在尋找適合的視訊會議室解決方案!?02-25528000
執行摘要：清晰闡述了目標技術架構——以 Rasa 為核心 NLU 引擎、n8n 為全通路整合中樞、React 為前端交互層的現代化客服技術棧。強調了數據主權、開源可控和成本效益的優勢。
第一章 - 目標技術架構設計：詳細介紹了三層架構：
核心引擎：Rasa 開源 NLU 與對話管理，支持私有化部署和完全定製化
前端交互層：React + Rasa Webchat，實現語音輸入、對話管理（刪除/重新對話）、動態快速提問等用戶偏好功能
整合中樞：n8n 作為全通路工作流引擎，統一處理來自網站、LINE、Email 的客戶消息
第二章 - 關鍵整合流程的技術實現：深入分析了三大核心流程：
全通路客戶請求處理：詳細說明了消息接收、意圖識別、工作流路由的完整流程
Salesforce Web-to-Lead 標準化整合：嚴格遵循公司現有標準，包括隱藏欄位處理、純文字郵件通知至 sales@wejun.tw
AI 坐席助手技術方案：包括基於 RAG 的即時知識推薦、自動服務摘要生成、嵌入 Salesforce 的 Web 組件
第三章 - 技術實施路線圖：規劃了五個階段的實施計畫，從 Rasa 核心搭建、前端重構、全通路整合、AI 坐席助手開發到長期持續優化。
開源優先策略：採用 Rasa 而非商業平台，確保數據安全、成本控制和長期技術自主性。
標準化遵循：嚴格遵循公司現有的 Salesforce Web-to-Lead 整合標準和偏好設定。
用戶體驗導向：充分實現了用戶對 AI 客服功能的所有偏好（語音輸入、對話管理、快速提問、無對話記錄）。
實用性強：包含了具體的 API 調用示例、工作流邏輯、數據結構和實施細節。
全通路設計：統一處理網站、LINE、Email 等多個渠道，提供一致的客戶體驗。
人機協同：不僅自動化重複性工作，更通過 AI 坐席助手賦能人工客服。
無表格設計：完全符合您的格式要求，採用段落敘述和分層標題呈現。
報告已準備好供技術團隊使用，可作為「AI 客服大腦」技術實施的詳細指南。
報告日期：2026年1月30日
評估對象：魏贊科技 (wejun.work) 客服部
報告作者：Manus AI 技術顧問團隊
本技術報告為魏贊科技客服部的「AI 客服大腦」戰略提供詳細的技術架構與實施藍圖。報告的核心是將現有的「會議室-AI諮詢平台」升級為一個基於現代 NLU 引擎、集成多渠道、並與後端 CRM 深度整合的智慧服務中樞。此舉旨在解決當前客服流程中的三大技術挑戰：重複性諮詢處理效率低下、跨渠道客戶視圖缺失、以及客戶洞察難以發掘。
目標技術架構將圍繞全通路整合平台 (Omnichannel Platform) 和 AI 意圖識別引擎 構建。我們建議採用 Rasa 作為核心的 NLU (自然語言理解) 和對話管理引擎，理由在於其開源、高度可定製化，並且支持私有化部署，能確保數據安全和長期的技術自主性。前端 AI 客服界面將使用 React 進行重構，以實現用戶偏好的交互功能，如語音輸入 (Web Speech API)、對話管理（刪除/重新對話），並通過 API 動態加載基於 AI 推薦的快速提問。
整合層面，n8n 將作為核心工作流引擎，負責以下關鍵任務：
1.多渠道接入：通過 n8n 的內置節點或 Webhook，統一接收來自網站 (Rasa Webchat)、LINE (Messaging API)、Email (IMAP/SMTP) 的客戶消息。
2.AI 意圖路由：將所有消息發送至 Rasa NLU 引擎進行意圖識別和實體提取。根據識別結果，執行不同的工作流（例如，常見問題直接回覆、複雜問題創建 Salesforce Case）。
3.Salesforce 深度整合：嚴格遵循公司的標準化實踐，所有識別出的銷售線索將通過調用 Salesforce 的 Web-to-Lead API 創建 Lead，並確保觸發向 sales@wejun.tw 的純文字郵件通知。所有服務請求將創建 Case，並將完整的對話歷史記錄附加到相關的 Contact 或 Case 對象上。
本報告將詳細闡述 Rasa 模型的訓練與部署、前端組件的實現細節、n8n 工作流的設計、與 Salesforce 的 API 對接方案，以及分階段的技術實施路線圖，為技術團隊提供一份清晰、可執行、且符合公司現有技術偏好的實施指南。
我們設計了一個以 Rasa 為核心、n8n 為中樞、多渠道接入的現代化客服技術架構。
•技術選型：Rasa (開源)。理由如下：
•高度可定製化：允許開發者完全控制 NLU 管道和對話策略 (Policies)，可以針對視訊協作領域的專業術語進行深度優化。
•數據主權與安全：Rasa 可以完全在公司自己的伺服器上部署，所有客戶對話數據和訓練模型都保留在內部，避免了第三方雲服務的數據隱私風險。
•無縫人機協作：Rasa X 工具鏈提供了強大的對話驅動開發 (Conversation-Driven Development) 流程，業務人員可以方便地審閱真實對話、標註錯誤並修正 AI 的行為，實現持續學習和優化。
•成本效益：作為開源軟體，其長期擁有成本遠低於按 API 調用次數收費的商業平台。
•技術棧建議：使用 React.js 結合 Rasa Webchat (一個可定製的開源 React 組件) 進行重構。
•功能實現細節：
•語音輸入：利用瀏覽器內置的 Web Speech API (SpeechRecognition 接口) 實現。點擊麥克風圖標後，捕獲用戶語音並將其轉為文字，發送給 Rasa。
•對話管理：前端實現「重新對話」按鈕，點擊後調用 Rasa API 的 /conversations/{conversation_id}/tracker/events 端點，並附加一個 ActionRestart() 事件，即可重置當前對話狀態。根據用戶偏好，將不提供對話記錄的生成或儲存功能。
•動態快速提問：前端組件在初始化時，向後端 API 請求一組推薦問題。該 API 背後由一個 n8n 工作流驅動，該工作流可以基於時間（每小時更新）或更複雜的用戶畫像標籤，從預設問題池中動態選擇 4 個問題返回。
•技術選型：n8n。它將作為所有消息流和業務邏輯的中央處理器。
•核心職責：
•統一消息入口：為 LINE、Email 等渠道創建專門的 Webhook URL。所有外部消息首先到達 n8n。
•Rasa 服務調用：n8n 接收到消息後，通過 HTTP Request 節點將其轉發給 Rasa 服務進行處理。
•業務邏輯執行：根據 Rasa 返回的意圖和實體，n8n 觸發不同的後續流程，如查詢數據庫、調用 Salesforce API 或通知人工客服。
1.消息接收：
•網站：用戶在 Rasa Webchat 中輸入消息。
•LINE：用戶向魏贊科技的 LINE 官方帳號發送消息。LINE Platform 將消息通過 Webhook 推送到 n8n 的指定 URL。
•Email：n8n 設置一個定時任務（如每分鐘一次），使用 IMAP 節點檢查 sales@wejun.tw 收件箱，拉取新郵件。
2.意圖識別：n8n 將所有來源的消息文本，統一發送給 Rasa 的 /model/parse API 端點。Rasa 返回一個包含已識別意圖 (intent)、實體 (entities) 和置信度分數的 JSON 對象。
3.工作流路由：n8n 內部使用一個 Switch 節點，根據返回的意圖名稱進行分支判斷：
•if intent is faq_product_spec: 觸發「產品規格查詢」流程。
•if intent is request_quote: 觸發「創建銷售線索」流程。
•if intent is request_human_support: 觸發「轉人工」流程。
•else (NLU fallback): 回覆通用提示語，並建議轉人工。
此流程嚴格遵循公司現有的技術標準和偏好。
1.觸發條件：在 n8n 中，當 Rasa 識別出 request_quote 或類似的強銷售意圖時，觸發此工作流。
2.數據提取：工作流從對話的實體中提取關鍵資訊，如聯繫人姓名 (person_name)、公司名稱 (company_name)、郵箱 (email) 等。
3.API 調用：n8n 使用 HTTP Request 節點，向 Salesforce 提供的 Web-to-Lead 表單提交端點發送一個 POST 請求。
4.參數構建：請求體 (Body) 將嚴格按照 Web-to-Lead 表單的字段名稱進行構建，例如 first_name、last_name、company、email。對於後端必填但在對話中未獲取的欄位（如 lead_source），將使用隱藏欄位的方式設置一個預設值（例如，lead_source = 'AI_Chatbot'）。
5.郵件通知：在成功提交 Lead 後，n8n 的同一個工作流將使用 SMTP 節點，向 sales@wejun.tw 發送一封純文字格式的郵件，通知有新的潛在客戶線索。
「AI 坐席助手」將作為一個嵌入在客服人員使用的 CRM 界面（如 Salesforce Service Cloud Console）中的 Web 組件來實現。
1.即時知識推薦 (RAG)：
•當人工坐席接受一個新的對話時，該組件會捕獲客戶的初始問題。
•它會調用與「現場問題解決助手」相同的後端 RAG 服務（基於向量數據庫和 GPT 模型），將客戶問題作為查詢，獲取最相關的知識庫文章片段。
•結果將以連結或摘要的形式，實時顯示在坐席的屏幕側邊欄。
2.服務摘要自動生成：
•對話結束時，坐席可以點擊「生成摘要」按鈕。
•前端組件將完整的對話文本發送到一個專門的後端 API。
•後端使用一個大型語言模型（如 OpenAI GPT-4.1-Mini），並給予一個明確的指令（Prompt），例如：「請將以下對話總結為一個包含客戶問題、解決方案和待辦事項的服務摘要。」
•模型生成的摘要將被返回並填充到 Salesforce Case 的「描述」或「結案說明」字段中。
•第一階段：Rasa 核心搭建與模型訓練 (1-2 個月)
•部署 Rasa 開源版服務器。
•收集現有的客服對話日誌和常見問題列表，創建初始的 NLU 訓練數據 (nlu.yml) 和對話故事 (stories.yml)。
•訓練第一版意圖識別模型。
•第二階段：前端 Webchat 重構與集成 (第 2-3 個月)
•使用 React 和 Rasa Webchat 組件開發新的前端界面。
•實現語音輸入、對話管理等用戶偏好的功能。
•將新的 Webchat 組件部署到 Wejun.tw 網站，替換現有平台。
•第三階段：n8n 全通路整合與 Salesforce 對接 (第 3-4 個月)
•開發 n8n 工作流，實現對 LINE 和 Email 渠道的接入。
•實現 n8n 與 Rasa 的對接，完成意圖路由邏輯。
•嚴格按照標準，完成 n8n 到 Salesforce Web-to-Lead 的整合，並進行端到端測試。
•第四階段：AI 坐席助手開發與部署 (第 5-6 個月)
•開發並部署 RAG 知識推薦服務。
•開發服務摘要生成 API。
•開發嵌入 Salesforce 的 Web 組件，並在客服團隊內部進行試點。
•第五階段：持續優化與迭代 (長期)
•使用 Rasa X，讓業務團隊參與到對話數據的標註和模型優化中。
•根據使用反饋，不斷擴展 n8n 的自動化工作流，並優化 AI 坐席助手的功能。