接上 AI:會聊天的客服誕生

在 n8n 加入 AI 節點

打開你在第 3 課建好的工作流程,在 Webhook 節點後面點「+」加節點。搜尋框輸入 Anthropic,選「Anthropic Chat Model」;或搜尋 OpenAI,選「OpenAI Chat Model」。

選好 AI 模型節點後,再點「+」加一個Basic LLM Chain節點,然後在它的「Chat Model」欄位連接你剛才加的 Anthropic 或 OpenAI 節點。Basic LLM Chain 是整合介面,System Prompt 和 User Message 都在這裡設定。

設定 API 金鑰:點 AI 模型節點 → Credentials → 「Create new」→ 貼上你的 API Key。Anthropic Key 在 console.anthropic.com 取得,OpenAI Key 在 platform.openai.com 取得。

模型建議:

• Anthropic:選 claude-haiku-4-5(速度快、成本低,客服場景夠用)
• OpenAI:選 gpt-4o-mini(快且便宜)

先不要選 Opus 或 GPT-4o——客服回覆不需要那麼強的推理能力,貴 10–20 倍不值得。小店每日 50 對話,用 claude-haiku 估計 API 費用約 NT$5–15/天。

設計 System Prompt:完整飲料店範本

在 Basic LLM Chain 節點找到「System Message」欄位,貼入以下範本,按你的店修改內容:

你是「珍珠奶茶王」的 AI 客服助理小嵐。你代表這家台灣手搖飲料店服務顧客,語氣親切自然、像店員朋友,不要過度正式。

【店家資訊】
店名:珍珠奶茶王
地址:台北市大安區忠孝東路四段 123 號
營業時間:週一至週日 10:00–22:00
外送平台:Uber Eats、Foodpanda

【菜單與價格】
珍珠奶茶 NT$65(M) / NT$75(L)
芋泥波波奶茶 NT$75(M) / NT$85(L)
冬瓜檸檬 NT$55(M) / NT$65(L)
黑糖鮮奶 NT$70(M) / NT$80(L)
甜度:正常糖、少糖、半糖、微糖、無糖
冰塊:正常冰、少冰、微冰、去冰
加購:珍珠 +NT$10、椰果 +NT$10、仙草 +NT$10

【你可以回答的問題】
- 菜單品項、價格、甜度冰塊規則、加料選項
- 營業時間、地址、外送平台
- 一般口味建議

【你不可以回答或承諾的事】
- 訂位、預訂(本店不接受)
- 團購優惠、大量折扣(請顧客來電洽詢)
- 競品比較

【遇到以下情況,用固定話術回覆並結束本輪對話】
客訴、食品安全疑慮、退款要求:
→ 回覆:「感謝您的回饋！已為您轉達給同仁,我們會在 30 分鐘內透過 LINE 與您聯繫,造成不便非常抱歉🙏」

問到超出範圍的問題:
→ 回覆:「這個問題我需要請同仁幫您確認,您方便留下聯絡方式或稍後再來詢問嗎？」

【回覆格式規定】
- 每則回覆不超過 150 字
- 不使用 Markdown 符號(不用 **、##、清單符號)
- 改用換行分段、句子自然結束
- 只使用繁體中文回覆
- 可適當使用 1–2 個 emoji,不要過多

這份範本對應的就是前面說的六大區塊結構。改的時候按區塊替換,不要隨意刪掉某一整個區塊——每個區塊都有它防止 AI 出軌的作用。

把顧客訊息接進 AI 節點

Webhook 接收到的資料裡,顧客說的話在 body.events[0].message.text。在 Basic LLM Chain 節點的「User Message」欄位,切換到 Expression 模式,輸入:

{{ $json.body.events[0].message.text }}

同時要提取另外兩個值,放到 Edit Fields 節點備用:

// userId:識別這位顧客,存對話記憶用
$json.body.events[0].source.userId

// replyToken:LINE 的一次性回覆票券
$json.body.events[0].replyToken

replyToken 有效期是 5 分鐘,超過就無效,只能改用 Push API(那就要消耗推播額度了)。整個 AI 呼叫流程越快越好,避免 AI 回應太慢讓 token 過期。

建議在 Webhook 後面先加一個Edit Fields節點,把 userMessage、userId、replyToken 三個欄位都提取出來,之後每個節點用 {{ $json.userMessage }} 這樣的方式引用,比一直寫長路徑好維護。

加入對話記憶

現在 AI 每次都是從頭開始回答,沒有記憶。顧客先問「有無糖嗎」,AI 回「有」,顧客再問「那珍奶呢」,AI 就不知道「珍奶」指的是剛才問的那杯飲料。要解決這個問題,需要幫每位顧客存一份對話紀錄。

最簡單的做法:用 n8n 的 Static Data(靜態資料)

Static Data 是 n8n 內建的 key-value 儲存,不用另外建資料庫。在工作流程裡加一個 Code 節點,貼入以下程式碼:

// 讀取這位顧客的歷史對話
const userId = $json.userId;
const userMessage = $json.userMessage;

// 從 Static Data 取出舊對話(沒有就初始化空陣列)
const staticData = $getWorkflowStaticData('global');
if (!staticData.history) staticData.history = {};
const history = staticData.history[userId] || [];

// 把新訊息加進去
history.push({ role: 'user', content: userMessage });

// 只保留最近 10 則,避免 Token 爆炸
if (history.length > 10) history.splice(0, history.length - 10);

// 存回去
staticData.history[userId] = history;

// 輸出供 AI 節點使用
return [{ json: { ...($json), conversationHistory: history } }];

然後在 Basic LLM Chain 節點的「System Message」裡,把對話歷史拼進去:

{{ $json.conversationHistory.map(m => m.role + ': ' + m.content).join('\n') }}

AI 收到的 prompt 就會包含「這位顧客之前說過什麼」,它就能做到上下文連貫的回覆了。

AI 回覆後,同樣加一個 Code 節點把 AI 的回覆也存進去:

const userId = $json.userId;
const aiReply = $json.text; // Basic LLM Chain 的輸出欄位名稱

const staticData = $getWorkflowStaticData('global');
const history = staticData.history[userId] || [];
history.push({ role: 'assistant', content: aiReply });
if (history.length > 10) history.splice(0, history.length - 10);
staticData.history[userId] = history;

return [{ json: { ...($json) } }];

Static Data 的限制是重新啟動 n8n 服務後會清空。如果你的 n8n 跑在雲端且很少重啟,短期用沒問題。若需要永久記憶,第 5 課會介紹接 Airtable 或 Google Sheets 做知識庫,同樣的 userId key 可以存進外部資料庫。

用 Reply API 把回覆送回 LINE

Basic LLM Chain 執行後,回覆文字在 $json.text。現在要用這個文字加上 replyToken 呼叫 LINE 的 Reply API。

加一個 HTTP Request 節點,設定如下:

• Method:POST
• URL:https://api.line.me/v2/bot/message/reply
• Authentication:Header Auth
  • Header Name:Authorization
  • Header Value:Bearer 你的Channel Access Token(在 LINE Developers 後台取得)
• Send Body:JSON
• Body 內容(切換到 Expression 模式後填入):

{
  "replyToken": "{{ $('Edit Fields').item.json.replyToken }}",
  "messages": [
    {
      "type": "text",
      "text": "{{ $json.text }}"
    }
  ]
}

注意 replyToken 要從前面的 Edit Fields 節點引用,因為 Code 節點和 AI 節點執行完後,原始的 replyToken 可能已經不在當前 $json 裡了。用節點名稱直接引用:$('Edit Fields').item.json.replyToken。

送出後,LINE API 會回傳 HTTP 200 代表成功。如果收到 400 錯誤,九成是 replyToken 過期或格式錯誤(下面常見坑會講)。

成本控制:四個旋鈕調好就省錢

流程跑起來之後,趁還沒有大量流量時把這四個設定調到位。

① max_tokens(回覆字數上限) 在 AI 模型節點找到「Max Tokens」欄位,設定 300。客服回覆超過 150 字通常讀者不想看,設 300 給點緩衝夠了。超過這個值的 Token 直接截斷,既省錢也避免 AI 長篇大論。

② 對話歷史則數 前面的 Code 節點已經限制保留最近 10 則。如果你的業務單純(顧客大多一問一答),可以降到 6 則,更省 Token。

③ temperature(創意度) 客服場景不需要創意,要的是精準。設定 0.3——這會讓 AI 比較保守,老老實實照你的 System Prompt 回答,而不是自己發明資訊。在 AI 模型節點找「Temperature」欄位設定。

④ 選對模型 claude-haiku 和 gpt-4o-mini 的費用大概是旗艦模型的 1/10 到 1/20。客服場景用不到旗艦模型的複雜推理能力——你給了詳細的 System Prompt 和菜單,它只需要「對應問題、找出答案、照格式輸出」,便宜模型就很稱職。

實戰驗收:飲料店問答測試

工作流程設定好之後,到 n8n 點「Test workflow」,然後拿你的手機在 LINE 裡找到你的官方帳號,實際傳幾則訊息測試。

建議按這個順序測試,涵蓋各種情境:

1. 菜單問題:「你們有什麼口味？」→ AI 應列出菜單品項
2. 價格問題:「珍奶多少錢？」→ 應回 NT$65/NT$75
3. 上下文連貫:先問「有無糖嗎」,再問「那珍奶可以嗎」→ 應記得珍奶的脈絡
4. 邊界測試:「可以訂位嗎？」→ 應說不接受訂位
5. 轉真人:「我剛喝到一杯有異味」→ 應觸發固定客訴話術
6. 超出範圍:「你覺得 XX 家比較好喝嗎？」→ 應婉拒回答競品比較

全部測試通過,你的 LINE OA 就正式擁有一個會聊天的 AI 客服了。測試過程中如果發現 AI 的回答不夠好,回去修 System Prompt——通常只要在對應區塊補一句說明就能修正。