客服窗口最怕的一句話：「這個要請工程師改」
很多中小企業老闆想導入 AI 客服，卡關的不是「AI 會不會回答」，而是「知識庫要怎麼更新」。
傳統做法是把 FAQ 文件丟給工程師處理，文件向量化、寫進資料庫，流程跑完才能上線。等到客服窗口想加一條新規則——例如「中元節公告出貨時間異動」——又要回頭找工程師，等個一兩天才能生效。
對大型企業這不是問題，但對中小企業而言，知識庫的維護權卡在工程師手上，等於這套 AI 客服永遠不是「自己的工具」。
我們在幫企業導入 AI 客服時，觀察到這個落差後，開始用 Hermes Agent 搭配 Google Sheet 知識庫，把維護權還給最熟悉業務內容的客服窗口本人。
Hermes Agent 是什麼？
Hermes Agent 是 AI 研究團隊 Nous Research 推出的開源自主 AI Agent，核心特色是「持久記憶」與「技能可擴充」：Agent 會記住跨對話的上下文，也能透過 Skill（技能模組）擴充能力，例如讀寫 Google Workspace（Gmail、日曆、Drive、Sheets、文件）、上網搜尋、操作瀏覽器等。
對企業導入 AI 客服特別重要的，是它原生支援的訊息閘道（Messaging Gateway）：一套 Gateway 可以同時串接 LINE、Telegram、WhatsApp、Slack、Email、Microsoft Teams 等 20 多種平台，企業不需要為每個渠道各寫一套整合，這也是我們選擇它作為客服底層的原因之一——台灣企業最在意的 LINE 是原生支援的渠道之一。
為什麼選 Google Sheet 知識庫，而不是 RAG 向量資料庫？
我們另一篇文章介紹過用 n8n + RAG 技術打造的 AI 客服，那套架構把文件向量化存進向量資料庫，適合知識量大、內容是長文件的企業。但實務上接觸的中小企業客戶，知識庫往往不是「一份 200 頁的手冊」，而是「50-300 條結構化的問答」：運費規則、退換貨條件、營業時間、產品規格、優惠方案。
這種「表格型」知識，本來就該長在表格裡。
| 比較項目 | Hermes Agent + Google Sheet | n8n + RAG 向量資料庫 |
|---|---|---|
| 知識庫格式 | 結構化表格（問題/分類/答案） | 非結構化長文件（PDF、Word） |
| 更新方式 | 企業窗口直接編輯 Sheet | 上傳文件，系統重新向量化 |
| 維護門檻 | 不需技術背景 | 需熟悉文件管理與切割邏輯 |
| 生效時間 | 存檔即生效（讀取下一輪對話） | 約 2-5 分鐘（向量化處理） |
| 適合知識量 | 數十到數百筆問答 | 上百頁文件、複雜語意檢索 |
| 適合企業 | 電商、服務業、診所、補習班 | 知識量大、文件複雜的中大型企業 |
兩種架構不是對立關係，而是依知識庫的「形狀」選擇對應工具。如果企業的知識庫本來就是一張內部流傳的 Excel 或 Google Sheet，硬要先轉成向量資料庫反而是多一層不必要的工程。
知識庫怎麼設計：一張 Sheet 該有哪些欄位
我們建議的最小可行知識庫結構：
| 欄位 | 用途 | 範例 |
|---|---|---|
| 分類 | 方便窗口分類管理 | 運費 / 退換貨 / 營業時間 |
| 問題（含常見問法） | 讓 Agent 比對客戶提問語意 | 運費怎麼算？滿多少免運？ |
| 標準答案 | Agent 回覆時引用的內容 | 訂單滿 NT$990 免運... |
| 是否需要人工複核 | 標記敏感或高風險問題 | 是 / 否 |
| 最後更新人員與日期 | 變更追蹤 | 客服 Amy／2026-06-20 |
「問題」欄位建議寫進多種常見問法，而不是只寫一個標準問句——這能大幅提升 Agent 比對客戶真實提問的命中率，原理跟傳統關鍵字比對不同：Hermes Agent 是用語意理解判斷客戶意圖，不是逐字比對。
運作邏輯：從客戶訊息到 AI 回覆
- 接收（Listen）：Hermes Agent 的 Messaging Gateway 監聽 LINE 官方帳號（或其他已串接渠道）的訊息。
- 讀取（Read）：透過 Google Workspace Skill，Agent 即時讀取指定 Google Sheet 的最新內容，不需要額外的同步排程。
- 理解與比對（Reason）：Agent 用語意理解判斷客戶問題對應到知識庫哪一條，必要時結合上下文記憶（例如客戶前一句話提到的訂單編號）。
- 回覆或轉真人（Respond / Escalate）：找到對應答案就直接回覆；找不到、或該筆被標記「需要人工複核」，則轉交真人客服處理，不會亂猜答案。
LINE 客戶訊息
↓
Hermes Agent Gateway 接收
↓
讀取 Google Sheet 知識庫（即時）
↓
語意比對 → 找到答案？
├── 是 → 直接回覆客戶
└── 否 / 標記人工複核 → 轉真人客服
整套流程裡，唯一需要企業窗口操心的環節，就是那張 Google Sheet。
企業窗口怎麼自主維護
上線後，我們會把編輯權限交給客服窗口本人，日常維護就是三個動作：
- 發現客戶常問的新問題 → 在 Sheet 新增一列，填上問題與答案。
- 規則異動（例如活動期間出貨時間延長）→ 直接修改對應那一格文字。
- 確認某個問題風險較高（退換貨爭議、法規相關）→ 把「是否需要人工複核」標記為「是」。
不用等工程排期、不用重新部署、不用學任何程式概念。這也是這套架構跟 RAG 架構最本質的差異：知識庫的所有權，留在最懂業務內容的人手上。
適合與不適合的情境
適合採用 Hermes Agent + Google Sheet 的企業：
- 知識庫由客服、行政等非技術人員維護
- 問答內容結構相對固定，數量在數十到數百筆之間
- 需要快速上線，預算有限，不想為知識庫維護長期綁工程資源
- 主力客服渠道是 LINE，或需要同時對接多個訊息平台
建議改用 RAG 架構的情境：
- 知識庫是大量非結構化長文件（合約、技術手冊、法規條文）
- 需要嚴格的版本控管、權限分級與稽核軌跡
- 問題本身需要跨多份文件做複雜語意檢索，不是單一問答能涵蓋
如果企業同時有「結構化 FAQ」和「長文件知識」兩種需求，我們也會建議混合架構：常見問答走 Google Sheet 即時生效，複雜文件問題另外疊加 RAG 檢索，兩套各司其職。
效益對比：傳統客服 vs Hermes Agent + Google Sheet
| 比較項目 | 傳統人工客服 | Hermes Agent + Google Sheet |
|---|---|---|
| 知識庫更新速度 | 需口頭交接或內部公告，易遺漏 | 存檔即生效，全員同步 |
| 知識庫維護者 | 通常無人專責，知識散落各人腦中 | 客服窗口直接維護，責任清楚 |
| 回覆時間 | 視人力與班表而定 | 即時（秒級） |
| 上線門檻 | 不需額外建置，但人力成本長期存在 | 一次建置，免持續工程介入 |
| 多渠道支援 | 需各渠道分別登入處理 | 單一 Gateway 同時服務多渠道 |
延伸閱讀
- AI 客服建置服務：Hermes Agent + Google Sheet 知識庫
- n8n 打造企業級 AI 客服：用 RAG 技術讓 LINE 機器人精準回答公司問題
- LINE、Email、FB 訊息同時爆炸？用 n8n 打造統一客服收件匣
- AI Agent 導入指南：從概念釐清到企業落地
智賦 AI 科技 協助企業導入 Hermes Agent，建置可由非技術人員自主維護的 AI 客服知識庫。預約 AI 客服導入諮詢