用現成的？」這種 meta-decision，需要同時考慮預算、團隊能力、時程壓力、長期維護。AI 可以列出考量因素，但做不了最終判斷。",[11,4029,4030,4031,4034],{},"實際體驗下來，",[141,4032,4033],{},"大部分對話 AI 自己處理到底，少部分會自動轉給我","。這個比例取決於你的知識庫厚度——知識庫越完整，AI 能獨立回答的比例越高。",[11,4036,4037],{},"但完全不轉交也不對。如果 AI 什麼都敢自己回，代表你沒有設定好邊界——它遲早會在報價或承諾上幫你惹麻煩。",[31,4039,4040],{"id":4040},"為什麼我不敢不設三道安全機制",[11,4042,4043,4044,586],{},"AI 按次計費。每次它回答問題、查資料，都在花錢。正常情況下一則回覆幾塊錢，但如果遇到異常——訊息格式怪、AI 誤解問題反覆查資料、或一個步驟失敗觸發無限重試——",[141,4045,4046],{},"成本會在你不知道的時候飆上去",[11,4048,4049],{},"業界有個知名案例：一個工程師讓 AI agent 自動安裝套件，一個步驟失敗了，agent 連續重試 6 小時。工程師在睡覺。隔天起床，帳單 $120 美金（約 3,800 台幣）——全部燒在一個永遠不會成功的錯誤迴圈上。",[11,4051,4052,4053,586],{},"這不是極端案例，是",[141,4054,4055],{},"任何沒設上限的 AI 系統都可能發生的事",[11,4057,4058],{},"所以我在上線之前就強制自己做了三道防線：",[1274,4060,4061,4067,4073],{},[1277,4062,4063,4066],{},[141,4064,4065],{},"每則回覆預算上限","——AI 處理超過設定金額就自動停止，回覆訪客「這個問題比較複雜，我請真人回覆你」",[1277,4068,4069,4072],{},[141,4070,4071],{},"失敗三次自動放棄","——避免錯誤迴圈無限燒錢",[1277,4074,4075,4078],{},[141,4076,4077],{},"異常即時通知","——AI 處理失敗時，手機馬上收到通知",[11,4080,4081,4082,4085],{},"這三道防線的開發成本不高，但",[141,4083,4084],{},"沒有它們我不敢讓系統 24 小時跑","。任何跟你說「上線就好」的廠商，如果沒提這三道防線，你該追問。",[31,4087,4089],{"id":4088},"我怎麼把成本壓在這個水位三個架構選擇","我怎麼把成本壓在這個水位：三個架構選擇",[11,4091,4092],{},"前面提到「架構選擇會讓成本翻倍」，具體是哪三個？",[11,4094,4095],{},[141,4096,4097],{},"1. 善用 LINE 的免費回覆機制",[11,4099,4100,4101,4104,4105,4108],{},"LINE Bot 有兩種發訊息的方式：",[141,4102,4103],{},"Reply","（用一次性 token，完全免費，但只有 30 秒可以用）和 ",[141,4106,4107],{},"Push","（主動發送，每月 200 則免費額度）。",[11,4110,4111],{},"我的做法：訪客發訊息進來，系統立刻用免費的 Reply 回覆「收到了，我看一下你的問題」。AI 思考完之後，再用 Push 把真正的答案送出。",[11,4113,4114,4115,4118],{},"這樣「收到了」那則永遠不花錢，只有 AI 回覆才消耗 Push 額度。",[141,4116,4117],{},"200 則免費 Push ≈ 大約 40 個訪客的對話量","——對剛起步的中小企業綽綽有餘。",[11,4120,4121],{},[141,4122,4123],{},"2. 對話記憶不是越多越好",[11,4125,4126],{},"AI 每次回答都要把歷史對話一起送進去，歷史越長，費用越高。但你不需要讓 AI 記住所有對話——只要記住「第一次訪客說了什麼需求」加上「最近幾輪的交流」就夠了。",[11,4128,4129],{},"我的做法：對話超過一定長度後，自動保留第一則需求描述和最近的交流紀錄，中間的用摘要替代。訪客感受不到差異，但 token 用量砍了一大半。",[11,4131,4132],{},[141,4133,4134],{},"3. 永遠在線的緩衝層，用免費的",[11,4136,4137],{},"AI 跑在我的本機電腦上——不是雲端伺服器，不用月租費。但本機會關機、會重開。",[11,4139,4140],{},"我在前面放了一層 Cloudflare Worker（免費額度很夠用）：它 24 小時接收 LINE 訊息、存進隊列、先回覆「收到了」。本機開機後從隊列撈還沒處理的訊息補回覆。",[11,4142,4143,4144,4147],{},"訪客感受：偶爾延遲幾分鐘，但",[141,4145,4146],{},"永遠不會有訊息不見","。這一層的月成本：零。",[31,4149,4151],{"id":4150},"line-說-ai-代理時代到了但你需要的不是急著跟","LINE 說 AI 代理時代到了——但你需要的不是急著跟",[11,4153,4154],{},"LINE 官方的 AI 對話幫手即將開放給中小企業。聽起來像是「官方都做了，你不用自己建」。",[11,4156,4157,4158,586],{},"但要注意一件事：",[141,4159,4160],{},"官方工具是通用的，不會讀你的知識庫",[11,4162,4163],{},"一個美髮沙龍用官方 AI 客服，客戶問「你們的韓式燙跟日式燙差在哪裡？」——通用 AI 只能回制式答案，不可能知道你的設計師 Amy 最擅長哪一種。",[11,4165,4166,4167,4170],{},"真正有競爭力的 AI 客服，核心不是 AI 模型，是",[141,4168,4169],{},"你餵給它的知識","。你的產品細節、你的定價邏輯、你的客戶常見問題、你的團隊強項——這些東西只有你有。",[11,4172,4173],{},"LINE 官方工具適合「先試水溫」。但如果你要的是一個真正理解你業務的 AI 助手，遲早要走客製。",[31,4175,4177],{"id":4176},"你該現在就做嗎三個判斷","你該現在就做嗎？三個判斷",[11,4179,4180],{},[141,4181,4182],{},"1. 你的客戶在 LINE 上嗎？",[11,4184,4185],{},"台灣的答案幾乎一定是「對」。但更精確的問題是：你的客戶會在 LINE 上問你問題嗎？如果你的客戶只在 LINE 上收通知但不會對話，LINE Bot 的價值就有限。",[11,4187,4188],{},[141,4189,4190],{},"2. 你有重複被問的問題嗎？",[11,4192,4193],{},"如果你或你的客服每天回答超過十次同樣的問題——營業時間、價格範圍、服務流程——AI 的 CP 值最高。如果每個問題都不一樣，AI 能做的有限。",[11,4195,4196],{},[141,4197,4198],{},"3. 你有可以餵給 AI 的知識嗎？",[11,4200,4201],{},"不一定要正式文件。你的 LINE 歷史回覆、常見問題整理、產品 FAQ、甚至你腦中那套「客戶問 X 我通常回 Y」的邏輯——整理出來就是知識庫。",[11,4203,4204],{},"三個都是「對」，你適合開始認真評估。有一個「不確定」，先把那個弄清楚再花錢。",[31,4206,4208],{"id":4207},"想知道你的情況適不適合","想知道你的情況適不適合？",[11,4210,4211],{},"你現在讀到的這個網站，底下的「加 LINE 諮詢」就是我自己做的那個 AI Bot。它 24 小時在線，會讀我的技術筆記庫回答你。",[11,4213,4214,4217],{},[141,4215,4216],{},"描述你的業務和目前最讓你頭痛的客服問題","——它會幫你判斷適不適合做、大概是什麼量級、有沒有更簡單的替代方案。需要我親自回覆的，它會自動轉給我。",[11,4219,4220],{},"免費、無壓力、每週限三組深度諮詢。",[11,4222,4223],{},"而且——你跟它的對話本身，就是你正在評估的那個服務的 live demo。",{"title":513,"searchDepth":514,"depth":514,"links":4225},[4226,4227,4228,4229,4230,4231,4232,4233,4234],{"id":3907,"depth":514,"text":3908},{"id":3929,"depth":514,"text":3930},{"id":3951,"depth":514,"text":3952},{"id":3996,"depth":514,"text":3997},{"id":4040,"depth":514,"text":4040},{"id":4088,"depth":514,"text":4089},{"id":4150,"depth":514,"text":4151},{"id":4176,"depth":514,"text":4177},{"id":4207,"depth":514,"text":4208},"2026-05-02","LINE 台灣宣布 AI 代理時代，2200 萬用戶等著被 AI 接住。我三週前上線了自己的 AI LINE Bot 諮詢系統——哪些問題 AI 接得住、哪些必須我自己來、為什麼我不敢不設三道安全機制，以及你該不該現在跟進。",{},"\u002Fblog\u002Fline-ai-agent-one-month",{"title":3902,"description":4236},"blog\u002Fline-ai-agent-one-month",[3100,1781,1782,2642],"-mPKr-__ouAD5LDL1fLrVcjTD6jXMWFJZmxa1qBtNT4",{"id":4244,"title":4245,"body":4246,"date":4482,"description":4483,"extension":528,"meta":4484,"navigation":530,"path":4485,"seo":4486,"stem":4487,"tags":4488,"__hash__":4490},"blog\u002Fblog\u002Fline-bot-consulting-case-study.md","你有幾個 LINE OA，就有幾倍的混線風險——一個食品業經銷案的完整紀錄",{"type":8,"value":4247,"toc":4474},[4248,4252,4255,4258,4261,4264,4267,4269,4273,4276,4279,4290,4293,4296,4299,4305,4307,4311,4314,4317,4336,4339,4341,4345,4348,4353,4364,4369,4380,4385,4393,4396,4399,4402,4408,4410,4414,4419,4422,4427,4433,4438,4441,4444,4447,4449,4451,4454,4465,4471],[31,4249,4251],{"id":4250},"問題是什麼三個帳號一個客服沒有人知道誰在跟誰說話","問題是什麼：三個帳號，一個客服，沒有人知道誰在跟誰說話",[11,4253,4254],{},"這家食品飲料經銷商有多個 LINE 官方帳號（OA）——不同品牌、不同通路，各自對應不同的客戶群。",[11,4256,4257],{},"但客服是同一組人。",[11,4259,4260],{},"他們每天在幾個帳號之間切換，靠記憶判斷「這個客人是哪個 OA 的」，靠默契決定「誰在回這個人」。沒有鎖定機制，沒有歷史紀錄，沒有任何辦法確認訊息有沒有用錯帳號發出去。",[11,4262,4263],{},"最壞的情況：客人在 A 品牌的 LINE 問了問題，客服用 B 品牌的帳號回覆。客人看到一個陌生名字，整個信任斷掉。",[11,4265,4266],{},"這不是偶發的疏失，是這種客服架構結構性的缺陷。",[28,4268],{},[31,4270,4272],{"id":4271},"怎麼開始先做出-poc再談合約","怎麼開始：先做出 PoC，再談合約",[11,4274,4275],{},"這個案子透過 Facebook 程式外包社團找到我。對方貼了需求，我去 DM 提案。",[11,4277,4278],{},"她問了一連串我沒料到的問題：",[1341,4280,4281,4284,4287],{},[1277,4282,4283],{},"你的開發團隊幾個人？",[1277,4285,4286],{},"用什麼技術棧？",[1277,4288,4289],{},"有沒有同類型的上線案例？",[11,4291,4292],{},"我沒有。我是獨立工程師，沒有團隊，也沒有多 LINE OA 收件匣的上線案例。",[11,4294,4295],{},"我沒有試圖包裝，而是直說：「我是獨立工程師，你說的需求我看過，技術上沒問題，但上線案例沒有。如果你需要在簽約前確認技術可行，我可以先做一個 PoC——用你實際的需求驗證核心難點，這樣你有根據判斷，我也有機會展示能力。」",[11,4297,4298],{},"她接受了。",[11,4300,4301,4304],{},[141,4302,4303],{},"PoC 要驗證的核心難點","：兩個不同的 LINE OA，訊息能不能進同一個收件匣，客服回覆時能不能保證走回正確的 OA，完全不混線。",[28,4306],{},[31,4308,4310],{"id":4309},"第一天poc-從零到部署","第一天：PoC 從零到部署",[11,4312,4313],{},"當時我對 LINE Messaging API 幾乎是零基礎。",[11,4315,4316],{},"從查文件、建 LINE developer console、到第一個 webhook 接到訊息，花了大概三個小時。接下來六小時是核心架構：",[1341,4318,4319,4326,4333],{},[1277,4320,4321,4322,4325],{},"每個 LINE OA 有自己的 ",[553,4323,4324],{},"\u002Fwebhook\u002F:channelId"," 路由，訊息進來就知道是哪個 OA 傳的",[1277,4327,4328,4329,4332],{},"DB 設計：一個 thread = 一個 ",[553,4330,4331],{},"(channel_id, line_user_id)"," 組合。同一個用戶傳給 OA-A 和 OA-B，一定是兩個不同的 thread，永遠不會合併",[1277,4334,4335],{},"發送回覆時，系統從 DB 推導要用哪個 OA 的 token，前端完全碰不到任何 token 或 channel 資訊",[11,4337,4338],{},"第一天結束，PoC 部署上線，兩個測試 OA 串到同一個收件匣，用手機親自測試確認不混線。",[28,4340],{},[31,4342,4344],{"id":4343},"第二天她提出了三組驗收標準當天全部完成","第二天：她提出了三組驗收標準，當天全部完成",[11,4346,4347],{},"第二天早上，她回覆了。不只是「OK 沒問題」，而是一份結構化的驗收清單：",[11,4349,4350],{},[141,4351,4352],{},"A 組：防混線與資料約束",[1341,4354,4355,4358,4361],{},[1277,4356,4357],{},"Thread 唯一性必須有 DB constraint，不能只靠應用層邏輯",[1277,4359,4360],{},"多坐席鎖定：同一對話不能有兩個客服同時在回",[1277,4362,4363],{},"Webhook 去重：LINE 偶爾會重送事件，重複訊息不能進 DB",[11,4365,4366],{},[141,4367,4368],{},"B 組：營運必備",[1341,4370,4371,4374,4377],{},[1277,4372,4373],{},"對話可以結案，結案後 LINE 再來訊息自動重開",[1277,4375,4376],{},"每個操作都要有稽核紀錄（誰、幾點、做了什麼）",[1277,4378,4379],{},"要能匯出 CSV，Excel 開起來中文不亂碼",[11,4381,4382],{},[141,4383,4384],{},"C 組：資安與部署",[1341,4386,4387,4390],{},[1277,4388,4389],{},"Token 和 Secret 不能出現在 Git repo",[1277,4391,4392],{},"系統要有 health check，讓她知道服務是不是活的",[11,4394,4395],{},"看到這份清單我知道她是認真的。這種有結構的驗收標準，不是「感覺上線了就算」的態度。",[11,4397,4398],{},"整個第二天拿來做這三組需求。技術上最難的是鎖定機制——五分鐘超時、前端不算時間（只信 server）、被搶鎖時 UI 即時更新——這個部分前後修了五輪 bug 才穩定。",[11,4400,4401],{},"最終交出：12 個 API endpoints、完整稽核日誌、多坐席鎖定、CSV 匯出（含 BOM 解決 Excel 中文問題）、Fly.io 部署、GitHub private repo 移交。",[11,4403,4404,4405],{},"第二天結束，她的回覆是：",[141,4406,4407],{},"「驗證通過，請出 Phase 1 里程碑報價。」",[28,4409],{},[31,4411,4413],{"id":4412},"兩天總結三件事","兩天，總結三件事",[11,4415,4416],{},[141,4417,4418],{},"第一件：PoC 不是免費試工，是雙方篩選的機制",[11,4420,4421],{},"PoC 讓她在花大錢之前確認你做得到，也讓你確認對方是不是能給出清晰需求的合作對象。她的驗收標準就是最好的證明——這種客戶，你願意花時間做 PoC。",[11,4423,4424],{},[141,4425,4426],{},"第二件：防混線的真正保障在 DB constraint，不在應用邏輯",[11,4428,4429,4432],{},[553,4430,4431],{},"UNIQUE(channel_id, line_user_id)"," 這個 DB constraint，是整個系統的最後防線。就算應用層出 bug，就算前端傳錯參數，DB 層會拒絕一切混線資料。如果這個 constraint 不存在，你只是在靠運氣。",[11,4434,4435],{},[141,4436,4437],{},"第三件：多坐席搶話的問題，在幾乎所有客服系統都被低估",[11,4439,4440],{},"你以為的問題：「客服分不清誰在哪個 OA 回話」。",[11,4442,4443],{},"真正的問題：「同一個客人，兩個客服同時在回，訊息互相打架，客人以為公司有兩個人在同時處理她的問題」。",[11,4445,4446],{},"鎖定機制不是好看的功能，是防止這個場景的實際工程。",[28,4448],{},[31,4450,3071],{"id":3070},[11,4452,4453],{},"常見的觸發點：",[1341,4455,4456,4459,4462],{},[1277,4457,4458],{},"你有一個以上的 LINE 官方帳號（不同品牌、通路、或部門）",[1277,4460,4461],{},"客服靠「大家都記得用哪個帳號回」維持秩序",[1277,4463,4464],{},"偶爾懷疑有沒有訊息被漏掉或跳號",[11,4466,4467,4468,586],{},"如果這三點有一點符合，統一收件匣是值得認真評估的方向。不一定需要 AI，核心是",[141,4469,4470],{},"讓所有訊息流進一個地方、讓每個操作都有記錄、讓坐席之間不要搶話",[11,4472,4473],{},"如果你想知道這對你的規模和業務有沒有意義，可以直接加這個網站的 LINE，說你的現況，我會告訴你值不值得做、大概要花多少時間和錢。沒有簡報，不賣套裝方案，先確認問題再討論解法。",{"title":513,"searchDepth":514,"depth":514,"links":4475},[4476,4477,4478,4479,4480,4481],{"id":4250,"depth":514,"text":4251},{"id":4271,"depth":514,"text":4272},{"id":4309,"depth":514,"text":4310},{"id":4343,"depth":514,"text":4344},{"id":4412,"depth":514,"text":4413},{"id":3070,"depth":514,"text":3071},"2026-04-25","一家食品飲料經銷商有多個 LINE 官方帳號，客服每天用錯帳號回客人、訊息無法追溯、坐席搶話沒有機制。這篇文章記錄從接到詢問到交出可驗證的系統，實際花了幾天、做了什麼、踩了哪些技術坑。",{},"\u002Fblog\u002Fline-bot-consulting-case-study",{"title":4245,"description":4483},"blog\u002Fline-bot-consulting-case-study",[3100,1782,4489],"freelance","7lsi-nWs2-flyWCIo_-FFuHvEMcyuVQLrrx3L80dP_0",{"id":4492,"title":4493,"body":4494,"date":4674,"description":4675,"extension":528,"meta":4676,"navigation":530,"path":4677,"seo":4678,"stem":4679,"tags":4680,"__hash__":4681},"blog\u002Fblog\u002Fai-adoption-failure.md","花了錢導 AI，為什麼三個月後沒人用？",{"type":8,"value":4495,"toc":4667},[4496,4500,4503,4506,4512,4515,4518,4520,4524,4527,4530,4535,4546,4549,4555,4557,4561,4568,4571,4574,4580,4591,4594,4596,4600,4603,4606,4617,4623,4626,4628,4631,4634,4654,4657],[31,4497,4499],{"id":4498},"系統上線了但員工還是用-line-群組","系統上線了，但員工還是用 LINE 群組",[11,4501,4502],{},"你花了幾個月、幾十萬，把 AI 客服系統、自動回覆機器人、或是內部知識庫建起來了。",[11,4504,4505],{},"Demo 很順，老闆點頭，正式上線。",[11,4507,4508,4509],{},"然後三個月後，你發現：",[141,4510,4511],{},"客服還是自己打字回，內部問問題還是截圖傳 LINE，知識庫的最後更新日期停在上線那天。",[11,4513,4514],{},"這不是個案。根據 McKinsey 2024 調查，AI 導入後六個月內仍在實際使用的比例不到 40%。台灣中小企業的數字只會更低，因為沒有大企業的強制推行資源。",[11,4516,4517],{},"問題通常不在技術。技術大部分都能跑。問題在三件事沒有在開發前確認。",[28,4519],{},[31,4521,4523],{"id":4522},"第一個坑解決了工程師的問題不是使用者的問題","第一個坑：解決了工程師的問題，不是使用者的問題",[11,4525,4526],{},"AI 系統在 demo 環境裡很好用，因為 demo 的資料是工程師準備的，問題是工程師想到的，流程是工程師熟悉的。",[11,4528,4529],{},"但實際使用者——你的客服、你的業務、你的倉管——他們遇到的問題長完全不一樣。",[11,4531,4532],{},[141,4533,4534],{},"常見的落差：",[1341,4536,4537,4540,4543],{},[1277,4538,4539],{},"客服系統不支援「你好，請問我之前訂的那個有沒有到？」這種模糊問法，只能處理「查詢訂單狀態 + 訂單編號」的標準格式",[1277,4541,4542],{},"知識庫的分類邏輯是技術部門的邏輯，業務想找「如何跟客戶說我們的保固比較好」，但系統分類是「產品規格 > 售後服務 > 保固條款」",[1277,4544,4545],{},"使用者把問題問出來、等三秒、得到一個不準確的回答——不如直接 Google",[11,4547,4548],{},"這種系統不是沒做好，是做錯了目標。",[11,4550,4551,4554],{},[141,4552,4553],{},"怎麼確認："," 開發前，花一天跟實際使用者坐在一起，看他們怎麼工作，問他們什麼事最讓他們煩。不是問「你希望系統幫你做什麼」（這個答案通常是幻想），而是問「昨天你有什麼事做了超過三十分鐘但你覺得不應該這麼久」。",[28,4556],{},[31,4558,4560],{"id":4559},"第二個坑沒有把不用新系統的成本算進來","第二個坑：沒有把「不用新系統的成本」算進來",[11,4562,4563,4564,4567],{},"舊流程通常是舒適的。不是因為它好，而是因為它",[141,4565,4566],{},"已知","。大家知道在哪裡找東西、知道要問誰、知道出錯怎麼補救。",[11,4569,4570],{},"新系統要求的是：學新操作、重建信任、承擔「萬一 AI 答錯怎麼辦」的風險。",[11,4572,4573],{},"對一個每天要處理 50 個客戶的客服來說，學新工具的代價是真實的——而且是她個人承擔，不是公司。",[11,4575,4576,4579],{},[141,4577,4578],{},"很多導入案失敗的真正原因："," 沒有人回答「對使用者來說，用新系統比不用新系統好在哪裡」這個問題。",[1341,4581,4582,4585,4588],{},[1277,4583,4584],{},"快多少？（要有數字，不是「更快」）",[1277,4586,4587],{},"少做哪些讓他覺得煩的事？",[1277,4589,4590],{},"出錯時誰負責？",[11,4592,4593],{},"如果答案是「公司說要用所以用」，三個月後會回到 LINE 群組。",[28,4595],{},[31,4597,4599],{"id":4598},"第三個坑上線等於結束不是開始","第三個坑：上線等於結束，不是開始",[11,4601,4602],{},"大部分 AI 導入專案在「上線」那天結束——開發商收尾款，移交文件，說有問題找客服。",[11,4604,4605],{},"但 AI 系統的第一個版本幾乎不可能是最終版本。它需要：",[1341,4607,4608,4611,4614],{},[1277,4609,4610],{},"前兩週觀察真實問題進來時系統怎麼反應",[1277,4612,4613],{},"根據實際失敗的問題調整知識庫或 prompt",[1277,4615,4616],{},"三個月後重新確認使用者的行為有沒有改變",[11,4618,4619,4622],{},[141,4620,4621],{},"一個知識庫上線後沒有持續更新，等於一個不看新聞的客服。"," 知識會過期，問題的模式會改變，使用者會找到新的鑽漏洞方式。",[11,4624,4625],{},"很多廠商報價時不包含這個階段，因為「維護」聽起來是花費，而不是投資。",[28,4627],{},[31,4629,4630],{"id":4630},"你現在可以問自己的三個問題",[11,4632,4633],{},"如果你正在考慮導入 AI，或是你已經導入但覺得效果不對，問自己：",[1274,4635,4636,4642,4648],{},[1277,4637,4638,4641],{},[141,4639,4640],{},"最後一次跟實際使用者坐在一起確認需求是什麼時候？"," 不是開會，是看他們工作。",[1277,4643,4644,4647],{},[141,4645,4646],{},"如果使用者不用新系統，對他們個人有什麼代價？"," 如果沒有代價，系統不會被用。",[1277,4649,4650,4653],{},[141,4651,4652],{},"上線後第一個月，誰負責看系統跑得如何？"," 不是 IT，是懂業務邏輯的人。",[11,4655,4656],{},"這三個問題答得出來，導入成功率會高很多。答不出來，那在開始建系統之前，可以先聊。",[11,4658,4659,4666],{},[141,4660,4661,4662],{},"→ ",[505,4663,4665],{"href":4664},"\u002F","預約一次免費諮詢","，把這三個問題拿出來討論。三十分鐘，不賣你任何東西，只確認你要解決的問題值不值得花這筆錢。",{"title":513,"searchDepth":514,"depth":514,"links":4668},[4669,4670,4671,4672,4673],{"id":4498,"depth":514,"text":4499},{"id":4522,"depth":514,"text":4523},{"id":4559,"depth":514,"text":4560},{"id":4598,"depth":514,"text":4599},{"id":4630,"depth":514,"text":4630},"2026-04-19","台灣中小企業導入 AI 工具後，六成在三個月內回到舊流程。問題不在技術，在這三件事沒有在開發前確認。",{},"\u002Fblog\u002Fai-adoption-failure",{"title":4493,"description":4675},"blog\u002Fai-adoption-failure",[1781,1782],"3s-f9wFBNUox8Jiwru8tYwfr8Z3Y0YZWSvnbpTE_tZ4",{"id":4683,"title":4684,"body":4685,"date":4974,"description":4975,"extension":528,"meta":4976,"navigation":530,"path":4977,"seo":4978,"stem":4979,"tags":4980,"__hash__":4983},"blog\u002Fblog\u002Fwhy-ai-courses-dont-work.md","為什麼你花了幾千塊上 AI 課程，卻還是覺得自己不會用 AI？",{"type":8,"value":4686,"toc":4955},[4687,4691,4697,4700,4703,4709,4713,4716,4719,4724,4727,4730,4734,4737,4743,4746,4749,4753,4756,4767,4774,4777,4781,4788,4799,4806,4809,4813,4820,4823,4829,4832,4839,4845,4859,4866,4873,4880,4887,4890,4893,4899,4902,4909,4912,4919,4923,4929,4932,4937,4940,4943,4945],[31,4688,4690],{"id":4689},"你是不是也買過這種課","你是不是也買過這種課？",[11,4692,4693,4694,586],{},"「AI 超級大腦教練」、「ChatGPT 效率神器」、「一次學會跟 AI 對話」——這些課程有一個共同的特徵：",[141,4695,4696],{},"標題讓你覺得不上就要被時代淘汰",[11,4698,4699],{},"你付了錢、下載了 298MB 的錄音檔、花一個下午聽完。結束的時候你會有一種「好像學到東西了」的感覺，然後打開 ChatGPT，輸入了一句跟以前差不多的問題，得到一個跟以前差不多的回答。",[11,4701,4702],{},"然後你以為是自己還沒學會，於是準備買下一堂課。",[11,4704,4705,4706,586],{},"這篇文章要跟你說的是：",[141,4707,4708],{},"不是你還沒學會，是這類課程本來就教不了你真的會用 AI",[31,4710,4712],{"id":4711},"先把話講清楚問題不是課程內容太淺","先把話講清楚：問題不是「課程內容太淺」",[11,4714,4715],{},"你可能會反駁我：「我上的那堂課不只教 prompt 五件事，還教了一整套思考框架——批判性思考、創意思考、溝通思考、互動思考，光思考習慣就 76 個。」",[11,4717,4718],{},"很好，這種課真的存在，內容也真的有料。但這篇要講的是更殘酷的事：",[11,4720,4721],{},[141,4722,4723],{},"就算課程塞給你 76 個思考習慣，你回家打開 ChatGPT，還是會打「幫我寫一份報告」。",[11,4725,4726],{},"問題不在框架夠不夠豐富，問題在框架本身教不了你「會用」。下面講為什麼。",[31,4728,4729],{"id":4729},"為什麼這類課程注定學不會",[801,4731,4733],{"id":4732},"問題一prompt-技巧不是知識是肌肉","問題一：prompt 技巧不是知識，是肌肉",[11,4735,4736],{},"你看完課程會「懂」76 個思考習慣。但三天後打開 ChatGPT，你還是會打「幫我寫一份報告」，然後抱怨 AI 答非所問。",[11,4738,4739,4742],{},[141,4740,4741],{},"為什麼？因為這些東西不是你記住就會的知識，是你做過才會的肌肉","。框架越豐富，這個落差反而越大——因為你以為自己「學了很多」，實際做的時候一個都用不出來。",[11,4744,4745],{},"這跟健身一模一樣。你看完「深蹲三個要點」的影片，不代表你深蹲會做；你必須親自蹲過、蹲錯、被教練罵、自己調整，身體才會記住。",[11,4747,4748],{},"課程賣的是「看完的錯覺」，不是「做過的能力」。",[801,4750,4752],{"id":4751},"問題二你沒有真的在解決問題","問題二：你沒有真的在解決問題",[11,4754,4755],{},"課程的「練習」是什麼？「每天花 20-30 分鐘把提示加長加詳細」。",[11,4757,4758,4759,4762,4763,4766],{},"這種練習有一個致命缺陷——",[141,4760,4761],{},"它沒有真實任務","。你在空氣中練 prompt，就像在岸上練游泳。框架再多也救不了你，76 個思考習慣攤在桌上，你不知道",[141,4764,4765],{},"什麼時候該抽哪一個出來用","，因為你根本沒有「需要它的場景」。",[11,4768,4769,4770,4773],{},"真正會讓你變強的，是你",[141,4771,4772],{},"真的有一個工作要完成","，然後被迫跟 AI 反覆溝通到它產出你要的東西。可能是寫一份真實要交出去的提案、整理一份真實要報告的數據、寫一個真實要貼出去的貼文。",[11,4775,4776],{},"有了真實任務，框架才會「活起來」——你會在卡住的當下，自己想起「啊，這時候應該用 Power Dynamics 重問一次」，那一刻它才真的變成你的。沒有真實任務，框架就只是 PDF 裡的 76 個項目。",[801,4778,4780],{"id":4779},"問題三課程教不了當下的判斷","問題三：課程教不了「當下的判斷」",[11,4782,4783,4784,4787],{},"真正用 AI 用得好的人，差別不在於他們會背多少框架，而在於他們會",[141,4785,4786],{},"即時判斷","：",[1341,4789,4790,4793,4796],{},[1277,4791,4792],{},"AI 這個回答偏了，是我問題沒講清楚？還是它根本不懂這個領域？",[1277,4794,4795],{},"這個任務適合 AI 做嗎？還是我自己做比較快？",[1277,4797,4798],{},"AI 給我三個方案，哪個是真的、哪個是幻覺？",[11,4800,4801,4802,4805],{},"這些判斷力來自",[141,4803,4804],{},"你跟 AI 互動過幾百次之後的直覺","，不是來自任何課程。",[11,4807,4808],{},"課程可以教你框架，但教不了判斷。判斷只能靠累積。",[31,4810,4812],{"id":4811},"那要怎麼辦三個真正有用的動作","那要怎麼辦？三個真正有用的動作",[801,4814,4816,4817],{"id":4815},"動作一停止買新課程開始做真實任務","動作一：",[141,4818,4819],{},"停止買新課程，開始做真實任務",[11,4821,4822],{},"拿出你現在手上任何一件煩人的事——寫一封拒絕的信、整理一份亂七八糟的筆記、規劃一趟旅行、想一個活動標題。",[11,4824,4825,4828],{},[141,4826,4827],{},"直接用 AI 做完它","。做完你才會發現自己到底卡在哪裡——是描述能力不足？還是沒耐心來回？還是不相信 AI 的答案？",[11,4830,4831],{},"每發現一個卡點，你就進步一次。這比聽 100 堂課有用。",[801,4833,4835,4836],{"id":4834},"動作二把每次跟-ai-的對話當成一次實驗","動作二：",[141,4837,4838],{},"把每次跟 AI 的對話當成一次實驗",[11,4840,4841,4842,4787],{},"每次 AI 沒給你想要的答案時，不要直接放棄，",[141,4843,4844],{},"先問自己",[1341,4846,4847,4850,4853,4856],{},[1277,4848,4849],{},"我有沒有說清楚我要什麼？",[1277,4851,4852],{},"我有沒有給它夠多的背景？",[1277,4854,4855],{},"我有沒有告訴它我已經試過什麼？",[1277,4857,4858],{},"我有沒有要求它用什麼格式回答？",[11,4860,4861,4862,4865],{},"然後",[141,4863,4864],{},"改寫一次","，看會不會變好。這個「改寫」的動作，就是課程裡講的那五件事——但你是在真實情境下練的，所以會真的學會。",[801,4867,4869,4870],{"id":4868},"動作三建立你自己的-prompt-庫","動作三：",[141,4871,4872],{},"建立你自己的 prompt 庫",[11,4874,4875,4876,4879],{},"當你找到一個對某種任務特別好用的 prompt 模式，",[141,4877,4878],{},"記下來","。下次遇到類似任務，直接套用。",[11,4881,4882,4883,4886],{},"這個「自己累積的 prompt 庫」比任何課程賣的模板都珍貴，因為它是",[141,4884,4885],{},"針對你的工作、你的領域、你的需求","長出來的。",[11,4888,4889],{},"三個月後，你的 prompt 庫會變成你的不公平優勢。",[31,4891,4892],{"id":4892},"一個殘酷的真相",[11,4894,4895,4896,586],{},"會買 AI 課程的人通常有一個共同的心態：",[141,4897,4898],{},"希望花錢買一個確定性",[11,4900,4901],{},"「我付了這個錢、上了這堂課，我就能學會 AI。」",[11,4903,4904,4905,4908],{},"這個心態本身就是在被剝削。",[141,4906,4907],{},"真正稀缺的能力，沒有任何課程教得了","，因為如果能用課程教會，就不會稀缺。",[11,4910,4911],{},"能教會的東西早就被便宜大量複製，然後包裝成「體驗課」、「大師班」、「私房心法」賣給還在找確定性的人。",[11,4913,4914,4915,4918],{},"而",[141,4916,4917],{},"教不會的東西","——就是那些「在真實任務裡跟 AI 來回磨」的判斷與肌肉——再貴的課也給不了你，因為它本來就不是課程能交付的東西。",[31,4920,4922],{"id":4921},"結論把下一筆課程錢變成下一個真實專案","結論：把下一筆課程錢，變成下一個真實專案",[11,4924,4925,4926,586],{},"如果你下次又看到一堂「AI 必學課程」想要刷卡——",[141,4927,4928],{},"先停一下",[11,4930,4931],{},"問自己一個問題：",[1853,4933,4934],{},[11,4935,4936],{},"我現在如果馬上打開 ChatGPT，有沒有一件我卡住的真實工作，是我可以花這堂課的錢買的時間去跟 AI 反覆磨合、把它做出來的？",[11,4938,4939],{},"如果有，那你該做的不是上課，是去做那件事。做到卡住、卡到會用為止。",[11,4941,4942],{},"這才是真的學 AI。",[28,4944],{},[11,4946,4947,4950,4951,4954],{},[141,4948,4949],{},"如果這篇文章對你有幫助","：它的 takeaway 其實只有一句——",[141,4952,4953],{},"別再買課，去做事","。記住這句就夠了。",{"title":513,"searchDepth":514,"depth":514,"links":4956},[4957,4958,4959,4964,4972,4973],{"id":4689,"depth":514,"text":4690},{"id":4711,"depth":514,"text":4712},{"id":4729,"depth":514,"text":4729,"children":4960},[4961,4962,4963],{"id":4732,"depth":1121,"text":4733},{"id":4751,"depth":1121,"text":4752},{"id":4779,"depth":1121,"text":4780},{"id":4811,"depth":514,"text":4812,"children":4965},[4966,4968,4970],{"id":4815,"depth":1121,"text":4967},"動作一：停止買新課程，開始做真實任務",{"id":4834,"depth":1121,"text":4969},"動作二：把每次跟 AI 的對話當成一次實驗",{"id":4868,"depth":1121,"text":4971},"動作三：建立你自己的 prompt 庫",{"id":4892,"depth":514,"text":4892},{"id":4921,"depth":514,"text":4922},"2026-04-14","就算課程給你的是 76 個思考習慣的完整框架，你回家打開 ChatGPT 還是會打「幫我寫一份報告」。問題不在框架夠不夠豐富，在你沒有真實任務逼自己用它。",{},"\u002Fblog\u002Fwhy-ai-courses-dont-work",{"title":4684,"description":4975},"blog\u002Fwhy-ai-courses-dont-work",[1781,4981,4982],"learning","prompt-engineering","fJLP33b3udyiMkY9-VerdGC6PQUTFiOKsktHMTLz5Pk",{"id":4985,"title":4986,"body":4987,"date":5473,"description":5474,"extension":528,"meta":5475,"navigation":530,"path":5476,"seo":5477,"stem":5478,"tags":5479,"__hash__":5481},"blog\u002Fblog\u002Fai-chatbot-knowledge-base-quality.md","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",{"type":8,"value":4988,"toc":5461},[4989,4993,4996,4999,5002,5008,5011,5015,5018,5021,5082,5088,5095,5099,5103,5106,5109,5191,5194,5199,5206,5210,5213,5216,5226,5229,5240,5245,5248,5268,5274,5278,5281,5284,5289,5292,5297,5321,5325,5328,5396,5403,5406,5409,5414,5417,5420,5425,5428,5431,5436,5439,5445,5449,5452,5455],[31,4990,4992],{"id":4991},"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","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」",[11,4994,4995],{},"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」。",[11,4997,4998],{},"客戶的反應：「所以這個機器人到底有什麼用？」",[11,5000,5001],{},"老闆的反應：「AI 果然還不行。」",[11,5003,5004,5005,586],{},"兩個人都搞錯重點了。",[141,5006,5007],{},"問題不在 AI 模型笨，在你餵進去的資料根本沒有答案",[11,5009,5010],{},"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。",[31,5012,5014],{"id":5013},"同一個模型知識庫品質差五倍","同一個模型，知識庫品質差五倍",[11,5016,5017],{},"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。",[11,5019,5020],{},"結果：",[47,5022,5023,5036],{},[50,5024,5025],{},[53,5026,5027,5030,5033],{},[56,5028,5029],{},"指標",[56,5031,5032],{},"亂餵的知識庫",[56,5034,5035],{},"整理過的知識庫",[63,5037,5038,5049,5060,5071],{},[53,5039,5040,5043,5046],{},[68,5041,5042],{},"正確回答率",[68,5044,5045],{},"34%",[68,5047,5048],{},"82%",[53,5050,5051,5054,5057],{},[68,5052,5053],{},"「無法回答」比例",[68,5055,5056],{},"41%",[68,5058,5059],{},"8%",[53,5061,5062,5065,5068],{},[68,5063,5064],{},"答案含幻覺（編造資訊）",[68,5066,5067],{},"25%",[68,5069,5070],{},"10%",[53,5072,5073,5076,5079],{},[68,5074,5075],{},"平均回應成本",[68,5077,5078],{},"每則 8 元",[68,5080,5081],{},"每則 2.5 元",[11,5083,5084,5087],{},[141,5085,5086],{},"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。",[11,5089,5090,5091,5094],{},"更恐怖的是「幻覺」那一行——亂餵的版本有四分之一的回答",[141,5092,5093],{},"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。",[31,5096,5098],{"id":5097},"三個決定-ai-客服智商的維度","三個決定 AI 客服智商的維度",[801,5100,5102],{"id":5101},"維度一格式ai-讀得懂不代表讀得準","維度一：格式——AI 讀得懂，不代表讀得準",[11,5104,5105],{},"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。",[11,5107,5108],{},"AI 確實能「讀」這些格式，但讀的品質天差地遠：",[47,5110,5111,5124],{},[50,5112,5113],{},[53,5114,5115,5118,5121],{},[56,5116,5117],{},"格式",[56,5119,5120],{},"AI 理解度",[56,5122,5123],{},"常見問題",[63,5125,5126,5139,5152,5165,5178],{},[53,5127,5128,5133,5136],{},[68,5129,5130],{},[141,5131,5132],{},"結構化 Markdown \u002F 純文字",[68,5134,5135],{},"95%+",[68,5137,5138],{},"幾乎沒有",[53,5140,5141,5146,5149],{},[68,5142,5143],{},[141,5144,5145],{},"乾淨的網頁 HTML",[68,5147,5148],{},"85-90%",[68,5150,5151],{},"導航列、頁尾被當成內容",[53,5153,5154,5159,5162],{},[68,5155,5156],{},[141,5157,5158],{},"排版簡單的 PDF",[68,5160,5161],{},"70-80%",[68,5163,5164],{},"表格錯亂、分頁斷句",[53,5166,5167,5172,5175],{},[68,5168,5169],{},[141,5170,5171],{},"複雜排版的 PDF \u002F PPT",[68,5173,5174],{},"40-60%",[68,5176,5177],{},"欄位混淆、圖文分離",[53,5179,5180,5185,5188],{},[68,5181,5182],{},[141,5183,5184],{},"掃描圖片 \u002F 截圖",[68,5186,5187],{},"20-50%",[68,5189,5190],{},"OCR 錯字、完全丟失結構",[11,5192,5193],{},"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。",[11,5195,5196],{},[141,5197,5198],{},"不是 AI 的錯。是你給它的格式讓它讀錯了。",[11,5200,5201,5202,5205],{},"最低成本的改善：把核心資料轉成",[141,5203,5204],{},"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%。",[801,5207,5209],{"id":5208},"維度二粒度一份文件回答一個問題","維度二：粒度——一份文件回答一個問題",[11,5211,5212],{},"這是最反直覺的一點。",[11,5214,5215],{},"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」。",[11,5217,5218,5219,5222,5223,586],{},"問題是 AI 找答案的方式叫 ",[141,5220,5221],{},"RAG（Retrieval-Augmented Generation）","——它不是讀完整本書再回答你，而是",[141,5224,5225],{},"先搜尋最相關的幾個段落，只把這幾段送進 AI 模型",[11,5227,5228],{},"搜尋的單位越大，精準度越低。想像你在圖書館找一個食譜：",[1341,5230,5231,5234,5237],{},[1277,5232,5233],{},"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",[1277,5235,5236],{},"搜尋單位是「一個章節」→ 找到「家常菜」章節，範圍小多了",[1277,5238,5239],{},"搜尋單位是「一道菜的食譜」→ 直接命中",[11,5241,5242],{},[141,5243,5244],{},"知識庫的理想粒度：一個段落回答一個具體問題。",[11,5246,5247],{},"實務上怎麼做：",[1274,5249,5250,5256,5262],{},[1277,5251,5252,5255],{},[141,5253,5254],{},"把大文件拆成小段落","。每段 200-500 字，圍繞一個具體主題。",[1277,5257,5258,5261],{},[141,5259,5260],{},"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。",[1277,5263,5264,5267],{},[141,5265,5266],{},"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。",[11,5269,5270,5271,586],{},"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%。",[141,5272,5273],{},"工作量大概是兩個人花三天",[801,5275,5277],{"id":5276},"維度三更新頻率過期的答案比沒有答案更危險","維度三：更新頻率——過期的答案比沒有答案更危險",[11,5279,5280],{},"這是最多人忽略的。",[11,5282,5283],{},"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。",[11,5285,5286],{},[141,5287,5288],{},"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。",[11,5290,5291],{},"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。",[11,5293,5294,4787],{},[141,5295,5296],{},"最低限度的防護",[1274,5298,5299,5305,5311],{},[1277,5300,5301,5304],{},[141,5302,5303],{},"設定更新週期","。核心資料（價格、方案、政策）至少每月檢查一次。",[1277,5306,5307,5310],{},[141,5308,5309],{},"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」。",[1277,5312,5313,5316,5317,5320],{},[141,5314,5315],{},"有人負責","。不是 IT 部門的事，是",[141,5318,5319],{},"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。",[31,5322,5324],{"id":5323},"快速自檢清單你的知識庫及格嗎","快速自檢清單：你的知識庫及格嗎？",[11,5326,5327],{},"在花錢升級模型或換廠商之前，先跑這五題：",[47,5329,5330,5343],{},[50,5331,5332],{},[53,5333,5334,5337,5340],{},[56,5335,5336],{},"#",[56,5338,5339],{},"問題",[56,5341,5342],{},"及格標準",[63,5344,5345,5355,5365,5375,5385],{},[53,5346,5347,5349,5352],{},[68,5348,230],{},[68,5350,5351],{},"你的核心資料是什麼格式？",[68,5353,5354],{},"至少前 20 個常見問題的答案是純文字或 Markdown",[53,5356,5357,5359,5362],{},[68,5358,251],{},[68,5360,5361],{},"知識庫的最小單位是什麼？",[68,5363,5364],{},"段落級（200-500 字），不是整份文件",[53,5366,5367,5369,5372],{},[68,5368,213],{},[68,5370,5371],{},"每個段落有標題嗎？",[68,5373,5374],{},"有，而且像客戶會問的問題",[53,5376,5377,5379,5382],{},[68,5378,233],{},[68,5380,5381],{},"上次更新是什麼時候？",[68,5383,5384],{},"三個月內",[53,5386,5387,5390,5393],{},[68,5388,5389],{},"5",[68,5391,5392],{},"誰負責更新？",[68,5394,5395],{},"有具體的人名，不是「IT 部門」",[11,5397,5398,5399,5402],{},"五題裡如果有三題不及格，",[141,5400,5401],{},"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。",[31,5404,5405],{"id":5405},"我怎麼幫客戶做這件事",[11,5407,5408],{},"通常分三步：",[11,5410,5411],{},[141,5412,5413],{},"第一步：盤點（免費，聊 LINE 就行）",[11,5415,5416],{},"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。",[11,5418,5419],{},"這一步不用花錢，通常十分鐘就有初步結論。",[11,5421,5422],{},[141,5423,5424],{},"第二步：整理（最花時間，但最值得）",[11,5426,5427],{},"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。",[11,5429,5430],{},"通常 20-30 個核心主題的整理，工期大概 2-5 天。",[11,5432,5433],{},[141,5434,5435],{},"第三步：接上 AI 並持續校準",[11,5437,5438],{},"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。",[11,5440,5441,5444],{},[141,5442,5443],{},"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。",[31,5446,5448],{"id":5447},"你的-ai-客服笨可能只是餓了","你的 AI 客服「笨」，可能只是餓了",[11,5450,5451],{},"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。",[11,5453,5454],{},"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。",[11,5456,5457,5458,586],{},"大部分情況下，",[141,5459,5460],{},"花三天整理資料，效果比花三萬換模型好",{"title":513,"searchDepth":514,"depth":514,"links":5462},[5463,5464,5465,5470,5471,5472],{"id":4991,"depth":514,"text":4992},{"id":5013,"depth":514,"text":5014},{"id":5097,"depth":514,"text":5098,"children":5466},[5467,5468,5469],{"id":5101,"depth":1121,"text":5102},{"id":5208,"depth":1121,"text":5209},{"id":5276,"depth":1121,"text":5277},{"id":5323,"depth":514,"text":5324},{"id":5405,"depth":514,"text":5405},{"id":5447,"depth":514,"text":5448},"2026-04-13","同一個 AI 模型，接上不同知識庫，回答品質可以差五倍。問題不在模型笨，在你餵的資料亂。從格式、粒度、更新頻率三個維度，拆解怎麼讓 AI 客服真的能用。",{},"\u002Fblog\u002Fai-chatbot-knowledge-base-quality",{"title":4986,"description":5474},"blog\u002Fai-chatbot-knowledge-base-quality",[5480,1781,1782],"rag","_Zrcn6X5T4iwLmtFIO0veBOtBSi5mqfCItgJREjwH_o",{"id":5483,"title":5484,"body":5485,"date":5892,"description":5893,"extension":528,"meta":5894,"navigation":530,"path":5895,"seo":5896,"stem":5897,"tags":5898,"__hash__":5900},"blog\u002Fblog\u002Fautomation-vs-ai-for-smb.md","你需要的可能不是 AI——90% 的中小企業問題，自動化就能解決",{"type":8,"value":5486,"toc":5876},[5487,5491,5497,5500,5503,5508,5512,5526,5537,5543,5546,5550,5554,5557,5564,5567,5571,5574,5581,5584,5588,5591,5597,5600,5604,5607,5613,5616,5620,5623,5629,5632,5636,5643,5648,5656,5661,5669,5674,5682,5688,5692,5695,5700,5708,5713,5721,5724,5744,5751,5754,5760,5763,5769,5776,5779,5783,5786,5854,5857,5861,5867,5870],[31,5488,5490],{"id":5489},"花-30-萬請人做的事其實-google-試算表就能搞定","花 30 萬請人做的事，其實 Google 試算表就能搞定？",[11,5492,5493,5494,586],{},"我遇過一個案子。一間二十人的貿易公司，老闆說要「導入 AI 分析訂單趨勢」。聊了半小時，我發現他真正的痛點是：",[141,5495,5496],{},"業務每天花兩小時手動把 Email 裡的訂單數字抄進 Excel",[11,5498,5499],{},"他需要的不是 AI。他需要一個自動把 Email 內容抓出來填進試算表的腳本。Google Apps Script，三天搞定，成本接近零。",[11,5501,5502],{},"但在他找到我之前，已經有兩家廠商跟他報了 AI 方案——一家 30 萬，一家 50 萬。",[11,5504,5505],{},[141,5506,5507],{},"這不是個案。這是中小企業 AI 導入的常態。",[31,5509,5511],{"id":5510},"自動化跟-ai-的差別一句話講完","自動化跟 AI 的差別，一句話講完",[1341,5513,5514,5520],{},[1277,5515,5516,5519],{},[141,5517,5518],{},"自動化","：你告訴電腦「如果 A 就做 B」，它百分之百照做。",[1277,5521,5522,5525],{},[141,5523,5524],{},"AI","：你告訴電腦「看看這是什麼意思」，它用機率猜一個答案。",[11,5527,5528,5529,5532,5533,5536],{},"自動化是",[141,5530,5531],{},"確定性","的——同樣的輸入永遠產生同樣的結果。AI 是",[141,5534,5535],{},"機率性","的——同樣的問題問三次，可能得到三個不同答案。",[11,5538,5539,5540],{},"這個差別決定了一件事：",[141,5541,5542],{},"如果你的問題有明確規則，用自動化；如果你的問題需要理解語意、做判斷，才用 AI。",[11,5544,5545],{},"聽起來很簡單，但 80% 的老闆分不清楚自己的問題屬於哪邊。",[31,5547,5549],{"id":5548},"五個最常被賣成-ai-的自動化問題","五個最常被賣成 AI 的自動化問題",[801,5551,5553],{"id":5552},"_1-把-a-系統的資料搬到-b-系統","1. 把 A 系統的資料搬到 B 系統",[11,5555,5556],{},"「客戶在蝦皮下單，我要手動把訂單抄進 ERP。」",[11,5558,5559,5560,5563],{},"這就是",[141,5561,5562],{},"資料搬運","。不需要理解語意、不需要判斷，就是把欄位 A 對到欄位 B。用 Zapier、Make、或一段簡單的 API 串接就解決了。",[11,5565,5566],{},"成本：免費到每月 $600 台幣。\nAI 方案報價：15-40 萬。",[801,5568,5570],{"id":5569},"_2-固定格式的通知與提醒","2. 固定格式的通知與提醒",[11,5572,5573],{},"「客戶預約後要自動發確認訊息、前一天發提醒、結束後發感謝信。」",[11,5575,5576,5577,5580],{},"這是",[141,5578,5579],{},"觸發式訊息流程","。規則完全確定：什麼時間、什麼事件、發什麼內容。用 LINE 官方帳號的自動回覆 + 排程訊息就能做。",[11,5582,5583],{},"成本：$0（LINE 免費方案內建）。\nAI 方案報價：8-20 萬。",[801,5585,5587],{"id":5586},"_3-報表自動產出","3. 報表自動產出",[11,5589,5590],{},"「每個月底要從三個地方撈數字、算合計、寄給老闆。」",[11,5592,5576,5593,5596],{},[141,5594,5595],{},"固定邏輯的數據彙整","。Google Sheets + Apps Script，或 Excel + Power Automate。規則寫一次，每月自動跑。",[11,5598,5599],{},"成本：$0 到每月 $300。\nAI 方案報價：10-30 萬（通常包裝成「AI 數據分析儀表板」）。",[801,5601,5603],{"id":5602},"_4-表單資料自動歸檔","4. 表單資料自動歸檔",[11,5605,5606],{},"「客戶填完表單，資料要自動進 CRM、通知業務、建立待辦。」",[11,5608,5576,5609,5612],{},[141,5610,5611],{},"事件驅動的工作流","。Google Forms → Sheets → Zapier → CRM + Slack 通知。每一步都是確定的，不需要任何「理解」。",[11,5614,5615],{},"成本：免費到每月 $600。\nAI 方案報價：「我們幫你做一套智慧客戶管理系統」，20-60 萬。",[801,5617,5619],{"id":5618},"_5-定時抓取外部資料","5. 定時抓取外部資料",[11,5621,5622],{},"「我每天早上要去三個網站查匯率 \u002F 庫存 \u002F 競品價格，手動記下來。」",[11,5624,5576,5625,5628],{},[141,5626,5627],{},"排程爬取 + 通知","。一段跑在免費伺服器上的腳本，每天早上八點抓三個網站、整理成表格、發到你的 LINE 或 Email。",[11,5630,5631],{},"成本：$0（Cloudflare Workers 免費額度綽綽有餘）。\nAI 方案報價：「AI 競品監控系統」，15-40 萬。",[31,5633,5635],{"id":5634},"那什麼時候真的需要-ai","那什麼時候真的需要 AI？",[11,5637,5638,5639,5642],{},"上面五個都是規則明確的問題。但有些問題",[141,5640,5641],{},"沒有固定規則","，這時候 AI 才是正確的工具：",[11,5644,5645],{},[141,5646,5647],{},"需要理解自然語言的場景",[1341,5649,5650,5653],{},[1277,5651,5652],{},"客戶用各種不同的方式問同一個問題：「我要退貨」「這個能退嗎」「買了不滿意怎麼辦」「想退」——你沒辦法窮舉所有說法，需要 AI 理解意圖。",[1277,5654,5655],{},"客戶在 LINE 上丟一段話，裡面同時包含問題、抱怨、和新需求，你需要 AI 拆解並分別處理。",[11,5657,5658],{},[141,5659,5660],{},"需要從非結構化資料中提取資訊",[1341,5662,5663,5666],{},[1277,5664,5665],{},"客戶寄來一份 PDF 合約，你需要自動找出「付款條件」和「交貨日期」。",[1277,5667,5668],{},"一堆客戶評論裡面，你要自動分類哪些是產品問題、哪些是物流問題、哪些是正面回饋。",[11,5670,5671],{},[141,5672,5673],{},"需要生成內容",[1341,5675,5676,5679],{},[1277,5677,5678],{},"根據客戶描述，自動草擬一份報價單的文字說明。",[1277,5680,5681],{},"把客服對話摘要成三句話，讓主管快速掌握。",[11,5683,5684,5687],{},[141,5685,5686],{},"判斷標準很簡單","：如果你能把規則完整寫出來（「如果 X 就做 Y」），用自動化。如果你寫到第五條就發現「但有時候也不一定」，用 AI。",[31,5689,5691],{"id":5690},"最聰明的做法先自動化再加-ai","最聰明的做法：先自動化，再加 AI",[11,5693,5694],{},"很多成功的案例，架構長這樣：",[11,5696,5697],{},[141,5698,5699],{},"第一層：自動化處理 80% 的確定性工作",[1341,5701,5702,5705],{},[1277,5703,5704],{},"資料搬運、格式轉換、通知、排程 → 全部用自動化",[1277,5706,5707],{},"確定性 100%、成本趨近零、不會出錯",[11,5709,5710],{},[141,5711,5712],{},"第二層：AI 處理 20% 的模糊判斷",[1341,5714,5715,5718],{},[1277,5716,5717],{},"自動化搞不定的才丟給 AI",[1277,5719,5720],{},"例如：自動化先把客服訊息分成三類（退貨 \u002F 查詢 \u002F 其他），「其他」那一類才送 AI 判斷",[11,5722,5723],{},"這樣做的好處：",[1341,5725,5726,5732,5738],{},[1277,5727,5728,5731],{},[141,5729,5730],{},"成本低","：80% 的工作不用付 AI 的 token 費",[1277,5733,5734,5737],{},[141,5735,5736],{},"穩定","：確定性的部分不會因為 AI 的機率性而出錯",[1277,5739,5740,5743],{},[141,5741,5742],{},"好除錯","：自動化的部分出問題一定找得到原因，AI 的部分才需要調 prompt",[11,5745,5746,5747,5750],{},"反過來——全部丟給 AI 做——你會得到一個",[141,5748,5749],{},"又貴又不穩定又難除錯","的系統。",[31,5752,5753],{"id":5753},"廠商不會告訴你的事",[11,5755,5756,5757,586],{},"為什麼這麼多廠商把自動化問題包裝成 AI 方案？很簡單：",[141,5758,5759],{},"自動化收不了多少錢",[11,5761,5762],{},"一個 Zapier 串接，工程師半天搞定，收你 5,000 塊已經算貴了。但如果包裝成「AI 智慧工作流程」，突然就能報 30 萬——因為「AI」兩個字自帶溢價。",[11,5764,5765,5766,586],{},"這不代表所有廠商都在騙你。很多時候是廠商的業務不懂技術，真的以為這件事需要 AI。但結果一樣：",[141,5767,5768],{},"你付了 AI 的價格，買了自動化的功能",[11,5770,5771,5772,5775],{},"怎麼避免？",[141,5773,5774],{},"問一個問題就夠了","：「這個系統裡面，哪一步真的需要 AI 來判斷？能不能把那一步拿掉，其他部分還能跑嗎？」",[11,5777,5778],{},"如果拿掉 AI 整個系統還是能運作——恭喜你，你需要的是自動化，省下那筆 AI 的錢。",[31,5780,5782],{"id":5781},"自我檢測你的需求是哪一種","自我檢測：你的需求是哪一種？",[11,5784,5785],{},"花三十秒想一下你最想解決的那個問題，然後對照：",[47,5787,5788,5801],{},[50,5789,5790],{},[53,5791,5792,5795,5798],{},[56,5793,5794],{},"你的問題",[56,5796,5797],{},"答案",[56,5799,5800],{},"你需要的",[63,5802,5803,5813,5823,5833,5843],{},[53,5804,5805,5808,5811],{},[68,5806,5807],{},"規則能寫完嗎？（如果 A 就 B，沒有例外）",[68,5809,5810],{},"能",[68,5812,5518],{},[53,5814,5815,5818,5821],{},[68,5816,5817],{},"需要「讀懂」文字或圖片嗎？",[68,5819,5820],{},"不用",[68,5822,5518],{},[53,5824,5825,5828,5831],{},[68,5826,5827],{},"輸入格式固定嗎？",[68,5829,5830],{},"固定",[68,5832,5518],{},[53,5834,5835,5838,5841],{},[68,5836,5837],{},"同樣的輸入，期望同樣的輸出嗎？",[68,5839,5840],{},"是",[68,5842,5518],{},[53,5844,5845,5848,5851],{},[68,5846,5847],{},"以上任何一題答「否」？",[68,5849,5850],{},"—",[68,5852,5853],{},"可能需要 AI",[11,5855,5856],{},"四題都答「能 \u002F 不用 \u002F 固定 \u002F 是」，你就是自動化的案子。不要被 AI 的行銷話術帶偏。",[31,5858,5860],{"id":5859},"不確定十分鐘幫你判斷","不確定？十分鐘幫你判斷",[11,5862,5863,5864,586],{},"我做這行最常做的事，不是幫人導入 AI，是",[141,5865,5866],{},"幫人判斷他到底需不需要 AI",[11,5868,5869],{},"加這個網站的 LINE，描述你想解決的問題。我會告訴你：這個用自動化就能搞定、還是真的需要 AI、還是兩個都要但先從自動化開始。",[11,5871,5872,5873,586],{},"不會因為我是做 AI 的就硬推 AI 給你——",[141,5874,5875],{},"幫你省下不該花的錢，才是我做諮詢的價值",{"title":513,"searchDepth":514,"depth":514,"links":5877},[5878,5879,5880,5887,5888,5889,5890,5891],{"id":5489,"depth":514,"text":5490},{"id":5510,"depth":514,"text":5511},{"id":5548,"depth":514,"text":5549,"children":5881},[5882,5883,5884,5885,5886],{"id":5552,"depth":1121,"text":5553},{"id":5569,"depth":1121,"text":5570},{"id":5586,"depth":1121,"text":5587},{"id":5602,"depth":1121,"text":5603},{"id":5618,"depth":1121,"text":5619},{"id":5634,"depth":514,"text":5635},{"id":5690,"depth":514,"text":5691},{"id":5753,"depth":514,"text":5753},{"id":5781,"depth":514,"text":5782},{"id":5859,"depth":514,"text":5860},"2026-04-12","老闆們花 30 萬導入 AI，結果發現用 Google Apps Script 三天就搞定。不是 AI 不好，是你的問題還沒複雜到需要 AI。一個判斷框架，幫你省下那筆冤枉錢。",{},"\u002Fblog\u002Fautomation-vs-ai-for-smb",{"title":5484,"description":5893},"blog\u002Fautomation-vs-ai-for-smb",[1781,5899,1782],"automation","e43XGJQDsfm-k0yNBEWYk84Q5OeqAuE4GWQTFbbLcdg",{"id":5902,"title":5903,"body":5904,"date":6317,"description":6318,"extension":528,"meta":6319,"navigation":530,"path":6320,"seo":6321,"stem":6322,"tags":6323,"__hash__":6324},"blog\u002Fblog\u002Fai-cost-for-smb.md","企業導入 AI 到底多少錢？一個 LINE Bot、一套知識庫、一個客服的真實成本拆解",{"type":8,"value":5905,"toc":6295},[5906,5910,5913,5924,5930,5933,5940,5944,5950,5953,5959,5963,5966,5969,5975,5979,5985,5988,5993,6006,6012,6016,6019,6022,6028,6032,6035,6046,6051,6057,6061,6067,6071,6077,6080,6087,6093,6097,6104,6107,6114,6118,6121,6127,6130,6134,6140,6143,6163,6166,6172,6175,6179,6190,6196,6200,6207,6210,6216,6220,6226,6232,6236,6239,6265,6271,6275,6282,6285,6292],[31,5907,5909],{"id":5908},"你被報過三種價每種差一個零","你被報過三種價，每種差一個零？",[11,5911,5912],{},"如果你最近有在評估 AI 導入，很可能遇過這種情況：",[1341,5914,5915,5918,5921],{},[1277,5916,5917],{},"問第一家，報 3 萬塊，「用 API 接一下就好」。",[1277,5919,5920],{},"問第二家，報 30 萬，「要建向量資料庫、做 RAG、搞 fine-tuning」。",[1277,5922,5923],{},"問第三家，報 300 萬，「企業級部署、on-premise、專屬模型」。",[11,5925,5926,5927,586],{},"你聽完三家的提案，有一種很熟悉的感覺——",[141,5928,5929],{},"他們講的好像是同一件事，但報價差一百倍，你完全不知道差在哪",[11,5931,5932],{},"這不是你的問題。這是因為「AI 導入」這四個字實在太寬，可以指很多完全不同規模的東西。",[11,5934,5935,5936,5939],{},"這篇文章不教你怎麼選廠商，而是",[141,5937,5938],{},"把 AI 的成本結構拆開","，讓你下次聽到任何報價時，知道對方在算什麼、漏算什麼、哪些數字會騙你。",[31,5941,5943],{"id":5942},"先分清楚ai-成本不是一個數字是四層","先分清楚：AI 成本不是一個數字，是四層",[11,5945,5946,5947,586],{},"我看過太多中小企業老闆，把 AI 成本理解成「買一套系統要多少錢」。這個直覺對了一半——",[141,5948,5949],{},"真正會讓你意外的，是另一半",[11,5951,5952],{},"AI 系統的成本有四層，任何報價單只算前一層就是不負責任：",[11,5954,5955],{},[14,5956],{"alt":5957,"src":5958},"AI 成本四層結構","\u002Fblog\u002Fimages\u002Fai-cost-breakdown.svg",[801,5960,5962],{"id":5961},"第一層一次性建置成本","第一層：一次性建置成本",[11,5964,5965],{},"這是最直觀的那一層。開發工程師的工時、系統整合、上線測試、教育訓練。",[11,5967,5968],{},"小規模的 LINE Bot 客服從幾萬到十幾萬不等，一套完整的企業知識庫（RAG）大概二十到八十萬，看資料量和客製程度。",[11,5970,5971,5974],{},[141,5972,5973],{},"這層很好比價，但也最不重要","。因為它是一次性的——重點在後面三層。",[801,5976,5978],{"id":5977},"第二層持續運行成本最容易被漏算","第二層：持續運行成本（最容易被漏算）",[11,5980,5981,5982,586],{},"AI 不是買回來就結束。每一次它回答問題、查資料、生成內容，都在",[141,5983,5984],{},"燒錢",[11,5986,5987],{},"燒的是什麼？主要是 LLM 的 API 費用。每次你問它一個問題，都要把「歷史對話 + 你的問題 + 知識庫片段」打包送到 OpenAI 或 Anthropic，他們按 token 計費（token 大概是「字」的概念）。",[11,5989,5990,4787],{},[141,5991,5992],{},"這層的數字會讓你冷汗直流",[1341,5994,5995,5998,6001],{},[1277,5996,5997],{},"一個設計不好的 RAG 系統，每次問答可能花 5-30 元台幣",[1277,5999,6000],{},"一個設計好的，0.3-3 元",[1277,6002,6003],{},[141,6004,6005],{},"兩者差 10 倍不是誇張，是常態",[11,6007,6008,6009,586],{},"如果你的客服系統每天有 500 則對話——設計好的版本一個月 5,000 元，設計不好的一個月 50,000 元。",[141,6010,6011],{},"光這一層的差距，三個月就買下一次整套系統了",[801,6013,6015],{"id":6014},"第三層維護成本長尾但真實","第三層：維護成本（長尾但真實）",[11,6017,6018],{},"AI 不是裝好就永遠對。資料會過期、客戶會問你沒教過的問題、prompt 需要微調、API 廠商會改價、新版模型會換介面。",[11,6020,6021],{},"持續有人盯這件事 = 成本。沒人盯 = AI 變蠢，然後你覺得被騙了。",[11,6023,6024,6025,586],{},"中小企業常見的做法是「請原廠商按月維護」，一個月大概 5,000-30,000 元。這筆錢看起來不多，但",[141,6026,6027],{},"三年累積下來常常比一次性建置費還高",[801,6029,6031],{"id":6030},"第四層失控風險最容易被忽略的地雷","第四層：失控風險（最容易被忽略的地雷）",[11,6033,6034],{},"這層不在報價單裡，但會炸最大。",[11,6036,6037,6038,6041,6042,6045],{},"最有名的案例：一個工程師設定 AI agent 幫他安裝 Python 套件，結果一個步驟失敗了，",[141,6039,6040],{},"agent 連續重試了 6 小時","，工程師在睡覺沒察覺。隔天起床發現 ",[141,6043,6044],{},"$120 美金的帳單","（約 3,800 台幣）——全部燒在一個永遠不會成功的錯誤迴圈上。",[11,6047,4052,6048,6050],{},[141,6049,4055],{},"。對企業來說風險更大：如果是你的 LINE Bot 系統，可能一個奇怪的訊息就觸發無限迴圈，一個晚上燒掉半個月預算。",[11,6052,6053,6056],{},[141,6054,6055],{},"報價單裡有沒有寫這個風險的防護機制","（失敗三次停止、每日預算上限、異常警報），是判斷廠商專業度最快的方式。沒寫 = 沒做。",[31,6058,6060],{"id":6059},"為什麼同一個功能成本可以差-10-倍","為什麼同一個功能，成本可以差 10 倍",[11,6062,6063,6064,586],{},"前面提到 RAG 問答成本可以差 10 倍——這不是誇張。差別不在模型貴不貴，",[141,6065,6066],{},"在架構怎麼設計",[801,6068,6070],{"id":6069},"關鍵一多模型路由","關鍵一：多模型路由",[11,6072,6073,6074,586],{},"現在主流的 LLM 廠商（Anthropic、OpenAI）都有三層模型：便宜快、中等、旗艦。差距是多少？",[141,6075,6076],{},"旗艦模型的 token 價格大約是便宜模型的 12-15 倍",[11,6078,6079],{},"笨的做法：所有任務都用旗艦模型，「這樣品質最好」。",[11,6081,6082,6083,6086],{},"聰明的做法：",[141,6084,6085],{},"把一次大任務拆成多個小任務","。例如「判斷客戶在問什麼分類」用便宜模型（幾毛錢），「生成回答」用中等模型（幾塊錢），「處理很刁鑽的客訴」才升級旗艦模型（幾十塊錢）。",[11,6088,6089,6090,586],{},"同樣一個客服系統，這個拆法可以讓 90% 的對話跑便宜模型，只有 10% 用中等、1% 用旗艦。",[141,6091,6092],{},"總成本壓到原本的 1\u002F10",[801,6094,6096],{"id":6095},"關鍵二prompt-caching重複-prompt-的折扣機制","關鍵二：Prompt Caching（重複 prompt 的折扣機制）",[11,6098,6099,6100,6103],{},"LLM 廠商現在普遍提供 prompt caching——",[141,6101,6102],{},"如果你的 prompt 開頭有一大段重複內容","（例如系統設定、公司背景、SOP），這段可以被快取，第二次之後只收 10% 的費用。",[11,6105,6106],{},"這不是小事。一個客服 bot 的系統 prompt 常常有 5,000 字，如果沒用 caching，每次對話都在付這 5,000 字的錢。用了 caching，同一個 prompt 的第二次到第 N 次對話只付 10%。",[11,6108,6109,6110,6113],{},"做跟不做，",[141,6111,6112],{},"差一個零","。很多廠商的報價沒把這算進去，因為他們的工程師根本沒實作。",[801,6115,6117],{"id":6116},"關鍵三context-瘦身","關鍵三：Context 瘦身",[11,6119,6120],{},"一個常見的誤區：「既然 AI 有大 context window，那就把整個資料庫都丟進去，讓它自己找答案」。",[11,6122,5576,6123,6126],{},[141,6124,6125],{},"最貴的蠢做法","。你每次問問題都在付「整個資料庫」的 token 費用。",[11,6128,6129],{},"正確做法是用 RAG——先用搜尋技術找出「可能相關的 5-10 段內容」，只把這幾段送進 LLM。一樣的功能，token 用量可以壓到 1\u002F50 以下。",[31,6131,6133],{"id":6132},"我自己的-line-bot-每則回覆多少錢","我自己的 LINE Bot 每則回覆多少錢？",[11,6135,6136,6137,586],{},"你現在正在看的這個網站，底下那個「加 LINE 諮詢」的 AI 助手，就是我自己做的。",[141,6138,6139],{},"每一則 AI 回覆，實際成本大約 0.3 到 15 元台幣之間",[11,6141,6142],{},"差距這麼大是因為：",[1341,6144,6145,6151,6157],{},[1277,6146,6147,6150],{},[141,6148,6149],{},"短問題 + 簡單回答","：約 0.3-1 元。例如「你會做 LINE Bot 嗎」。",[1277,6152,6153,6156],{},[141,6154,6155],{},"複雜諮詢 + 要去查多篇筆記","：約 3-8 元。例如「幫我比較 Notion、Confluence、RAG」。",[1277,6158,6159,6162],{},[141,6160,6161],{},"深度技術討論 + 多輪對話","：約 8-15 元。例如「我想導入 RAG 到公司，從哪裡開始」。",[11,6164,6165],{},"每則對話我都設了上限（maxBudgetUsd），超過就自動停止，避免意外燒錢。",[11,6167,6168,6171],{},[141,6169,6170],{},"這不是對話本身貴，是這個設計讓我能睡得安穩","。沒有上限的系統，我不敢真的讓它跑在 24 小時在線的客服上。",[31,6173,6174],{"id":6174},"中小企業最常被誤導的三件事",[801,6176,6178],{"id":6177},"第一訂閱制跟-api-計費混淆","第一：訂閱制跟 API 計費混淆",[11,6180,6181,6182,6185,6186,6189],{},"Claude、ChatGPT 等個人版是",[141,6183,6184],{},"訂閱制","（一個月多少錢吃到飽），但企業導入用的是 ",[141,6187,6188],{},"API","，按每次請求計費。兩個是完全不同的計費邏輯。",[11,6191,6192,6193,586],{},"很多廠商跟你說「我們用的是 ChatGPT」，但給你的報價是按次數算的——那就是在跑 API，不是訂閱版。如果你的日對話量很大，",[141,6194,6195],{},"API 計費可能比訂閱貴幾十倍",[801,6197,6199],{"id":6198},"第二旗艦模型才有效果的迷思","第二：「旗艦模型才有效果」的迷思",[11,6201,6202,6203,6206],{},"不一定。大部分客服問題、知識庫查詢、內容分類，",[141,6204,6205],{},"中等模型的品質已經足夠","，使用者感受不到差別。",[11,6208,6209],{},"旗艦模型真正有效果的場景是：複雜的邏輯推理、長文創作、多步驟規劃。這些在中小企業 AI 應用裡，佔比其實不到 10%。",[11,6211,6212,6213],{},"廠商如果跟你強調「我們用最強的模型」當賣點，先問：",[141,6214,6215],{},"為什麼需要？能不能拆解成多模型路由？",[801,6217,6219],{"id":6218},"第三沒算進維護成本","第三：沒算進維護成本",[11,6221,6222,6223,586],{},"建置報價 30 萬聽起來很合理，但每月維護 2 萬，三年下來就是 72 萬，",[141,6224,6225],{},"總成本超過建置費的 3 倍",[11,6227,6228,6229,586],{},"簽約前一定要問：「三年 TCO（總體擁有成本）大概多少？」如果對方答不出來或拒絕估算，",[141,6230,6231],{},"代表他們自己也沒想清楚",[31,6233,6235],{"id":6234},"決策框架四個問題","決策框架：四個問題",[11,6237,6238],{},"在接受任何 AI 導入報價前，強迫對方回答這四題：",[1274,6240,6241,6247,6253,6259],{},[1277,6242,6243,6246],{},[141,6244,6245],{},"每次 AI 回應的 API 成本大概多少？算過嗎？"," 答不出來或說「很便宜啦」→ 沒算過。",[1277,6248,6249,6252],{},[141,6250,6251],{},"你有做 prompt caching 和多模型路由嗎？"," 答不出來 → 你會付冤枉錢。",[1277,6254,6255,6258],{},[141,6256,6257],{},"如果 AI 進入無限迴圈或異常重試，有什麼保護機制？"," 沒有 → 你有機會看到 $120 帳單，只是不知道哪天。",[1277,6260,6261,6264],{},[141,6262,6263],{},"三年 TCO 預估是多少？"," 答不出來 → 他們只想賣你建置費，後面不關他們的事。",[11,6266,6267,6268,586],{},"一個專業的 AI 導入報價，這四題都該有答案。如果對方含糊帶過，",[141,6269,6270],{},"換一家",[31,6272,6274],{"id":6273},"想知道你那個案子大概多少錢","想知道你那個案子大概多少錢？",[11,6276,6277,6278,6281],{},"AI 導入沒有標準價，但一定有合理價。合理價的前提是",[141,6279,6280],{},"先把你要解決的問題講清楚","——不是「我要導入 AI」這種太大的題目，而是「我想讓客戶在 LINE 上能自助查詢訂單狀態」這種具體場景。",[11,6283,6284],{},"題目越具體，估算越準。",[11,6286,6287,6288,6291],{},"如果你正在評估要不要導入，或手上已經有幾份廠商報價想對照一下——加這個網站的 LINE 跟我聊聊。",[141,6289,6290],{},"描述你的場景和目前聽到的報價","，我可以幫你算個大概合理範圍，告訴你廠商是不是漏算了哪一層。",[11,6293,6294],{},"通常聊十分鐘，你就知道這個案子該花 3 萬、30 萬、還是根本不用花錢先用現成工具測試看看。",{"title":513,"searchDepth":514,"depth":514,"links":6296},[6297,6298,6304,6309,6310,6315,6316],{"id":5908,"depth":514,"text":5909},{"id":5942,"depth":514,"text":5943,"children":6299},[6300,6301,6302,6303],{"id":5961,"depth":1121,"text":5962},{"id":5977,"depth":1121,"text":5978},{"id":6014,"depth":1121,"text":6015},{"id":6030,"depth":1121,"text":6031},{"id":6059,"depth":514,"text":6060,"children":6305},[6306,6307,6308],{"id":6069,"depth":1121,"text":6070},{"id":6095,"depth":1121,"text":6096},{"id":6116,"depth":1121,"text":6117},{"id":6132,"depth":514,"text":6133},{"id":6174,"depth":514,"text":6174,"children":6311},[6312,6313,6314],{"id":6177,"depth":1121,"text":6178},{"id":6198,"depth":1121,"text":6199},{"id":6218,"depth":1121,"text":6219},{"id":6234,"depth":514,"text":6235},{"id":6273,"depth":514,"text":6274},"2026-04-11","被報過三種價、每種差一個零？AI 導入的成本不是一個數字，是一個結構。把建置、運行、維護、失控風險四層拆給你看，附真實帳單和一個 $120 過夜災難案例。",{},"\u002Fblog\u002Fai-cost-for-smb",{"title":5903,"description":6318},"blog\u002Fai-cost-for-smb",[1781,1782,2642],"T3p0yhLj2x9E45g2JwH1QqoWejn2nbK-SNZP9bA6K2E",{"id":6326,"title":6327,"body":6328,"date":6317,"description":6619,"extension":528,"meta":6620,"navigation":530,"path":6621,"seo":6622,"stem":6623,"tags":6624,"__hash__":6626},"blog\u002Fblog\u002Fenterprise-knowledge-base-comparison.md","企業知識庫怎麼選？Notion、Confluence、RAG 一次講清楚",{"type":8,"value":6329,"toc":6607},[6330,6334,6337,6351,6358,6361,6364,6368,6371,6375,6381,6387,6393,6402,6408,6412,6417,6423,6428,6436,6445,6449,6454,6463,6469,6474,6486,6494,6497,6500,6507,6512,6532,6538,6542,6545,6555,6558,6561,6566,6570,6573,6593,6597,6604],[31,6331,6333],{"id":6332},"你公司的東西都找得到嗎","你公司的東西都找得到嗎？",[11,6335,6336],{},"如果你是中小企業的老闆或主管，大概都有過這個經驗：",[1341,6338,6339,6342,6345,6348],{},[1277,6340,6341],{},"去年跟某個客戶的報價單放哪了？",[1277,6343,6344],{},"新人問第三次同樣的問題，公司有沒有 SOP？",[1277,6346,6347],{},"財務說「上個月那個發票」，但沒人記得是哪個案子。",[1277,6349,6350],{},"某個老員工離職，帶走了一堆「只有他知道」的東西。",[11,6352,6353,6354,6357],{},"這些都是知識管理問題。不是大公司才有，",[141,6355,6356],{},"中小企業反而更嚴重","——因為大公司會有系統硬逼大家用，中小企業什麼都靠人腦和 LINE 群組。",[11,6359,6360],{},"所以問題是：這值不值得花錢解決？如果要解決，該用什麼工具？",[11,6362,6363],{},"這篇文章把市面上常聽到的方案分成三類，講清楚它們在解什麼問題，以及中小企業最常犯的一個判斷錯誤。",[31,6365,6367],{"id":6366},"先別被名詞嚇到知識庫其實分三種","先別被名詞嚇到：知識庫其實分三種",[11,6369,6370],{},"「知識庫」這三個字太寬了。實際上工具可以分成三類，做的事情完全不同：",[801,6372,6374],{"id":6373},"第一類結構化編輯工具notionconfluenceobsidian","第一類：結構化編輯工具（Notion、Confluence、Obsidian）",[11,6376,6377,6380],{},[141,6378,6379],{},"核心能力","：給你一個漂亮的地方寫東西、連結東西。像是公司內部的維基百科。",[11,6382,6383,6386],{},[141,6384,6385],{},"誰在用","：Notion 和 Confluence 主要是新創和科技公司、Obsidian 是個人知識管理者。三者都強調「寫得舒服、找得到」。",[11,6388,6389,6392],{},[141,6390,6391],{},"優點","：上手快（Notion）、團隊協作好（Confluence 和 Notion）、搜尋比 Google Drive 好很多。",[11,6394,6395,4787,6398,6401],{},[141,6396,6397],{},"缺點",[141,6399,6400],{},"需要有人持續維護","。沒人寫就是空殼，寫了沒人讀就是蚊子館。",[11,6403,6404,6407],{},[141,6405,6406],{},"適合中小企業嗎","：適合，但前提是——你公司有一個人會持續整理。如果沒有這個人，花錢訂閱也沒用。",[801,6409,6411],{"id":6410},"第二類文件倉庫google-drivedropbox公司網路磁碟","第二類：文件倉庫（Google Drive、Dropbox、公司網路磁碟）",[11,6413,6414,6416],{},[141,6415,6379],{},"：把檔案丟進去，用全文搜尋找回來。",[11,6418,6419,6422],{},[141,6420,6421],{},"你可能已經在用了","：大部分中小企業其實已經有 Google Drive 或類似的東西，只是沒當它是「知識庫」。",[11,6424,6425,6427],{},[141,6426,6391],{},"：便宜、大家都會用、找得到檔案名稱裡有的關鍵字。",[11,6429,6430,4787,6432,6435],{},[141,6431,6397],{},[141,6433,6434],{},"只能搜檔案名和 OCR 過的文字","，找不到「那份報價單裡面寫的折扣條件」這種深層內容。資料夾結構一亂整個系統就爛了。",[11,6437,6438,6440,6441,6444],{},[141,6439,6406],{},"：已經是預設答案了。重點不是要不要用，是要不要",[141,6442,6443],{},"好好整理資料夾結構","。這個對 99% 的中小企業來說，就是最划算的第一步。",[801,6446,6448],{"id":6447},"第三類ai-問答型rag向量資料庫企業知識庫-ai","第三類：AI 問答型（RAG、向量資料庫、企業知識庫 AI）",[11,6450,6451,6453],{},[141,6452,6379],{},"：你用自然語言問「這個客戶上次簽約條件是什麼」，AI 會去讀你所有文件，找出答案，用人話回答你。",[11,6455,6456,6459,6460,586],{},[141,6457,6458],{},"什麼是 RAG","：Retrieval-Augmented Generation 的縮寫。簡單說就是「AI 在回答前先去你的文件裡找答案」——不是靠 AI 的通用知識，而是靠",[141,6461,6462],{},"你餵給它的內容",[11,6464,6465],{},[14,6466],{"alt":6467,"src":6468},"RAG 架構流程","\u002Fblog\u002Fimages\u002Frag-architecture.svg",[11,6470,6471,6473],{},[141,6472,6391],{},"：不用記檔案放哪、不用會用關鍵字搜尋、可以問抽象問題（「有哪些案子跟 B2B SaaS 相關？」）。",[11,6475,6476,4787,6478,6481,6482,6485],{},[141,6477,6397],{},[141,6479,6480],{},"資料品質決定一切","。如果你餵的資料本身就亂、矛盾、過期，AI 會自信地給你錯誤答案。RAG 不能拯救爛資料，只會",[141,6483,6484],{},"放大","它的問題。",[11,6487,6488,6490,6491,586],{},[141,6489,6406],{},"：看情況。如果你的資料量大、變動慢、結構相對乾淨（例如產品手冊、法規、SOP）——非常適合。如果你的資料是日常工作中的 LINE 對話、隨手寫的 meeting notes、版本混亂的合約——先別花錢，",[141,6492,6493],{},"整理比導入更重要",[31,6495,6496],{"id":6496},"中小企業最常犯的判斷錯誤",[11,6498,6499],{},"先做 AI，再整理資料。",[11,6501,6502,6503,6506],{},"我看過好幾個案例：老闆聽說 AI 很紅，花錢買了一套 RAG 系統，讓它讀公司所有檔案。結果呢？AI 回答得亂七八糟，因為",[141,6504,6505],{},"被餵的資料本身就亂","。老闆覺得被騙了，其實是自己的原始資料品質就不足以支撐 AI。",[11,6508,6509,4787],{},[141,6510,6511],{},"正確順序應該是",[1274,6513,6514,6520,6526],{},[1277,6515,6516,6519],{},[141,6517,6518],{},"先把資料整理乾淨","。用最便宜的工具（Google Drive + 合理的資料夾）先把重要文件找得到。",[1277,6521,6522,6525],{},[141,6523,6524],{},"觀察哪些問題被重複問","。如果新人每週都問「請假怎麼申請」，那就寫一份 SOP，放在大家都找得到的地方。",[1277,6527,6528,6531],{},[141,6529,6530],{},"看問題類型決定下一步","。如果大部分問題都能用「去某個資料夾找」解決 → 繼續用 Drive。如果問題需要「跨多份文件整合」 → 才考慮 Notion \u002F Confluence。如果連跨文件都不夠 → 才考慮 RAG。",[11,6533,6534,6537],{},[141,6535,6536],{},"跳步驟的代價","：你會花十倍的錢，得到三倍的失望。",[31,6539,6541],{"id":6540},"我的實戰經驗知識庫不是工具問題是內容問題","我的實戰經驗：知識庫不是工具問題，是內容問題",[11,6543,6544],{},"我自己同時維護著三類系統：個人用 Obsidian 寫筆記（超過一千多篇）、把其中一部分發布成 Quartz 網頁給別人看、對部分技術文件做 RAG 實驗（自己的諮詢 bot 就是靠 RAG 讀我的筆記）。",[11,6546,6547,6550,6551,6554],{},[141,6548,6549],{},"這個過程教我最重要的事","：你的知識庫好不好用，99% 取決於",[141,6552,6553],{},"你願不願意花時間結構化內容","，1% 取決於用什麼工具。",[11,6556,6557],{},"一份手工整理的 Google Drive + 清楚的資料夾結構 + 每個資料夾一份 README，比一套沒人維護的 Notion 好用十倍。",[11,6559,6560],{},"一份結構清楚的 Markdown 文件 + 簡單的關鍵字搜尋，比一套塞滿垃圾資料的 RAG 系統好用一百倍。",[11,6562,6563,586],{},[141,6564,6565],{},"工具不會拯救你。只有決定誰負責整理、每週花多少時間，才會拯救你",[31,6567,6569],{"id":6568},"決策框架三個問題","決策框架：三個問題",[11,6571,6572],{},"在考慮任何知識庫方案之前，先回答：",[1274,6574,6575,6581,6587],{},[1277,6576,6577,6580],{},[141,6578,6579],{},"公司有沒有人願意持續整理內容？"," 沒有 → 先別做知識庫，先解決這個問題。先做也沒用。",[1277,6582,6583,6586],{},[141,6584,6585],{},"現在用 Google Drive 的什麼地方最痛？"," 答不出來 → 表示目前的痛不足以支撐換工具的成本，繼續用 Drive。",[1277,6588,6589,6592],{},[141,6590,6591],{},"你要的是「團隊寫東西」還是「員工問問題 AI 答」？"," 前者 → Notion\u002FConfluence。後者 → 先用 FAQ 文件試水溫，不夠再上 RAG。",[31,6594,6596],{"id":6595},"想聊聊你公司的實際情境","想聊聊你公司的實際情境？",[11,6598,6599,6600,6603],{},"知識庫這題沒有標準答案。同一家公司、不同部門的需求可能完全不同。如果你正在評估要不要導入、要導入哪一種，加這個網站的 LINE 跟我聊聊——",[141,6601,6602],{},"描述你現在最痛的那個具體場景","，我比較能給你有用的建議，而不是一堆 feature list。",[11,6605,6606],{},"通常聊十分鐘就能知道：你該花錢導入工具，還是先花一個下午整理資料夾。",{"title":513,"searchDepth":514,"depth":514,"links":6608},[6609,6610,6615,6616,6617,6618],{"id":6332,"depth":514,"text":6333},{"id":6366,"depth":514,"text":6367,"children":6611},[6612,6613,6614],{"id":6373,"depth":1121,"text":6374},{"id":6410,"depth":1121,"text":6411},{"id":6447,"depth":1121,"text":6448},{"id":6496,"depth":514,"text":6496},{"id":6540,"depth":514,"text":6541},{"id":6568,"depth":514,"text":6569},{"id":6595,"depth":514,"text":6596},"公司文件散落 Google Drive、LINE 群組、員工腦袋裡——到底要不要做知識庫？三種方案的本質差異、誰適合誰、以及中小企業最常踩的一個判斷錯誤。",{},"\u002Fblog\u002Fenterprise-knowledge-base-comparison",{"title":6327,"description":6619},"blog\u002Fenterprise-knowledge-base-comparison",[6625,1782],"knowledge-base","kz43ADfSW2N66BOtM-lVs7wBNyVi4X76Z8U8kS7bBn0",{"id":6628,"title":6629,"body":6630,"date":6317,"description":6923,"extension":528,"meta":6924,"navigation":530,"path":6925,"seo":6926,"stem":6927,"tags":6928,"__hash__":6929},"blog\u002Fblog\u002Fline-bot-for-smb.md","中小企業的 LINE Bot 實戰：能做什麼、怎麼做、會踩到哪三個坑",{"type":8,"value":6631,"toc":6915},[6632,6636,6639,6642,6649,6653,6656,6661,6664,6671,6676,6679,6686,6691,6694,6701,6705,6708,6752,6758,6761,6764,6767,6772,6781,6784,6790,6795,6802,6805,6808,6813,6816,6821,6827,6831,6834,6888,6891,6897,6900,6906,6913],[31,6633,6635],{"id":6634},"你的客戶已經在-line-上了不在-email-裡","你的客戶已經在 LINE 上了，不在 Email 裡",[11,6637,6638],{},"台灣中小企業的現實：客戶用 LINE 問你問題，不用表單、不用 Email、不打電話。這不是你能選擇的事，是已經發生了。",[11,6640,6641],{},"所以問題不是「要不要做 LINE Bot」，而是「你打算讓真人 24 小時看 LINE，還是讓系統先幫你接住」。",[11,6643,6644,6645,6648],{},"這篇文章不談 SDK、不貼程式碼，只講三件事：",[141,6646,6647],{},"LINE Bot 到底能幫中小企業做什麼、基本架構長什麼樣、上線前最容易低估的三個坑","。以及為什麼你現在讀這篇文章的作者，剛好就用 LINE Bot 接諮詢。",[31,6650,6652],{"id":6651},"能做什麼三個對中小企業最實用的場景","能做什麼：三個對中小企業最實用的場景",[11,6654,6655],{},"LINE Bot 不是一個產品，是一條管道。同一條管道可以跑不同的邏輯：",[11,6657,6658],{},[141,6659,6660],{},"1. 自動回覆常見問題（FAQ bot）",[11,6662,6663],{},"「你們幾點開？」「這個有貨嗎？」「怎麼退貨？」——如果你每天回這些問題超過十次，每次都是在消耗同一份注意力。FAQ bot 把這層吃掉，你只需要處理真正需要人類判斷的問題。",[11,6665,6666,6667,6670],{},"關鍵：這類 bot 不需要 AI，只需要",[141,6668,6669],{},"正確的分類和回覆模板","。反而用錯 AI 會讓它亂答，破壞信任。",[11,6672,6673],{},[141,6674,6675],{},"2. 預約 \u002F 訂位 \u002F 查詢",[11,6677,6678],{},"訪客在 LINE 裡直接選「預約明天下午」，bot 幫你填進 Google Calendar 或你的系統。比讓客人去官網填表單轉換率高很多——因為他已經在 LINE，多跳一個網頁就會流失。",[11,6680,6681,6682,6685],{},"這類通常會搭配 ",[141,6683,6684],{},"LIFF","（LINE Front-end Framework）——在 LINE 裡面開一個小網頁，讓使用者不用離開 LINE 就能填表單、付款、查訂單。",[11,6687,6688],{},[141,6689,6690],{},"3. 一對一諮詢（AI 或人工）",[11,6692,6693],{},"像你現在讀到的這個網站。訪客加 LINE，bot 在背後讀知識庫回答技術問題，真的需要我親自回覆的才會通知我。這種模式對「知識型」服務業特別有用：顧問、律師、設計、補教、醫療諮詢。",[11,6695,6696,6697,6700],{},"重點：",[141,6698,6699],{},"bot 本身就是服務能力的 live demo","。潛在客戶問「你能幫我做 LINE Bot 嗎？」答案就是「你現在正在跟一個對話」。",[31,6702,6704],{"id":6703},"基本架構三個角色","基本架構：三個角色",[11,6706,6707],{},"讀過這三個名詞就懂了：",[47,6709,6710,6720],{},[50,6711,6712],{},[53,6713,6714,6717],{},[56,6715,6716],{},"角色",[56,6718,6719],{},"在做什麼",[63,6721,6722,6732,6742],{},[53,6723,6724,6729],{},[68,6725,6726],{},[141,6727,6728],{},"LINE Platform",[68,6730,6731],{},"訊息的郵差。使用者傳訊息給你的 LINE 官方帳號，LINE 把訊息轉發到你設定的網址。",[53,6733,6734,6739],{},[68,6735,6736],{},[141,6737,6738],{},"Webhook 接收端",[68,6740,6741],{},"你的伺服器上一個公開的網址，負責收 LINE 送來的訊息、存起來、決定怎麼回。",[53,6743,6744,6749],{},[68,6745,6746],{},[141,6747,6748],{},"回覆邏輯",[68,6750,6751],{},"決定怎麼答。可能是模板、可能是 AI、可能是通知真人來接手。",[11,6753,6754],{},[14,6755],{"alt":6756,"src":6757},"LINE Bot 三角色架構","\u002Fblog\u002Fimages\u002Fline-bot-architecture.svg",[11,6759,6760],{},"使用者發一則訊息 → LINE 轉給你的 Webhook → Webhook 處理 → 透過 LINE API 把回覆送回使用者。一趟流程通常在一兩秒內跑完。",[11,6762,6763],{},"聽起來不難，對吧？對，但有坑。",[31,6765,6766],{"id":6766},"三個你不親自做一次就不會發現的坑",[11,6768,6769],{},[141,6770,6771],{},"坑 1：Reply Token 只能用一次，只有 30 秒",[11,6773,6774,6775,6777,6778,6780],{},"LINE 有兩種回覆方式：",[141,6776,4103],{},"（用一次性 token，免費，30 秒內要用）和 ",[141,6779,4107],{},"（主動發，有每月額度限制）。",[11,6782,6783],{},"新手寫法：收到訊息 → 呼叫 AI → 等回覆 → Reply 給使用者。看起來合理，但 AI 回應可能要 5-15 秒，有時候超過 30 秒。Reply Token 過期，使用者什麼都沒收到，你還不知道出錯。",[11,6785,6786,6789],{},[141,6787,6788],{},"正解","：先立刻 Reply 一句「收到了，我看一下你的問題」，把 reply token 花掉。再用 Push 把真正的答案送出。使用者體驗：先收到確認、再收到答案，不會覺得被系統吃訊息。",[11,6791,6792],{},[141,6793,6794],{},"坑 2：Push Message 免費只有 200 則 \u002F 月",[11,6796,6797,6798,6801],{},"很多人上線前沒算這個帳。免費方案 200 則 push \u002F 月，聽起來不少，但",[141,6799,6800],{},"每次 bot 主動發訊息都算一則","。一個訪客如果跟你對話五輪，就是五則 push。200 則 = 40 個訪客的對話量。",[11,6803,6804],{},"對「每月接五個案子」的顧問剛剛好，對「一天要處理上百個客服」的電商完全不夠。要嘛升級付費方案（$35-$150\u002F月），要嘛把答案塞在「收到了」那一則 Reply 裡（完全免費，不計入額度）。",[11,6806,6807],{},"上線前先算清楚你的訊息量，不要等被切斷才想辦法。",[11,6809,6810],{},[141,6811,6812],{},"坑 3：訊息不會等你——離線就會掉",[11,6814,6815],{},"你的伺服器半夜重開、雲端 crash、更新部署——這些時候 LINE 還是會一直往你送訊息。如果你沒接住，訊息就過去了，使用者以為被忽略。",[11,6817,6818,6820],{},[141,6819,6788],{},"：前面放一個永遠在線的「緩衝層」（例如 Cloudflare Worker + D1 免費方案），專門接訊息、存進隊列、立刻回覆「收到了」。真正的處理邏輯可以跑在本機、VM、或任何不穩定的地方。它上線後就從隊列撈還沒處理的訊息補回覆。",[11,6822,4143,6823,6826],{},[141,6824,6825],{},"不會有訊息不見","。這一層的信任感是中小企業最容易忽略、卻最重要的細節。",[31,6828,6830],{"id":6829},"成本與時程一個粗略的預期","成本與時程：一個粗略的預期",[11,6832,6833],{},"三個量級：",[47,6835,6836,6847],{},[50,6837,6838],{},[53,6839,6840,6842,6844],{},[56,6841,3011],{},[56,6843,3014],{},[56,6845,6846],{},"複雜度",[63,6848,6849,6862,6875],{},[53,6850,6851,6856,6859],{},[68,6852,6853],{},[141,6854,6855],{},"FAQ Bot（靜態回覆）",[68,6857,6858],{},"3-5 天",[68,6860,6861],{},"不用寫後端，用 LINE 官方後台或現成工具",[53,6863,6864,6869,6872],{},[68,6865,6866],{},[141,6867,6868],{},"功能 Bot（預約、查詢、整合系統）",[68,6870,6871],{},"2-4 週",[68,6873,6874],{},"需要寫 webhook、接你的系統、LIFF 介面",[53,6876,6877,6882,6885],{},[68,6878,6879],{},[141,6880,6881],{},"AI Bot（像 consult-bot）",[68,6883,6884],{},"3-6 週",[68,6886,6887],{},"加上 LLM 整合、對話記憶、escalation 機制",[11,6889,6890],{},"維運費用通常是：LINE 訂閱（$0-$150\u002F月，看訊息量）+ 伺服器（$0-$20\u002F月，小流量可以全部用免費額度）+ 如果接 AI，LLM 費用（每則回覆約 0.3-15 元台幣，看模型）。",[11,6892,6893,6896],{},[141,6894,6895],{},"大部分中小企業的 bot 每月實際花費在 $200-$1500 台幣之間","。比一個月僱人接 LINE 便宜很多。",[31,6898,6899],{"id":6899},"現在跟你對話的就是一個",[11,6901,6902,6903,586],{},"如果你讀到這裡還在想「聽起來不錯，但我不確定適不適合我這行」，最快的方式是",[141,6904,6905],{},"直接跟一個聊聊",[11,6907,6908,6909,6912],{},"加這個網站的 LINE，跟它描述你的業務和想解決的問題。它會用我的技術筆記回答你，真正需要報價或判斷可行性的時候會通知我。",[141,6910,6911],{},"整個對話過程本身就是你要的那個服務的 demo","——你能不能用、怎麼用、值不值得花錢做，聊十分鐘就知道。",[11,6914,4220],{},{"title":513,"searchDepth":514,"depth":514,"links":6916},[6917,6918,6919,6920,6921,6922],{"id":6634,"depth":514,"text":6635},{"id":6651,"depth":514,"text":6652},{"id":6703,"depth":514,"text":6704},{"id":6766,"depth":514,"text":6766},{"id":6829,"depth":514,"text":6830},{"id":6899,"depth":514,"text":6899},"從一個剛上線的 AI 諮詢機器人講起，用白話解釋 LINE Bot 能幫你解決哪些客服問題、基本架構長什麼樣、以及三個你上線前會想知道的坑。",{},"\u002Fblog\u002Fline-bot-for-smb",{"title":6629,"description":6923},"blog\u002Fline-bot-for-smb",[3100,1782],"QZ75rIjHrG-G3thFnCUsfoWJba_EN90bIjnvc6OsJkM",{"id":6931,"title":6932,"body":6933,"date":6317,"description":7254,"extension":528,"meta":7255,"navigation":530,"path":7256,"seo":7257,"stem":7258,"tags":7259,"__hash__":7260},"blog\u002Fblog\u002Fsmb-website-guide.md","中小企業的網站該怎麼做？先搞清楚你要的是哪一種",{"type":8,"value":6934,"toc":7242},[6935,6939,6945,6951,6957,6961,6964,6968,6971,6977,6983,6989,6998,7002,7005,7010,7016,7021,7026,7029,7033,7040,7045,7055,7060,7065,7069,7075,7078,7105,7115,7119,7122,7136,7141,7202,7209,7213,7219,7222,7229,7233,7239],[31,6936,6938],{"id":6937},"有-fbigline-oa-了還需要網站嗎","有 FB、IG、LINE OA 了，還需要網站嗎？",[11,6940,6941,6942,586],{},"這是中小企業最常問的問題。我先給答案：",[141,6943,6944],{},"看你要用網站幹嘛",[11,6946,6947,6948,586],{},"「我要做一個網站」這句話本身沒有意義。就像「我要開一間店」——開咖啡廳、五金行、補習班完全是不同的決定。網站也一樣。在你花錢做之前，先分清楚你要的是",[141,6949,6950],{},"哪一種網站",[11,6952,6953,6954,586],{},"這篇文章不是技術教學，是一個決策框架：",[141,6955,6956],{},"三種網站、三種目的、選錯的代價",[31,6958,6960],{"id":6959},"三種網站真的只有三種","三種網站，真的只有三種",[11,6962,6963],{},"市面上的網站看起來很多，但對中小企業來說，實用的只有三類。其他都是變體。",[801,6965,6967],{"id":6966},"第一種形象站","第一種：形象站",[11,6969,6970],{},"首頁放一句 slogan、關於我們、服務項目、連絡方式。",[11,6972,6973,6976],{},[141,6974,6975],{},"用途","：讓人搜到你的公司名時有一個「這是真實存在的公司」的證據。客戶要找合作方時，看你有沒有網站當成篩選條件。",[11,6978,6979,6982],{},[141,6980,6981],{},"有用的情境","：B2B、專業服務、你的客戶會特別去 Google 你的公司名。",[11,6984,6985,6988],{},[141,6986,6987],{},"沒用的情境","：其他全部。如果你的客戶都從 FB 廣告、IG 推薦、朋友介紹過來，他們根本不會去搜你的名字，形象站做再漂亮也沒人看。",[11,6990,6991,6994,6995,586],{},[141,6992,6993],{},"常見錯誤","：把大部分預算花在首頁動畫、Loading 特效、全屏影片。這些東西沒有任何轉換價值，只是在燒錢證明自己很用心。",[141,6996,6997],{},"用心的方式應該是寫得清楚，不是動得花俏",[801,6999,7001],{"id":7000},"第二種landing-page","第二種：Landing Page",[11,7003,7004],{},"一個頁面，一個目的。整頁只有一個行動按鈕——加 LINE、下訂單、填表單、預約諮詢——其他都在說服訪客做這一件事。",[11,7006,7007,7009],{},[141,7008,6975],{},"：你投廣告時，廣告要點到哪裡？不是首頁，是 Landing Page。因為首頁太多選項會讓人不知道該做什麼，Landing Page 只給一條路。",[11,7011,7012,7015],{},[141,7013,7014],{},"關鍵設計","：「沙漠綠洲」——整個頁面就像沙漠裡的一個綠洲，訪客口渴，看到水就走過去。你不能在綠洲旁邊蓋一個「還有其他綠洲地圖」的招牌，那會讓他猶豫。",[11,7017,7018,7020],{},[141,7019,6981],{},"：你要投廣告、你有明確的單一轉換目標（預約、留資、購買）、你想測試不同文案。",[11,7022,7023,7025],{},[141,7024,6987],{},"：沒有廣告預算、沒有流量來源——那你做完會變成一個沒人看的孤島。",[11,7027,7028],{},"這個網站（你正在看的）就是一個 Landing Page，目的只有一個：加 LINE 諮詢。",[801,7030,7032],{"id":7031},"第三種內容站blog-seo","第三種：內容站（Blog \u002F SEO）",[11,7034,7035,7036,7039],{},"你持續寫文章，回答你的目標客戶會 Google 的問題。不是寫產品介紹，是寫",[141,7037,7038],{},"他們在想什麼","。Google 看到你在特定主題下累積了足夠的深度，就把搜尋流量給你。",[11,7041,7042,7044],{},[141,7043,6975],{},"：免費流量、長期複利、建立專業形象。這是一場馬拉松，不是衝刺。",[11,7046,7047,7050,7051,7054],{},[141,7048,7049],{},"時間軸","：正常來說，從開始寫到第一波有感流量，需要 ",[141,7052,7053],{},"3-6 個月","。如果你做得好，一年後每月有穩定幾百到幾千個精準訪客（不需要再花錢）。做得不好就是寫爽的。",[11,7056,7057,7059],{},[141,7058,6981],{},"：你的服務或產品有「潛在客戶會先 Google 研究」的階段。知識型服務、專業顧問、教育、醫療、法律、B2B。",[11,7061,7062,7064],{},[141,7063,6987],{},"：衝動購買的商品（吃的、穿的、用的快消品）。那種生意的決策路徑太短，客戶根本不會先 Google。",[31,7066,7068],{"id":7067},"決策框架你到底需要哪一種","決策框架：你到底需要哪一種",[11,7070,7071],{},[14,7072],{"alt":7073,"src":7074},"網站方案決策樹","\u002Fblog\u002Fimages\u002Fwebsite-decision-tree.svg",[11,7076,7077],{},"回答三個問題：",[1274,7079,7080,7093,7099],{},[1277,7081,7082,7085,7086,7089,7090,586],{},[141,7083,7084],{},"你的客戶怎麼找到你？"," 如果主要靠口碑介紹和 FB 廣告 → 你需要 ",[141,7087,7088],{},"Landing Page","（廣告著陸頁）。如果客戶會先 Google 研究 → 你需要 ",[141,7091,7092],{},"內容站",[1277,7094,7095,7098],{},[141,7096,7097],{},"你有廣告預算嗎？"," 有 → Landing Page 可以讓廣告更有效。沒有 → Landing Page 沒人看。",[1277,7100,7101,7104],{},[141,7102,7103],{},"你有時間持續寫東西嗎？"," 有 → 內容站值得做。沒有 → 別做，只會變成蚊子館。",[11,7106,7107,7110,7111,7114],{},[141,7108,7109],{},"一個中小企業可以同時有 Landing Page + 內容站","——廣告打 Landing Page 收短期轉換，Blog 累積長期流量。兩條路互補。",[141,7112,7113],{},"形象站通常可以跳過","，除非你是 B2B 且客戶會搜你公司名。",[31,7116,7118],{"id":7117},"真實成本不要被低估的品質陷阱騙","真實成本：不要被低估的品質陷阱騙",[11,7120,7121],{},"網路上看到「1 萬元做網站」的廣告，通常是套版。你會得到一個看起來 OK 的形象站，但：",[1341,7123,7124,7127,7130,7133],{},[1277,7125,7126],{},"手機版顯示常常壞掉（套版模板的通病）",[1277,7128,7129],{},"SEO 基本上沒有（沒有 sitemap、schema.org、meta tag 調校）",[1277,7131,7132],{},"載入速度慢（圖片沒壓縮、CSS\u002FJS 沒 minify）",[1277,7134,7135],{},"改一個字要付錢找工程師",[11,7137,7138,4787],{},[141,7139,7140],{},"真實的品質級距大概是",[47,7142,7143,7156],{},[50,7144,7145],{},[53,7146,7147,7150,7153],{},[56,7148,7149],{},"級別",[56,7151,7152],{},"預算",[56,7154,7155],{},"適合",[63,7157,7158,7169,7180,7191],{},[53,7159,7160,7163,7166],{},[68,7161,7162],{},"套版形象站",[68,7164,7165],{},"1-3 萬",[68,7167,7168],{},"只為了存在，不期待流量",[53,7170,7171,7174,7177],{},[68,7172,7173],{},"手工 Landing Page",[68,7175,7176],{},"3-10 萬",[68,7178,7179],{},"要跑廣告、要追求轉換率",[53,7181,7182,7185,7188],{},[68,7183,7184],{},"內容站 + SEO 完整建置",[68,7186,7187],{},"5-15 萬 + 每月內容費",[68,7189,7190],{},"長期經營、知識型服務",[53,7192,7193,7196,7199],{},[68,7194,7195],{},"電商或功能性網站",[68,7197,7198],{},"10-50 萬+",[68,7200,7201],{},"有交易、會員、金流",[11,7203,7204,7205,7208],{},"差別不是「能不能動」，是",[141,7206,7207],{},"有沒有真正幫你賺到錢","。一個 3 萬的漂亮網站比一個 10 萬的能轉換的網站便宜，但如果 3 萬那個一年帶來 0 個客戶，10 萬那個一年帶來 50 個客戶，哪個便宜？",[31,7210,7212],{"id":7211},"你最該做的一件事少做一個錯的網站","你最該做的一件事：少做一個錯的網站",[11,7214,7215,7216,586],{},"中小企業網站投資最大的浪費不是做得不夠好，是",[141,7217,7218],{},"做了一個不應該存在的網站",[11,7220,7221],{},"花 5 萬做了一個沒人看的形象站 → 5 萬沒了。\n花 10 萬做了一個沒有廣告預算支撐的 Landing Page → 10 萬沒了。\n花 8 萬做了一個沒時間寫文章的內容站 → 8 萬沒了。",[11,7223,7224,7225,7228],{},"這不是網站的問題，是決策的問題。",[141,7226,7227],{},"在你發案給任何人做網站之前，先花 30 分鐘想清楚你要哪一種、為什麼","。我這個網站本身就是一個示範：Landing Page + 內容站，目標只有一個（加 LINE），沒有形象展示、沒有動畫特效、沒有公司介紹。因為我知道我要什麼。",[31,7230,7232],{"id":7231},"想聊聊你的情境","想聊聊你的情境？",[11,7234,7235,7236,586],{},"如果你在評估網站但不確定該往哪個方向走，加這個網站的 LINE 跟我聊聊。描述你的業務、目前的獲客管道、預算範圍，我會直接告訴你——",[141,7237,7238],{},"不要做哪一種",[11,7240,7241],{},"因為少做一個錯的網站，比多做一個對的網站更省錢。",{"title":513,"searchDepth":514,"depth":514,"links":7243},[7244,7245,7250,7251,7252,7253],{"id":6937,"depth":514,"text":6938},{"id":6959,"depth":514,"text":6960,"children":7246},[7247,7248,7249],{"id":6966,"depth":1121,"text":6967},{"id":7000,"depth":1121,"text":7001},{"id":7031,"depth":1121,"text":7032},{"id":7067,"depth":514,"text":7068},{"id":7117,"depth":514,"text":7118},{"id":7211,"depth":514,"text":7212},{"id":7231,"depth":514,"text":7232},"有 FB 粉專還需要網站嗎？形象站、Landing Page、內容站差在哪？中小企業決定投資網站之前，先用這個框架想清楚自己在做什麼。",{},"\u002Fblog\u002Fsmb-website-guide",{"title":6932,"description":7254},"blog\u002Fsmb-website-guide",[2091,1782],"77kajEaXbB41RIFcy0qm---7RMTgDvS8CB53EcGq0eg",1785903592134]