用 AI 整理客服常見問題庫：把重複問題變成一份好用 FAQ

你是不是也遇過這種狀況：客服信箱、LINE 官方帳號、粉專訊息裡，每天都有人問「這個怎麼退貨」「運費怎麼算」「這個尺寸還有貨嗎」，同樣的問題換了十種問法反覆出現，但公司裡就是沒有一份大家都在用、也真的有用的 FAQ。這篇文章要教你怎麼用 AI，把過去累積的客服對話整理成一份可以直接上線、也方便內部新人上手的常見問題庫，而且是「可以持續維護」而不是做完一次就過時的那種。

為什麼要把客服問題整理成 FAQ

先說結論：客服 FAQ 真正的價值，不是「網站上多一個頁面」，而是把重複發生的人力成本，變成一次性的知識資產。多數中小企業或個人賣家的客服現場都有一個共同特徵——八成以上的來信，其實集中在二十個左右的問題上。物流多久到、可不可以刷卡分期、瑕疵怎麼換貨、尺寸怎麼挑，這些問題每天都在重複，只是每次的用字不太一樣。

如果沒有整理，客服人員每次都要重新打字回答，或是憑印象回答，容易出現「同一個問題兩個客服講法不一樣」的狀況，這在退換貨政策這種敏感議題上特別容易出事，因為顧客會截圖比對。整理成 FAQ 之後，帶來的好處通常有三層：第一是客服人員可以直接複製標準回覆，回覆速度變快也更一致；第二是可以把 FAQ 放到官網或聊天機器人裡，讓顧客自己找答案，減少進線量；第三是新進客服人員的教育訓練時間大幅縮短，不用再靠老鳥口耳相傳。

過去這件事之所以很少人做，是因為「從一堆雜亂對話裡歸納出共通問題」是一件很吃時間的整理工作，人工要一則一則讀、一則一則分類，一個月的對話紀錄可能就要花掉大半天甚至一整天。AI 語言模型剛好擅長這種「從大量文字裡抓重點、做分類、寫摘要」的工作，這正是這篇教學要處理的核心任務。

準備工作：收集你的客服對話素材

在開始之前，你需要先把「原始素材」準備好，這一步不能省，因為 AI 整理的品質，完全取決於你餵給它的資料品質與數量。

素材來源可以包含以下幾種：LINE 官方帳號的聊天紀錄後台匯出、電商平台（例如蝦皮、Shopify、樂天）內建的客服訊息紀錄、Facebook 粉專的訊息紀錄、客服信箱過去半年到一年的往來信件、甚至是實體門市留下的客訴紀錄本手寫翻拍後用 OCR 轉文字。建議至少收集近三個月、樣本數在一百則對話以上的資料，太少的話歸納出來的問題會不夠具代表性，容易漏掉真正常見的痛點。

在整理資料時有兩個實務眉角要特別注意。第一是去識別化，把顧客的姓名、電話、地址、訂單編號這類個人資料先刪除或用代號取代，再交給 AI 處理，這是保護顧客隱私的基本動作，也符合個資保護的精神，不管你用哪一家 AI 服務都應該這樣做。第二是格式統一，盡量把對話整理成「顧客問了什麼、客服怎麼回」這種一問一答的簡單格式，方便 AI 辨識問答結構，如果是一整串沒有區分角色的聊天截圖文字，AI 抓取的準確度會下降。

如果對話量真的太大，一次貼不完，可以先分批處理，例如每次貼三十到五十則對話，讓 AI 個別整理出「本批次常見問題清單」，最後再把好幾批的清單合併去重一次，這樣可以繞過單次輸入字數的限制，也比較不會讓 AI 因為資料量過大而抓不到重點。

步驟一：用 AI 從對話紀錄抽出高頻問題

素材準備好之後，第一步是讓 AI 幫你把「顧客實際在問什麼」抽取出來，並且把語意相同但問法不同的問題合併在一起。例如「多久會到貨」「大概要等幾天」「什麼時候會出貨」，這三句話問的其實是同一件事，人工歸類要花腦力去判斷，AI 在這件事情上表現得相當穩定。

以下是這一步可以直接使用的提示詞（Prompt），你只要把 { } 裡的內容換成自己的資訊即可：

你是{品牌名稱}的客服知識管理助理，以下是最近{時間區間，例如：近三個月}的客服對話紀錄（已去除顧客個資）：

{貼上對話紀錄原始文字}

請完成以下工作：
1. 從對話中抽取出顧客實際提出的問題，合併語意相同但問法不同的重複問題，例如「多久到貨」與「什麼時候出貨」應合併為同一題
2. 依照「訂單與物流／退換貨／商品規格與庫存／付款與發票／售後與保固／其他」六類進行分類，如果某類完全沒有樣本可以省略
3. 每一類列出出現次數最高的前{數量，例如：5}個問題
4. 針對每一題，標註它在對話中出現的粗估頻率（用「非常常見／常見／偶爾出現」表示即可，不用假裝算出精確次數）
5. 請用表格輸出，欄位為：問題、分類、出現頻率、原始問法範例（列出 2 至 3 種不同問法）

這一步做完，你會得到一份「顧客真正在問什麼」的原始清單，這份清單本身就已經很有價值，因為它會誠實反映出你的商品頁面、購物流程、公告訊息裡有哪些資訊沒有交代清楚，導致顧客一直進來問。舉例來說，如果「這個顏色還有貨嗎」被歸類為非常常見，那代表你的商品頁面庫存顯示可能做得不夠即時，這其實是一個產品端可以最佳化的訊號，不只是客服端的問題。

步驟二：分類與整理問題結構

有了原始清單之後，下一步是把它整理成一個有邏輯結構的問題庫骨架，而不是一份雜亂的清單。這裡建議用「使用者旅程」的順序來排列分類，會比單純按字母或按出現頻率排列更好用，因為顧客通常是按照購買流程的階段來產生疑問的。

一個常見的分類骨架長這樣：

把問題套進這個骨架之後，你會很快發現某幾個分類特別肥大，例如很多賣家的「退換貨」類別問題數量會遠超過其他類別，這代表這是你最需要優先寫清楚、寫穩定的一塊，因為模糊的退換貨政策最容易引發顧客糾紛與負評。

步驟三：請 AI 寫出標準化回覆草稿

分類骨架排好之後，就可以請 AI 針對每一個問題草擬標準回覆。這裡的重點是要把「語氣」「字數限制」「不可自行假設的資訊」講清楚，避免 AI 寫出過度承諾或是編造你根本沒有的服務內容。

延續上一段的分類與問題清單，可以用這樣的提示詞：

以下是{品牌名稱}整理好的客服常見問題清單（已分類）：

{貼上分類後的問題清單}

請針對每一題草擬一則標準回覆，規則如下：
1. 語氣要{親切自然但不過度熱情／專業簡潔／依品牌調性自訂}，避免制式化的官腔語句
2. 每則回覆控制在{80}字以內，太長的話請拆成條列
3. 涉及退換貨天數、保固期限、運費金額、庫存狀態這類「會隨政策變動」的具體數字，一律填入{待補：實際政策}，不要自行假設或編造數字
4. 如果同一題有兩種可能情境（例如「未拆封」與「已拆封使用」退貨規則不同），請分別列出回覆
5. 輸出格式為表格，欄位為：問題、分類、回覆草稿、是否含待補資訊（是／否）

第 3 點是這個提示詞裡最重要的安全機制。AI 沒有讀過你公司實際的退換貨政策檔案，如果不特別提醒，它很容易根據「一般電商常見做法」去猜一個聽起來合理但其實跟你公司規定不符的數字，例如猜「七天猶豫期」或「免運費退貨」，這種猜測一旦被顧客拿去要求兌現，就會變成真正的客訴糾紛。所以務必要求 AI 在不確定的地方留白、標註「待補」，而不是自己填數字。

步驟四：人工審核與在地化修飾

AI 產出的草稿，絕對不能直接上線，這一步的人工審核不是形式，而是整個流程裡最不能省略的環節。審核時要檢查三件事：第一，所有「待補」的欄位是不是都已經填上你們公司真實的政策數字；第二，回覆的語氣是不是符合品牌調性，AI 寫出來的句子有時候會偏向書面語或大陸用語習慣（例如用「影片」「質量」這類詞彙），需要改成台灣在地慣用的說法（影片、品質）；第三，是不是有任何回覆聽起來像是在「打包票」承諾了公司實際上做不到的事，例如「保證當天出貨」這種絕對化的字眼，通常要改成「多數訂單會在一個工作天內出貨，實際到貨時間依物流公司作業而定」這種留有彈性空間的說法。

這一步也是讓客服團隊主管、甚至是負責退換貨的同仁一起參與的好時機，讓實際第一線處理過糾紛的人來把關文字，會比單純交給行銷或文案人員審核更貼近真實狀況。

步驟五：上線公開頁與內部知識庫

FAQ 整理完成後，通常會有兩個去處，一個是對外公開的網站 FAQ 頁面，另一個是給客服團隊內部使用的知識庫（可以是共用試算表、Notion 頁面或客服系統裡的知識庫模組）。這兩者的寫法會有些微差異：對外版本要用顧客看得懂的語言、避免內部術語；內部版本則可以附加更多細節，例如「遇到這種情況要轉哪個部門」「這題如果顧客情緒激動要用哪一套安撫話術」。

如果公司有使用客服機器人或是 LINE 官方帳號的自動回覆，這份 FAQ 也是設定關鍵字自動回覆的最好素材，可以把每一題的常見問法都設成觸發關鍵字，直接對應到標準回覆，這樣就能真正減少人工客服的進線量，而不只是把 FAQ 放著給人看而已。

步驟六：建立每月維護與更新機制

很多團隊整理完 FAQ 之後就束之高閣，過了半年商品線更新、政策調整，FAQ 卻還停留在舊版本，反而變成誤導顧客的來源，這是整理 FAQ 這件事最常見的失敗結局。建議固定每個月挑一個時間（例如月初半小時），重複步驟一到步驟三的流程，把上個月新累積的客服對話再跑一次 AI 整理，看看有沒有新出現的高頻問題，或是原本的回覆有沒有過時的地方需要更新。

這個維護節奏不需要每次都大動作重寫整份 FAQ，通常是「新增幾題」「修改幾題數字」的小幅調整，花的時間會遠比第一次整理時少很多，大概半小時到一小時就能完成一次月度更新。

台灣案例：一家中小型網購賣家的實作記錄

分享一個比較貼近台灣中小型賣家實際規模的例子。一家在蝦皮與自架網站同時經營、主要販售居家生活小物的個人賣家團隊（客服由老闆娘本人加一名兼職人員負責），過去每天會收到大約三十到五十則顧客訊息，內容高度重複，兩人常常感覺「一整天都在打一樣的字」。

他們的做法是把近兩個月 LINE 官方帳號的對話紀錄匯出，去除顧客資訊之後分成四批貼給 AI，依照前面步驟一到步驟三的流程整理，前後大約花了兩個晚上、每晚一到兩小時的時間（主要時間花在核對政策數字與調整語氣，不是等待 AI 產出），最終整理出六大類、共四十二題的常見問題，其中「物流與到貨」與「退換貨」兩類就佔了將近六成的問題數量，跟他們原本的主觀印象一致，等於用資料驗證了長期以來的感覺。

上線之後的變化，團隊自己觀察到的是進線量有感下降，原本每天三十到五十則的訊息量，有一部分屬於重複性最高的物流查詢，在 FAQ 上線並設定成 LINE 自動回覆關鍵字之後，明顯減少了需要人工逐一回覆的比例；另外一個附帶效果是，兼職客服人員上手速度變快很多，原本需要老闆娘帶著回答一兩週才能獨立作業，後來新進人員直接對照 FAQ 就能處理大多數來信。這裡要誠實說明：以上是這家團隊自己的質性觀察與粗估比例，並不是經過嚴謹 A/B 測試的精確統計數字，每個店家的商品型別、顧客結構不同，實際效果會因情況而異，不建議把單一案例的感受當成保證會發生在每個人身上的結果。

AI 的能力邊界與常見錯誤提醒

在把這套流程用在自己團隊之前，有幾件事必須誠實面對。

首先，AI 不會知道你公司真實的政策內容，它只會根據一般常識或你提供的資料去推測，如果你在提示詞裡沒有明確要求「不確定的數字留白」，AI 很可能會編出一個聽起來合理但實際上不存在的退換貨天數或保固期限，這種錯誤一旦流出到顧客手上，後果會比沒有 FAQ 還嚴重，因為顧客會拿著「白紙黑字」來要求兌現。所以每一份 AI 產出的回覆草稿，涉及具體數字、時效、金額的部分，都必須經過人工比對公司實際規章之後才能上線。

其次，AI 做的是「歸納」而不是「創造事實」，它整理出來的高頻問題，完全取決於你餵給它的對話樣本，如果樣本本身有偏差（例如剛好某個月是換季出貨延遲，投訴特別多），整理出來的頻率排序也會跟著失真，建議至少用連續兩到三個月的樣本互相比對，而不要只憑一個月的資料就下結論。

第三，AI 對於語氣與用詞的掌握，需要人工校正才會真正貼合台灣在地慣用語與品牌調性，尤其要留意有些 AI 模型的訓練資料偏向對岸用語習慣，產出內容偶爾會出現「影片」「質量」「資訊」這類非台灣慣用的詞彙，審核時務必逐一檢查並改成台灣在地用法。

最後，FAQ 整理完成不代表客服工作可以完全交給機器人處理，複雜、涉及情緒或個案糾紛的來信，仍然需要真人客服介入判斷，把 AI 定位在「處理重複性高、標準化程度高的問題」，複雜個案留給有經驗的人來處理，才是比較務實也比較安全的分工方式。

整體來說，這套流程的核心價值不在於一次做完就一勞永逸，而在於建立一個「持續用 AI 消化客服對話、定期回頭檢視政策是否清楚」的習慣，這個習慣本身，會比任何一次性整理出來的 FAQ 頁面都更值錢。

常見問題 FAQ

延伸閱讀

• 更多工工作流教學
• 客服相關提示詞範例
• 瞭解客服自動化 AI Agent
• 探索更多自動化應用